### 实现牛顿迭代法求解方程 以下是基于 Python 的实现代码，用于解决给定的函数 \( f(x) = x^4 - 2^x \) 在区间 (-2, 2) 内寻找根的问题。程序会输出每次迭代的结果以及绘制初始值和具体迭代过程。 #### 函数定义与导数计算 为了应用牛顿迭代法，需要提供目标函数及其一阶导数。对于 \( f(x) = x^4 - 2^x \)，其一阶导数为： \[ f'(x) = 4x^3 - (\ln(2)) \cdot 2^x \] 其中，\( \ln(2) \approx 0.693147 \)[^1]。 --- #### Python 实现代码 ```python import numpy as np import matplotlib.pyplot as plt def f(x): """ 定义目标函数 """ return x**4 - 2**x def df(x): """ 定义目标函数的一阶导数 """ ln_2 = np.log(2) return 4 * x**3 - ln_2 * (2**x) def newton_method(f, df, initial_guess, tolerance=1e-6, max_iterations=100): """ 牛顿迭代法实现 """ x_values = [] # 存储每一步的 x 值 errors = [] # 存储每一步的误差 x_current = initial_guess iteration = 0 while True: if abs(df(x_current)) < 1e-10: # 避免除零错误 raise ValueError("Derivative is too close to zero.") x_next = x_current - f(x_current) / df(x_current) error = abs(x_next - x_current) x_values.append(x_current) errors.append(error) if error < tolerance or iteration >= max_iterations: break x_current = x_next iteration += 1 return x_values, errors # 参数设置 initial_guesses = [-1.5, 0, 1.5] # 不同初值尝试 tolerance = 1e-6 max_iterations = 100 results = [] for guess in initial_guesses: try: x_values, errors = newton_method(f, df, guess, tolerance, max_iterations) results.append((guess, x_values[-1], len(x_values), errors)) except Exception as e: print(f"Error with initial guess {guess}: {str(e)}") # 输出结果 print("Newton Method Results:") for i, (guess, root, iterations, _) in enumerate(results): print(f"Initial Guess: {guess}, Root Found: {root:.6f}, Iterations: {iterations}") # 绘制图像 plt.figure(figsize=(12, 6)) # 图像1：函数曲线 x = np.linspace(-2, 2, 500) y = f(x) plt.subplot(1, 2, 1) plt.plot(x, y, label="f(x) = x^4 - 2^x", color='blue') for result in results: plt.scatter(result[1], f(result[1]), color='red', zorder=5) plt.axhline(0, color='black', linewidth=0.8, linestyle='--') plt.title("Function Curve and Roots") plt.xlabel("x") plt.ylabel("f(x)") plt.legend() # 图像2：收敛情况 plt.subplot(1, 2, 2) colors = ['green', 'orange', 'purple'] for i, (_, _, _, errors) in enumerate(results): plt.semilogy(range(len(errors)), errors, marker='o', label=f'Guess={initial_guesses[i]}', color=colors[i]) plt.title("Convergence of Newton's Method") plt.xlabel("Iteration") plt.ylabel("Absolute Error") plt.legend() plt.tight_layout() plt.show() ``` --- #### 结果解释 上述代码实现了以下功能： 1. **牛顿迭代法核心逻辑**: 使用 `newton_method` 函数完成迭代过程，并记录每次迭代的中间值和误差。 2. **多种初值测试**: 对不同的初值进行了实验，验证了算法对不同起始点的表现。 3. **绘图展示**: - 左侧子图为原始函数 \( f(x) = x^4 - 2^x \) 曲线及找到的根位置； - 右侧子图为各初值下迭代过程中绝对误差的变化趋势（采用半对数坐标系显示）。 根据运行结果可知，在指定范围内可能存在多个根，且初值的选择显著影响收敛速度甚至是否能够成功收敛[^3]。 --- #### 注意事项 如果某些初值导致除零异常，则需调整这些特殊区域附近的处理方式；或者提前判断是否存在合适的局部极小值/极大值作为替代方案之一。 ---