双曲线函数求零点：牛顿法不稳定的替代方法及函数变换咨询

一、收敛速度与牛顿法相当的高稳定性求根方法 #

所有方案均不依赖解析二阶导，从机制上规避普通牛顿法初值偏差大就步长失控、撞x=0处渐近线的问题：

• 带 Armijo 线搜索的牛顿法：计算开销和纯牛顿法几乎一致，仅在每次算出牛顿步长后，通过回溯调整步长大小，保证每一步的函数值下降幅度满足判定条件。靠近零点时会自动接受全牛顿步长，保持二阶收敛速度；离零点较远、步长容易跳飞到渐近线区域时，会自动缩小步长，从根本上避免步长过大触碰发散点。如果一阶导可通过解析或数值差分获取，这是首选方案，收敛速度和纯牛顿法无感知差异，稳定性提升一个量级。
• 布鲁登（Broyden）拟牛顿法：超线性收敛的低开销求根方法，不需要显式计算一阶导，仅通过相邻两次迭代的函数值差近似当前点的导数值，单变量下收敛阶约1.6，仅比牛顿法的二阶收敛略慢。由于近似导数值会随迭代过程自适应调整，几乎不会出现步长失控问题。如果场景下连一阶导的计算开销都很高，该方法的整体耗时甚至比需要数值差分求导的牛顿法更低。
• Brent（布伦特）法：单变量场景下只要初始给定包含零点的异号括号区间，算法会自动在二分法、割线法、逆二次插值中选择收敛最快的步长，实际运行的收敛速度接近超线性，和牛顿法的耗时差通常在10%以内。核心优势是迭代全程不会超出预先设定的括号区间，只要将初始区间设为[0.01, 0.2]（覆盖0.05附近的零点，左端点避开x=0处的渐近线），就永远不会跑到渐近线附近发散。

二、可配合牛顿法的等价函数变换方案 #

所有变换均保证变换后函数的零点和原函数完全一致，仅通过调整函数性态扩大牛顿法的收敛域，避免发散：

• 渐近线有理消去变换：双曲线类函数在x=0处的发散项一般为k/x^m类幂次项，可对原函数f(x)两边乘x^m得到新函数F(x) = x^m * f(x)——原来的发散项经乘算会变为常数k，在x=0处不再发散。该变换不会改变x>0区域的零点位置，同时消除了渐近线带来的函数值量级跳变，牛顿法迭代时哪怕步长稍大，也不会因为函数值突然飙升导致步长计算偏差。只要迭代全程保持x>0，就不会引入额外假根，完全适配0.05附近的零点求解需求。
• 量级归一化对数变换：普通牛顿法不稳定的常见原因是函数值量级差过大（比如靠近渐近线时函数值达到百万级，靠近零点时函数值不足0.1），导数值的计算误差会被量级差放大。可构造新函数F(x) = sign(f(x)) * ln|f(x)|，该函数的零点和原函数完全一致，同时把跨多个数量级的函数值映射到平缓的线性尺度上，导数值和函数值的量级匹配，可将牛顿法的有效收敛域扩大2~3倍，初值离零点稍远也不会跳飞。
• 倒数坐标变换规避拐点风险：过了极小值点就发散的问题，本质是极小值点为一阶导接近0的拐点，牛顿法在该点会算出无穷大步长，直接冲到渐近线区。可做坐标变换t = 1/(x + c)（c取0.01级的小正数），将原x轴映射到t轴上：x越小（越靠近x=0的渐近线），对应的t值越大；x越大，对应的t值越小。迭代时只要给t值加上限约束，不让迭代点跑到t值过大的区域，就可以完全把渐近线隔离在迭代域之外，不会因为步长问题闯入发散区。

工程落地的最优效率-稳定性组合 #

实际使用时无需选择单一方法，最优搭配为：一开始用Brent法在[0.01, 0.1]的括号内做初始迭代，等迭代点离零点差1e-2量级时，切到带Armijo线搜索的牛顿法做最终收敛，整体速度比纯Brent法快30%以上，同时全程不会出现发散故障。

内容的提问来源于stack exchange，提问作者mbrivio