牛顿迭代法求求一个数的算术平方根

产生背景: 牛顿迭代法（Newton's method）又称为牛顿-拉夫逊方法（Newton-Raphson 
method），它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。多数方程不存在求根公式，因此求精确根非常困难，甚至不可能，从而寻找方程的近似根就显得特别重要。方法使用函数f(x）的泰勒级数的前面几项来寻找方程f(x) 
= 0的根。牛顿迭代法是求方程根的重要方法之一，其最大优点是在方程f(x) = 
0的单根附近具有平方收敛，而且该法还可以用来求方程的重根、复根，此时线性收敛，但是可通过一些方法变成超线性收敛。另外该方法广泛用于计算机编程中。
牛顿迭代公式[/u]　　设r是f(x) = 0的根，选取x0作为r初始近似值，过点（x0,f(x0））做曲线y = f(x）的切线L，L的方程为y = f(x0)+f'(x0)(x-x0），求出L与x轴交点的横坐标 x1 = x0-f(x0)/f'(x0），称x1为r的一次近似值。过点（x1,f(x1））做曲线y = f(x）的切线，并求该切线与x轴交点的横坐标 x2 = x1-f(x1）/f'(x1），称x2为r的二次近似值。重复以上过程，得r的近似值序列，其中x(n+1）=x(n）－f(x(n))/f'(x(n)），称为r的n+1次近似值，上式称为牛顿迭代公式。  　　解非线性方程f(x)=0的牛顿法是把非线性方程线性化的一种近似方法。把f(x）在x0点附近展开成泰勒级数 f(x) = f(x0)+(x－x0)f'(x0)+(x－x0)^2*f''(x0)/2! +… 
取其线性部分，作为非线性方程f(x) = 0的近似方程，即泰勒展开的前两项，则有f(x0)+f'(x0)(x－x0)=0 
设f'(x0）≠0则其解为x1=x0－f(x0)/f'(x0) 这样，得到牛顿法的一个迭代序列：x(n+1）=x(n）－f(x(n))/f'(x(n)）。 
  
牛顿迭代法示意图　　军人在进攻时常采用交替掩护进攻的方式，若在数轴上的点表示A，B两人的位置，规定在前面的数大于后面的数，则是A>B，B>A交替出现。但现在假设军中有一个胆小鬼，同时大家又都很照顾他，每次冲锋都是让他跟在后面，每当前面的人占据一个新的位置，就把位置交给他，然后其他人再往前占领新的位置。也就是A始终在B的前面，A向前迈进，B跟上，A把自己的位置交给B（即执行B 
= A操作），然后A 再前进占领新的位置，B再跟上……直到占领所有的阵地，前进结束。像这种两个数一前一后逐步向某个位置逼近的方法称之为迭代法。 
　　迭代法也称辗转法，是一种不断用变量的旧值递推新值的过程，跟迭代法相对应的是直接法（或者称为一次解法），即一次性解决问题。迭代算法是用计算机解决问题的一种基该方法。它利用计算机运算速度快、适合做重复性操作的特点，让计算机对一组指令（或一定步骤）进行重复执行，在每次执行这组指令（或这些步骤）时，都从变量的原值推出它的一个新值。  　　利用迭代算法解决问题，需要做好以下三个方面的工作： 
　　一、确定迭代变量。在可以用迭代算法解决的问题中，至少存在一个直接或间接地不断由旧值递推出新值的变量，这个变量就是迭代变量。 　       二、建立迭代关系式。所谓迭代关系式，指如何从变量的前一个值推出其下一个值的公式（或关系）。迭代关系式的建立是解决迭代问题的关键，通常可以使用递推或倒推的方法来完成。 
　　三、对迭代过程进行控制。在什么时候结束迭代过程？这是编写迭代程序必须考虑的问题。不能让迭代过程无休止地重复执行下去。迭代过程的控制通常可分为两种情况：一种是所需的迭代次数是个确定的值，可以计算出来；另一种是所需的迭代次数无法确定。对于前一种情况，可以构建一个固定次数的循环来实现对迭代过程的控制；对于后一种情况，需要进一步分析出用来结束迭代过程的条件。 (摘自百度百科:http://baike.baidu.com/view/643093.htm) 参考代码如下：/**只考虑非负实数的算术平方根，如果要考虑完全，则自己再修改*/#include <iostream>
#include <math.h>using namespace std;int main()
{
    double a ;
    cin>>a ;
    double x = 1 ;
    while(x*x - a > 0.0000001 || x*x - a < -0.0000001)
    {
       x = (x + a/x)/2 ;
    }
    cout<< fabs(x) ;
    return 0;
}

牛顿迭代法求平方根
求n的平方根，先假设一猜测值X0 = 1，然后根据以下公式求出X1，再将X1代入公式右边，继续求出X2…通过有效次迭代后即可求出n的平方根，Xk+1
                               (迭代公式)
简单推导
假设f(x)是关于X的函数:
 
求出f(x)的一阶导，即斜率:
 
简化等式得到:
 
然后利用得到的最终式进行迭代运算直至求到一个比较精确的满意值，为什么可以用迭代法呢?理由是中值定理(Intermediate Value Theorem):
如果f函数在闭区间[a,b]内连续，必存在一点x使得f(x) = c，c是函数f在闭区间[a,b]内的一点 
我们先猜测一X初始值，例如1，当然地球人都知道除了1本身之外任何数的平方根都不会是1。然后代入初始值，通过迭代运算不断推进，逐步靠近精确值，直到得到我们主观认为比较满意的值为止。例如要求768的平方根，因为252 = 625，而302 = 900，我们可先代入一猜测值26，然后迭代运算，得到较精确值:27.7128。
回到我们最开始的那个”莫名其妙”的公式，我们要求的是N的平方根，令x2 = n，假设一关于X的函数f(x)为:
f(X) = X2 - n
求f(X)的一阶导为:
f'(X) = 2X
代入前面求到的最终式中:
Xk+1 = Xk - (Xk2 - n)/2Xk
化简即得到我们最初提到的那个求平方根的神奇公式了:
 
用泰勒公式推导
我之前介绍过在The Art and Science of C一书中有用到泰勒公式求平方根的算法，其实牛顿迭代法也可以看作是泰勒公式(Taylor Series)的简化，先回顾下泰勒公式:
 
仅保留等式右边前两项:
 
令f(X0+ε) = 0，得到:
 
再令X1 = X0 + ε0，得到ε1…依此类推可知:
 
转化为:
 
引申
从推导来看，其实牛顿迭代法不仅可以用来求平方根，还可以求立方根，甚至更复杂的运算。