🎯 综合学习笔记：数值方法 (FP1.3) 🎯
欢迎来到数值方法的世界！别担心，这个术语听起来可能有点吓人——它其实就是指当我们无法求出精确的、整齐的解（比如 $x=3$ 或 $x=\sqrt{2}$）时，利用数学工具和步骤来寻找近似解的方法。
许多现实世界的问题，特别是在工程学和物理学领域，都会导出仅靠代数或标准微积分无法求解的方程（我们称之为解析解）。数值方法就是你强大的后备计划！
在本章中，我们将学习如何求方程的根（即 $f(x)=0$ 的位置），以及如何近似求解微分方程。
1. 方程求根：符号变化规则 (Sign Change Rule)
什么是根？
方程 $f(x)=0$ 的一个根（或零点）是指图形 $y=f(x)$ 与 $x$ 轴相交时对应的 $x$ 值。
1.1 符号变化原则
确认一个根是否存在于特定区间内，最简单的方法就是符号变化规则。
规则： 如果函数 $f(x)$ 在区间 $[a, b]$ 上是连续的，且 $f(a)$ 和 $f(b)$ 符号相反（一个为正，一个为负），那么在 $a$ 和 $b$ 之间必然至少存在一个根。
类比： 想象你在徒步旅行。如果你从海拔 100米 ($+$) 的地方出发，最终到达海拔 -50米（低于海平面，$-$）的地方，而且你从未离开过地面（意味着路径是连续的），那么在某一点你一定跨越了 0米 标记（即根）。
❌ 常见错误警示：连续性至关重要！
如果函数在区间内不连续，此规则将失效。例如，函数 $f(x) = \frac{1}{x-2}$ 在 $x=1$ ($f(1)=-1$) 和 $x=3$ ($f(3)=1$) 之间符号发生了变化，但并没有根！相反，在 $x=2$ 处存在一条垂直渐近线（断点）。
核心要点： 在应用任何求根方法之前，先利用符号变化规则在较小的定义区间内定位根的位置（例如，在 1 到 2 之间）。
2. 求根的迭代法
一旦我们知道根存在于区间 $[a, b]$ 内，我们就可以使用迭代法——即不断重复同一个步骤——来使解越来越接近真实的根。
2.1 二分法 (Interval Bisection Method)
这是最可靠但通常也是最慢的方法。它的原理是不断将包含根的区间对半平分。
二分法步骤：
- 开始： 你拥有一个区间 $[a, b]$，其中 $f(a)$ 和 $f(b)$ 符号相反。
- 计算中点： 求出区间的中点：\(c = \frac{a+b}{2}\)。
- 测试 $f(c)$： 计算 $f(c)$ 的值。
- 区间对半：
- 如果 $f(c)$ 与 $f(a)$ 同号，则根必然在 $[c, b]$ 中。用 $c$ 替换 $a$。
- 如果 $f(c)$ 与 $f(b)$ 同号，则根必然在 $[a, c]$ 中。用 $c$ 替换 $b$。
- 如果 $f(c) = 0$，恭喜你，你已经找到了精确的根！
- 重复： 回到第 2 步，直到区间小到满足所需的精度要求。
你知道吗？ 每次迭代后，根位置的不确定性都会减少 50%。这保证了即使需要很多步骤，你最终总会收敛到根。
2.2 线性插值法 (Linear Interpolation Method)
线性插值法试图做出比单纯二分更明智的猜测。它假设曲线在点 $(a, f(a))$ 和 $(b, f(b))$ 之间是一条直线，并找出这条直线（称为弦）与 $x$ 轴的交点。
几何原理：相似三角形
该方法依赖于由弦和 $x$ 轴构成的相似三角形。这能提供一个更好的根估计值，我们称之为 $x_1$。
下一次估计值 \(x_1\) 的公式：
如果 $f(a)$ 和 $f(b)$ 符号相反，公式为：
$$x_1 = a + \frac{|f(a)| \times (b-a)|}{|f(a)| + |f(b)|}$$注意： 使用绝对值 ($|\dots|$) 可以确保只处理距离，从而减少计算中的符号错误。
线性插值法步骤：
- 计算 $x_1$： 使用上述公式。
- 测试 $f(x_1)$： 计算 $f(x_1)$ 的值。
- 更新区间： 根据 $f(x_1)$ 的符号，用 $x_1$ 替换 $a$ 或 $b$，就像二分法一样。
- 重复： 使用新的、更小的区间计算 $x_2$，以此类推。
核心要点： 线性插值法通常比二分法收敛得更快，因为它利用了 $f(a)$ 和 $f(b)$ 的相对大小来加权近似。
2.3 牛顿-拉夫逊法 (Newton-Raphson Method)
这通常是最快的数值方法，但它需要求导数 $f'(x)$，且对初始值的猜测比较敏感。
牛顿-拉夫逊法不使用弦（如线性插值法），而是利用当前猜测值 $x_n$ 处曲线的切线。下一个近似值 $x_{n+1}$ 就是切线与 $x$ 轴的交点。
迭代公式：
$$x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}$$其中 $f'(x_n)$ 是曲线在 $x_n$ 处的斜率。
牛顿-拉夫逊法步骤：
- 求导： 求出 $f'(x)$ 的表达式。
- 选择 $x_0$： 选择一个合适的起始值 $x_0$（通常选在已定位的根附近）。
- 计算 $x_1$： 将 $x_0$ 代入公式求出 $x_1$。
- 迭代： 使用 $x_1$ 求出 $x_2$，一直持续到达到所需的精度。
❗ 牛顿-拉夫逊法何时会失效 ❗
这种方法可能不稳定！如果出现以下情况，效果会很差：
- 你的起始值 $x_0$ 离根太远。
- 斜率 $f'(x_n)$ 接近于零（即你处于驻点附近）。如果 $f'(x_n) \approx 0$，切线几乎是水平的，$x_{n+1}$ 会被抛到很远的地方。
快速回顾：求根方法
- 二分法： 慢但有保证。
- 线性插值法： 比二分法快，使用弦来计算。
- 牛顿-拉夫逊法： 最快，使用切线，需要 $f'(x)$，在驻点附近会失效。
3. 微分方程求解：欧拉法 (Euler's Method)
有时我们会遇到形式为 $\frac{dy}{dx} = f(x, y)$ 的微分方程，且无法通过积分进行解析求解。欧拉法提供了一种数值方法来近似求解 $y(x)$，前提是已知起始点 $(x_0, y_0)$。
核心思想是用许多细小的直线段来近似曲线。我们利用起始点的斜率来估计下一点的值。
类比： 你在开车，但只能看清前方一米的道路。你根据当前的方向直线行驶那一米，然后停下来，再次观察路况，调整角度，重复上述过程。如果你的步长非常短，你的路径看起来就会非常像真实的曲线道路。
欧拉法公式
给定初始点 $(x_0, y_0)$ 和一个小的步长 $h$：
下一个 $x$ 坐标非常简单：
$$x_{n+1} = x_n + h$$下一个 $y$ 坐标通过线性外推法近似：
$$y_{n+1} \approx y_n + h \times f(x_n, y_n)$$请记住，$f(x_n, y_n)$ 就是在 $(x_n, y_n)$ 处计算出的斜率 $\frac{dy}{dx}$。
项 $h \times f(x_n, y_n)$ 代表了在小步长 $h$（横坐标增量）内，$y$ 值的变化量（纵坐标增量）。
欧拉法步骤：
假设你想要从 $(x_0, y_0)$ 出发，使用步长 $h$ 估算 $x=X$ 时的 $y$ 值。
- 初始化： 设 $n=0$，已知 $x_0$ 和 $y_0$。
- 计算斜率： 求 $m_0 = f(x_0, y_0)$。
- 计算下一点：
- $x_1 = x_0 + h$
- $y_1 = y_0 + h \times m_0$
- 迭代： 现在设 $n=1$，利用 $(x_1, y_1)$ 求出 $m_1 = f(x_1, y_1)$。
- 计算再下一点：
- $x_2 = x_1 + h$
- $y_2 = y_1 + h \times m_1$
- 继续： 重复此过程，直到达到所需的 $x$ 值。
关于精度的重要说明：
你选择的步长 $h$ 越小，最终近似值 $y_n$ 就越精确，因为直线段能更好地逼近真实的曲线。然而，步长 $h$ 越小意味着计算步骤越多！
📚 最终回顾：数值方法
数值方法是进阶数学中的重要工具，架起了理论解与实际近似解之间的桥梁。
定位根：
- 符号变化规则是你的起点，若 $f(a)$ 和 $f(b)$ 符号相反，则证明连续区间 $[a, b]$ 内存在根。
求根 ($\boldsymbol{f(x)=0}$)：
- 二分法： 使用中点，收敛速度慢，但有保证。
- 线性插值法： 使用弦进行加权猜测，比二分法快。
- 牛顿-拉夫逊法： 通常最快，使用由 $f'(x)$ 定义的切线。需要谨慎选择 $x_0$。
解微分方程 ($\frac{dy}{dx} = f(x, y)$)：
- 欧拉法： 通过沿着每一点的线性切线取小步长 ($h$) 来近似求解曲线 $y(x)$。精度随步长 $h$ 的减小而提高。
你已经掌握了 FP1 数值方法的所有核心技巧。继续多练习那些迭代公式吧——它们是你攻克本章成功的关键！