牛頓迭代法計算機

使用牛頓-拉弗森方法（Newton-Raphson method）尋找方程式的根。輸入任何函數 f(x)，設定初始猜測值，即可查看帶有切線逼近、收斂分析以及顯示通往根的迭代路徑互動圖表的逐步迭代過程。

牛頓迭代法計算機

此牛頓迭代法計算機（牛頓-拉弗森計算機）透過應用牛頓-拉弗森迭代公式來尋找方程式的根。輸入任何函數 $f(x)$，設定初始猜測值 $x_0$，即可觀看帶有動畫切線近似的逐步收斂過程。計算機會自動進行數值微分計算 $f'(x)$，因此您只需輸入 $f(x)$。

什麼是牛頓迭代法？

牛頓迭代法（也稱為 牛頓-拉弗森法）是一種用於尋找方程式根（即 $f(x) = 0$ 的 $x$ 值）的強大迭代算法。從初始猜測值 $x_0$ 開始，每次迭代都會使用以下公式優化估計值：

$$x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}$$

從幾何角度看，每一步都會在當前點 $(x_n, f(x_n))$ 繪製一條曲線的切線，並沿著切線向下到達 x 軸，其交點即為 $x_{n+1}$。這個新的 x 軸截距成為下一次的近似值。

牛頓迭代法如何運作？

📐

切線

在每個 x_n 點，繪製 f(x) 的切線。其 x 軸截距即為下一個猜測值。

🎯

平方收斂

對於單根，正確位數在每次迭代中大約會增加一倍。

⚡

快速收斂

通常在 5-10 次迭代內即可達到機器精度。

⚠

敏感性

較差的初始猜測值或平坦的導數可能導致發散。

收斂特性

特性	描述	影響
收斂階數	單根為平方收斂（2 階）	誤差每步大約呈平方遞減：10⁻² → 10⁻⁴ → 10⁻⁸
單根	f(r) = 0, f'(r) ≠ 0	收斂最快，具有平方收斂速率
重根	f(r) = 0, f'(r) = 0	收斂速度下降為線性
吸引盆地	會導致收斂的初始猜測值集合	對於振盪或多根函數而言非常複雜

牛頓迭代法與其他求根方法的比較

方法	收斂性	需求條件	優缺點
牛頓-拉弗森法	平方收斂	f(x), f'(x), 初始猜測值	非常快速但可能發散
二分法	線性收斂	f(x), 區間 [a,b]	始終收斂但速度較慢
割線法	超線性 (≈1.618)	f(x), 兩個初始點	不需要導數
不動點迭代法	線性收斂	g(x) = x 形式	簡單但通常收斂緩慢

實際應用

領域	應用	示例
工程學	非線性電路分析	尋找二極體電路的作業點
金融學	內部收益率 (IRR)	求解 NPV(r) = 0 的折現率
物理學	軌道力學	求解克卜勒方程式 M = E − e·sin(E)
電腦圖形學	射線-表面相交	尋找射線命中隱式表面的位置
機器學習	優化	尋找梯度 ∇f = 0 的零點
化學	平衡計算	求解平衡常數表達式

如何使用牛頓迭代法計算機

輸入函數： 使用標準記法輸入您的函數 f(x)。使用 ^ 表示指數（例如 x^3-2x-5），以及 sin(x)、ln(x)、sqrt(x) 等函數名稱。支援隱含乘法（例如 2x）。
設定初始猜測值： 在您預期根的位置附近輸入 x₀。猜測值越接近，收斂越快。您可以使用 pi 和 e 等常數。
調整設置（可選）： 設定最大迭代次數（預設 20）和收斂容差（預設 1e-10）。
點擊尋找根： 計算機將運行牛頓-拉弗森迭代，並自動以數值方式計算導數。
查看結果： 查看根、帶有切線的動畫收斂圖、迭代表以及完整的 MathJax 公式逐步解法。

支援的函數

類別	函數	示例
多項式	x, x^2, x^3, ...	x^3 - 2x - 5
三角函數	sin, cos, tan	cos(x) - x
反三角函數	asin, acos, atan	atan(x) - 0.5
雙曲函數	sinh, cosh, tanh	tanh(x) - 0.8
指數函數	exp, e^x	exp(x) - 3x
對數函數	ln, log, log10, log2	ln(x) - 1
根號函數	sqrt, cbrt	sqrt(x) - 2
其他	abs, floor, ceil	abs(x) - 3
常數	pi, e	sin(pi*x)

牛頓迭代法何時會失敗？

牛頓迭代法在以下幾種情況下可能會失敗或發散：

零導數： 如果 $f'(x_n) = 0$，則切線是水平的，沒有 x 軸截距。
循環： 迭代可能會在兩個或多個值之間擺動而無法收斂。
發散： 如果初始猜測值不佳，迭代值可能會離根越來越遠。
過衝： 對於在根附近有反曲點的函數，迭代可能會反覆跳過根部。

在這些情況下，請嘗試不同的初始猜測值，或先使用二分法等區間套法縮小範圍，或應用阻尼牛頓步。

常見問題 (FAQ)

什麼是牛頓迭代法（牛頓-拉弗森法）？

牛頓迭代法是一種利用切線近似的迭代求根算法。從初始猜測值 x₀ 開始，它重複應用公式 x_(n+1) = x_n - f(x_n)/f'(x_n) 來收斂到 f(x) = 0 的根。對於單根，它通常呈現平方收斂，這意味著每次迭代正確位數大約會翻倍。

如何為牛頓迭代法選擇一個好的初始猜測值？

選擇一個接近預期根的初始猜測值。您可以先繪製函數圖形或使用勘根定理：如果 f(a) 和 f(b) 符號相反，則根位於 a 和 b 之間。避免在 f'(x) 為零或接近零的地方開始，因為這會導致方法失敗或發散。

牛頓迭代法何時會無法收斂？

當導數 f'(x) 在迭代點為零或接近零、初始猜測值距離根太遠、函數在根附近有反曲點或方法進入循環時，牛頓迭代法可能會失敗。在這些情況下，請嘗試不同的初始猜測值或使用二分法等區間套法。

牛頓迭代法的收斂速度是多少？

對於單根，牛頓迭代法具有平方收斂性，這意味著每次迭代正確位數大約會翻倍。對於重根（即 f'(r) = 0），收斂會放緩為線性。平方收斂使其成為收斂時最快的求根方法之一。

此計算機會自動計算導數嗎？

是的。此計算機使用中心差分數值微分自動計算 f'(x) 。您只需要輸入 f(x) 和初始猜測值。導數透過 [f(x+h) - f(x-h)] / (2h) 近似計算，並使用微小步長以確保高準確度。

引用此內容、頁面或工具為：

"牛頓迭代法計算機" 於 https://MiniWebtool.com/zh-tw/牛頓迭代法計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 MiniWebtool 團隊製作。更新日期：2026-04-09

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

牛頓迭代法計算機