非线性方程组的迭代替换(Iterative substitution)求解(python,数值积分)

第二十一篇 非线性方程组的迭代替换求解

非线性方程组

为了简单起见，我们到目前为止只关注了一个非线性方程。在实际中，我们可能有一个联立形式的非线性方程。

这种系统的解或根将由一组形式为(x1，x2，xn)的变量组成，并且通常会有多个满足方程的解。
在已经描述的方法中，即迭代替换和牛顿迭代法，都可以扩展到解决非线性方程组

方程组的迭代替换

标准方程能重新排列成下面的形式

该方法继续对所有变量(x1, x2，···，xn)0进行初始猜测。将这些值代入方程(3.25)的右侧，得到变量(x1, x2，···，xn)1等的更新值。迭代将继续进行，直到所有变量的更改都不超过指定的公差。这种方法的一个缺点是，对于大多数非线性方程组，可能会出现上面显示的几种重排。有些重排具有收敛的性质，有些则没有。对于单个方程，收敛取决于函数F(x)在根附近的梯度大小。同样，对于两个非线性方程，只有当

时才收敛，随着方程数目的增加，对收敛性的限制也越来越搞，因此限制了该方法在实践中的应用。
计算实例：
使用迭代替换的方法去发现下面函数在x1=1,x2=1附近的根

方程首先被重新排列成一个右手边为0的‘标准形式’

现在重新排列方程，使每个变量都出现在左边。有几种方法可以做到这一点，一种可能的排列如下

当初始猜测值为x1==x2=1.0时，迭代的解展现在下面的表中

很显然，解应该在x1=x2=1.2的时候收敛。在高斯迭代方法中，只要更新的值可用，就可以提高收敛性。
程序如下：
其中有一个主程序和一个对多个数判断收敛的子程序checkit，和一个函数程序

#对于一个方程组的迭代替换
import numpy as np
import B
n=2;tol=1.0e-5;limit=100
x=np.ones((2,1),dtype=np.float)
print('开始的猜测值',x[:,0])
print('前几次迭代值')
iters=0
def f36(x):
    f36=np.zeros((2,1),dtype=np.float)
    f36[0,0]=(2.16-0.5*x[1,0]**2)**0.5
    f36[1,0]=x[0,0]
    return f36
while(True):
    iters=iters+1
    if  B.checkit(f36(x),x,tol)==True or iters==limit:
        break
    x=f36(x)
    if iters<5:
        print(x[:,0])
print('迭代到收敛的次数',iters)
print('解',x[:,0])

checkit

def checkit(loads,oldlds,tol):
#检查多个未知数的收敛
  neq=loads.shape[0]
  big=0.0
  converged=True
  for i in range(1,neq+1):
    if abs(loads[i-1])>big:
      big=abs(loads[i-1])
  for i in range(1,neq+1):
    if abs(loads[i-1]-oldlds[i-1])/big>tol:
      converged=False
  checkit=converged
  return  checkit

终端输出结果如下

程序结果与计算结果一致