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556次,点赞2次,收藏3次。由于工作上的需要,今天捣鼓了半天高德地图。如果定制化开发需求不太高的话,可以用vue-amap,这个我就不多说了,详细就看官网 https://elemefe.github.io/vue-amap/#/zh-cn/introduction/install然而我们公司需要英文版的高德,我看vue-amap中好像没有这方面的配置,而且还有一些其他的定制化开发需求,然后就只用原生的高德。其实原生的引入也不复杂,但是有几个坑要填一下。1. index.html注意,引入的高德js一定要放在头部而_前端引入原生地图
文章浏览阅读104次。本文介绍ViewGroup重写,我们所熟知的LinearLayout,RelativeLayout,FrameLayout等等,所有的容器类都是ViewGroup的子类,ViewGroup又继承View。我们在熟练应用这些现成的系统布局的时候可能有时候就不能满足我们自己的需求了,这是我们就要自己重写一个容器来实现效果。ViewGroup重写可以达到各种效果,下面写一个简单的重写一个Vi..._viewgroup 重写
文章浏览阅读1.8w次,点赞279次,收藏1.5k次。本文章主要记录本人在学习stm32过程中的笔记,也插入了不少的例程代码,方便到时候CV。绝大多数内容为本人手写,小部分来自stm32官方的中文参考手册以及网上其他文章;代码部分大多来自江科大和正点原子的例程,注释是我自己添加;配图来自江科大/正点原子/中文参考手册。笔记内容都是平时自己一点点添加,不知不觉都已经这么长了。其实每一个标题其实都可以发一篇,但是这样搞太琐碎了,所以还是就这样吧。_stm32笔记
文章浏览阅读1.8k次。Android o CTS 测试之Media相关测试failed 小结(一)CTSCTS 即兼容性测试套件,CTS 在桌面设备上运行,并直接在连接的设备或模拟器上执行测试用例。CTS 是一套单元测试,旨在集成到工程师构建设备的日常工作流程(例如通过连续构建系统)中。其目的是尽早发现不兼容性,并确保软件在整个开发过程中保持兼容性。CTS 是一个自动化测试工具,其中包括两个主要软件组件:CTS tra..._mediacodec框架 cts
文章浏览阅读4.5k次。官网:https://harvesthq.github.io/chosen/实例化$(".chosen-select").chosen({disable_search_threshold: 10});赋值var optValue = $(".chosen-select").val();回显1.设置回显的值$(".chosen-select").val(“opt1”);2.触发cho..._chosen.js
文章浏览阅读1.9k次。撸码不易,网上找不到,索性自己写,且撸且珍惜!void bitsWrite(uint8_t* buff, int pos, int size, uint32_t value){ uint32_t index[] = { 0x80000000, 0x40000000, 0x20000000, 0x10000000, 0x8000000, 0x4000000, 0x2000000, 0x1000000, 0x800000, 0x400000, 0_unit8_t 集合 赋值 c++
文章浏览阅读748次。javaweb知识点_javaweb框架图
文章浏览阅读1.1w次,点赞3次,收藏16次。adb是没有自动升级的命令的,如果想要更新adb的版本,我们可以在网上找到自己想要的版本进行更新给大家提供几个版本https://pan.baidu.com/s/1yd0dsmWn5CK08MlyuubR7g&shfl=shareset 提取码: 94z81、下载解压后我们可以找到下面几个文件,并复制2、找到adb安装的文件夹下的platform-tools文件夹,我这里是..._adb iptabls怎么升级
文章浏览阅读3.8k次。很多用户可能都知道怎么在Windows系统上删除微信的聊天记录,那么苹果电脑上的微信软件怎么删除所有的聊天记录呢?下面小编就专门来给大家讲下微信mac版删除所有的聊天记录的图文教程。点击后会弹出提示窗口,点击这里的确认按钮就可以将其清理掉了。在这里选择要清理的数据,然后点击下方右边的清理按钮就行了。在mac上打开微信后,点击左下角的横线图标。然后再点击这里的管理微信聊天数据按钮。打开了设置窗口,点击上方的“通用”。在这里点击下方的前往清理按钮。点击弹出菜单里的“设置”。_mac微信怎么删除聊天列表
文章浏览阅读7.7k次。数据类型转换时报错:Request processing failed;nested exception is java.lang.NumberFormatException:For input String “20151512345”报错原因:数字格式异常,接着后面有 For input string: “201515612343” 提示,这就告诉我们你当前想把 “201515612343” 转换成数字类型时出错了。解决方案:使用2015151612343这个数字太大了,所以直接使用string_request processing failed; nested exception is java.lang.numberformatexcepti
文章浏览阅读387次。版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。本文链接:https://blog.csdn.net/a844651990/article/details/78376767Qt qml 自定义消息提示框QtQuick有提供比较传统的信息提示框MessageDialog,但是实际开发过程并不太能满足我们的需求。下面是根据controls2模块中..._qml 自定义 messagedialog
文章浏览阅读599次。# Redis configuration file example.## Note that in order to read the configuration file, Redis must be# started with the file path as first argument:## ./redis-server /path/to/redis.conf # Note on units: when memory size is needed, it is pos._默认出厂的原始redis.conf文件全部内容