如何在Matlab中修改牛顿迭代法代码以找出区间内所有根

核心思路 #

牛顿-拉夫逊法依赖初始猜测值，要覆盖区间[xl,xr]内所有根，核心是在区间内取多个初始点逐一迭代，同时过滤重复收敛的根（相邻初始点可能指向同一个根）。具体步骤：

1. 将目标区间拆分为若干等距的初始猜测点
2. 对每个初始点单独执行牛顿迭代
3. 剔除迭代失败、超出区间的结果，再通过精度阈值去重得到唯一根集合

修改后的完整代码 #

function [roots, fail_count] = newraphson_all(fun, xl, xr, tol, num_points)
% NEWRAPHSON_ALL 用牛顿-拉夫逊法寻找区间[xl,xr]内的所有根
% 输入参数:
%   fun - 目标函数句柄
%   xl, xr - 搜索区间的左右边界
%   tol - 收敛精度
%   num_points - 区间内采样的初始猜测点数量
% 输出参数:
%   roots - 找到的所有根（去重后）
%   fail_count - 迭代失败的初始点数量

    % 初始化变量
    fail_count = 0;
    all_candidates = [];
    h_deriv = 1e-4; % 求导用的步长
    max_iter = 10; % 最大迭代次数

    % 生成区间内的初始猜测点
    x_guesses = linspace(xl, xr, num_points);

    % 遍历每个初始猜测点执行牛顿迭代
    for xg = x_guesses
        i = 0;
        check = 1;
        current_xg = xg;
        nrfail = 0;
        
        while tol < check
            i = i + 1;
            % 计算导数和函数值
            fp = derivative(fun, current_xg, h_deriv);
            y = feval(fun, current_xg);
            
            % 牛顿迭代公式
            xn = current_xg - y / fp;

            % 检查迭代有效性：避免越界、迭代次数超限、导数接近0
            if xn < xl || xn > xr || i > max_iter || abs(fp) < 1e-10
                nrfail = 1;
                break;
            end

            % 计算误差（小值用绝对误差，大值用相对误差）
            if abs(xn) <= 1
                check = abs(current_xg - xn);
            else
                check = abs(1 - current_xg / xn);
            end

            current_xg = xn;
        end

        % 迭代成功则记录结果
        if nrfail == 0
            all_candidates = [all_candidates; current_xg];
        else
            fail_count = fail_count + 1;
        end
    end

    % 去重处理：将精度范围内的重复根合并
    if ~isempty(all_candidates)
        all_candidates = sort(all_candidates);
        roots = all_candidates(1);
        for k = 2:length(all_candidates)
            if abs(all_candidates(k) - roots(end)) > tol
                roots = [roots; all_candidates(k)];
            end
        end
    else
        roots = []; % 未找到任何根时返回空数组
    end
end

关键修改说明 #

• 初始点采样：用linspace生成等距初始点，num_points可根据函数复杂度调整（建议20-50，复杂函数可适当增加）
• 去重逻辑：先排序再通过精度阈值过滤重复根，避免不同初始点收敛到同一个根导致结果冗余
• 鲁棒性优化：将导数为0的判断改为abs(fp) < 1e-10，规避浮点精度误差导致的误判
• 输出适配：原函数仅返回单个根，修改后返回所有根的数组和迭代失败计数，更贴合多根搜索需求

使用示例 #

针对你提到的目标函数(0.01-1) + x*cot(x)，调用方式如下：

% 定义目标函数句柄
fun = @(x) (0.01 - 1) + x*cot(x);
% 搜索区间[1, 20]，精度1e-6，采样30个初始点
[roots, fails] = newraphson_all(fun, 1, 20, 1e-6, 30);
disp('找到的根：');
disp(roots);

内容的提问来源于stack exchange，提问作者cschlum