证明牛顿重根迭代公式二阶收敛-证明牛顿二阶收敛

在函数求根算法的家族里，牛顿迭代法是最那个让数字听话的祖宗。它当初是牛顿自己拿个切线法，硬生生从代数几何推演出来的，目前成了工程界、金融界就连物理界最拿手好戏的工具。大量人当作它就是“神迹”，实际上不然，它只是那个在数学森林里最显眼、长得最像龙的男人。 要理解牛顿法为啥能如此快收敛，咱们得先看看它是如何“偷懒”的。传统的数值方式，比如二分法要么好办的割线法，它们像是在沙漠里走，一步一个脚印，哪怕方向对了一半，可能还得走上一万步才能碰到绿洲。
牛顿法不一样，它不需求扫视四周，只要手里拿着一个函数 $f(x)$ 和它的导数 $f'(x)$，它就只有一个动作：算个切线，找个切点。
这个切点往往离真根就几百米远，哪怕函数长得再乱七八糟，也能在几次迭代里把误差压缩到小数点后六位。
这种本事，就是所谓的二阶收敛。 二阶收敛听起来挺玄乎，实际上就是指误差跟迭代次数 $n$ 的平方成反比。用公式写就是 $epsilon_{n+1} approx c cdot (epsilon_n)^2$，要是误差挺小，这就意味着误差平方了再平方，指数级下降。
打个比方，假设初始推测值离真解还有 10 个单位，误差变成 1 个单位；再下一轮变成 0.1，接着变成 0.01。
这就像是用一个庞大的放大镜，每次照一下，剩下的不确定性就像被切成了细碎的像素块，肉眼根本看不见。 为了说明这不可思议的加速本事，咱们不妨看看一个经典的例子。假设我们要解 $x^3 - 2 = 0$，真根大约是 $1.2589$。
要是用牛顿法，我们选个起点 $x_0 = 1$。 第一轮迭代，$f(1) = -1$，$f'(1) = 3$。切线方程算出来大约是 $x = 1.5$。误差从 1 降到了 0.25。 第二轮迭代，在 $1.5$ 处算，$f(1.5) approx -0.82$，$f'(1.5) approx 4.5$。目前的根离 1.5 实际上只差 0.25 了，切点估摸值大约是 1.77。误差从 0.25 降到了 0.06。 第三轮迭代，在 1.77 附近，函数值变化已经挺小了，切点估摸值麻利逼近 1.26。误差从 0.06 降到了大约 $0.006$ 左右。 你看，从一个误差 1 到 0.006，中间经历了三次迭代，并没有追求线性的稳步下降，而是呈现出极快的“平方级”坠落。
这就是二阶收敛的魔力。 自然，牛顿法也不是万能的，它脾气挺不好，有时候会掉进陷阱里，也就是所谓的病态难题。
要是函数在根附近长得忒陡峭，导数 $f'(x)$ 简直等于 0，这时候切线就变成和函数垂直的一条线，根本找不到交点，迭代就僵住了。
要么要是函数本身在根附近就不是光滑的、弯曲的，牛顿法可能会在局部形成震荡，就连发散。
这时候，像固定点迭代法那种“稳扎稳打”的方式可能比它更靠谱。 实际上牛顿法的精髓不在于它有多快，而在于它背后的几何直觉。它把求根难题转化成了“直线去截断曲线”的难题。在计算机的世界里，计算切线、求交点已经像水面倒豆子那样好办了。
只要硬件够快，算出一个近似根只需几秒钟，这速度在历史上是惊天地泣鬼神的。从 17 世纪帕斯卡发明自动计算器启动，到现代 GPU 并行处理，牛顿法一直在享受这种几何加速带来的红利。 不过，要是真要用牛顿法，还得小心那些“魔鬼”函数。
比如某些多峰函数要么极端的振荡函数，牛顿法可能会在 $x=2$ 和 $x=-2$ 之间在一个震荡区间里来回打转，根本出不来。
这时候就得小心了，要么换个初始值，要么加个阻尼系数，要么干脆换个更稳健的算法。 总的来说，牛顿法是数学史上一个贼有趣的转折点。它证明白有时候，一条好办的直线就能在指数级速度下逼近真理。别看它不完美，不一直稳定，但作为工程首选算法的地位，它是铁打的。
只要记得多预备几个初始推测值，多检查一遍导数有无 0 的情况，牛顿法就能帮你搞定那些复杂的数值计算任务。毕竟在数学的世界里，效率往往比完美更关键。