牛顿迭代法计算器

Q: 牛顿法为什么收敛这么快？

泰勒展开给出误差关系 e(n+1) ≈ f″(ξ)/(2f′) · eₙ²——误差被「平方」。0.01 的误差一步变 0.0001，两步变 10⁻⁸——平方收敛是数值方法中的顶级速度。

Q: 什么时候会失败？

三种典型失败：① 初值离根太远，切线把迭代甩向远处；② 在极值点附近弹跳成环；③ f′=0 导致除零。对策：先用二分法粗定位，再换牛顿法精化——「先包围，后冲刺」。

Q: 计算机怎么算 1/x？

用牛顿法解 f(y) = 1/y − x = 0：迭代 y(n+1) = yₙ(2 − x·yₙ)——只含乘法减法，无需除法器。早期 CPU 的除法指令就是这样用乘法实现的。

Q: 牛顿法和二分法该选哪个？

有可靠变号区间且要求「一定收敛」时用二分法打底；有解析导数且初值靠近根时用牛顿法追求速度。工程实践的黄金组合是 Brent 方法——自动在二分、割线、反二次插值之间切换，兼具二分法的稳健和牛顿法的速度，是 MATLAB fzero 等标准函数的内核。

Q: 为什么叫「二次收敛」？

设第 n 步误差 eₙ=|xₙ−真根|，单根附近可以证明 e(n+1)≈C·eₙ²。这意味着误差从 0.01 到 0.0001 再到 0.00000001——每步有效数字大约翻倍。相比之下二分法每步只把误差减半（增加约 0.3 位十进制精度），慢了一个量级。

Q: 迭代到什么程度算「收敛了」？

Q: 牛顿法能求复数根吗？

可以，公式完全不变，只需用复数运算并从复数初值出发。事实上很多多项式求根器（如 Aberth 方法的替代方案）就是在复平面上跑牛顿法。有趣的是，实初值永远无法收敛到复根（迭代序列始终在实数轴上），想求复根必须给复初值。

Q: 多维牛顿法是什么？

解方程组 F(x)=0（F 和 x 都是向量）时，迭代式变为 x(n+1)=xₙ−J⁻¹F(xₙ)，其中 J 是雅可比矩阵。每步需要解一个线性方程组而不是真的求逆。这是非线性最小二乘、电路仿真、结构力学的标准引擎，计算成本主要来自每步的线性求解。

Q: 为什么 f′(xₙ)=0 附近特别危险？

迭代公式要除以 f′(xₙ)，导数接近零时除法把微小误差放大成巨大步长，下一步可能跳到十万八千里外。几何上看，水平切线与 x 轴「几乎不相交」。遇到这种情况应换初值或改用二分法，或加阻尼因子控制步长（阻尼牛顿法）。

Q: 历史上牛顿法真的是牛顿发明的吗？

牛顿 1669 年手稿中确实用了类似技巧解三次方程，但他的版本只针对多项式且不含导数概念；拉夫森 1690 年给出了更系统的递推形式；今天通用的「函数+导数」形式是辛普森 1740 年定型的。所以严格说是牛顿-拉夫森-辛普森三人接力，教科书简称牛顿-拉夫森法。

什么是牛顿迭代法计算器？

牛顿法（牛顿-拉弗森法）用切线逼近曲线：从初值 x₀ 出发，作切线与 x 轴交于 x₁，重复迭代 x(n+1) = xₙ − f(xₙ)/f′(xₙ)。收敛是平方级的——每步正确位数翻倍。

经典案例：求 √2 即解 x²−2=0，迭代式 x(n+1) = (xₙ + 2/xₙ)/2。从 x₀=1 出发：1 → 1.5 → 1.4167 → 1.4142157——3 步收敛到 7 位有效数字。计算机开平方的硬件实现就是这个迭代。

牛顿迭代法的几何直觉是「用切线近似曲线」：在当前点 (xₙ, f(xₙ)) 作 f 的切线，切线与 x 轴的交点就是下一个近似值 x(n+1)。切线方程 y=f(xₙ)+f′(xₙ)(x−xₙ)，令 y=0 解得 x=xₙ−f(xₙ)/f′(xₙ)，正是迭代公式。只要函数足够光滑、初值离真根不远，这个「切线追着根跑」的过程会以二次速度收敛——误差大约每步平方一次，有效数字位数翻倍。

牛顿法的收敛条件是初值「足够接近」根且 f′ 在该处不为零，但它并不总是收敛：f′(xₙ)≈0 时切线近乎水平，下一步会飞到极远处；某些函数会形成循环震荡；对 x³−2x+2 从 x₀=0 出发会在 0 和 1 之间永远循环。更迷人的是复平面上的牛顿分形——用牛顿法求 x³−1=0 的三个复根，不同初值收敛到不同根，收敛区域的边界是极度复杂的分形结构。

牛顿法诞生于 1669 年牛顿的手稿，当时用于解 x³−2x−5=0，拉夫森 1690 年独立发表等价方法，故称牛顿-拉夫森法。今天它无处不在：求平方根（最古老的巴比伦算法正是牛顿法特例）、机器学习中的逻辑回归训练、计算机图形学中的光线求交、芯片设计中的电路仿真。实践中常做两处加固：与二分法「兜底」混合（飞出区间就退回二分）、用数值差分代替解析导数（割线法的思想）。

x(n+1) = xₙ − f(xₙ)/f′(xₙ)；收敛条件：初值足够接近根且 f′(x)≠0；收敛阶：二次（误差 e(n+1) ≈ C·eₙ²）。

示例：求 √2 即解 f(x)=x²−2=0。迭代式 x(n+1)=(xₙ+2/xₙ)/2：x₀=1 → x₁=1.5 → x₂≈1.416667 → x₃≈1.414216，三次迭代已精确到小数点后 5 位——二次收敛下有效位数每步翻倍。

常用数值求根方法对比选型
方法	收敛速度	每步成本	需要导数	保证收敛
二分法	线性（每步减半）	1 次函数值	否	是（需变号区间）
牛顿法	二次（位数翻倍）	函数值+导数值	是	否（初值敏感）
割线法	超线性（约 1.618 阶）	1 次函数值	否	否
不动点迭代	线性	1 次函数值	否	需 \|g′\|<1

如何使用牛顿迭代法计算器

1
选择预设函数（如 x²−2、x³−x−2、cos(x)−x）。
2
输入初值 x₀ 与最大迭代次数。
3
点击「计算」，查看每步迭代值与收敛根。

计算示例

例 1f(x) = x²−2，x₀ = 1

x₁ = 1.5；x₂ = 1.41667；x₃ = 1.414216；x₄ = 1.41421356——√2 到手，4 步收敛 9 位。

例 2f(x) = cos(x)−x，x₀ = 0.5

迭代收敛到 0.7390851——余弦不动点，按计算器 cos 键（弧度）的「魔法数字」。

例 3例 1：牛顿法求平方根（巴比伦算法）

求 √10：f(x)=x²−10，迭代式 x(n+1)=(xₙ+10/xₙ)/2。x₀=3 → x₁=(3+3.3333)/2≈3.16667 → x₂=(3.16667+3.15789)/2≈3.16228 → x₃≈3.162278。真值 3.1622777…，三步已达 7 位精度。这个两千年前的算法至今仍是很多硬件开方指令的内核。

例 4例 2：初值选择不当导致发散

f(x)=x³−x−3，真根约 1.6717。从 x₀=0.5 出发：x₁=0.5−(−2.875)/(−2.25)≈−0.778，随后迭代在负值区游荡多步才折返，约需 8 步收敛；而从 x₀=2 出发只需 4 步。初值质量直接决定收敛快慢甚至成败。

例 5例 3：工程应用——管子摩擦系数求解

流体力学中的 Colebrook 方程 1/√f=−2lg(ε/3.7D+2.51/(Re√f)) 无法显式解出 f。改写为 F(f)=0 后用牛顿法，从 f₀=0.02 出发通常 3~5 步收敛到 8 位精度，是每本流体力学教材的标准算例。

注意事项

初值选不好可能发散或陷入循环（如 f(x)=x³−2x+2 从 0 出发）。
f′(x)≈0 处（重根、极值点附近）收敛变慢或数值不稳定。
重根情形退化为线性收敛，可用修正牛顿法恢复二次收敛。
无法求导时用弦截法（差商代替导数）作替代。
二次收敛的前提是 f′(根)≠0（单根）。重根处牛顿法退化为线性收敛（每步只减半误差），例如 f(x)=x² 从 x₀=1 出发每步只精确一位。修正方案是用 x(n+1)=xₙ−m·f/f′（m 为重数）恢复二次收敛。
不知道解析导数时有两个替代：数值差分 f′(x)≈(f(x+h)−f(x−h))/(2h)（简单但损失精度），或直接用割线法 x(n+1)=xₙ−f(xₙ)(xₙ−x(n−1))/(f(xₙ)−f(x(n−1)))（收敛阶 1.618，免导数，工程上更常用）。
实践中一定要设三重保险：最大迭代次数（防死循环）、步长下限 |x(n+1)−xₙ|（防震荡）、区间监控（飞出定义域立即换策略）。成熟的数值库会把牛顿法当「加速器」、二分法当「安全带」。

常见问题