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119次。该楼层疑似违规已被系统折叠隐藏此楼查看此楼/***Getaparametervalue**@paramkeyString*@paramdefString*@returnString*/publicStringgetParameter(Stringkey,Stringdef){returnisStandalone?System.getProperty(ke..._java http隧道
文章浏览阅读913次。IP主机名备注192.168.117.14keepalived-master主节点192.168.117.15keepalived-slaver备节点192.168.117.100VIP1.主备节点均安装keepalived# yum install -y keepalived httpd2.主备节点均修改keepalived日志存放路径..._keepalived sendmail
文章浏览阅读469次。--==========================================--SPFILE错误导致数据库无法启动(ORA-01565)--========================================== SPFILE错误导致数据库无法启动 SQL> startup ORA-01078: failurein proce_ora01565 ora27046
文章浏览阅读6.1k次,点赞2次,收藏54次。功能测试基础知识总结_功能测试
文章浏览阅读3.2k次,点赞3次,收藏2次。pg 中文首字母排序_pg中文排序
文章浏览阅读3.1w次,点赞23次,收藏109次。本文主要讲解CONVERT函数_mysql convert
文章浏览阅读8.6k次,点赞2次,收藏2次。HTML5 的视频播放事件想必大家已经期待很久了吧,在HTML4.1、4.0之前我们如果在网页上播放视频无外乎两种方法: 第一种:安装FLASH插件或者微软发布的插件 第二种:在本地安装播放器,在线播放组件之类的 因为并不是所有的浏览器都安装了FLASH插件,就算安装也不一定所有的都能安装成功。像苹果系统就是默认禁用FLASH的,安卓虽然一开始的时候支持FLASH,但是在安卓4.0以后也开始不_微信开发者工具视频快进
文章浏览阅读5.4k次,点赞3次,收藏4次。在使用redis的过程常见错误总结1.JedisConnectionException Connection Reset参考这边文章:Connection reset原因分析和解决方案https://blog.csdn.net/cwclw/article/details/527971311.1问题描述Exception in thread "main" redis.clients...._jedisconnectionexception: java.net.socketexception: connection reset
文章浏览阅读8.3k次,点赞8次,收藏42次。目录1.Lua垃圾回收算法原理简述2.Lua垃圾回收中的三种颜色3.Lua垃圾回收详细过程4.步骤源码详解4.1新建对象阶段4.2触发条件4.3 GC函数状态机4.4标记阶段4.5清除阶段5.总结参考资料lua垃圾回收(Garbage Collect)是lua中一个比较重要的部分。由于lua源码版本变迁,目前大多数有关这个方面的文章都还是基于lua5.1版本,有一定的滞后性。因此本文通过参考当前..._lua5.3 gc
文章浏览阅读511次。最近家中的潮人,老妈闲着没事干,开始学玩电脑,引起他的各种好奇心。如看看新闻,上上微信或做做其他的事情。但意料之中的是电脑上会莫名出现各种问题?不翼而飞的图标?照片又不见了?文件被删了,卡机或者黑屏,无声音了,等等问题。常常让她束手无策,求助于我,可惜在电话中说不清,往往只能苦等我回家后才能解决,那种开心乐趣一下子消失了。想想,这样也不是办法啊, 于是,我潜心寻找了两款优秀的远程控制软件。两款软件...
文章浏览阅读1.8k次。二.初始化工作空间三.设置下载地址四.下载功能包此处可能会报错,请看:rosdep update遇到ERROR: error loading sources list: The read operation timed out问题_DD᭄ꦿng的博客-程序员宅基地接下来一次安装所有功能包,注意对应ROS版本 五.编译功能包isolated:单独编译各个功能包,每个功能包之间不产生依赖。编译过程时间比较长,可能需要几分钟时间。此处可能会报错:缺少absl依赖包_ros18.04 安装ca
文章浏览阅读4.1k次,点赞3次,收藏7次。Haobor2.2.1配置(trivy扫描器、镜像签名)docker-compose下载https://github.com/docker/compose/releases安装cp docker-compose /usr/local/binchmod +x /usr/local/bin/docker-composeharbor下载https://github.com/goharbor/harbor/releases解压tar xf xxx.tgx配置harbor根下建立:mkd_init error: db error: failed to download vulnerability db: database download