Haskell中基于iterate实现牛顿-拉夫逊法：按误差阈值终止迭代并返回结果

嘿，我完全懂你作为Haskell新手的困扰——用iterate生成无限迭代列表后，总靠手动take固定个数太不方便了。其实借助Haskell的惰性求值特性，我们可以轻松给算法加上误差阈值，让迭代自动终止在满足精度要求的结果上。下面给你两种实用的实现思路：

方案1：基于相邻迭代值的差判断收敛 #

这种方式是比较前后两次迭代结果的差值，当差值的绝对值小于你设定的margin时，就认为已经收敛到足够精确的结果了：

-- 先假设你已经定义了原函数f和它的导数g
f :: Double -> Double
f x = x^2 - 2  -- 举个例子：求sqrt(2)的根
g :: Double -> Double
g x = 2 * x

newtonUntil :: Double -> Double -> Double
newtonUntil margin x0 = snd $ head $ dropWhile judgeError $ zip iterated (tail iterated)
  where
    -- 生成无限迭代序列（和你原来的逻辑一致）
    iterated = iterate step x0
    step xn = xn - (f xn / g xn)
    -- 判断相邻两个迭代值的误差是否大于等于阈值
    judgeError (prev, curr) = abs (curr - prev) >= margin

代码解释： #

• iterated就是你原来用iterate生成的无限迭代列表，Haskell的惰性求值不会预先计算所有元素，只会用到需要的部分。
• zip iterated (tail iterated)把每个迭代值和它的下一个值配对，得到类似[(x0,x1), (x1,x2), (x2,x3), ...]的序列。
• dropWhile judgeError会跳过所有误差不满足条件的配对，直到找到第一个差值小于margin的配对。
• snd $ head ...取出这个配对里的后一个值（也就是满足精度的迭代结果）。

测试一下：运行newtonUntil 0.0001 3.5，会返回约1.4142，也就是sqrt(2)的近似值，完全符合精度要求。

方案2：基于原函数值的绝对值判断收敛 #

如果你更关注当前迭代值代入原函数后是否足够接近0（毕竟牛顿法是求f(x)=0的根），可以用这种方式：

newtonUntil :: Double -> Double -> Double
newtonUntil margin x0 = head $ dropWhile (\x -> abs (f x) >= margin) iterated
  where
    iterated = iterate step x0
    step xn = xn - (f xn / g xn)

这个逻辑更直接：直接过滤掉所有|f(x)|大于等于margin的迭代值，第一个满足|f(x)| < margin的值就是我们要的结果。

进阶：更安全的版本（返回Maybe类型） #

如果担心迭代不收敛的情况（虽然牛顿法通常收敛，但理论上存在不收敛的场景），可以用find函数返回Maybe Double类型，这样当迭代无法满足条件时会返回Nothing，避免程序出错：

import Data.List (find)

newtonUntil :: Double -> Double -> Maybe Double
newtonUntil margin x0 = snd <$> find judgeError (zip iterated (tail iterated))
  where
    iterated = iterate step x0
    step xn = xn - (f xn / g xn)
    judgeError (prev, curr) = abs (curr - prev) < margin

调用这个版本时，你可以用模式匹配处理结果，比如：

main = case newtonUntil 0.0001 3.5 of
         Just result -> print result
         Nothing -> putStrLn "迭代未收敛"

内容的提问来源于stack exchange，提问作者MasterGeekMX