Python中基于函数更新的do...until迭代条件设置问题

先明确你的迭代流程 #

你的迭代逻辑可以整理为：

• 给定初始值y₀，计算x₀ = function(y₀)
• 第一次更新得到y₁ = function(x₀)
• 循环执行：计算xᵢ = function(yᵢ) → 更新yᵢ₊₁ = function(xᵢ)，直到相邻两次的x值差异足够小（≈0）
• 停止后计算z = function(yᵢ)

核心：停止条件的正确设置 #

浮点计算中几乎不会出现严格等于0的情况，所以不能直接判断x(i-1) - x(i) == 0，必须用误差阈值定义“≈0”，常用两种判断方式：

1. 绝对误差判断（适合x数值范围稳定的场景）

取两次x差值的绝对值，小于设定的极小阈值就停止，示例：

abs(x_prev - x_current) < 1e-6

这里的1e-6是示例阈值，可根据精度需求调整（工程常用1e-6~1e-10，科研场景可设更小）。

2. 相对误差判断（适合x数值波动大的场景）

如果x的数值可能很大或很小，用相对误差更合理，公式：

abs((x_prev - x_current) / x_prev) < 1e-6

注意：若x_prev接近0，分母会导致计算异常，这种情况可混合判断：当abs(x_prev) < 1e-12时用绝对误差，否则用相对误差。

通用伪代码实现（带停止条件） #

# 初始化变量
y_current = y0  # 你的初始y值
x_prev = function(y_current)
y_current = function(x_prev)

# 设置最大迭代次数，防止死循环
max_iter = 1000
iter_count = 0

# Do...Until 迭代逻辑
do:
    iter_count += 1
    x_current = function(y_current)
    
    # 计算误差，这里用绝对误差，可替换为相对误差
    error = abs(x_prev - x_current)
    
    # 满足停止条件或达到最大迭代次数则退出
    if error < 1e-6 or iter_count >= max_iter:
        break
    
    # 更新变量，准备下一轮迭代
    x_prev = x_current
    y_current = function(x_current)
until False  # 兜底循环条件，实际靠break退出

# 停止后计算z
z = function(y_current)

注意事项 #

• 阈值选择：平衡精度和迭代效率，阈值越大迭代越快但精度越低，反之则精度高但迭代次数多。
• 死循环防护：必须加最大迭代次数限制，避免因函数不收敛（比如x值持续震荡）导致程序卡死。
• 浮点精度问题：所有浮点比较逻辑都不要用严格相等（==），必须用阈值判断。

你的手动迭代示例 #

内容的提问来源于stack exchange，提问作者bennu777