歡迎來到方程式求解的世界！
在你過往的數學學習中，你花了不少時間利用代數來解像 \(x^2 - 5x + 6 = 0\) 這類方程式。但在現實世界中，大多數方程式都比較「雜亂」，它們通常沒有工整且精確的答案。這就是數值方法 (Numerical Methods) 大顯身手的時候了！你可以把這些方法想像成一種「放大鏡」，用來聚焦並逼近一個解，直到它達到你工作所需的精度——無論你是要建造橋樑還是計算利率，都能派上用場。
1. 起點：定位根的區間 (Bracketing the Root)
在我們能夠「放大」並找出解（即「根」）之前，我們需要先知道它大致在哪個範圍。我們通常會尋找符號變號 (sign change)。如果一個連續函數 \(f(x)\) 在某點的值為負，而在另一點的值為正，那麼它在兩點之間必定在某處穿過零點。
重點重溫：如果 \(f(a)\) 和 \(f(b)\) 的符號相反，即 \(f(a) \times f(b) < 0\)，這意味著在 \(a\) 和 \(b\) 之間至少存在一個根。
2. 二分法 (Bisection Method)
二分法是尋找根的最簡單方法。它就像在玩「猜數字大小」的遊戲。
運作原理：
1. 找出一個發生符號變號的區間 \([a, b]\)。
2. 計算中點：\(x = \frac{a+b}{2}\)。
3. 檢查 \(f(x)\) 的符號。
4. 用中點取代 \(a\) 或 \(b\)，使根始終被「夾」在一個更小的區間內。
5. 重複以上步驟，直到區間小到滿足你所需的精確度。
類比：想像你在找書中特定的一頁。你直接從中間翻開。如果你要找的頁碼在後面，你就忽略前半部分，再從剩下的後半部分的中間翻開。你不斷地將搜尋範圍減半，直到找到那一頁為止！
小結：它非常可靠（只要有符號變號，它幾乎不會失敗），但速度相當慢。
3. 假位法 (False Position) 與正割法 (Secant Method)
二分法總是取中點，而假位法（又稱線性插值法）則更聰明一些。它在 \((a, f(a))\) 和 \((b, f(b))\) 之間畫一條直線，觀察這條直線與 x 軸的交點。
正割法與其相似，但不要求根必須被「夾」住。它利用最近的兩個估算值畫出一條直線，用以預測下一個點。別擔心，如果這聽起來很複雜，只要記得這些方法都是利用直線來預測曲線的走向即可。
4. 不動點迭代法 (Fixed Point Iteration)：\(x = g(x)\)
這個方法涉及將方程式 \(f(x) = 0\) 改寫為 \(x = g(x)\) 的形式。然後，你選擇一個初始值 \(x_0\)，並不斷將結果代回公式中：\(x_{n+1} = g(x_n)\)。
階梯圖與蛛網圖
當你繪製圖形時，會看到兩種有趣的模式：
- 階梯圖 (Staircase Diagram)：數值從一側向根逼近。
- 蛛網圖 (Cobweb Diagram)：數值向根「螺旋式」逼近（如果失敗了則會螺旋擴散！）。
你知道嗎？此方法僅在函數 \(g(x)\) 在根附近的斜率夠平緩時才有效（收斂）。具體來說，我們需要 \(|g'(x)| < 1\)。如果直線太陡，你的「蛛網」就會螺旋遠離答案！
5. 牛頓-拉弗森法 (Newton-Raphson Method)
這是求解方法中的「一級方程式 (Formula 1) 賽車」。它通常比其他方法快得多，利用曲線的切線（斜率）向根部「滑落」。
公式為：
\[x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}\]
記憶口訣：「當前值減去（函數值除以斜率）」。
為什麼會失敗：
儘管速度很快，但牛頓-拉弗森法並不完美。如果發生以下情況，它可能會失敗：
- 初始點接近駐點 (stationary point)（即 \(f'(x) = 0\) 的地方）。這會導致除以零，使「賽車」飛出賽道！
- 曲線非常平坦，導致下一次估算的數值離根部十萬八千里。
小結：牛頓-拉弗森法具有二階收斂 (second-order convergence)，意味著正確的小數位數大約會在每一步驟中翻倍！
6. 收斂與精確度
在考試中，你可能會被要求證明答案的準確性。如果題目要求保留 3 位小數，你應該展示該值的邊界處存在符號變號（例如，針對 \(1.234\)，檢查 \(1.2335\) 和 \(1.2345\) 是否符號相反）。
關鍵術語：收斂階數 (Order of Convergence)
- 一階收斂：誤差每次減少一個固定的倍數（如不動點迭代法）。
- 二階收斂：誤差減少的速度快得多（如牛頓-拉弗森法）。
7. 鬆弛法 (The Method of Relaxation)
有時候，不動點迭代法 \(x = g(x)\) 會太慢或發散（失敗）。我們可以利用鬆弛法來「修正」它。我們引入一個「鬆弛參數」\(\lambda\) (lambda)，將舊值與新估算值進行混合。
鬆弛迭代法的公式為：
\[x_{n+1} = (1 - \lambda)x_n + \lambda g(x_n)\]
通過選擇合適的 \(\lambda\)，我們可以強迫發散的數列收斂，或讓緩慢的數列變快。想像這就像一個調光開關——你正在調整迭代的「強度」以保持其在控制範圍內。
總結檢查清單
1. 二分法：穩定但緩慢。只要有符號變號，一定成功。
2. 不動點迭代：使用 \(x = g(x)\)。僅在 \(|g'(x)| < 1\) 時有效。留意蛛網圖和階梯圖！
3. 牛頓-拉弗森：非常快（二階收斂）。若斜率為零則失敗。
4. 鬆弛法：使用 \(\lambda\) 讓不動點迭代變乖巧的技巧。
5. 精確度：務必通過檢查邊界的符號變號來驗證你的最終答案。