公告

View Post

2023-06-18《计算方法》- 陈丽娟 - 方程的近似解法.md

2023-06-18《计算方法》- 陈丽娟 - 方程的近似解法

Matlab计算方法二分法迭代法牛顿法

在这里我先跳过了曲线拟合这一部分，这是因为我主要想快速切入到数值微积分部分，因此直接直接来到了方程的近似解部分。

一、二分法

二分法对如下问题进行求解：
设在区间上连续，且，求使得.

这里给出一个可调整的二分法算法：

给定参数, ;
在区间内取一点, 可知;
计算, 若(), 则是解;
若, 则令, 否则;
回到第2步。

这个算法含有可调节参数, 其取值对逼近速度将产生影响，当就是二分法。另外这里的二分法适用于一维情况（多维情况怎么做尚不清楚，没有搜索到，如知道请告知，谢谢）

下面给出这个算法的对应程序（黄金比例）:

% r分法求解函数f在ab上的根，精度为epsilon 
function [xs xslog] = BiSection(f, a, b, r, epsilon) 
    xslog = []; 
    fa = feval(f, a); 
    fb = feval(f, b); 
    if abs(fa) <= epsilon 
        xs = a; 
    elseif abs(fb) <= epsilon 
        xs = b; 
    elseif fa * fb > 0 
        xs = Inf; 
    else 
        while fa * fb < 0 
            c = r*a + (1-r) * b; 
            xslog = [xslog c]; 
            fc = feval(f, c); 
            if abs(fc) <= epsilon 
                xs = c; 
                break 
            else 
                if fa * fc < 0 
                    b = c; 
                else 
                    a = c; 
                end 
            end 
        end 
    end 
end 

对应的测试用例

% 二分法测试用例 
f = @(x) sin(x); 
r = 0.618; 
epsilon = 1e-8; 
 
 
%f(a) f(b) > 0 
a = 0.1; 
b = pi/2; 
[xs xslog] = BiSection(f, a, b, r, epsilon); 
 
%f(a) = 0 
a = 0; 
b = pi/2; 
[xs xslog] = BiSection(f, a, b, r, epsilon); 
 
%f(b) = 0 
a = 0.1; 
b = pi; 
[xs xslog] = BiSection(f, a, b, r, epsilon); 
 
% f(a)f(b)<0 
a = 0.3; 
b = 5; 
[xs xslog] = BiSection(f, a, b, r, epsilon); 
r = 0.5; 
[xs1 xslog1] = BiSection(f, a, b, r, epsilon); 
r = 0.7; 
[xs2 xslog2] = BiSection(f, a, b, r, epsilon); 
plot(xslog) 
hold on 
plot(xslog1) 
hold on 
plot(xslog2) 
legend(["0.3" "0.5" "0.7"]) 

enter description here

二、迭代法基本思想

对于求解，该式等价于

令

, 得到迭代格式

若

收敛, 则有

即

，也即是

.
不动点迭代法对于很多零点（不动点）问题都行之有效，但是基本的迭代格式要求

满足一定的条件(非扩张映射)，这部分可以参考不动点理论，这里给几个基本的不动点相关论文：
Xu H. Iterative Algorithms for Nonlinear Operators. Journal of the London Mathematical Society. 2002;66:240-56. doi: 10.1112/S0024610702003332.
Maingé P-E. Strong Convergence of Projected Subgradient Methods for Nonsmooth and Nonstrictly Convex Minimization. Set-Valued Analysis. 2008;16(7):899-912. doi: 10.1007/s11228-008-0102-z.

注：在构建迭代序列的时候，特别应该注意到构造的算子尽量满足非扩张性(1-Lipschitiz连续)

定理1: 如果满足下列条件：

当时，;
当任意时，存在, 使,
则方程在上有唯一的根, 且对任意的，有：
迭代公式收敛于;
有误差估计式;

上述定理的证明由拉格朗日定理和迭代格式立即可得。

书中的局部收敛性和收敛速度这里不做讨论。

三、牛顿法

对函数在处做泰勒展开可得

令

可以得到近似的不动点迭代格式

上述形式即牛顿迭代法。注意到一开始我们是使用的泰勒展开得到的，而一阶泰勒展开仅在很小的邻域内有较好的近似结果，因此牛顿法仅适用于初始点在零点附近处使用。为了能够得到对任意点均能收敛的牛顿迭代法，可以使用牛顿下山法

其中

取值为

使得

.
这里我们给出程序：

% f目标函数， x0初始点，epsilon， 用于求导的h 
function [xs, xslog] = NewtonDes(f, x0, epsilon, h, maxit) 
    xs = x0; 
    iter = 1; 
    xslog = []; 
    if abs(feval(f,x0)) <= epsilon 
 
    else 
        while abs(feval(f,xs)) > epsilon 
            if iter > maxit 
                break 
            end 
            x0 = xs; 
            lambda = 1; 
            fx0 = feval(f,x0); 
            fxdiff = (feval(f,x0+h) - fx0)/ h; 
            xs = x0 - lambda * fx0 / fxdiff; 
            while abs(feval(f,xs)) > abs(fx0) 
                lambda = lambda / 2; 
                xs = x0 - lambda * fx0 / fxdiff; 
            end 
            xslog = [xslog xs]; 
            iter = iter + 1; 
        end 
    end 
end 

例子

f = @(x) 5 .* x.^3+x.^2-x+1; 
epsilon = 1e-8; 
x0 = 0.4; 
h = 1e-4; 
maxit = 1e3; 
[xs, xslog] = NewtonDes(f, x0, epsilon, h, maxit) 

得到解为-0.7824。注意这里我们设置导数的计算间隔为, 当间隔取得很小的时候，上述程序会有数值稳定性问题：

f = @(x) 5 .* x.^3+x.^2-x+1; 
epsilon = 1e-8; 
x0 = 0.4; 
h = 1e-8; 
maxit = 1e3; 
[xs, xslog] = NewtonDes(f, x0, epsilon, h, maxit) 

通过断点，这个问题来自于

fxdiff = (feval(f,x0+h) - fx0)/ h; 
xs = x0 - lambda * fx0 / fxdiff; 

由于这个函数本身中间部分很平滑，导致了很大（2333）, 然后又需要重新从2333开始通过lambda逼近到更好的解。然后又由于指数下降，导致最后几乎在一个非零解的地方不动。这个问题可以通过更换初始值得到缓解：

f = @(x) 5 .* x.^3+x.^2-x+1; 
epsilon = 1e-8; 
x0 = -0.4; 
h = 1e-8; 
maxit = 1e3; 
[xs, xslog] = NewtonDes(f, x0, epsilon, h, maxit) 

另外可以给出一个不重置的算法：

% f目标函数， x0初始点，epsilon， 用于求导的h 
function [xs, xslog] = NewtonDes(f, x0, epsilon, h, maxit) 
    xs = x0; 
    iter = 1; 
    xslog = []; 
    lambda = 1; 
    if abs(feval(f,x0)) <= epsilon 
 
    else 
        while abs(feval(f,xs)) > epsilon 
            if iter > maxit 
                break 
            end 
            x0 = xs; 
            fx0 = feval(f,x0); 
            fxdiff = (feval(f,x0+h) - fx0)/ h; 
            xs = x0 - lambda * fx0 / fxdiff; 
            while abs(feval(f,xs)) > abs(fx0) 
                lambda = lambda / 2; 
                xs = x0 - lambda * fx0 / fxdiff; 
            end 
            xslog = [xslog xs]; 
            iter = iter + 1; 
        end 
    end 
end 

这个算法也可以逼近解，但是同样会存在对某些初始值在导数间隔很小的时候不能逼近到解。书中并未给出如何解决这个问题，因此高精度的牛顿下山法我并未实现。（希望书后面的数值微积分中能有更好的处理导数的方法）

posted on 2023-06-18 16:43 XNEF 阅读(151) 评论(0) 收藏举报

刷新页面返回顶部

NEFCODER

公告

View Post