Μέθοδος Επανάληψης στην Εύρεση Ριζών
Στα εφαρμοσμένα μαθηματικά, τη φυσική, τη μηχανική και την επιστήμη των υπολογιστών, το πρόβλημα της «εύρεσης ρίζας» προκύπτει πολύ συχνά. Μια ρίζα είναι η τιμή του \(x\) που καθιστά μια συνάρτηση μηδέν, δηλαδή, τη λύση της εξίσωσης:
\[
f(x)=0
\]
Δεν έχουν όλες οι εξισώσεις λύσεις που μπορούν να εκφραστούν σε κλειστής μορφής τύπους, όπως οι τετραγωνικές εξισώσεις. Για πολλές περιπτώσεις του πραγματικού κόσμου — όπως οι σύνθετες μη γραμμικές εξισώσεις — χρειαζόμαστε αριθμητικές προσεγγίσεις. Μία από τις πιο σημαντικές προσεγγίσεις είναι η επαναληπτική μέθοδος, μια διαδικασία που παράγει μια σειρά από κατά προσέγγιση λύσεις που πλησιάζουν περισσότερο στη ρίζα μέσω της επανάληψης.
Αυτό το άρθρο συζητά τις βασικές έννοιες των μεθόδων επανάληψης, τις συνθήκες σύγκλισής τους και ορισμένες συνήθως χρησιμοποιούμενες επαναληπτικές μεθόδους για την εύρεση ριζών.
-
1. Βασική ιδέα της μεθόδου επανάληψης
Η μέθοδος επανάληψης λειτουργεί κάνοντας μια αρχική εικασία \(x_0\) και στη συνέχεια βελτιώνοντάς την σταδιακά για να ληφθεί η ακολουθία:
\[
x_0, x_1, x_2, \τελείες, x_n
\]
με προσδοκίες:
\[
x_n \σε \άλφα
\]
όπου \(\alpha\) είναι η πραγματική ρίζα της εξίσωσης \(f(x)=0\).
Γενικά, η μέθοδος επανάληψης μετασχηματίζει το πρόβλημα \(f(x)=0\) σε ισοδύναμη μορφή:
\[
x = g(x)
\]
Στη συνέχεια, εκτελείται η επανάληψη:
\[
x_{n+1} = g(x_n)
\]
Αν αυτή η διαδικασία συγκλίνει, τότε το σταθερό σημείο της \(g(x)\) είναι μια ριζική λύση της αρχικής εξίσωσης.
-
2. Σύγκλιση: Πότε είναι επιτυχής η επανάληψη;
Δεν παράγουν όλες οι συναρτήσεις \(g(x)\) σταθερές επαναλήψεις. Προκειμένου η επανάληψη \(x_{n+1}=g(x_n)\) να συγκλίνει στη ρίζα \(\άλφα\), οι γενικές συνθήκες που χρησιμοποιούνται συχνά είναι:
1. \(g(\άλφα)=\άλφα\) (η ρίζα είναι ένα σταθερό σημείο)
2. \(|g'(\alpha)| < 1\) (kontraksi lokal)
Intuisi dari \(|g'(\alpha)| < 1\) adalah: di sekitar solusi, fungsi \(g\) “tidak terlalu curam”, sehingga setiap iterasi membawa nilai \(x_n\) semakin dekat, bukan menjauh.
Konvergensi juga dipengaruhi oleh tebakan awal. Dua metode yang sama dapat berhasil atau gagal tergantung pada \(x_0\).
---
3. Metode Bagi Dua (Bisection) sebagai Iterasi Sederhana
Walaupun sering diklasifikasikan terpisah, metode bagi dua dapat dilihat sebagai metode iteratif yang sangat andal. Syaratnya: fungsi \(f(x)\) kontinu pada interval \([a,b]\) dan terjadi perubahan tanda:
\[
f(a)\cdot f(b) < 0
\]
Artinya, ada akar di antara \(a\) dan \(b\). Algoritmanya:
1. Hitung titik tengah \(c=\frac{a+b}{2}\)
2. Tentukan subinterval yang masih mengurung akar (berdasarkan perubahan tanda)
3. Ulangi sampai toleransi tercapai
Kelebihan metode ini: pasti konvergen jika syarat perubahan tanda terpenuhi. Kekurangannya: konvergensinya relatif lambat karena galat berkurang kira-kira setengah tiap iterasi (konvergensi linear).
---
4. Metode Iterasi Titik Tetap (Fixed-Point Iteration)
Inilah bentuk iterasi paling langsung:
\[
x_{n+1} = g(x_n)
\]
Langkahnya:
1. Ubah \(f(x)=0\) menjadi \(x=g(x)\)
2. Pilih tebakan awal \(x_0\)
3. Lakukan iterasi sampai \(|x_{n+1}-x_n|\) atau \(|f(x_n)|\) lebih kecil dari toleransi
Keunggulannya adalah kesederhanaan. Namun, metode ini sangat sensitif terhadap pilihan \(g(x)\). Untuk persamaan yang sama, terdapat banyak cara menulis \(x=g(x)\), tetapi hanya sebagian yang konvergen.
Sebagai contoh, jika ingin mencari akar dari \(f(x)=x^3-2x-5\), kita bisa menulis:
- \(x = \sqrt[3]{2x+5}\) sehingga \(g(x)=\sqrt[3]{2x+5}\)
Lalu lakukan iterasi \(x_{n+1}=\sqrt[3]{2x_n+5}\). Keberhasilan iterasi bergantung pada apakah \(|g'(x)|<1\) di sekitar akar.
---
5. Metode Newton-Raphson: Iterasi Cepat Berbasis Turunan
Metode Newton-Raphson adalah salah satu metode paling populer karena konvergensinya biasanya sangat cepat. Rumus iterasinya:
\[
x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}
\]
Interpretasinya: pada \(x_n\), kita buat garis singgung fungsi \(f(x)\). Perpotongan garis singgung dengan sumbu-\(x\) dipakai sebagai perkiraan berikutnya.
Keunggulan:
- Konvergensi kuadratik (sangat cepat) jika sudah cukup dekat dengan akar dan \(f'(\alpha)\neq 0\).
Kekurangan:
- Membutuhkan turunan \(f'(x)\).
- Bisa gagal jika tebakan awal buruk, atau jika \(f'(x_n)\) mendekati nol, sehingga langkah iterasi menjadi tidak stabil.
Metode ini banyak digunakan dalam optimasi, pemodelan fisika, hingga komputasi teknik karena efisiensinya ketika kondisi mendukung.
---
6. Metode Secant: Alternatif Newton Tanpa Turunan
Jika turunan sulit dihitung, metode secant menawarkan kompromi. Ide utamanya adalah mendekati turunan dengan selisih hingga:
\[
f'(x_n)\approx \frac{f(x_n)-f(x_{n-1})}{x_n-x_{n-1}}
\]
Sehingga rumus iterasinya:
\[
x_{n+1}=x_n - f(x_n)\,\frac{x_n-x_{n-1}}{f(x_n)-f(x_{n-1})}
\]
Metode ini memerlukan dua tebakan awal: \(x_0\) dan \(x_1\). Kecepatan konvergensinya umumnya lebih baik daripada bagi dua dan fixed-point sederhana, meskipun biasanya sedikit lebih lambat daripada Newton. Namun, karena tidak perlu turunan, secant sering lebih praktis.
---
7. Kriteria Berhenti (Stopping Criteria)
Dalam komputasi numerik, iterasi harus dihentikan ketika sudah cukup akurat atau jika dicurigai tidak konvergen. Kriteria umum:
1. Galat antar iterasi kecil :
\[
|x_{n+1}-x_n|<\varepsilon
\]
2. Nilai fungsi mendekati nol :
\[
|f(x_n)|<\varepsilon
\]
3. Batas iterasi maksimum untuk mencegah loop tak berujung:
\[
n \le n_{\max}
\]
Pemilihan toleransi \(\varepsilon\) bergantung pada kebutuhan: simulasi teknik mungkin memerlukan toleransi ketat, sementara perhitungan kasar cukup longgar.
---
8. Perbandingan Singkat Metode Iterasi
Secara ringkas:
- Bisection : paling stabil, pasti konvergen (dengan syarat perubahan tanda), tapi lambat.
- Fixed-point : sangat sederhana, tetapi konvergensi tidak selalu terjamin.
- Newton-Raphson : sangat cepat, tetapi butuh turunan dan sensitif terhadap tebakan awal.
- Secant : tidak perlu turunan, cukup cepat, tetapi bisa kurang stabil dibanding bisection.
Dalam praktik, pemilihan metode bergantung pada sifat fungsi, ketersediaan turunan, kebutuhan kecepatan, dan kestabilan.
---
Kesimpulan
Metode iterasi adalah tulang punggung pencarian akar secara numerik untuk persamaan nonlinier. Dengan membangun urutan perkiraan yang diperbarui secara berulang, kita dapat mendekati solusi ketika metode analitik tidak tersedia. Pemahaman tentang konvergensi, pemilihan tebakan awal, dan kriteria berhenti sangat penting agar iterasi menghasilkan akar yang benar dan efisien.
Pada aplikasi nyata, sering kali digunakan strategi gabungan: mulai dengan metode stabil seperti bisection untuk “mengunci” interval akar, lalu beralih ke Newton atau secant untuk mempercepat konvergensi. Dengan demikian, kita memperoleh keseimbangan antara keandalan dan kecepatan—dua aspek yang sangat berharga dalam komputasi numerik.
---
Jika Anda ingin, saya bisa menambahkan contoh perhitungan langkah demi langkah (numerik) untuk salah satu metode di atas agar artikel lebih konkret.
