欢迎来到数值解法的世界！
在你过往的数学学习中，你已经学过如何通过因式分解或公式解来求解 \(x^2 - 5x + 6 = 0\) 这类方程。但如果遇到像 \(x - \cos(x) = 0\) 这种“怪兽级”方程，该怎么办呢？这时就没有简单的代数技巧能直接算出答案了！
这正是数值方法 (Numerical Methods) 大显身手的时候。我们不再追求精确的代数解，而是利用聪明的“猜测”技巧，让答案一步步逼近真实值。在本章中，我们将探讨五种主要的解根方法。如果一开始觉得抽象也不用担心——你可以把它想象成数字版的“猜数字游戏”！
1. 二分法 (Bisection Method)：“大点还是小点”游戏
二分法是寻找根最简单也最可靠的方法。它依赖于符号变号 (Change of Sign) 原则：如果一个连续函数在某区间的两个端点之间从负值变为正值，那么它在两点之间一定穿过了零点！
运作步骤：
1. 找出两个数 \(a\) 与 \(b\)，使得 \(f(a)\) 与 \(f(b)\) 的符号相反（一正一负）。
2. 计算中点 (Midpoint)：\(m = \frac{a + b}{2}\)。
3. 检查 \(f(m)\) 的符号。
4. 用 \(m\) 取代 \(a\) 或 \(b\)，确保新的区间依然包含符号变号。
5. 重复以上步骤，直到区间小到足以达到你需要的精确度为止！
类比：想象你在书中找特定页码。你把书从中间翻开，看看那一页的页码是大了还是小了？接着把“错误”的那一半撕掉，不断重复这个过程。最后你一定能找到那一页！
重点回顾：二分法速度较慢但很稳健。只要函数是连续的，且起始区间存在符号变号，它一定能找到根。
2. 试位法与正割法 (False Position and the Secant Method)
虽然二分法总是取中间点，但试位法 (False Position，又称线性插值法) 显得更聪明。它将两个端点连成一条直线，观察这条直线与 x 轴的交点在哪里。
试位法 vs. 正割法
• 试位法：总是将根“锁定”在两个符号相反的点之间，非常安全。
• 正割法 (Secant Method)：与试位法类似，但它不强求将根锁定在两点之间，而是直接使用最近的两次猜测值来绘制直线。
常见错误：由于正割法不会“锁定”根的位置，有时它可能会偏离得太远而找不到答案（即发生发散 (divergence)）。
你知道吗？“线性插值 (Linear Interpolation)”其实就是一种高级说法，意指“假设两点之间的图形是一条直线”。
3. 不动点迭代法 (Fixed Point Iteration)：\(x_{n+1} = g(x_n)\)
这个方法就像数学上的回声。我们将方程 \(f(x) = 0\) 重新整理成 \(x = g(x)\) 的形式。选定一个起始值代入，算出结果后，再将该结果代回同一个公式中继续计算。
可视化狩猎：蛛网图与阶梯图
将这些迭代绘制在图形上时，会出现两种不同的规律：
• 蛛网图 (Cobweb Diagrams)：当数列在根的两侧震荡（来回跳跃）时会出现这种图形。看起来就像蜘蛛网向内（或向外）盘旋！
• 阶梯图 (Staircase Diagrams)：当数列从单侧逼近根时会出现，看起来就像通往答案的阶梯。
记忆小撇步：如果 \(g(x)\) 在根附近的斜率（梯度）太大——特别是当 \(|g'(x)| > 1\) 时——该方法就会失败。因为“网”会向外螺旋发散，而不是向内收敛！
4. 牛顿-拉弗森法 (The Newton-Raphson Method)
这堪称数值方法中的“法拉利”。它速度极快，因为它使用了当前猜测值处的切线 (tangent line，即斜率) 来寻找下一个值。
公式：
\(x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}\)
强大之处：它通常具有二阶收敛 (second-order convergence)。这意味着正确的小数位数在每一步几乎都会翻倍！
何时会失败：
1. 如果你的猜测值靠近驻点 (stationary point，即斜率为零处)，公式会导致除以零。这就糟了！
2. 如果曲线非常复杂，它可能会跳到完全不同的另一个根上。
关键总结：不动点迭代法是“一阶”的（较慢），而牛顿-拉弗森法则是“二阶”的（极快）。
5. 利用松弛法 (Relaxation) 提升成功率
有时，不动点迭代的数列收敛得慢到让人抓狂，甚至会发散（远离根）。我们可以使用一种称为松弛法 (Relaxation) 的技巧来修正它。
松弛公式：
与其直接使用 \(x_{n+1} = g(x_n)\)，我们改用：
\(x_{n+1} = (1 - \lambda)x_n + \lambda g(x_n)\)
这里的 \(\lambda\) (lambda) 是“加权”系数。
• 如果方法发散，我们用较小的 \(\lambda\) 来“拉回”它，强制收敛。
• 如果速度太慢，我们可以选择一个能加速收敛的 \(\lambda\)。
不用担心这看起来很复杂：在考试中，松弛法的公式通常会直接提供给你。你的任务是代入数字，观察它是否越来越接近根即可！
总结：选择你的武器
• 需要保证找到答案？ 用二分法。
• 方程有清晰的导数？ 用牛顿-拉弗森法以追求速度。
• 迭代失败了？ 试试松弛法，或检查 \(g(x)\) 的斜率。
• 使用电子表格？ 这些方法非常适合用拖拽公式的方式，即时观察“收敛”过程！
常见考题：你可能会被要求“验证答案的精确度”。要做到这一点，请检查你的四舍五入后的答案，在其上下分别代入函数确认符号。如果符号发生改变，那么根一定就在那个极小的区间内！