我试图落实在Python寻根牛顿法。
预期的结果是B点,而是Python的返回A点:
码:
import matplotlib.pyplot as plt
import numpy as np
def f(theta):
return 1 - (((2 * 1.5) * np.sin(theta))/ 2.7)
def derivative(f, x):
dx = 1E-8
return (f(x + dx) - f(x)) / dx
def x_next(f, x_n):
return 1 - (f(x_n) / derivative(f, x_n))
def newtons_method(f, x_n = 1, i = 0, max_iter = 100):
i = i + 1
if (i == max_iter):
return None
x_n = x_next(f, x_n)
if (abs(f(x_n)) < 1E-4):
return x_n
print("i:",i,"x_n:",x_n,"f(x_n)",f(x_n))
newtons_method(f, x_n, i, max_iter)
print(newtons_method(f))
你的主要问题是在你的日常x_next
。你有一个1
那里应该是一个x_n
。所以日常应
def x_next(f, x_n):
return x_n - (f(x_n) / derivative(f, x_n))
您的衍生例行也较差。如果你有近似的导数,牛顿迭代是不使用的最佳方法。您使用近似的方法也没有很好的数字,尽管它遵循导数的定义。如果你必须使用一个近似,使用
def derivative(f, x):
dx = 1E-8
return (f(x + dx) - f(x - dx)) / (2.0 * dx)
但是,在这种情况下,导数是很容易直接计算。因此,最好使用
def derivative(f, x):
return -2 * 1.5 * np.cos(x) / 2.7
您还没有打印您的最终逼近的根源,它的功能价值 - 你算算它,而不进行打印返回。所以,把你的print
声明你测试它返回之前。
这些变化(加注释掉matplotlib
你从不使用的进口),你的代码是现在
#import matplotlib.pyplot as plt
import numpy as np
def f(theta):
return 1 - (((2 * 1.5) * np.sin(theta))/ 2.7)
def derivative(f, x):
return -2 * 1.5 * np.cos(x) / 2.7
def x_next(f, x_n):
return x_n - (f(x_n) / derivative(f, x_n))
def newtons_method(f, x_n = 1, i = 0, max_iter = 100):
i = i + 1
if (i == max_iter):
return None
x_n = x_next(f, x_n)
print("i:",i,"x_n:",x_n,"f(x_n)",f(x_n))
if (abs(f(x_n)) < 1E-4):
return x_n
newtons_method(f, x_n, i, max_iter)
print(newtons_method(f))
其结果是只有两行
i: 1 x_n: 1.1083264212579311 f(x_n) 0.005607493777795347
i: 2 x_n: 1.1196379358595814 f(x_n) 6.373534192993802e-05
这是你想要的。如果你坚持使用的衍生物的数值逼近,用我上面给的版本,结果略有不同:
i: 1 x_n: 1.10832642185337 f(x_n) 0.005607493482616466
i: 2 x_n: 1.1196379360265405 f(x_n) 6.373526104597182e-05