matlab 牛顿法初值,非线性方程的数值解法：牛顿法及牛顿下山法（含Matlab程序）...

r囧r小猫 2023-01-13 13:55 319阅读 0赞

牛顿法及牛顿下山法

简介：牛顿迭代法是求解单变量非线性方程f(x)=0中最实用的方法，该方法在单根附近二阶收敛。但应用时要选用较好的初值x0近似才能保证迭代收敛。为克服这一缺点，可使用牛顿下山法。下面对牛顿迭代法和牛顿下山法的概念、基本思想、程序实现及例题做进一步介绍。

一、牛顿法

1、定义及定理

如果函数f(x)在\[a,b\]上有二阶导数，f(a)\*f(b)<0，且f'(x)与f"(x)在\[a,b\]上不变号，则有f(x)在\[a,b\]内有且仅有唯一的实根。此时，可以构造一种常用的切线迭代法来求方程根的近似值，这种方法称为Newton迭代法。

2、基本思想

首先选取函数值与二阶导数同号的端点，做曲线f(x)的切线，此切线与x轴交于\[a,b\]内一点x1;在做曲线f(x)对应于点x1的切线并交于x轴与另一点x2;依次类推，切线与x轴的交点将快速逼近函数f(x)的零点。此时，将切线与x轴的交点作为方程的近似根。适用情况如下图所示。

误差分析：当

![70f56270e248a1113eaf7f77e513b777.png][]时，

![eb3da8bf499506e1e1208041c3d2e994.png][]。其中m=min\{|f'(a)|,|f'(b)|\}。详细推导参照《高等数学简明教程上》，马知恩著。

具体步骤：

步1：选定初始近似值x0，计算f0=f(x0),f'0=f'(x0)。注意：取迭代初值x0，一般取x0=a，或x0=b(要求f(x0)与f''(x0)同号)。

步2：迭代。按公式![c6e11af0b3be6db29794f322c144ff52.png][]迭代一次，得到新的近似值x1，计算f1=f(x1),f'1=f'(x1)。

步3：误差控制。如果x1满足

![37ca6967ea148a3bae903879ba253f96.png][],或

![3572eaa07dbf79a93fa91d91c05334d1.png][],或

![70f56270e248a1113eaf7f77e513b777.png][]，则迭代终止，以x1作为所求的根。否则转步骤4。此处

![c55e2bcee8f00cb4110c016f550da72f.png][]为允许误差。

步4：修改。如果迭代次数达到预先指定的次数N,或者f'1=0，则此方法失败；否则以(x1,f1,f'1)代替(x0,f0,f'0)转步骤2继续迭代。

3、程序实现

/\*简单牛顿迭代法的MATLAB程序实现\*/function x=newtoniteration(fun,dfun,x0,EPS) %简单牛顿迭代法

%fun即迭代函数，dfun即迭代函数的一阶导数，x0为迭代初值，EPS为精度

f=fcnchk(fun);

df=fcnchk(dfun);

x1=x0-f(x0)/df(x0);

d=norm(x1-x0);

k=1;

while d>=EPS

x0=x1;

x1=x0-f(x0)/df(x0);

d=norm(x1-x0);

k=k+1;

end

if k==1000

x='fasan';

else

x=x1; %切记要给x赋值

end

4、例题

用牛顿迭代法求解方程

![0cc9cb1548b6d4775797ccaa30ee8b55.png][]。此方程在x=1.5附近有一个根x\*

(1)x0=1.5;调用函数 x=newtoniteration('x^3-x-1','3\*x^2-1',1.5,1.0e-5)，可得：

1.325200398950907

1.324718173999054

1.324717957244790

迭代次数为3，结果为x=1.324717957244790

(2)x0=0.6;调用函数 x=newtoni调用函数 x=newtoniteration('x^3-x-1','3\*x^2-1',1.5,1.0e-5)，可得：

11.946802328608761

7.985520351936208

5.356909314795458

3.624996032946096

2.505589190106631

1.820129422319469

1.461044109887682

1.339323224262526

1.324912867718656

1.324717992637815

1.324717957244747

迭代一次的初值为x1=17.9，这个结果比x0=0.6更偏离了原来的根x\*=1.32472.

由此可以发现，采用牛顿迭代法，在给定区间内求解非线性方程的根，初值的选择极为重要。它不仅影响在给定精度下的迭代次数，而且可能出现切线与x轴交点超出函数定义区域之外。因此又提出了牛顿下山法。

二、牛顿下山法

1、定义：在牛顿迭代过程中，若满足单调性|f(x(k+1))|

![53634e71746d22bcd424a11f82c77d14.png][]

![3213b17bf6c44c753abf0230720607fa.png][]为下山因子(

![e861b32d8ce5bc9a80dee79a8a2de80e.png][])

它改进了牛顿法对初值的依赖性，当所选初值不合适时(不满足单调性|f(x(k+1))| 2、程序实现

function x=Newtondownhillmethod(fun,dfun,x0,EPS) %简单牛顿迭代法

%fun即迭代函数，dfun即迭代函数的一阶导数，x0为迭代初值，EPS为精度

f=fcnchk(fun);

df=fcnchk(dfun);

x1=x0-f(x0)/df(x0);

d=norm(x1-x0);

k=1;

r=1;

while d>=EPS

while abs(f(x1))>abs(f(x0))   %迭代过程一定具有单调性|f(k+1)|            r=r/2;                                %调整下山因子保证其单调性

x2=x0-r\*f(x0)/df(x0);

x1=x2;

end

x0=x1;

r=1;

x1=x0-f(x0)/df(x0);

disp(x1);

disp(f(x1));

d=norm(x1-x0);

k=k+1;

end

if k==1000

x='Iterative divergence';                %迭代公式发散

else

x=x1; %切记要给x赋值

end

x0=0.6;调用函数 x=newtoni调用函数 x=Newtondownhillmethod('x^3-x-1','3\*x^2-1',1.5,1.0e-5)，可得：

1.3668

0.1866

1.3263

0.0067

1.3247

9.6739e-06

1.3247

2.0449e-11

x =  1.3247

可以发现：给定相同的初值x0=0.6，采用牛顿下山迭代法运算次数为4次。降低了运算量，提高了程序的运行效率。

切记牛顿下山法的条件为：|f(x(k+1))|，从而使序列\{x(k)\}收敛。

其实，Matlab软件中已经提供了求解非线性方程的根的命令fzero函数，其格式为：

1、c=fzero(f,v,\[a,b\])------求函数f关于自变量v在【a,b】内的零点c；

2、c=fzero(f,v,x0)----------求函数f关于自变量v在x0内的零点c；

>> fzero('x^3-x-1',x,0.6)

ans =  1.3247

不妥之处，敬请指点。

本文部分程序引用CSDN会员 Jxufe渣渣斯 的文章《牛顿迭代法的MATLAB程序》，在此表示感谢。

[70f56270e248a1113eaf7f77e513b777.png]: /images/20221022/353e04291fce407b8c019e58e9981bea.png
[eb3da8bf499506e1e1208041c3d2e994.png]: /images/20221022/94ef068563354f8bb16bb4c5da1e9a30.png
[c6e11af0b3be6db29794f322c144ff52.png]: /images/20221022/66aa4fa48c9347b8a7d91183150d2fe2.png
[37ca6967ea148a3bae903879ba253f96.png]: /images/20221022/02fd65ed3b25468a98e681d6b1a08574.png
[3572eaa07dbf79a93fa91d91c05334d1.png]: /images/20221022/50458fb6ed83440490cd0714d3ca9657.png
[c55e2bcee8f00cb4110c016f550da72f.png]: /images/20221022/c8a9329f191643dcb55cdefb98610104.png
[0cc9cb1548b6d4775797ccaa30ee8b55.png]: /images/20221022/5650d788134b4ef1b744373165dd9997.png
[53634e71746d22bcd424a11f82c77d14.png]: /images/20221022/35bde41f8b444aeb8928daf778ebdcaf.png
[3213b17bf6c44c753abf0230720607fa.png]: /images/20221022/3bd019cc73cd4fbfadbd9d726465a1fa.png
[e861b32d8ce5bc9a80dee79a8a2de80e.png]: /images/20221022/2a31e0b50e7243f59f989d2e585415a8.png