牛顿迭代法自定义函数陷入死循环无输出，求代码排查

核心问题分析 #

1. 死循环根源
   原代码的循环条件while np.absolute(xi_1) > min完全错误。牛顿迭代的终止逻辑应该是当前点的函数值足够接近0（说明找到根），或者两次迭代的差值足够小。而你判断的是迭代点本身的绝对值，目标函数的根在1.3左右，这个值的绝对值远大于1e-6，所以循环永远不会停止。

2. eval的不合理使用
   用字符串传递函数再通过eval执行的方式，不仅存在安全风险，还容易引发变量作用域问题（之前的变量未定义报错就是这个原因）。直接传递函数对象是更简单可靠的方式。

3. 其他细节问题

• 硬编码初始猜测值guess=2，忽略了调用时传入的参数，逻辑冗余
• 数值微分步长0.01过大，导数计算精度不足，可能影响迭代收敛
• 没有处理导数接近0的情况，可能导致除以0报错

修正后的代码实现 #

牛顿迭代函数

import numpy as np

def fnewton(func, df_func, initial_guess, tol=1e-6):
    xi_1 = initial_guess
    n = 0
    # 终止条件：函数值绝对值小于设定的容差
    while np.abs(func(xi_1)) > tol:
        n += 1
        df_val = df_func(xi_1)
        # 避免导数为0导致除以0错误
        if np.abs(df_val) < 1e-10:
            raise ValueError("导数接近0，无法继续迭代")
        # 牛顿迭代公式
        x = xi_1 - func(xi_1) / df_val
        xi_1 = x
    print(f"根的位置：{x}")
    print(f"迭代次数：{n}")
    return x

目标函数与导数函数

def a(x):
    return np.exp(np.exp(-x)) - x**2 + x

def dadx(x):
    h = 1e-4  # 缩小步长提升数值微分精度
    return (a(x + h) - a(x)) / h

调用方式

fnewton(a, dadx, 2)

修改说明 #

• 移除eval，直接传递函数对象，彻底解决变量作用域问题
• 修正循环终止条件为判断函数值绝对值，符合牛顿迭代的收敛逻辑
• 增加导数接近0的判断，避免运行时错误
• 使用传入的初始值作为迭代起点，逻辑更合理
• 缩小数值微分步长，提升导数计算的准确性

内容的提问来源于stack exchange，提问作者afg