Метод Ньютона
Инструкция . Введите выражение F(x) , нажмите Далее . Полученное решение сохраняется в файле Word . Также создается шаблон решения в Excel .
- Решение онлайн
- Видеоинструкция
- Оформление Word
Правила ввода функции, заданной в явном виде
- Примеры правильного написания F(x) :
- 10•x•e 2x = 10*x*exp(2*x)
- x•e -x +cos(3x) = x*exp(-x)+cos(3*x)
- x 3 -x 2 +3 = x^3-x^2+3
- Выражение 0.9*x=sin(x)+1 необходимо преобразовать к виду: sin(x)+1-0.9*x . Аналогично, x^2-7=5-3x к виду x^2+3x-12 .
Пусть дано уравнение f(x)=0 , где f(x) определено и непрерывно в некотором конечном или бесконечном интервале a ≤ x ≤ b . Всякое значение ξ, обращающее функцию f(x) в нуль, то есть такое, что f(ξ)=0 называется корнем уравнения или нулем функции f(x) . Число ξ называется корнем k -ой кратности, если при x = ξ вместе с функцией f(x) обращаются в нуль ее производные до (k-1) порядка включительно: f(ξ)=f’(ξ)= … =f k-1 (ξ) = 0 . Однократный корень называется простым.
Приближенное нахождение корней уравнения складывается из двух этапов:- Отделение корней, то есть установление интервалов [αi,βi] , в которых содержится один корень уравнения.
- f(a)•f(b) , т.е. значения функции на его концах имеют противоположные знаки.
- f’(x) сохраняет постоянный знак, т.е. функция монотонна (эти два условия достаточны, но НЕ необходимы) для единственности корня на искомом отрезке).
- f”(x) сохраняет постоянный знак, т.е. функция выпукла вверх, либо – вниз.
- Уточнение приближенных корней, то есть доведение их до заданной точности.
Геометрическая интерпретация метода Ньютона (метод касательных)
Критерий завершения итерационного процесса имеет вид
Метод Ньютона для системы двух уравнений
МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ им. Н.Э. БАУМАНА
Отчет по лабораторной работе
по курсу “Численные методы”
Решение систем нелинейных алгебраических
уравнений методом Ньютона»
Студент группы РК6-43
Доцент кафедры ФН-1
Метод Ньютона для нелинейного уравнения
Для решения нелинейного уравнения f(x)=0 по методу Ньютона используется итерационный процесс:
x (k+1) = x (k) — f(x (k) )/f ‘(x (k) ) , k = 0, 1, 2, . где x (0) — некоторое начальное приближение к корню
При этом предполагается, что f ‘(x)≠ 0 на отрезке [a,b].
Геометрический вывод формулы.
Геометрически итерационный процесс метода Ньютона означает замену на k-той итерации графика функции y=f(x) на касательную к этой функции в точке (x (k) , f(x (k) )) (в связи с этим метод также иногда называется методом касательных). Уравнение касательной имеет вид y=f ‘(x (k) )(x-x (k) )+f(x (k) )
Найдем точку пересечения с осью OX этой касательной (вместо функции y=f(x)), что соответствует нахождению решения линейного уравнения: f ‘(x ( k) )(x-x ( k) )+ f(x ( k) )=0 вместо нелинейного f(x)=0.
Выражая x, получаем: x = x (k) — f(x (k) )/f ‘(x (k) )≡ x (k+1)
Аналитический вывод формулы.
Рассмотрим уравнение f(x)=0, X — его корень, x (k) — k-ое приближение к корню. Тогда по теореме Лагранжа о средних значениях имеем: 0 = f(X) = f(x (k) ) + (X — x (k) )f ‘(ck ),
Заменяя f ‘(ck) на значение f ‘(x (k) ) (то есть используя предыдущее приближение к корню) приходим к приближенному равенству 0 ≈ f(x (k) ) + (X — x (k) )f ‘(x (k) ).
Откуда получаем X ≈ x (k) — f(x (k) )/f ‘(x (k) ) ≡ x (k+1)
Метод Ньютона для системы двух уравнений
Рассмотрим систему двух уравнений
Алгоритм решения системы по методу Ньютона задается формулами:
,(x1 (0) , x2 (0) ) — некоторое начальное приближение к корню.
Реализация дифференцирования уравнений системы выполнена методом конечных разностей.
где
– элементарное приращение аргумента1)
(a)2)
(б)Возведем (а) и (б) в квадрат:
const double EPS = 1E-6;
const double dx = 1E-5;
const double dy = 1E-5;
inline double f1( double x, double y )
return 2.0 * x * x + x * y — y * y — 20.0;
inline double f2( double x, double y )
return x * x — 4.0 * x * y + 7.0 * y * y — 13.0;
static unsigned count = 0;
double a = f1( x[0] + dx, x[1] ) — f1( x[0], x[1] );
double b = f1( x[0], x[1] + dy ) — f1( x[0], x[1] );
double c = f2( x[0] + dx, x[1] ) — f2( x[0], x[1] );
double d = f2( x[0], x[1] + dy ) — f2( x[0], x[1] );
double det_df = a * d — b * c;
double det_1 = 1.0 / det_df;
x[0] = xn[0] — det_1 * ( df_inv[0][0] * f[0] + df_inv[0][1] * f[1] );
x[1] = xn[1] — det_1 * ( df_inv[1][0] * f[0] + df_inv[1][1] * f[1] );
Нелинейные системы и уравнения
В более общем случае мы имеем не одно уравнение (1), а систему нелинейных уравнений $$ \begin
\tag <2>f_i(x_1, x_2, \ldots, x_n) = 0, \quad i = 1, 2, \ldots n. \end $$ Обозначим через \( \mathbf = (x_1, x_2, \ldots, x_n) \) вектор неизвестных и определим вектор-функцию \( \mathbf (\mathbf ) = (f_1(\mathbf ), f_2(\mathbf ), \ldots, f_n(\mathbf )) \). Тогда система (2) записывается в виде $$ \begin \tag <3>\mathbf (\mathbf ) = 0. \end $$ Частным случаем (3) является уравнение (1) (\( n = 1 \)). Второй пример (3) — система линейных алгебраических уравнений, когда \( \mathbf (\mathbf ) = A \mathbf — \mathbf \). Метод Ньютона
Решение нелинейных уравнений
При итерационном решении уравнений (1), (3) задается некоторое начальное приближение, достаточно близкое к искомому решению \( x^* \). В одношаговых итерационных методах новое приближение \( x_
В итерационном методе Ньютона (методе касательных) для нового приближения имеем $$ \begin
\tag <4>x_ $$ Вычисления по (4) проводятся до тех пор, пока \( f(x_k) \) не станет близким к нулю. Более точно, до тех пор, пока \( |f_(x_k)| > \varepsilon \), где \( \varepsilon \) — малая величина.
Простейшая реализация метода Ньютона может выглядеть следующим образом:
Чтобы найти корень уравнения \( x^2 = 9 \) необходимо реализовать функции
Данная функция хорошо работает для приведенного примера. Однако, в общем случае могут возникать некоторые ошибки, которые нужно отлавливать. Например: пусть нужно решить уравнение \( \tanh(x) = 0 \), точное решение которого \( x = 0 \). Если \( |x_0| \leq 1.08 \), то метод сходится за шесть итераций.
Теперь зададим \( x_0 \) близким к \( 1.09 \). Возникнет переполнение
Возникнет деление на ноль, так как для \( x_7 = -126055892892.66042 \) значение \( \tanh(x_7) \) при машинном округлении равно \( 1.0 \) и поэтому \( f^\prime(x_7) = 1 — \tanh(x_7)^2 \) становится равной нулю в знаменателе.
Проблема заключается в том, что при таком начальном приближении метод Ньютона расходится.
Еще один недостаток функции naive_Newton заключается в том, что функция f(x) вызывается в два раза больше, чем необходимо.
Учитывая выше сказанное реализуем функцию с учетом следующего:
- обрабатывать деление на ноль
- задавать максимальное число итераций в случае расходимости метода
- убрать лишний вызов функции f(x)
Метод Ньютона сходится быстро, если начальное приближение близко к решению. Выбор начального приближение влияет не только на скорость сходимости, но и на сходимость вообще. Т.е. при неправильном выборе начального приближения метод Ньютона может расходиться. Неплохой стратегией в случае, когда начальное приближение далеко от точного решения, может быть использование нескольких итераций по методу бисекций, а затем использовать метод Ньютона.
При реализации метода Ньютона нужно знать аналитическое выражение для производной \( f^\prime(x) \). Python содержит пакет SymPy, который можно использовать для создания функции dfdx . Для нашей задачи это можно реализовать следующим образом:
Решение нелинейных систем
Идея метода Ньютона для приближенного решения системы (2) заключается в следующем: имея некоторое приближение \( \pmb
^ <(k)>\), мы находим следующее приближение \( \pmb ^ <(k+1)>\), аппроксимируя \( \pmb (\pmb ^<(k+1)>) \) линейным оператором и решая систему линейных алгебраических уравнений. Аппроксимируем нелинейную задачу \( \pmb (\pmb ^<(k+1)>) = 0 \) линейной $$ \begin \tag <5>\pmb (\pmb ^<(k)>) + \pmb (\pmb ^<(k)>)(\pmb ^ <(k+1)>— \pmb ^<(k)>) = 0, \end $$ где \( \pmb (\pmb ^<(k)>) \) — матрица Якоби (якобиан): $$ \pmb<\nabla F>(\pmb ^<(k)>) = \begin \frac<\partial f_1(\pmb ^<(k)>)> <\partial x_1>& \frac<\partial f_1(\pmb ^<(k)>)> <\partial x_2>& \ldots & \frac<\partial f_1(\pmb ^<(k)>)> <\partial x_n>\\ \frac<\partial f_2(\pmb ^<(k)>)> <\partial x_1>& \frac<\partial f_2(\pmb ^<(k)>)> <\partial x_2>& \ldots & \frac<\partial f_2(\pmb ^<(k)>)> <\partial x_n>\\ \vdots & \vdots & \ldots & \vdots \\ \frac<\partial f_n(\pmb ^<(k)>)> <\partial x_1>& \frac<\partial f_n(\pmb ^<(k)>)> <\partial x_2>& \ldots & \frac<\partial f_n(\pmb ^<(k)>)> <\partial x_n>\\ \end $$ Уравнение (5) является линейной системой с матрицей коэффициентов \( \pmb \) и вектором правой части \( -\pmb (\pmb ^<(k)>) \). Систему можно переписать в виде $$ \pmb (\pmb ^<(k)>)\pmb <\delta>= — \pmb (\pmb ^<(k)>), $$ где \( \pmb <\delta>= \pmb ^ <(k+1)>— \pmb ^ <(k)>\). Таким образом, \( k \)-я итерация метода Ньютона состоит из двух стадий:
1. Решается система линейных уравнений (СЛАУ) \( \pmb
(\pmb ^<(k)>)\pmb <\delta>= -\pmb (\pmb ^<(k)>) \) относительно \( \pmb <\delta>\). 2. Находится значение вектора на следующей итерации \( \pmb
^ <(k+1)>= \pmb ^ <(k)>+ \pmb <\delta>\). Для решения СЛАУ можно использовать приближенные методы. Можно также использовать метод Гаусса. Пакет numpy содержит модуль linalg , основанный на известной библиотеке LAPACK, в которой реализованы методы линейной алгебры. Инструкция x = numpy.linalg.solve(A, b) решает систему \( Ax = b \) методом Гаусса, реализованным в библиотеке LAPACK.
Когда система нелинейных уравнений возникает при решении задач для нелинейных уравнений в частных производных, матрица Якоби часто бывает разреженной. В этом случае целесообразно использовать специальные методы для разреженных матриц или итерационные методы.
Можно также воспользоваться методами, реализованными для систем линейных уравнений.
источники:http://mydocx.ru/12-59963.html
http://slemeshevsky.github.io/num-mmf/snes/html/._snes-FlatUI001.html
,
– элементарное приращение аргумента
(a)
(б)
