Участник:Арутюнов А.В.

Решение системы нелинейных уравнений методом Ньютона
Последовательный алгоритм
Последовательная сложность	[math]\displaystyle{ O(n^2 }[/math] - одна итерация
Объём входных данных	[math]\displaystyle{ n * m + 1 }[/math]
Объём выходных данных	[math]\displaystyle{ n }[/math]
Параллельный алгоритм
Высота ярусно-параллельной формы	[math]\displaystyle{ }[/math]
Ширина ярусно-параллельной формы	[math]\displaystyle{ }[/math]

Автор описания: Арутюнов А.В.

Решение системы нелинейных уравнений методом Ньютона

Свойства и структура алгоритма

Общее описание алгоритма

Это итерационный численный метод нахождения корня (нуля) заданной функции.

Классический метод Ньютона или касательных заключается в том, что если [math]\displaystyle{ x_n }[/math] — некоторое приближение к корню [math]\displaystyle{ x_* }[/math] уравнения [math]\displaystyle{ f(x)=0 }[/math], [math]\displaystyle{ f(x) }[/math] [math]\displaystyle{ C^1 }[/math], то следующее приближение определяется как корень касательной f(x) к функции, проведенной в точке [math]\displaystyle{ x_n }[/math].

Уравнение касательной к функции f(x) в точке имеет вид:

[math]\displaystyle{ f^(x_j)=y-f(x_n)/(x-x_n) }[/math]

В уравнении касательной положим y=0 и [math]\displaystyle{ x=x_n+1 }[/math].

Тогда алгоритм последовательных вычислений в методе Ньютона состоит в следующем:

Метод был впервые предложен английским физиком, математиком и астрономом Исааком Ньютоном (1643—1727). Поиск решения осуществляется путём построения последовательных приближений и основан на принципах простой итерации. Метод обладает квадратичной сходимостью. Модификацией метода является метод хорд и касательных.

Математическое описание алгоритма

Пусть необходимо найти решение системы:

[math]\displaystyle{ \left\{\begin{matrix}f_1(x_1, ..., x_n) = 0 \\ ... \\ f_n(x_1, ..., x_n) = 0, \end{matrix}\right. }[/math]

где [math]\displaystyle{ f = (f_1, ..., f_n) : \mathbb{R}^n \rightarrow \mathbb{R}^n }[/math] - непрерывно дифференцируемое отображение в окрестности решения.

При начальном приближении [math]\displaystyle{ x_0 }[/math] и сделанных предположениях [math]\displaystyle{ (k+1) }[/math]-я итерация метода будет выглядеть следующим образом: [math]\displaystyle{ x_{k+1} = x_k - [f'(x_k)]^{-1}f(x_k)Δ }[/math]

Математическое описание алгоритма

[math]\displaystyle{ \sum_{n=0}^\infty\frac{x^n}{n!} }[/math]

[math]\displaystyle{ x_{k+1} = x_k - [f'(x_k)]^{-1}f(x_k) }[/math]

Пусть необходимо найти решение системы:

[math]\displaystyle{ \left\{\begin{matrix}f_1(x_1, x_2, ..., x_n) = 0 \\ ... \\ f_n(x_1, x_2, ..., x_n) = 0, \end{matrix}\right. }[/math]

Идея метода заключается в линеаризации уравнений системы

[math]\displaystyle{ \left\{\begin{matrix}f_1(x_1, ..., x_n) = 0 \\ f_2(x_1,...x_n)=0, \\ ..., \\ f_n(x_1, ..., x_n) = 0, \end{matrix}\right. }[/math]

что позволяет свести исходную задачу СНУ к

многократному решению системы линейных уравнений.

Пусть известно приближение [math]\displaystyle{ (x_i)^k }[/math] решения системы нелинейных уравнений [math]\displaystyle{ (x_i)^* }[/math].Введем в рассмотрение поправку [math]\displaystyle{ \Delta x_i }[/math] как разницу между решением и его приближением: [math]\displaystyle{ \Delta x_i = (x_i)^* -(x_i)^k \Rightarrow (x_i)^*=(x_i)^k + \Delta x_i, i=\overline{(1,n)} }[/math]

Подставим полученное выражение для [math]\displaystyle{ (x_i)^* }[/math] в исходную систему.

[math]\displaystyle{ \left\{\begin{matrix} f_1((x_1)^k + \Delta x_1, (x_2)^k+ \Delta x_2, ..., (x_n)^k + \Delta x_n) = 0, \\ f_2((x_1)^k + \Delta x_1, (x_2)^k + \Delta x_2, ..., (x_n)^k + \Delta x_n) = 0, \\ ... \\ f_n((x_1)^k + \Delta x_1, (x_2)^k + \Delta x_2, ..., (x_n)^k + \Delta x_n) = 0, \end{matrix}\right. }[/math]

Неизвестными в этой системе нашейных уравнений являются поправки [math]\displaystyle{ \Delta x_i }[/math]. Для определения [math]\displaystyle{ \Delta x_i }[/math] нужно решить эту систему. Но решить эту задачу так же сложно, как и исходную. Однако эту систему можно линеаризовать, и, решив её, получить приближённые значения поправок [math]\displaystyle{ \Delta x_i }[/math] для нашего приближения, т.е. [math]\displaystyle{ \Delta (x_i)^k }[/math]. Эти поправки не позволяют сразу получить точное решение [math]\displaystyle{ (x_i)^* }[/math], но дают возможность приблизиться к решению, - получить новое приближение решения [math]\displaystyle{ ((x_i)^{k+1} = ((x_i)^k + ( \Delta x_i)^k, i = \overline{(1,n)} }[/math]

Для линеаризации системы следует разложить функцию [math]\displaystyle{ f_i }[/math] в ряды Тейлора в окрестности [math]\displaystyle{ (x_i)^k }[/math], ограничиваясь первыми дифференциалами. Полученная система имеет вид:

[math]\displaystyle{ \sum_{i=1}^\n\frac{ \partial f_i({x_1}^k, {x_2}^k, ..., {x_n}^k}{ \partial x_i} \Delta {x_i}^k= -f_j({x_1}^k, {x_2}^k, ..., {x_n}^k), j=\overline{(1,n)} }[/math]

Все коэффициенты этого уравнения можно вычислить, используя последнее приближение решения [math]\displaystyle{ (x_i)^k }[/math]. Для решения системы линейных уравнений при [math]\displaystyle{ \n=2,3 }[/math] можно использовать формулы Крамера, при большей размерности системы n - метод исключения Гаусса.

Значения поправок используются для оценки достигнутой точности решения. Если максимальная по абсолютной величине поправка меньше заданной точности ε, расчет завершается. Таким образом, условие окончания расчета:

[math]\displaystyle{ \delta =\min_{ i=\overline{(1,n)} | \Delta {x_i}^k |} }[/math]

Можно использовать и среднее значение модулей поправок:

[math]\displaystyle{ \delta = \frac{1}{n}\sum_{i=1}\n| \Delta x_i | \lt \varepsilon }[/math]

В матричной форме систему можно записать как:

[math]\displaystyle{ W(\Delta X^k)*X^k = -F(X^k) }[/math]

где [math]\displaystyle{ W(x) }[/math] - матрица Якоби(производных):

[math]\displaystyle{ W(x)=(\frac{\partial f_j}{\partial x_i})_{n,n}= \left\{\begin{matrix}(\frac{\partial f_1}{\partial x_1} \frac{\partial f_1}{\partial x_2} ... \frac{\partial f_1}{\partial x_n}) \\ (... ... ... ...) \\( \frac{\partial f_n}{\partial x_1} \frac{\partial f_n}{\partial x_2} ... \frac{\partial f_n}{\partial x_n} ) \end{matrix}\right. }[/math]

[math]\displaystyle{ \Delta X^k= \left\{\begin{matrix} \Delta (x_1)^k \\ \Delta (x_2)^k \\ ... \\ \Delta (x_n)^k \end{matrix}\right. }[/math]

[math]\displaystyle{ F(x) }[/math] - вектор-функция

[math]\displaystyle{ W(X^k) }[/math] - матрица Якоби, вычисленная для очередного приближения [math]\displaystyle{ F(X^k) }[/math] - вектор-функция, вычисленная для очередного приближения

Выразим вектор поправок [math]\displaystyle{ X^k=-W^{-1}(X^k)*F(X^k) }[/math] :

[math]\displaystyle{ W^{-1} }[/math], где [math]\displaystyle{ W^{-1} }[/math]

Окончательная формула последовательных приближений метода Ньютона решения СНУ в матричной форме имеет вид:

[math]\displaystyle{ X^{(k+1)}=X^k=W^{-1}(X^k)*F(X^k) }[/math]

Вычислительное ядро алгоритма

Основная вычислительная нагрузка приходится на 1) Решение СЛАУ:[math]\displaystyle{ F(X^{(k)})=\frac{\partial F(x^{(k)}{\partial x} \DELTA x^{(k)} }[/math] 2)Численное вычисление Якобиана(если производные не даны):[math]\displaystyle{ \frac{\partial F(x^{(k)}{\partial x} }[/math]

Макроструктура алгоритма

Данный алгоритм использует два основных метода решения в каждой итерации, это нахождением матрицы Якоби и решение СЛАУ.

Схема реализации последовательного алгоритма

1)Задаётся размерность системы n, требуемая точность , начальное приближённое решение [math]\displaystyle{ X=(x_i)_n }[/math] 2)Вычисляются элементы матрицы Якоби [math]\displaystyle{ W=\left( {f_i\over x_i} \right)_{n,n} }[/math] 3)Вычисляется обратная матрица [math]\displaystyle{ W^{-1} }[/math] 4)Вычисляются вектор функция [math]\displaystyle{ F=(f_i)_n, f_i=f_i(x_1, x_2,..., x_n), i=1,...,n }[/math] 5)Вычисляются вектор поправок [math]\displaystyle{ \Delta X=W_{-1}*F }[/math] 6)Уточняется решение [math]\displaystyle{ X_{n+1}=X_n+\Delta X }[/math] 7)Оценивается достигнутая точность [math]\displaystyle{ \delta = \max_{i=1,n} \Delta x_i^k }[/math] 8)Проверяется условие завершения итерационного процесса δ<=ε