【数值分析干货】第四章 非线性方程组求根

本文介绍了压缩映射的概念及其性质,并探讨了压缩映射与函数连续性的关系。此外,还详细阐述了几种数值迭代法,包括Newton方法、割线法及针对多重根的改进方法,分析了它们的收敛性和收敛阶。

压缩映射

定义4.1 压缩映射

{∣φ(x2)−φ(x1)∣=L∣x2−x1∣L<1⇒φ(x)为压缩映射.\left\{\begin{matrix} \left | \varphi (x_2) - \varphi (x_1) \right | = L\left | x_2 - x_1 \right | \\ L < 1 \end{matrix}\right. \Rightarrow \varphi (x)为压缩映射.{φ(x2)φ(x1)=Lx2x1L<1φ(x)为压缩映射.

性质
  1. φ(x)\varphi (x)φ(x)为压缩映射 ⇒φ(x)连续\Rightarrow \varphi(x) 连续φ(x)连续
  2. {φ(x)连续∣φ′(x)∣⩽L<1⇒φ(x)为压缩映射.\left\{\begin{matrix} \varphi(x) 连续\\ \left | \varphi'(x) \right | \leqslant L < 1 \end{matrix}\right. \Rightarrow \varphi (x)为压缩映射.{φ(x)连续φ(x)L<1φ(x)为压缩映射.

收敛

收敛条件

{φ(x)∈C1[a,b]∣φ′(x)∣⩽L<1a⩽L⩽b⇒φ(x)收敛于唯一根α,α∈[a,b]\left\{\begin{matrix} \varphi (x) \in C^1 \left [ a, b \right ] \\ \left | \varphi'(x) \right | \leqslant L < 1 \\ a \leqslant L \leqslant b \end{matrix}\right. \Rightarrow \varphi (x)收敛于唯一根\alpha,\alpha \in \left [ a, b \right ]φ(x)C1[a,b]φ(x)L<1aLbφ(x)收敛于唯一根αα[a,b]

ppp阶收敛
定义4.2 迭代法p阶收敛

lim⁡k→∞∣ek+1∣∣ek∣p=C≠0\lim_{k\rightarrow \infty} \frac{\left | e_{k+1} \right |} {\left | e_k \right |^p}=C \neq 0klimekpek+1=C=0

∣xk+1−α∣≈C∣xk−α∣p\left | x_{k+1}-\alpha \right | \approx C \left | x_k - \alpha \right |^pxk+1αCxkαp
这里ek=xk−αe_k = x_k -\alphaek=xkα.则称迭代法是p阶收敛的.

定理4.1

{φ(x)在α邻域内充分光滑φ(α)=αφ′(α)=φ′′(α)=...=φ(p−1)(α)=0φ(p)(α)≠0p⩾2⇒lim⁡k→∞∣ek+1∣∣ek∣p=1p!∣φ(p)(α)∣≠0 \left\{\begin{matrix} \varphi (x)在\alpha 邻域内充分光滑\\ \varphi (\alpha)=\alpha\\ \varphi'(\alpha)=\varphi''(\alpha)=...=\varphi^{(p-1)}(\alpha)=0\\ \varphi^{(p)}(\alpha) \neq0 \\ p \geqslant 2 \end{matrix}\right. \Rightarrow \lim_{k\rightarrow \infty} \frac{\left | e_{k+1} \right |} {\left | e_k \right |^p}= \frac{1}{p!} \left | \varphi^{(p)}(\alpha) \right | \neq 0φ(x)α邻域内充分光滑φ(α)=αφ(α)=φ′′(α)=...=φ(p1)(α)=0φ(p)(α)=0p2klimekpek+1=p!1φ(p)(α)=0

Newton方法

切线法

形式
xk+1=xk−f(xk)f′(xk)x_{k+1}=x_k - \frac{f(x_k)} {f'(x_k)}xk+1=xkf(xk)f(xk)
收敛
∣x0−α∣<2m1M2\left | x_0 - \alpha \right | < \frac{2m_1}{M_2}x0α<M22m1时切线法收敛,其中m1m_1m1f′(x)f'(x)f(x)的最小值,M2M_2M2f′′(x)f''(x)f′′(x)的最大值。切线法为一阶收敛(或线性收敛),即p=1p=1p=1.

简单Newton法

形式
xk+1=xk−f(xk)M,M=f′(x0)x_{k+1}=x_k - \frac{f(x_k)} {M},M=f'(x_0)xk+1=xkMf(xk),M=f(x0)
收敛
简单Newton法为线性收敛,即p=1p=1p=1.

割线法

形式
xk+1=xk−f(xk)f(xk)−f(xk−1)xk−xk−1x_{k+1}=x_k - \frac{f(x_k)} {\frac{f(x_k)-f(x_{k-1})}{x_k-x_{k-1}}}xk+1=xkxkxk1f(xk)f(xk1)f(xk)
收敛
lim⁡k→∞ek+1ekek−1=f′′(α)2f′(α)\lim_{k\rightarrow \infty} \frac{e_{k+1}}{e_k e_{k-1}}=\frac{f''(\alpha)}{2f'(\alpha)}klimekek1ek+1=2f(α)f′′(α)
割线法收敛阶为p=1+52p=\frac{1+\sqrt 5}{2}p=21+5.

带参mmm重根

mmm重根,故设f(x)=(x−α)mh(x)f(x)=(x-\alpha)^mh(x)f(x)=(xα)mh(x),对f(x)f(x)f(x)1m\frac{1}{m}m1次幂有[f(x)]1m=(x−α)[h(x)]1m\left [ f(x)\right ]^{\frac{1}{m}}=(x-\alpha) \left[ h(x) \right ]^{\frac{1}{m}}[f(x)]m1=(xα)[h(x)]m1.变成了单根。因此,便有了以下的迭代公式:
形式
xk+1=xk−[f(x)]1m([f(x)]1m)′=xk−mf(xk)f′(xk)x_{k+1}=x_k - \frac{\left [ f(x)\right ]^{\frac{1}{m}}} {\left ( \left [ f(x)\right ]^{\frac{1}{m}} \right )'}=x_k-m\frac{f(x_k)}{f'(x_k)}xk+1=xk([f(x)]m1)[f(x)]m1=xkmf(xk)f(xk)
收敛
该方法为二阶收敛(或平方收敛),即p=2p=2p=2.

无参mmm重根

设辅助函数u(x)=f(x)f′(x)=(x−α)mh(x)[(x−α)mh(x)]′=(x−α)hˉ(x)u(x)=\frac{f(x)}{f'(x)}=\frac{(x-\alpha)^mh(x)}{\left [ (x-\alpha)^mh(x) \right ]'}=(x-\alpha) \bar h(x)u(x)=f(x)f(x)=[(xα)mh(x)](xα)mh(x)=(xα)hˉ(x).
形式xk+1=xk−u(x)u′(x)x_{k+1}=x_k-\frac{u(x)}{u'(x)}xk+1=xku(x)u(x)
收敛
该方法为二阶收敛(或平方收敛),即p=2p=2p=2.

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

码农康康

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值