python牛顿法求多项式的根

Posted 2023-04-16

参考技术A #include<iostream.h>
#include<math.h>
#include<conio.h>
const int N=200;
//带入原函数后所得的值
double f(float x)

return (x*x*x-1.8*x*x+0.15*x+0.65);

//带入一阶导函数后所得的值
double f1(double x)

return (3*x*x-3.6*x+0.15);

//牛顿迭代函数
double F(double x)

double x1;
x1=x-1.0*f(x)/f1(x);
return (x1);

void main()

double x0,D_value,x1,y[4];
int k=0,count=0;
for(;;)

if(count==3)break;
cout<<"输入初始值:";
cin>>x0;
do

k++;
x1=F(x0);
D_value=fabs(x1-x0);
x0=x1;

while((D_value>0.000005)&&(k<=N));
for(int j=0,flag=0;j<count;j++)


if(fabs(y[j]-x1)<0.000005)
flag=1;
cout<<"该数值附近的根已经求出，请重新换近似值"<<endl;
break;


if(flag==1)
continue;
else

cout<<"方程的一个根："<<x1<<","<<" 迭代次数为："<<k<<endl;
y[count]=x1;
count++;

//else

//cout<<"计算失败!"<<endl;


//你的程序其实没问题，牛顿迭代法本身循环一次只能找到一个答案，只要再建一个循环控制使
//用迭代法的次数和判断根的个数就行。我又加了一个判断是否有重复的根的循环。
//希望能对你有所帮助。

牛顿法、黄金分割法、二次插值法实验（最优化1）

参考技术A

在生产过程、科学实验以及日常生活中，人们总希望用最少的人力、物力、财力和时间去办更多的事，获得最大的效益，，所以最优化理论和方法日益受到重视。

无约束最优化计算方法是数值计算领域中十分活跃的研究课题之一，快速的求解无约束最优化问题，除了自身的重要性以外，还体现在它也构成一些约束最优化问题的子问题。因此，对于无约束最优化问题，如何快速高精度的求解一直是优化工作者十分关心的事。本文验证求解 一维无约束最优化问题 的三种线性搜索方法，分别是牛顿法、黄金分割法，二次插值法。

min ⁡f(x)=3x ⁴ - 4x ³ -12x ²

牛顿迭代法（Newton’s method）又称为牛顿-拉夫逊方法（Newton-Raphson method）,它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法,其基本思想是利用目标函数的二次Taylor展开，并将其极小化。牛顿法使用函数 f(x)的泰勒级数的前面几项来寻找方程 "f(x)=0" 的根。牛顿法是求方程根的重要方法之一，其最大优点是在方程 "f(x)=0" 的单根附近具有平方收敛，而且该法还可以用来求方程的重根、复根，此时非线性收敛，但是可通过一些方法变成线性收敛。

方程 f(x)=0 的根 x ^* 可解释为曲线y=f(x)轴的焦点的横坐标。如下图：

设 x[k]是根 x ^* 的某个近似值，过曲线 y=f(x)上横坐标为 x[k]的点P[k]引切线，并将该切线与 x轴的交点 的横坐标 x_k+1_作为 x ^* 的新的近似值。鉴于这种几何背景，牛顿法亦称为切线法。

将f(x ^k+1 )在x=x ^k 处一阶泰勒展开：

公式不打了
令函数趋于0，求与x轴交点：

分别取-1.5,0.4,1.0,1.6,2.8

在凸函数很初始点选取好的情况下，收敛快。

Ø 计算二阶导数，计算量大

Ø 要求函数二阶可微

Ø 收敛性与初始点选取有关

黄金分割法适用于[a,b]区间上的任何单股函数求极小值问题，对函数除要求“单峰”外不做其他要求，甚至可以不连续。因此，这种方法的适应面非常广。黄金分割法也是建立在区间消去法原理基础上的试探方法，即在搜索区间 ？内适当插入两点 ？，并计算其函数值。 ？将区间分成三段，应用函数的单峰性质，通过函数值大小的比较，删去其中一段，是搜索区间得以缩小。然后再在保留下来的区间上作同样的处理，如此迭代下去，是搜索区间无限缩小，从而得到极小点的数值近似解。

一 维搜索是解函数极小值的方法之一，其解法思想为沿某一已知方向求目标函数的极小值点。一维搜索的解法很多，这里主要采用黄金分割法（0.618法）。如图所示

黄金分割法是用于一元函数 ？在给定初始区间 ？内搜索极小点？的一种方法。其基本原理是：依照“去劣存优”原则、对称原则、以及等比收缩原则来逐步缩小搜索区间。

具体步骤是：在区间 ？内取点： ？分为三段。如果 ？,令？；如果 ？，令 <？,如果 ？都大于收敛精度？重新开始。因为 ？为单峰区间，这样每次可将搜索区间缩小0.618倍或0.382倍，处理后的区间都将包含极小点的区间缩小，然后在保留下来的区间上作同样的处理，如此迭代下去，将使搜索区 ？逐步缩小，满足预先给定的精度时，即获得一维优化问题的近似最优解。

[-2,0],[1,3]

很巧妙地使每次分割点都为上次的黄金分割点，可以复用上次运算的结果，简化计算。它是优化计算中的经典算法，以算法简单、收敛速度均匀、效果较好而著称，是许多优化算法的基础，但它只适用于一维区间上的凸函数，即只在单峰区间内才能进行一维寻优，其收敛效率较低。

在求解一元函数?的极小点时，在搜索区间中用低次（通常不超过三次）插值多项式?来近似目标函数，后求该多项式的极小点（比较容易计算），并以此作为目标函数?的近似极小点。如果其近似的程度尚未达到所要求的精度时，反复使用此法，逐次拟合，直到满足给定的精度时为止。

考虑二次多项式

则

令 ，得 。这意味着我们要求a，b。
今考虑在包含 的极小点 的搜索区间 中，给定三个点 ， ， ，满足
< <
> <
利用三点处的函数值 ， ， 构造二次函数，并要求插值条件满足

令 ，i=1,2,3。解上述方程组得

于是，二次函数 的极小点为

设 。求得 和 以后，如果
≤ ，当 > 时，
或者如果
≤ ，当 < 时。
则我们认为收敛准则满足。如果 < ,则极小点估计为 ，否则为 。
若终止准则不满足，则利用 提供的信息，从 ， ， 和 中选出相邻的三个点，将原来的搜索区间缩小，然后重复上述过程，直到终止准则满足为止。

初始步 给出?，?，?，满足上述设计步骤。
步1 由上述设计步骤计算?。
步2 比较?和?的大小，如果?>?，则转步3；否则转步4。
步3 如果?≤?，则
?，?，?，?，
转步5；否则?，?，转步5。
步4 若?，则
?，?，?，?，
转步5；否则?，?，转步5。
步5 如果收敛准则满足，停止迭代；否则转步1，在新的搜索区间[?,?]上按公式计算二次插值函数的极小点?。

-2.5,-1.4,-0.3
-0.3,1.5,3.3.

插值法仅需计算函数值，不涉及导数、Hesse矩阵等的计算，计算起来相对比较简单，能够适用于非光滑和导数表达式复杂或表达式写不出等种种情形。

当迭代步数较多时，计算过程比较复杂，计算量较大，计算起来比较麻烦。当迭代点离目标函数的最优解较远时，追求线性搜索的精度反而会降低整个算法的效率。

用符号推导画图

picture.py

Gold_ratio.py

Newton.py

Polynomial_interpolation.py