Решите нелинейное уравнение методом ньютона

Метод Ньютона онлайн

Данный онлайн калькулятор находит корень уравнения приближённо. В основе алгоритма его работы лежит метод Ньютона. Чтобы начать работу, необходимо ввести исходные данные своей задачи.

Методом Ньютона, найти корень (

максимальное кол-во итераций:

критерий останова вычислений:

Метод Ньютона является численным, т.е. корень уравнения находится приближенно. При этом можно заранее задать точность его нахождения.

Пусть нам дано уравнение

Формула для поиска корня уравнения выглядит следующим образом:

и — приближённые значения корня уравнения на -ой и ( )-ой итерациях соответственно, — значение функции в точке , — значение производной функции в точке .

Как видно, для того чтобы начать работу необходимо задать точку — начальное приближение для корня уравнения . От выбора точки зависит сойдётся ли алгоритм к решению или нет. Сходимость метода квадратичная, но она резко ухудшается если мы ищем кратный корень уравнения, т.е. если и одновременно , где — кратный корень уравнения .

Вычисления по приведённой выше формуле можно продолжать до бесконечности, соответственно на практике необходим некоторый критерий, который будет определять нужно ли нам продолжать вычисления или нет. Как правило, используется критерий останова вычислений на основе приращения или же на основе близости функции к нулю в некоторой точке .

Критерий останова вычислений на основе приращения задаётся следующей формулой:

т.е. различие (по модулю) между двумя последовательными приближениями к корню уравнения ( и ) должны быть меньше, некоторой наперёд заданной величины .

Критерий останова вычислений на основе близости функции к нулю определяется следующей формулой:

т.е. отличие (по модулю) между функцией в некоторой точке и нулём меньше .

В тоже время, если последовательность к корню не сходится, то критерии останова не сработают и процесс поиска корня будет продолжаться бесконечно. Чтобы предотвратить такую ситуацию, на практике вычисления прекращают после некоторого, заданного количества итераций.

На рисунке ниже приведена геометрическая интерпретация процесса поиска корня уравнения методом Ньютона.

В точке мы строим касательную к графику функции . Уравнение касательной в этой точке имеет вид:

Находим точку пересечения полученной касательной с осью абсцисс, т.е. рассматриваем точку с координатами . Подставляя координаты указанной точки в уравнение касательной, получаем следующее соотношение:

Из данного уравнения находим :

Продолжая данный процесс, получим формулу метода Ньютона, приведенную выше. Из-за того, что на каждой итерации фактически происходит построение касательной, метод Ньютона также иногда называют методом касательных.

Другие полезные разделы:

Оставить свой комментарий:

Мы в социальных сетях:
Группа ВКонтакте | Бот в Телеграмме

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

2. Примеры правильного написания F(x) :
   1. 10•x•e 2x = 10*x*exp(2*x)
   2. x•e -x +cos(3x) = x*exp(-x)+cos(3*x)
   3. x 3 -x 2 +3 = x^3-x^2+3
   4. 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:

   1. Отделение корней, то есть установление интервалов [α_i,β_i] , в которых содержится один корень уравнения.
      1. f(a)•f(b) , т.е. значения функции на его концах имеют противоположные знаки.
      2. f’(x) сохраняет постоянный знак, т.е. функция монотонна (эти два условия достаточны, но НЕ необходимы) для единственности корня на искомом отрезке).
      3. f”(x) сохраняет постоянный знак, т.е. функция выпукла вверх, либо – вниз.
   2. Уточнение приближенных корней, то есть доведение их до заданной точности.

   Геометрическая интерпретация метода Ньютона (метод касательных)

   Критерий завершения итерационного процесса имеет вид

   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 \( x_ \) определяется по предыдущему приближению \( x_k \). Говорят, что итерационный метод сходится с линейной скоростью, если \( x_ — x^* = O(x_k — x^*) \) и итерационный метод имеет квадратичную сходимость, если \( x_ — x^* = O(x_k — x^*)^2 \).

   В итерационном методе Ньютона (методе касательных) для нового приближения имеем $$ \begin \tag <4>x_ = x_k + \frac, \quad k = 0, 1, \ldots, \end $$

   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:

   1. обрабатывать деление на ноль
   2. задавать максимальное число итераций в случае расходимости метода
   3. 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://math.semestr.ru/optim/newton.php

   http://slemeshevsky.github.io/num-mmf/snes/html/._snes-FlatUI001.html