Метод Стеффенсенса - Википедия - Steffensens method

В числовой анализ, Метод Стеффенсена это метод поиска корней названный в честь Йохан Фредерик Стеффенсен что похоже на Метод Ньютона. Метод Стеффенсена также достигает квадратичная сходимость, но без использования производные в качестве Метод Ньютона делает.

Простое описание

Простейшая форма формулы для метода Стеффенсена возникает, когда она используется для нахождения нулей или корней функции ${ Displaystyle , е ,}$; то есть: найти значение ${ Displaystyle , х _ { звезда} ,}$ это удовлетворяет ${ Displaystyle е (х _ { звезда}) = 0}$ . Рядом с решением ${ Displaystyle , х _ { звезда} ,}$, функция ${ Displaystyle , е ,}$ должен приблизительно удовлетворять ${ Displaystyle ~ -1 <е '(х _ { звезда}) <0 ,;}$ это условие делает ${ Displaystyle , е ,}$ адекватна в качестве корректирующей функции для ${ Displaystyle , х ,}$ для поиска своего собственный решение, хотя оно и не требуется для эффективной работы. Для некоторых функций метод Стеффенсена может работать, даже если это условие не выполняется, но в таком случае начальное значение ${ Displaystyle , х_ {0} ,}$ должно быть очень близко к реальному решению ${ Displaystyle , х _ { звезда} ,}$, и сходимость к решению может быть медленной.

Учитывая адекватное начальное значение ${ Displaystyle , х_ {0} ,}$, последовательность значений ${ Displaystyle ~ x_ {0}, , x_ {1}, , x_ {2}, dots, , x_ {n}, , dots ~}$ может быть сгенерирован по формуле ниже. Когда это работает, каждое значение в последовательности намного ближе к решению. ${ displaystyle x _ { star}}$ чем предыдущее значение. Значение ${ Displaystyle , х_ {п} ,}$ с текущего шага генерирует значение ${ Displaystyle , х_ {п + 1} ,}$ для следующего шага по этой формуле:^[1]

${ displaystyle x_ {n + 1} = x_ {n} - { frac {, f (x_ {n}) ,} {g (x_ {n})}} ~}$

за п = 0, 1, 2, 3, ... , где функция наклона ${ displaystyle g (x)}$ является составной частью исходной функции ${ displaystyle f}$ дается следующей формулой:

${ Displaystyle г (х) = { гидроразрыва {, е влево (х + е (х) вправо) ,} {е (х)}} - 1 ~}$

или эквивалентно

${ Displaystyle г (х) = { гидроразрыва {, е (х + ч) -f (х) ,} {ч}} ~}$ куда ${ Displaystyle ~ час = е (х) ~}$.

Функция ${ displaystyle g}$ - среднее значение наклона функции ${ displaystyle f}$ между последней точкой последовательности ${ displaystyle (x, y) = (x_ {n}, f (x_ {n}))}$ и вспомогательная точка ${ Displaystyle , (х, у) = (х_ {п} + ч, , е (х_ {п} + ч) ,)}$, с шагом ${ Displaystyle , час = е (x_ {п}) ,}$. Его еще называют разделенная разница первого порядка из ${ displaystyle f}$ между этими двумя точками.

Это только с целью найти ${ Displaystyle , ч ,}$ для этой вспомогательной точки значение функции ${ Displaystyle , е ,}$ должно быть адекватным исправлением, чтобы приблизиться к собственному решению, и по этой причине выполнять требование, что ${ displaystyle , - 1$. Для всех остальных частей расчета метод Стеффенсена требует только функции ${ Displaystyle , е ,}$ быть непрерывным и иметь близкое решение.^[1] Несколько скромных модификаций ступени ${ Displaystyle , ч ,}$ при расчете уклона ${ Displaystyle , г ,}$ существуют для размещения функций ${ Displaystyle , е ,}$ это не совсем соответствует требованию.

Достоинства и недостатки

Основное преимущество метода Стеффенсена в том, что он имеет квадратичная сходимость^[1] подобно Метод Ньютона - то есть оба метода находят корни уравнения ${ displaystyle f}$ так же «быстро». В этом случае быстро означает, что для обоих методов количество правильных цифр в ответе удваивается с каждым шагом. Но формула метода Ньютона требует вычисления производной функции ${ displaystyle f '}$ а также функция ${ displaystyle f}$, а метод Стеффенсена требует только ${ displaystyle f}$ сам. Это важно, когда дериватив недоступен легко или эффективно.

Цена быстрой сходимости - двойная оценка функции: оба ${ displaystyle f (x_ {n})}$ и ${ displaystyle f (x_ {n} + h)}$ должны быть рассчитаны, что может занять много времени, если ${ displaystyle f}$ это сложная функция. Для сравнения секущий метод требуется только одна оценка функции на шаг. Метод секанса увеличивает количество правильных цифр «всего» примерно в 1,6 раза за шаг, но можно сделать вдвое больше шагов метода секанса за заданное время. Поскольку метод секущей может выполнять в два раза больше шагов за то же время, что и метод Стеффенсена,^[а] когда оба алгоритма успешны, метод секущей сходится быстрее, чем метод Стеффенсена на практике: метод секущей достигает коэффициента примерно (1,6)² ≈ 2,6 раза больше цифр для каждых двух шагов (две оценки функции) по сравнению с коэффициентом Стеффенсена, равным 2 для каждого шага (две оценки функции).

Подобно большинству других итерационные алгоритмы поиска корней, решающим недостатком метода Стеффенсена является выбор начального значения ${ displaystyle x_ {0}}$ . Если значение ${ displaystyle x_ {0}}$ не "достаточно близко" к реальному решению ${ displaystyle x _ { star}}$ , метод может потерпеть неудачу и последовательность значений ${ displaystyle x_ {0}, x_ {1}, x_ {2}, x_ {3}, dots}$ может либо метаться между двумя крайностями, либо расходиться до бесконечности.

Вывод с использованием процесса дельта-квадрата Эйткена

Версия метода Стеффенсена, реализованная в MATLAB код, показанный ниже, можно найти с помощью Дельта-квадрат процесс Эйткена для ускорения сходимости последовательности. Чтобы сравнить следующие формулы с формулами в разделе выше, обратите внимание, что ${ Displaystyle х_ {п} = р - р_ {п}}$ . Этот метод предполагает начало с линейно сходящейся последовательности и увеличивает скорость сходимости этой последовательности. Если признаки ${ Displaystyle p_ {n}, p_ {n + 1}, p_ {n + 2}}$ согласен и ${ displaystyle p_ {n} }$ «достаточно близко» к желаемому пределу последовательности ${ displaystyle p }$, можно предположить следующее:

${ displaystyle { frac {p_ {n + 1} -p} {p_ {n} -p}} приблизительно { frac {p_ {n + 2} -p} {p_ {n + 1} -p} }}$

тогда

${ Displaystyle (п_ {п + 1} -р) ^ {2} приблизительно (п_ {п + 2} -р) (п_ {п} -р)}$

так

${ displaystyle p_ {n + 1} ^ {2} -2p_ {n + 1} p + p ^ {2} приблизительно p_ {n + 2} p_ {n} - (p_ {n} + p_ {n + 2}) p + p ^ {2}}$

и поэтому

${ displaystyle (p_ {n + 2} -2p_ {n + 1} + p_ {n}) p приблизительно p_ {n + 2} p_ {n} -p_ {n + 1} ^ {2}}$ .

Решение для желаемого предела последовательности ${ displaystyle p}$ дает:

${ displaystyle p приблизительно { гидроразрыва {p_ {n + 2} p_ {n} -p_ {n + 1} ^ {2}} {p_ {n + 2} -2p_ {n + 1} + p_ {n }}} = { frac {p_ {n} ^ {2} + p_ {n} p_ {n + 2} + 2p_ {n} p_ {n + 1} -2p_ {n} p_ {n + 1} - p_ {n} ^ {2} -p_ {n + 1} ^ {2}} {p_ {n + 2} -2p_ {n + 1} + p_ {n}}}}$

${ displaystyle = { frac {(p_ {n} ^ {2} + p_ {n} p_ {n + 2} -2p_ {n} p_ {n + 1}) - (p_ {n} ^ {2} -2p_ {n} p_ {n + 1} + p_ {n + 1} ^ {2})} {p_ {n + 2} -2p_ {n + 1} + p_ {n}}}}$

${ displaystyle = p_ {n} - { frac {(p_ {n + 1} -p_ {n}) ^ {2}} {p_ {n + 2} -2p_ {n + 1} + p_ {n} }},}$

что приводит к более быстро сходящейся последовательности:

${ displaystyle p приблизительно p_ {n + 3} = p_ {n} - { frac {(p_ {n + 1} -p_ {n}) ^ {2}} {p_ {n + 2} -2p_ { n + 1} + p_ {n}}}.}$

Реализация в Matlab

Вот источник реализации метода Стеффенсена в MATLAB.

функцияСтеффенсен(f, p0, tol)% Эта функция принимает в качестве входных данных: итерационную функцию с фиксированной точкой, f, % и первоначальное предположение относительно фиксированной точки p0 и допуск tol.% Предполагается, что итерационная функция с фиксированной точкой вводится как% встроенная функция. % Эта функция вычислит и вернет фиксированную точку p, %, что делает выражение f (x) = p истинным с точностью до желаемого % допуск, тол.формат compact% Укорачивает вывод.формат long% Печатает больше десятичных знаков.за i = 1: 1000% приготовьтесь к большому, но конечному количеству итераций.               % Это так, что если метод не сойдется, мы не будем               % застрял в бесконечном цикле.    p1=ж(p0);  % вычисляет следующие два предположения для фиксированной точки.    p2=ж(p1);    п=p0-(p1-p0)^2/(p2-2*p1+p0) % использовать метод дельта-квадрата Эйткена для                                % найти лучшее приближение к p0.    если abs (p-p0)         перемена %, если да, остановите итерации, мы получили ответ.    конецp0 = p;              % обновить p0 для следующей итерации.конецесли пресс(п-p0)>тол       % Если мы не соблюдаем допуск, мы выводим                       % сообщение об ошибке.    «не удалось сойтись за 1000 итераций».конец

Реализация на Python

Вот источник реализации метода Стеффенсена в Python.

def грамм(ж, Икс: плавать):    "" "Функция разделенных разностей первого порядка.    Аргументы:        f (вызываемый): ввод функции в g        x (float): точка, в которой нужно вычислить g    """    возвращаться лямбда Икс: ж(Икс + ж(Икс)) / ж(Икс) - 1def Steff(ж, Икс: плавать):    "" "Алгоритм Стеффенсона для поиска корней.    Этот рекурсивный генератор сначала возвращает значение x_n + 1, а затем, когда генератор выполняет итерацию,    он дает x_n + 2 со следующего уровня рекурсии.    Аргументы:        f (вызываемый): функция, корень которой мы ищем        x (float): начальное значение при первом вызове, каждый уровень n, который функция рекурсирует x, равен x_n    """    если грамм(ж, Икс)(Икс) != 0:        урожай Икс - ж(Икс) / грамм(ж, Икс)(Икс)  # Сначала дайте x_n + 1        уступить от Steff(ж, Икс - ж(Икс) / грамм(ж, Икс)(Икс))  # Затем даем новый итератор

Обобщение

Метод Стеффенсена также можно использовать для поиска входа ${ Displaystyle х = х _ { звезда}}$ для другого вида функции ${ displaystyle F}$ который производит вывод такой же, как и его ввод: ${ Displaystyle х _ { звезда} = F (х _ { звезда})}$ для особой ценности ${ displaystyle x _ { star}}$ . Решения вроде ${ displaystyle x _ { star}}$ называются фиксированные точки. Многие такие функции могут использоваться для поиска собственных решений путем многократного повторного использования результата в качестве входных данных, но скорость сходимости может быть низкой или функция может вообще не сойтись, в зависимости от отдельной функции. Метод Стеффенсена ускоряет эту конвергенцию, делая ее квадратичный.

Этот метод нахождения неподвижных точек действительной функции был обобщен для функций ${ displaystyle F: X to X}$ на Банахово пространство ${ displaystyle X}$ . Обобщенный метод предполагает, что семья из ограниченный линейные операторы ${ Displaystyle {L (и, v): и, v в X }}$ связана с ${ displaystyle u }$ и ${ displaystyle v }$ можно найти, чтобы удовлетворить условию^[2]

${ Displaystyle F (u) -F (v) = L (u, v) (u-v).}$

В простой форме, приведенной в предыдущем разделе, функция ${ displaystyle f}$ просто принимает и производит действительные числа. Там функция ${ displaystyle g}$ это разделенная разница. Здесь в обобщенном виде оператор ${ displaystyle L}$ является аналогом разделенной разности для использования в Банахово пространство. Оператор ${ displaystyle L}$ эквивалентно матрица чьи записи являются функциями вектор аргументы ${ displaystyle u }$ и ${ displaystyle v }$.

Тогда метод Стеффенсена очень похож на метод Ньютона, за исключением того, что он использует разделенную разницу${ Displaystyle L (F (х), х) }$ вместо производной ${ Displaystyle F '(х) }$ . Таким образом, он определяется как

${ displaystyle x_ {n + 1} = x_ {n} + [IL (F (x_ {n}), x_ {n})] ^ {- 1} (F (x_ {n}) - x_ {n}) ), }$

за ${ Displaystyle п = 1, 2, 3, ...}$ , и где ${ Displaystyle I }$ - тождественный оператор.

Если оператор ${ Displaystyle L }$ удовлетворяет

${ Displaystyle | L (и, v) -L (х, y) | leq к { big (} | u-x | + | v-y | { big)}}$

для некоторой постоянной ${ displaystyle k}$ , то метод квадратично сходится к фиксированной точке ${ displaystyle F}$ если начальное приближение ${ displaystyle x_ {0} }$ «достаточно близко» к желаемому решению ${ displaystyle x _ { star}}$ , что удовлетворяет ${ Displaystyle х _ { звезда} = F (х _ { звезда})}$ .

Примечания

Рекомендации