例1:給定方程$$f(x) = x^2 + sin x - 1 = 0$$,判別該方程有幾個實根,并用牛頓法求出方程所有實根,精確到$$10^{-4}$$.
解:利用畫圖法觀察根的所在區間為(-2,-1)和(0,1),其中藍色為$$y=f(x)$$的曲線,橘黃色的直線是$$y=0$$.
python語言程序設計?
畫圖代碼:import numpy as np
import matplotlib.pyplot as plt
牛頓迭代法python?def fun(x):
return x**2 + np.sin(x) - 1
def plotCurves():
python 生成器和迭代器、x = np.linspace(-3, 3, 100)
y = fun(x)
y1 = 0.*x
plt.plot(x,y)
plt.plot(x,y1)
def main():
plotCurves()
if __name__ == '__main__':
main()
另外一種觀察方法是,將原來的函數分解為$$y=sin x$$和$$y=1-x^2$$兩個函數,然后觀察它們的交點,如下圖所示:import numpy as np
import matplotlib.pyplot as plt
def plotCurves2():
x = np.linspace(-3, 3, 100)
y1 = np.sin(x)
y2 = 1 - x**2
plt.plot(x,y1)
plt.plot(x,y2)
def main():
plotCurves2()
if __name__ == '__main__':
main()
下面分別以-2和0為初值,用牛頓法求解根。由于$$f(x)=x^2 + sin(x) -1$$,因此$$f'(x) = 2 x + cos(x)$$.# -*- coding: utf-8 -*-
"""
給定方程f(x) = x^2 + sin x - 1 = 0,判別該方程有幾個實根,并用牛頓法求出方程所有實根,精確到1e-4.
@author: morxio
"""
import numpy as np
def fun(x):
'''函數f(x)'''
return x**2 + np.sin(x) - 1
def dfun(x):
"""函數的導函數f'(x)"""
return 2 * x + np.cos(x)
def newton(x0, eps1, eps2, N):
"""
牛頓迭代法x = x - f(x)/f'(x)
x0:初值, N:最大迭代次數
eps1:根誤差限,eps2:函數誤差限
返回方程的根
"""
for k in range(0,N,1):
x = x0 - fun(x0) / dfun(x0)
print(x)
if np.abs(x) < 1:
if np.abs(x-x0) < eps1 or np.abs(fun(x)) < eps2:
print(f"經過{k:d}次迭代,初值為{x0:f}的根為{x:.6f}, 此時函數值為{fun(x):.6f}")
return (x,k, fun(x))
else:
if np.abs(x-x0)/np.abs(x) < eps1 or np.abs(fun(x)) < eps2:
print(f"經過{k:d}次迭代,初值為{x0:f}的根為{x:.6f}, 此時函數值為{fun(x):.6f}")
return (x,k, fun(x))
x0 = x
print(f"迭代超過{N:d}次,迭代失敗")
def main():
newton(0.0, 1e-4, 1e-4, 1000)
newton(-2.0, 1e-4, 1e-4, 1000)
if __name__ == '__main__':
main()
結果:第0步: 相鄰迭代步根誤差為: 1.000000
第1步: 相鄰迭代步根誤差為: 0.331248
第2步: 相鄰迭代步根誤差為: 0.031684
第3步: 相鄰迭代步根誤差為: 0.000335
經過3次迭代,初值為0.637068的根為0.636733, 此時函數值為0.000000
第0步: 相鄰迭代步根誤差為: 0.473422
第1步: 相鄰迭代步根誤差為: 0.110144
第2步: 相鄰迭代步根誤差為: 0.006784
第3步: 相鄰迭代步根誤差為: 0.000026
經過3次迭代,初值為-1.409650的根為-1.409624, 此時函數值為0.000000
例2:構造計算$$\sqrt{C}, C>0$$的牛頓迭代公式,并計算$$\sqrt{115}$$的近似值,計算結果精確到$$10^{-5}$$.# -*- coding: utf-8 -*-
"""
構造計算sqrt{C}, C>0的牛頓迭代公式,并計算sqrt{115}的近似值,計算結果精確到1e-5.
@author: morxio
"""
import numpy as np
C = 115
x0 = 10
N = 1000
EPS = 1e-5
def fun(x):
'''函數f(x)'''
return x**2 - C
def dfun(x):
"""函數的導函數f'(x)"""
return 2 * x
def newton(x0, EPS, N):
"""
牛頓迭代法x = x - f(x)/f'(x)
x0:初值, N:最大迭代次數, eps:根誤差限
"""
for k in range(0,N,1):
x = x0 - fun(x0) / dfun(x0)
print(x)
if np.abs(x) < 1:
if np.abs(x-x0) < EPS:
print(f"經過{k+1:d}次迭代,初值為{x0:f}的根為{x:.6f}, 此時函數值為{fun(x):.6f}")
return (x,k, fun(x))
else:
if np.abs(x-x0)/np.abs(x) < EPS:
print(f"經過{k+1:d}次迭代,初值為{x0:f}的根為{x:.6f}, 此時函數值為{fun(x):.6f}")
return (x,k, fun(x))
x0 = x
print(f"迭代超過{N:d}次,迭代失敗")
def main():
newton(x0, EPS, N)
if __name__ == '__main__':
main()
結果:10.75
10.723837209302326
10.723805294811097
經過3次迭代,初值為10.723837的根為10.723805, 此時函數值為0.000000
版权声明:本站所有资料均为网友推荐收集整理而来,仅供学习和研究交流使用。
工作时间:8:00-18:00
客服电话
电子邮件
admin@qq.com
扫码二维码
获取最新动态