迭代法求根
在应用数学、物理学、工程学和计算机科学中，“求根”问题非常常见。根是指使函数值为零的 x 值，即方程的解：
\[
f(x)=0
\]
并非所有方程都能用封闭形式的公式表示解，例如二次方程。对于许多实际问题——例如复杂的非线性方程——我们需要数值方法。其中最重要的方法之一是迭代法，它通过迭代生成一系列近似解，使之越来越接近方程的根。
本文探讨了迭代法的基本概念、收敛条件以及一些常用的求根迭代方法。
-
1. 迭代法的基本思想
迭代法的工作原理是先给出一个初始猜测值 \(x_0\)，然后逐步改进它以获得序列：
\[
x_0, x_1, x_2, \dots, x_n
\]
期望：
\[
x_n → α
\]
其中 \(\alpha\) 是方程 \(f(x)=0\) 的真根。
一般来说，迭代法将问题 \(f(x)=0\) 转化为等价形式：
\[
x = g(x)
\]
然后执行迭代：
\[
x_{n+1} = g(x_n)
\]
如果该过程收敛，则 \(g(x)\) 的不动点是原方程的一个根解。
-
2. 收敛：迭代何时成功？
并非所有函数 \(g(x)\) 都能产生稳定的迭代。为了使迭代 \(x_{n+1}=g(x_n)\) 收敛到根 \(\alpha\)，常用的一般条件是：
1. \(g(\alpha)=\alpha\)（根是不动点）
2. \(|g'(\alpha)| < 1\)（局部收缩）
\(|g'(\alpha)| < 1\) 的直观含义是：在解的附近，函数 \(g\) “不太陡峭”，因此每次迭代都会使 \(x_n\) 的值更接近，而不是更远离。
收敛性也受初始猜测值的影响。同样的两种方法，成功或失败取决于\(x_0\)。
-
3. 二分法作为简单迭代
尽管二分法通常被单独归类，但它也可以被视为一种非常强大的迭代方法。其条件是：函数 \(f(x)\) 在区间 \([a,b]\) 上连续，并且存在符号变化：
\[
f(a)·f(b) < 0
\]
也就是说，\(a\) 和 \(b\) 之间存在一个根。算法如下：
1. 计算中点 \(c=\frac{a+b}{2}\)
2. 确定仍然包含根的子区间（根据符号变化）
3. 重复此步骤直至达到耐受程度。
该方法的优点在于，只要满足符号变化条件，就能保证收敛。缺点是收敛速度相对较慢，因为每次迭代误差大约只减小一半（线性收敛）。
-
4. 定点迭代法
以下是最直接的迭代形式：
\[
x_{n+1} = g(x_n)
\]
步骤如下：
1. 将 \(f(x)=0\) 改为 \(x=g(x)\)
2. 选择初始猜测值 \(x_0\)
3. 迭代直到 \(|x_{n+1}-x_n|\) 或 \(|f(x_n)|\) 小于容差。
该方法的优点在于其简便性。然而，这种方法对\(g(x))\)的选择非常敏感。对于同一个方程，\(x=g(x))\)可以有很多种写法，但只有部分写法是收敛的。
例如，如果我们想找到 \(f(x)=x^3-2x-5\) 的根，我们可以这样写：
– \(x = \sqrt[3]{2x+5}\) 因此 \(g(x)=\sqrt[3]{2x+5}\)
然后进行迭代 \(x_{n+1}=\sqrt[3]{2x_n+5}\)。迭代是否成功取决于根附近 \(|g'(x)|<1\)。
-
5. 牛顿-拉夫逊法：基于导数的快速迭代
牛顿-拉夫逊法是最常用的迭代方法之一，因为它的收敛速度通常非常快。其迭代公式为：
\[
x_{n+1} = x_n – \frac{f(x_n)}{f'(x_n)}
\]
解释：在 \(x_n\) 处，我们构造函数 \(f(x)\) 的切线。切线与 \(x\) 轴的交点用作下一个估计值。
优点：
– 如果足够接近根且 \(f'(\alpha)\neq 0\)，则二次收敛（非常快）。
凯库兰甘：
– 需要导数 \(f'(x)\)。
– 如果初始猜测不好，或者 \(f'(x_n)\) 接近于零，则迭代步骤可能不稳定。
由于该方法在条件有利时效率很高，因此被广泛应用于优化、物理建模和工程计算领域。
-
6. 割线法：无需导数的牛顿替代方法
如果导数难以计算，割线法提供了一种折衷方案。其主要思想是用有限差分法来近似导数：
\[
f'(x_n)\approx \frac{f(x_n)-f(x_{n-1})}{x_n-x_{n-1}}}
\]
因此，迭代公式为：
\[
x_{n+1}=x_n – f(x_n)\,\frac{x_n-x_{n-1}}{f(x_n)-f(x_{n-1})}
\]
该方法需要两个初始猜测值：\(x_0\) 和 \(x_1\)。它的收敛速度通常优于简单的二分法和不动点法，但通常比牛顿法略慢。然而，由于它不需要求导，割线法通常更实用。
-
7. 停止准则
在数值计算中，当迭代精度足够高或怀疑迭代不收敛时，应停止迭代。一般准则：
1. 迭代间误差较小：
\[
|x_{n+1}-x_n|<\varepsilon
\]
2. 函数值趋近于零：
\[
|f(x_n)|<\varepsilon
\]
3. 最大迭代次数限制，防止无限循环：
\[
n ≤ n_{\max}
\]
公差 \(\varepsilon\) 的选择取决于具体要求：工程模拟可能需要严格的公差，而粗略计算则相当宽松。
-
8. 迭代方法的简要比较
总之：
– 二分法：最稳定，肯定收敛（只要符号发生变化），但速度慢。
– 不动点法：非常简单，但收敛性并不总是能得到保证。
– 牛顿-拉夫逊法：速度非常快，但需要导数，并且对初始猜测很敏感。
– 割线法：不需要导数，速度很快，但稳定性可能不如二分法。
实际上，方法的选择取决于函数的性质、导数的可用性、速度需求和稳定性。
-
结论
迭代法是求解非线性方程数值根的基石。通过构建一系列迭代更新的近似解，我们可以在解析方法不可用时逼近方程的解。理解收敛性、初始猜测的选择以及停止准则对于迭代法能否高效地获得正确解至关重要。
在实际应用中，通常会采用组合策略：首先使用二分法等稳定方法来“锁定”根区间，然后切换到牛顿法或割线法来加快收敛速度。这样，我们就能在可靠性和速度之间取得平衡——这两者在数值计算中都非常重要。
-
如果您愿意，我可以为上述任何方法添加逐步（数值）计算示例，以使文章更加具体。
