许多复杂的求解问题,都可以转换成方程f(x)=0的求解问题。这一系列的解叫做方程的根。对于非线性方程的求解,在自变量范围内往往有多个解,我们将此变化区域分为多个小的子区间,对每个区间进行分别求解。我们在求解过程中,选取一个近似值或者近似区间,然后运用迭代方法逐步逼近真实解。
方程求根的常用迭代法有:二分法、不动点迭代、牛顿法、弦截法。
牛顿迭代法(Newton’s method)又称为牛顿-拉弗森方法(Newton-Raphson method),它是一种在实数域和复数域上近似求解方程的方法。方法使用函数的泰勒级数的前面几项来寻找方程的根。
参考链接:
用python算微积分及牛顿迭代求解高阶方程
考察一般形式的函数方程f(x)=0,首先运用校正技术建立迭代公式,设已知它的近似根xk,则自然要求校正值x(k+1)=xk+∆x能更好的满足所给方程,即 f(xk+∆x)≈0,将其左端用线性主部f(xk)+f’(xk)* ∆x代替,而令f(xk)+f’(xk)*∆x=0,这是关于增量∆x的线性方程,据此定出∆x=-f(xk)/f’(xk),从而关于校正值x(k+1)=xk+∆x有如下计算公式:X(k+1)=xk-f(xk)/f’(xk)
这就是著名的牛顿公式。Newton法的突出优点是速度快,但它有个明显的缺点是每一步迭代需要提供导数值f’(xk),如果函数f(x)比较复杂,致使导数的计算比较困难,那么使用牛顿公式是不方便的。
通常最高效的方法:牛顿法。它是求解方程f(x)=0的一种重要方法,它的最大优点是方程在单根附近具有较高的收敛速度,且算法逻辑简单。它还可以用于求代数方程的重根、复根。但是由于牛顿法是局部收敛的,它的收敛性依赖于初值x0的选取。并且每一步迭代除了需要计算f(Xk)外,还需要计算f(Xk)的导数,当f(x)比较复杂时(缺点明显),该方法是不方便的。
求方程式:x = exp(-x)在0.5附近的根
即求方程式xexp(x)-1=0在0.5附近的根
代码如下:
from sympy import *
x = symbols('x')
x0 = 0.5
x_list = [x0]
i = 0
def f(x):
f = x * exp(x) - 1
return f
while True:
if diff(f(x),x).subs(x,x0) == 0:
print('极值点:',x0)
break
else:
x0 = x0 - f(x0)/diff(f(x),x).subs(x,x0)
x_list.append(x0)
if len(x_list) > 1:
i += 1
error = abs((x_list[-1] - x_list[-2]) / x_list[-1])
if error < 10 ** (-6):
print(f'迭代第{
i}次后,误差小于10^(-6),误差为{
error}')
break
else:
pass
print(f'所求方程式的根为{
x_list[-1]}')
结果:
迭代第4次后,误差小于10^(-6),误差为2.17717477197250E-10
所求方程式的根为0.567143290409784
from sympy import *
x = symbols('x')
x0 = 0.5
x_list = [x0]
i = 0
def f(x):
f = x * exp(x) - 1
return f
while True:
if diff(f(x),x).subs(x,x0) == 0:
print('极值点:',x0)
break
else:
x0 = x0 - f(x0)/diff(f(x),x).subs(x,x0)
x_list.append(x0)
if len(x_list) > 1:
i += 1
error = abs((x_list[-1] - x_list[-2]) / x_list[-1])
if error == 0:
print(f'迭代第{
i}次后,误差为0')
break
else:
pass
print(f'所求方程式的根为{
x_list[-1]}')
结果:
迭代第6次后,误差为0
所求方程式的根为0.567143290409784
代码:
from sympy import *
import matplotlib.pyplot as plt
x = symbols('x')
x0 = 0.5
x_list = [x0]
x_values = []
y_values = []
i = 0
def f(x):
f = x * exp(x) - 1
return f
while True:
if diff(f(x),x).subs(x,x0) == 0:
print('极值点:',x0)
break
else:
x0 = x0 - f(x0)/diff(f(x),x).subs(x,x0)
x_list.append(x0)
if len(x_list) > 1:
i += 1
error = abs((x_list[-1] - x_list[-2]) / x_list[-1])
x_values.append(i)
y_values.append(error)
if error == 0:
print(f'迭代第{
i}次后,误差为0')
break
else:
pass
print(f'所求方程式的根为{
x_list[-1]}')
#设置绘图风格
plt.style.use('ggplot')
#处理中文乱码
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
#坐标轴负号的处理
plt.rcParams['axes.unicode_minus']=False
#横坐标是迭代次数
#纵坐标是误差值
plt.plot(x_values,
y_values,
color = 'steelblue', # 折线颜色
marker = 'o', # 折线图中添加圆点
markersize = 3, # 点的大小
)
# 修改x轴和y轴标签
plt.xlabel('迭代次数')
plt.ylabel('误差值')
# 显示图形
plt.show()
结果:
迭代第6次后,误差为0
所求方程式的根为0.567143290409784
求方程式:x3 - 0.165x2 + 3.99310**(-4) = 0在(0,0.11)的根
from sympy import *
from sympy.abc import x
def func(x):
return x**3 - 0.165*x**2 + 3.993*10**(-4)
result = solveset(func(x), x, Interval(0, 0.11))
print(result)
结果:
FiniteSet(0.0623775815137495)
代码:
from sympy import *
x = symbols('x')
xl = 0 #区间下限
xu = 0.11 #区间上限
x0 = (xl+xu)/2 #迭代初始值
x_list = [x0]
i = 0
def f(x):
f = x**3 - 0.165*x**2 + 3.993*10**(-4)
return f
while True:
if diff(f(x),x).subs(x,x0) == 0:
print('极值点:',x0)
break
else:
x0 = x0 - f(x0)/diff(f(x),x).subs(x,x0)
x_list.append(x0)
if len(x_list) > 1:
i += 1
error = abs((x_list[-1] - x_list[-2]) / x_list[-1])
if error < 10**(-6):
print(f'迭代第{
i}次后,误差小于10^-6')
break
else:
pass
print(f'所求方程式的根为{
x_list[-1]}')
结果:
迭代第3次后,误差小于10^-6
所求方程式的根为0.0623775815137494
from sympy import *
x = symbols('x')
xl = 0 #区间下限
xu = 0.11 #区间上限
x0 = (xl+xu)/2 #迭代初始值
x_list = [x0]
i = 0
def f(x):
f = x**3 - 0.165*x**2 + 3.993*10**(-4)
return f
while True:
if diff(f(x),x).subs(x,x0) == 0:
print('极值点:',x0)
break
else:
x0 = x0 - f(x0)/diff(f(x),x).subs(x,x0)
x_list.append(x0)
if len(x_list) > 1:
i += 1
error = abs((x_list[-1] - x_list[-2]) / x_list[-1])
if error == 0:
print(f'迭代第{
i}次后,误差等于0')
break
else:
pass
print(f'所求方程式的根为{
x_list[-1]}')
结果:
迭代第5次后,误差等于0
所求方程式的根为0.0623775815137495
代码:
from sympy import *
import matplotlib.pyplot as plt
x = symbols('x')
xl = 0 #区间下限
xu = 0.11 #区间上限
x0 = (xl+xu)/2 #迭代初始值
x_list = [x0]
i = 0
def f(x):
f = x**3 - 0.165*x**2 + 3.993*10**(-4)
return f
x_values = []
y_values = []
while True:
if diff(f(x),x).subs(x,x0) == 0:
print('极值点:',x0)
break
else:
x0 = x0 - f(x0)/diff(f(x),x).subs(x,x0)
x_list.append(x0)
if len(x_list) > 1:
i += 1
error = abs((x_list[-1] - x_list[-2]) / x_list[-1])
x_values.append(i)
y_values.append(error)
if error == 0:
print(f'迭代第{
i}次后,误差等于0')
break
else:
pass
print(f'所求方程式的根为{
x_list[-1]}')
#设置绘图风格
plt.style.use('ggplot')
#处理中文乱码
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
#坐标轴负号的处理
plt.rcParams['axes.unicode_minus']=False
#横坐标是迭代次数
#纵坐标是误差值
plt.plot(x_values,
y_values,
color = 'steelblue', # 折线颜色
marker = 'o', # 折线图中添加圆点
markersize = 3, # 点的大小
)
# 修改x轴和y轴标签
plt.xlabel('迭代次数')
plt.ylabel('误差值')
# 显示图形
plt.show()
结果:
迭代第5次后,误差等于0
所求方程式的根为0.0623775815137495
牛顿法求解非线性方程组-附Python代码
解非线性方程组的牛顿迭代法(附Python代码)
python 实现(拟)牛顿法解非线性方程组
最优化方法:牛顿迭代法和拟牛顿迭代法
用牛顿迭代求解下面的非线性方程组
import numpy as np
def Fun(x,num):
# 方程组在这里,三个变量分别是x的三个分量,num是未知数个数,这里是2,f是两个方程组
i = num
f = np.zeros((i),dtype=float)
f[0] = x[0]**3-x[1]**2+1. #x**3-y**2+1=0
f[1] = x[0]**2-x[1]-1. #x**2-y-1=0
return f
#计算雅可比矩阵的逆矩阵
def dfun(x,num):
df = np.zeros((num,num),dtype=float)
dx = 0.00001
x1 = np.copy(x) #x1 = x
for i in range(0,num): # 求导数,i是列,j是行
for j in range(0,num):
x1 = np.copy(x)
x1[j] = x1[j]+dx #x+dx
df[i,j] = (Fun(x1,num)[i]-Fun(x,num)[i])/dx #f(x+dx)-f(x)/dx
df_1 = np.linalg.inv(df) #计算逆矩阵
return df_1
def Newton(x,num):
x1 = np.copy(x) #x1 = x 1行num列
i = 0
delta = np.copy(x)
while(np.sum(abs(delta)) > 1.e-8 and i < 100): #控制循环次数
x1 = x-np.dot(dfun(x,num),Fun(x,num)) #公式 x_k+1 = x_k - (dF(x_k))^(-1)·F(x_k)
delta = x1-x #比较x的变化
x = x1
i = i+1
print(x)
return x
# 方程未知数的个数
num = 2
#初始值
x = np.array((-1,1), dtype=float)
print(x)
a = Newton(x,num)
print(a)
#用sympy求解,检验牛顿迭代的正确性
import sympy
x,y = sympy.symbols('x,y')
print('方程的解:')
print(sympy.solve([x**3-y**2+1, x**2-y-1], [x,y]))
结果:
[-1. 1.]
[-1.14285918 0.28571694]
[-1.03069215 0.04974598]
[-1.00160721 0.00237137]
[-1.00000443e+00 6.30308922e-06]
[-1.00000000e+00 4.38330963e-11]
[-1.00000000e+00 2.44426795e-16]
[-1.00000000e+00 2.44426795e-16]
方程的解:
[(-1, 0), (0, -1), (2, 3)]
import numpy as np
import matplotlib.pyplot as plt
#牛顿迭代
class Newton_Iteration():
def __init__(self,):
pass
def Fun(self, x, num):
# 方程组在这里,三个变量分别是x的三个分量,num是未知数个数,这里是2,f是两个方程组
i = num
f = np.zeros((i), dtype=float)
X1, X2 = x[0], x[1]
func = [X1 ** 2 + 4 * X2 ** 2 - 1, 4 * X1 ** 4 + X2 ** 2 - 1]
f[0] = func[0]
f[1] = func[1]
return f
# 计算雅可比矩阵的逆矩阵
def dfun(self, x, num):
df = np.zeros((num, num), dtype=float)
dx = 0.00001
x1 = np.copy(x) # x1 = x
for i in range(0, num): # 求导数,i是列,j是行
for j in range(0, num):
x1 = np.copy(x)
x1[j] = x1[j] + dx # x+dx
df[i, j] = (self.Fun(x1, num)[i] - self.Fun(x, num)[i]) / dx # f(x+dx)-f(x)/dx
df_1 = np.linalg.inv(df) # 计算逆矩阵
return df_1
#牛顿迭代
def Newton(self, x, num):
x1 = np.copy(x) # x1 = x 1行num列
i = 0
x_values = []
y_values = []
delta = np.copy(x)
while (np.sum(abs(delta)) > 1.e-8 and i < 100): # 控制循环次数
x1 = x - np.dot(self.dfun(x, num), self.Fun(x, num)) # 公式 x_k+1 = x_k - (dF(x_k))^(-1)·F(x_k)
delta = x1 - x # 比较x的变化
x_values.append(i)
y_values.append(delta)
x = x1
i = i + 1
print(x)
self.Drawing_error(x_values, y_values)
return x
def Drawing_error(self,x_values,y_values):
# 设置绘图风格
plt.style.use('ggplot')
# 处理中文乱码
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
# 坐标轴负号的处理
plt.rcParams['axes.unicode_minus'] = False
# 横坐标是迭代次数
# 纵坐标是误差值
plt.plot(x_values,
y_values,
color='steelblue', # 折线颜色
marker='o', # 折线图中添加圆点
markersize=3, # 点的大小
)
# 修改x轴和y轴标签
plt.xlabel('迭代次数')
plt.ylabel('误差值')
# 显示图形
plt.show()
if __name__ == '__main__':
# 方程未知数的个数
num = 2
# 初始值
x = np.array((-1, 1), dtype=float)
# 方程组
Newton_Iteration = Newton_Iteration()
a = Newton_Iteration.Newton(x, num)
print('方程组的解为:',a)
结果:
[-0.80644865 0.54838985]
[-0.70889633 0.38975774]
[-0.68372898 0.36586611]
[-0.68219953 0.36558393]
[-0.68219416 0.36558553]
[-0.68219416 0.36558553]
方程组的解为: [-0.68219416 0.36558553]
import numpy as np
import matplotlib.pyplot as plt
from sympy import *
#牛顿迭代
class Newton_Iteration():
def __init__(self, func, var_list):
self.func = func
self.var_list = var_list
pass
def Fun(self, x, num):
# 方程组在这里,三个变量分别是x的三个分量,num是未知数个数,这里是2,f是两个方程组
i = num
f = np.zeros((i), dtype=float)
f[0] = self.func[0].subs([(self.var_list[0],x[0]), (self.var_list[1],x[1])])
f[1] = self.func[1].subs([(self.var_list[0],x[0]), (self.var_list[1],x[1])])
return f
# 计算雅可比矩阵的逆矩阵
def dfun(self, x, num):
df = np.zeros((num, num), dtype=float)
dx = 0.00001
x1 = np.copy(x) # x1 = x
for i in range(0, num): # 求导数,i是列,j是行
for j in range(0, num):
x1 = np.copy(x)
x1[j] = x1[j] + dx # x+dx
df[i, j] = (self.Fun(x1, num)[i] - self.Fun(x, num)[i]) / dx # f(x+dx)-f(x)/dx
df_1 = np.linalg.inv(df) # 计算逆矩阵
return df_1
#牛顿迭代
def Newton(self, x, num):
x1 = np.copy(x) # x1 = x 1行num列
i = 0
x_values = []
y_values = []
delta = np.copy(x)
while (np.sum(abs(delta)) > 1.e-8 and i < 100): # 控制循环次数
x1 = x - np.dot(self.dfun(x, num), self.Fun(x, num)) # 公式 x_k+1 = x_k - (dF(x_k))^(-1)·F(x_k)
delta = x1 - x # 比较x的变化
x_values.append(i)
y_values.append(delta)
x = x1
i = i + 1
print(x)
self.Drawing_error(x_values, y_values)
return x
def Drawing_error(self,x_values,y_values):
# 设置绘图风格
plt.style.use('ggplot')
# 处理中文乱码
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
# 坐标轴负号的处理
plt.rcParams['axes.unicode_minus'] = False
# 横坐标是迭代次数
# 纵坐标是误差值
plt.plot(x_values,
y_values,
color='steelblue', # 折线颜色
marker='o', # 折线图中添加圆点
markersize=3, # 点的大小
)
# 修改x轴和y轴标签
plt.xlabel('迭代次数')
plt.ylabel('误差值')
# 显示图形
plt.show()
if __name__ == '__main__':
# 方程未知数的个数
num = 2
# 初始值
x = np.array((-1, 1), dtype=float)
X1, X2 = symbols('X1, X2')
var_list = [X1, X2]
# 方程组
func = [X1 ** 2 + 4 * X2 ** 2 - 1, 4 * X1 ** 4 + X2 ** 2 - 1]
Newton_Iteration = Newton_Iteration(func, var_list)
a = Newton_Iteration.Newton(x, num)
print('方程组的解为:',a)
结果:
[-0.80644865 0.54838985]
[-0.70889633 0.38975774]
[-0.68372898 0.36586611]
[-0.68219953 0.36558393]
[-0.68219416 0.36558553]
[-0.68219416 0.36558553]
方程组的解为: [-0.68219416 0.36558553]
文章浏览阅读2.5w次,点赞6次,收藏50次。官方解释是,docker 容器是机器上的沙盒进程,它与主机上的所有其他进程隔离。所以容器只是操作系统中被隔离开来的一个进程,所谓的容器化,其实也只是对操作系统进行欺骗的一种语法糖。_docker菜鸟教程
文章浏览阅读5.7k次,点赞3次,收藏14次。该如何避免的,今天小编给大家推荐两个下载Windows系统官方软件的资源网站,可以杜绝软件捆绑等行为。该站提供了丰富的Windows官方技术资源,比较重要的有MSDN技术资源文档库、官方工具和资源、应用程序、开发人员工具(Visual Studio 、SQLServer等等)、系统镜像、设计人员工具等。总的来说,这两个都是非常优秀的Windows系统镜像资源站,提供了丰富的Windows系统镜像资源,并且保证了资源的纯净和安全性,有需要的朋友可以去了解一下。这个非常实用的资源网站的创建者是国内的一个网友。_msdn我告诉你
文章浏览阅读1.2k次。vue2封装对话框el-dialog组件_
文章浏览阅读4.7k次,点赞5次,收藏6次。MFC 文本框换行 标签: it mfc 文本框1.将Multiline属性设置为True2.换行是使用"\r\n" (宽字符串为L"\r\n")3.如果需要编辑并且按Enter键换行,还要将 Want Return 设置为 True4.如果需要垂直滚动条的话将Vertical Scroll属性设置为True,需要水平滚动条的话将Horizontal Scroll属性设_c++ mfc同一框内输入二行怎么换行
文章浏览阅读832次。检查Linux是否是否开启所需端口,默认为6379,若未打开,将其开启:以root用户执行iptables -I INPUT -p tcp --dport 6379 -j ACCEPT如果还是未能解决,修改redis.conf,修改主机地址:bind 192.168.85.**;然后使用该配置文件,重新启动Redis服务./redis-server redis.conf..._redis-server doesn't support auth command or ismisconfigured. try
文章浏览阅读4.9k次。济大数电实验报告_数据选择器及其应用
文章浏览阅读236次。1研究内容消费在生产中占据十分重要的地位,是生产的最终目的和动力,是保持省内经济稳定快速发展的核心要素。预测河南省社会消费品零售总额,是进行宏观经济调控和消费体制改变创新的基础,是河南省内人民对美好的全面和谐社会的追求的要求,保持河南省经济稳定和可持续发展具有重要意义。本文建立灰色预测模型,利用MATLAB软件,预测出2019年~2023年河南省社会消费品零售总额预测值分别为21881...._灰色预测模型用什么软件
文章浏览阅读1.2k次。12.4-在Qt中使用Log4Qt输出Log文件,看这一篇就足够了一、为啥要使用第三方Log库,而不用平台自带的Log库二、Log4j系列库的功能介绍与基本概念三、Log4Qt库的基本介绍四、将Log4qt组装成为一个单独模块五、使用配置文件的方式配置Log4Qt六、使用代码的方式配置Log4Qt七、在Qt工程中引入Log4Qt库模块的方法八、获取示例中的源代码一、为啥要使用第三方Log库,而不用平台自带的Log库首先要说明的是,在平时开发和调试中开发平台自带的“打印输出”已经足够了。但_log4qt
文章浏览阅读786次。全局观思维模型,一个教我们由点到线,由线到面,再由面到体,不断的放大格局去思考问题的思维模型。_计算机中对于全局观的
文章浏览阅读330次。一、CountDownLatch介绍CountDownLatch采用减法计算;是一个同步辅助工具类和CyclicBarrier类功能类似,允许一个或多个线程等待,直到在其他线程中执行的一组操作完成。二、CountDownLatch俩种应用场景: 场景一:所有线程在等待开始信号(startSignal.await()),主流程发出开始信号通知,既执行startSignal.countDown()方法后;所有线程才开始执行;每个线程执行完发出做完信号,既执行do..._countdownluach于cyclicbarrier的用法
文章浏览阅读508次。Prometheus 算是一个全能型选手,原生支持容器监控,当然监控传统应用也不是吃干饭的,所以就是容器和非容器他都支持,所有的监控系统都具备这个流程,_-自动化监控系统prometheus&grafana实战
文章浏览阅读4.7k次。输入关键字,可以通过键盘的搜索按钮完成搜索功能。_react search