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638次。fun unZip(zipFile: String, context: Context) { var outputStream: OutputStream? = null var inputStream: InputStream? = null try { val zf = ZipFile(zipFile) val entries = zf.entries() while (en..._kotlin 对上传的压缩包进行分析
文章浏览阅读1.9k次。随着业务逻辑越来越多,业务模块也越来越大,不可避免会遇到64K方法数的限制。最直观的表现就是编译报错:较早版本的编译系统中,错误内容如下:Conversion to Dalvik format failed:Unable to execute dex: method ID not in [0, 0xffff]: 65536较新版本的编译系统中,错误内容如下:trouble writing outp_java函数大于64k编译失败
文章浏览阅读2k次,点赞7次,收藏10次。物联网领域,有很多数据通信场景,因为原设备整体系统结构、运行环境等方面的限制,需求在不增加通信数据线缆的情况下实现数据的远程传输,因为特殊应用场景下考虑到环境的限制,还不能使用常规的无线通信手段,所以借助电源线缆进行传输的电力线载波技术应运而生,本次博文给大家分享的就是博主完全自主研发的低压电力线载波通信模组。_电力载波模块csdn
文章浏览阅读7.4k次。密码学基本概念 密码学(Cryptology)是结合数学、计算机科学、电子与通信等学科于一体的交叉学科,研究信息系统安全的科学。起源于保密通信技术。具体来讲,研究信息系统安全保密和认证的一门科学。 密码编码学,通过变换消息(对信息编码)使其保密的科学和艺术 密码分析学,在未知密钥的情况下从密文推_密码体制的五个要素
文章浏览阅读1.9k次。1 、据说python3就没有这个问题了2 、u'字符串' 代表是unicode格式的数据,路径最好写成这个格式,别直接跟字符串'字符串'这类数据相加,相加之后type就是str,这样就会存在解码失误的问题。别直接跟字符串'字符串'这类数据相加别直接跟字符串'字符串'这类数据相加别直接跟字符串'字符串'这类数据相加unicode类型别直接跟字符串'字符串'这类数据相加说四遍3 、有些读取的方式偏偏..._python 路径 中文
文章浏览阅读107次。最近,阿云 B 站没声音,是在憋大招!8月5日周四 19:00 是阿里云的直播首秀,给大家请来了 Forrester 评分世界第一的 Serverless 团队产品经理江昱,给大家在线...._阿里云直播b站
文章浏览阅读1.1k次。我好苦啊,半夜还在打代码。还出bug,狗日的。问题是这样的:我在新建的项目里,建了两个Module: fiora-ec和fiora-core。项目的依赖顺序是这样的,App依赖fiora-ec,fiora-ec又依赖于fiora-core,因为这种依赖关系,所有可以在app和fiora-ec中删除一些不必要的引入,比如这个玩意儿:com.android.support:appcompat-v7:..._为什么as在一个包下建了多个module,缺无法打开了
文章浏览阅读1.4k次。1. SMTP 插件 URL:http://www.magentocommerce.com/magento-connect/TurboSMTP/extension/4415/aschroder_turbosmtp KEY:magento-community/Aschroder_TurboSmtp 2. Email Template Adapter..._magento extension pour ricardo.ch
文章浏览阅读161次。声明:本文为原创作品,版权归akuei2及黑金动力社区共同所有,如需转载,请注明出处http://www.cnblogs.com/kingst/ 2.5 低级建模的资源 低级建模有讲求资源的分配,目的是使用“图形”来提高建模的解读性。 图上是低级建模最基本的建模框图,估计大家在实验一和实验二已经眼熟过。功能模块(低级功能模块)是一个水平的长方形,而控制模块(低级控制模块)是矩形。组..._cyclone ep2c8q208c黑金开发板
文章浏览阅读2.2w次,点赞10次,收藏63次。在日常生活和实际应用当中,我们经常会用到统计方面的知识,比如求最大值,求平均值等等。R语言是一门统计学语言,他可以方便的完成统计相关的计算,下面我们就来看一个相关案例。1. 背景最近西安交大大数据专业二班,开设了Java和大数据技术课程,班级人数共100人。2. 需求通过R语言完成该100位同学学号的生成,同时使用R语言模拟生成Java和大数据技术成绩,成绩满分为100,需要满足正_r语言案例分析
文章浏览阅读639次,点赞11次,收藏26次。虽然我个人也经常自嘲,十年之后要去成为外卖专员,但实际上依靠自身的努力,是能够减少三十五岁之后的焦虑的,毕竟好的架构师并不多。架构师,是我们大部分技术人的职业目标,一名好的架构师来源于机遇(公司)、个人努力(吃得苦、肯钻研)、天分(真的热爱)的三者协作的结果,实践+机遇+努力才能助你成为优秀的架构师。如果你也想成为一名好的架构师,那或许这份Java成长笔记你需要阅读阅读,希望能够对你的职业发展有所帮助。一个人可以走的很快,但一群人才能走的更远。
文章浏览阅读3.9k次,点赞9次,收藏53次。受力分析直线行驶时的车轮受力如下:水平方向上,所受合力为:F=Ft+Fw+FfF=F_t+F_w+F_fF=Ft+Fw+Ff其中,FtF_tFt为牵引力,FwF_wFw为空气阻力,FfF_fFf为滚动阻力,下面我们将逐个介绍。驱动力先来说扭矩,扭矩是使物体发生旋转的一个特殊力矩,等于力和力臂的乘积,单位为N∙mN∙mN∙m:设驱动轴的扭矩为TtT_tTt,车轮半径为rrr,那么牵引力:Ft=Tt⁄rF_t=T_t⁄rFt=Tt⁄r如何求得驱动轴扭矩TtT_tTt呢?_unity 车辆动力学模型