迭代法求根
在應用數學、物理學、工程學和電腦科學中，「求根」問題非常常見。根是指使函數值為零的 x 值，即方程式的解：
\[
f(x)=0
\]
並非所有方程式都能用封閉形式的公式表示解，例如二次方程式。對於許多實際問題——例如複雜的非線性方程式——我們需要數值方法。其中最重要的方法之一是迭代法，它透過迭代產生一系列近似解，使之越來越接近方程式的根。
本文探討了迭代法的基本概念、收斂條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給出一個初始猜測值 \(x_0\)，然後逐步改進它以獲得序列：
\[
x_0, x_1, x_2, \dots, x_n
\]
期望：
\[
x_n → α
\]
其中 \(\alpha\) 是方程式 \(f(x)=0\) 的真根。
一般來說，迭代法將問題 \(f(x)=0\) 轉換為等價形式：
\[
x = g(x)
\]
然後執行迭代：
\[
x_{n+1} = g(x_n)
\]
如果過程收斂，則 \(g(x)\) 的不動點是原方程式的一個根解。
2. 收斂：迭代何時成功？
並非所有函數 \(g(x)\) 都能產生穩定的迭代。為了使迭代 \(x_{n+1}=g(x_n)\) 收斂到根 \(\alpha\)，常用的一般條件是：
1. \(g(\alpha)=\alpha\)（根是不動點）
2. \(|g'(\alpha)| < 1\)（局部收縮）
\(|g'(\alpha)| < 1\) 的直觀意義是：在解的附近，函數 \(g\) “不太陡峭”，因此每次迭代都會使 \(x_n\) 的值更接近，而不是更遠離。
收斂性也受初始猜測值的影響。同樣的兩種方法，成功或失敗取決於\(x_0\)。
3. 二分法作為簡單迭代
儘管二分法通常被單獨歸類，但它也可以被視為一種非常強大的迭代方法。其條件是：函數 \(f(x)\) 在區間 \([a,b]\) 上連續，並且存在符號變化：
\[
f(a)·f(b) < 0
\]
也就是說，\(a\) 和 \(b\) 之間存在著一個根。演算法如下：
1. 計算中點 \(c=\frac{a+b}{2}\)
2. 確定仍包含根的子區間（根據符號變化）
3. 重複此步驟直至達到耐受程度。
此方法的優點在於，只要滿足符號變化條件，就能確保收斂。缺點是收斂速度相對較慢，因為每次迭代誤差大約只減少一半（線性收斂）。
4. 定點迭代法
以下是最直接的迭代形式：
\[
x_{n+1} = g(x_n)
\]
步驟如下：
1. 將 \(f(x)=0\) 改為 \(x=g(x)\)
2. 選擇初始猜測值 \(x_0\)
3. 迭代直到 \(|x_{n+1}-x_n|\) 或 \(|f(x_n)|\) 小於容差。
此方法的優點在於其簡便性。然而，這種方法對\(g(x))\)的選擇非常敏感。對於同一個方程，\(x=g(x))\)可以有很多種寫法，但只有部分寫法是收斂的。
例如，如果我們想找到函數 \(f(x)=x^3-2x-5\) 的根，我們可以這樣寫：
– \(x = \sqrt[3]{2x+5}\) 因此 \(g(x)=\sqrt[3]{2x+5}\)
然後進行迭代 \(x_{n+1}=\sqrt[3]{2x_n+5}\)。迭代是否成功取決於根附近 \(|g'(x)|<1\)。
5. 牛頓-拉夫遜法：基於導數的快速迭代
牛頓-拉夫遜法是最常用的迭代方法之一，因為它的收斂速度通常非常快。其迭代公式為：
\[
x_{n+1} = x_n – \frac{f(x_n)}{f'(x_n)}
\]
解釋：在 \(x_n\) 處，我們建構函式 \(f(x)\) 的切線。切線與 \(x\) 軸的交點用作下一個估計值。
優點：
– 如果足夠接近根且 \(f'(\alpha)\neq 0\)，則二次收斂（非常快）。
凱庫蘭甘：
– 需要導數 \(f'(x)\)。
– 如果初始猜測不好，或 \(f'(x_n)\) 接近零，則迭代步驟可能不穩定。
由於該方法在條件有利時效率很高，因此被廣泛應用於最佳化、物理建模和工程計算領域。
6. 割線法：無需導數的牛頓替代方法
如果導數難以計算，割線法提供了一種折衷方案。其主要思想是用有限差分法來近似計算導數：
\[
f'(x_n)\approx \frac{f(x_n)-f(x_{n-1})}{x_n-x_{n-1}}}
\]
因此，迭代公式為：
\[
x_{n+1}=x_n – f(x_n)\,\frac{x_n-x_{n-1}}{f(x_n)-f(x_{n-1})}
\]
此方法需要兩個初始猜測值：\(x_0\) 和 \(x_1\)。它的收斂速度通常優於簡單的二分法和不動點法，但通常比牛頓法略慢。然而，由於它不需要求導，割線法通常更實用。
7. 停止準則
在數值計算中，當迭代精度足夠高或懷疑不收斂時，應停止迭代。一般準則：
1. 迭代間誤差較小：
\[
|x_{n+1}-x_n|<\varepsilon
\]
2. 函數值趨近於零：
\[
|f(x_n)|<\varepsilon
\]
3. 最大迭代次數限制，防止無限循環：
\[
n ≤ n_{\max}
\]
公差 \(\varepsilon\) 的選擇取決於特定要求：工程模擬可能需要嚴格的公差，而粗略計算則相當寬鬆。
8. 迭代方法的簡要比較
總之：
– 二分法：最穩定，肯定收斂（只要符號改變），但速度慢。
– 不動點法：非常簡單，但收斂性並不總是能得到保證。
– 牛頓-拉夫遜法：速度非常快，但需要導數，並且對初始猜測很敏感。
– 割線法：不需要導數，速度很快，但穩定性可能不如二分法。
實際上，方法的選擇取決於函數的性質、導數的可用性、速度需求和穩定性。
結論
迭代法是求解非線性方程式數值根的基石。透過建構一系列迭代更新的近似解，我們可以在解析方法不可用時逼近方程式的解。理解收斂性、初始猜測的選擇以及停止準則對於迭代法能否有效率地獲得正確解至關重要。
在實際應用中，通常會採用組合策略：首先使用二分法等穩定方法來「鎖定」根區間，然後切換到牛頓法或割線法來加快收斂速度。這樣，我們就能在可靠性和速度之間取得平衡——這兩者在數值計算中都非常重要。
如果您願意，我可以為上述任何方法添加逐步（數值）計算範例，以使文章更加具體。
