### 使用 Python 实现迭代法与 Aitken 加速法求方程根 以下展示了如何利用简单的迭代法以及改进后的 Aitken 加速法来求数学方程的根，并确保最终结果达到 $10^{-5}$ 的精度。 #### 方法一：简单迭代法 简单迭代法的核心思想是将原方程改写为形如 $x = \varphi(x)$ 的形式，然后通过不断迭代逼近真实解。其基本流程如下： ```python def simple_iteration(phi, initial_guess, tolerance=1e-5, max_iterations=1000): """ 使用简单迭代法求解方程 x = φ(x) 的根。 参数: phi: 函数对象，表示转换后的方程形式 φ(x) initial_guess: 初始猜测值 tolerance: 精度要求，默认为 1e-5 max_iterations: 最大允许迭代次数 返回: root: 找到的根 iteration_count: 迭代次数 """ x_prev = initial_guess iteration_count = 0 while True: x_next = phi(x_prev) iteration_count += 1 if abs(x_next - x_prev) < tolerance or iteration_count >= max_iterations: break x_prev = x_next return round(x_next, 5), iteration_count # 定义目标函数及其对应的 φ(x) def target_function(x): return x**3 - x - 1 # 示例中的三次多项式[^1] def phi(x): return (x + 1)**(1/3) initial_guess = 1.5 root_simple, iterations_simple = simple_iteration(phi, initial_guess) print(f"Simple Iteration Root: {root_simple}, Iterations: {iterations_simple}") ``` #### 方法二：Aitken 加速法 为了提高收敛速度，在简单迭代的基础上可以加入 Aitken 加速技术。这种方法通过对相邻三项之间的关系进行调整，有效减少所需迭代步数。 ```python def aitken_acceleration(phi, initial_guess, tolerance=1e-5, max_iterations=1000): """ 使用 Aitken 加速法求解方程 x = φ(x) 的根。 参数: phi: 函数对象，表示转换后的方程形式 φ(x) initial_guess: 初始猜测值 tolerance: 精度要求，默认为 1e-5 max_iterations: 最大允许迭代次数 返回: root: 找到的根 iteration_count: 迭代次数 """ x_prev = initial_guess iteration_count = 0 while True: x1 = phi(x_prev) x2 = phi(x1) # 计算 Aitken 加速项 numerator = x_prev * x2 - x1**2 denominator = x_prev + x2 - 2*x1 if denominator != 0: x_acc = numerator / denominator else: raise ZeroDivisionError("Denominator is zero during Aitken acceleration.") iteration_count += 1 if abs(x_acc - x_prev) < tolerance or iteration_count >= max_iterations: break x_prev = x_acc return round(x_acc, 5), iteration_count root_aitken, iterations_aitken = aitken_acceleration(phi, initial_guess) print(f"Aitken Accelerated Root: {root_aitken}, Iterations: {iterations_aitken}") ``` 以上两部分代码分别实现了标准的简单迭代过程和经过优化的 Aitken 加速版本。两者均能成功定位给定非线性方程的有效近似解，同时后者通常表现出更快的收敛特性[^3]。 --- ###