Numerische Methoden: Newton-Raphson, Euler und Runge-Kutta

Numerische Methoden sind Algorithmen zur Berechnung von Näherungslösungen. Newton-Raphson wird verwendet, um eine Nullstelle einer Gleichung wie $f(x)=0$ zu finden, während Euler und Runge-Kutta zur näherungsweisen Lösung von Differentialgleichungen dienen.

Wenn du nur den schnellen Unterschied brauchst, dann ist es dieser: Newton-Raphson aktualisiert einen Schätzwert für $x$; Euler und Runge-Kutta entwickeln eine Lösung schrittweise in der Zeit weiter. Wie gut sie funktionieren, hängt von Bedingungen ab wie einem sinnvollen Startwert, einer brauchbaren Ableitung oder einer Schrittweite $h$, die für das Problem klein genug ist.

Wofür die einzelnen numerischen Methoden verwendet werden

Newton-Raphson: eine Nullstelle finden

Wenn du einen Wert von $x$ suchst, für den $f(x)=0$ gilt, aktualisiert Newton-Raphson einen Schätzwert mithilfe der Tangente:

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

Die Idee dahinter ist einfach: Wenn der Graph in der Nähe der Nullstelle glatt ist, dann ist die Tangente ein lokales lineares Modell, und ihr Schnittpunkt mit der $x$-Achse kann ein besserer Schätzwert sein als der aktuelle Punkt.

Das funktioniert meist gut, wenn $f$ differenzierbar ist, $f'(x_n) \ne 0$ gilt und der Startwert bereits nahe an einer einfachen Nullstelle liegt. Wenn diese Bedingungen nicht erfüllt sind, kann die Methode stehen bleiben, von der Nullstelle wegspringen oder divergieren.

Zum Beispiel mit $f(x)=x^2-2$ und $x_0=1.5$ gilt:

$$x_1 = 1.5 - \frac{1.5^2 - 2}{2(1.5)} = 1.4167$$

und ein weiterer Schritt ergibt ungefähr $1.4142$, was bereits nahe bei $\sqrt{2}$ liegt.

Euler-Verfahren: eine Steigung, ein Schritt

Für ein Anfangswertproblem

$$y' = f(t,y), \qquad y(t_0)=y_0,$$

verwendet das Euler-Verfahren die aktuelle Steigung, um einen Schritt nach vorn zu gehen:

$$y_{n+1} = y_n + h f(t_n, y_n)$$

Das ist die einfachste Näherung: Man geht mit der Schrittweite $h$ weiter und benutzt dabei die Steigung, die man im aktuellen Moment kennt. Dadurch ist Euler leicht zu lernen und umzusetzen, aber der Fehler kann schnell wachsen, wenn $h$ zu groß ist oder sich die Lösung rasch ändert.

Runge-Kutta-Verfahren: mehrere Steigungswerte in einem Schritt

Runge-Kutta-Verfahren verbessern das Euler-Verfahren, indem sie die Steigung innerhalb desselben Schritts mehr als einmal auswerten. In Einführungskursen meint „Runge-Kutta“ oft das klassische Verfahren vierter Ordnung RK4:

$$k_1 = f(t_n, y_n), \qquad k_2 = f\left(t_n + \frac{h}{2}, y_n + \frac{h}{2}k_1\right),$$ $$k_3 = f\left(t_n + \frac{h}{2}, y_n + \frac{h}{2}k_2\right), \qquad k_4 = f(t_n + h, y_n + hk_3)$$ $$y_{n+1} = y_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4)$$

RK4 bildet einen gewichteten Mittelwert aus mehreren Steigungsschätzungen und folgt der Kurve deshalb bei gleicher Schrittweite meist deutlich besser als das Euler-Verfahren.

Durchgerechnetes Beispiel: Euler vs. Runge-Kutta bei derselben ODE

Betrachte

$$y' = y, \qquad y(0)=1$$

und verwende einen Schritt der Größe $h=0.1$, um $y(0.1)$ zu schätzen.

Euler-Schritt

Bei $t=0$ ist der aktuelle Wert $y_0=1$, also ist die Steigung

$$f(0,1)=1$$

Euler liefert

$$y_1 = 1 + 0.1(1) = 1.1$$

RK4-Schritt

Nun verwenden wir dasselbe Problem mit RK4:

$$k_1 = 1$$ $$k_2 = 1 + \frac{0.1}{2}(1) = 1.05$$ $$k_3 = 1 + \frac{0.1}{2}(1.05) = 1.0525$$ $$k_4 = 1 + 0.1(1.0525) = 1.10525$$

Also gilt

$$y_1 = 1 + \frac{0.1}{6}(1 + 2(1.05) + 2(1.0525) + 1.10525)$$ $$y_1 \approx 1.105170833$$

Für diese Gleichung ist der exakte Wert $e^{0.1} \approx 1.105170918$, also liegt der RK4-Schritt viel näher am exakten Wert als der Euler-Schritt.

Das ist die wichtigste Erkenntnis. Euler verwendet die Steigung nur am linken Randpunkt. RK4 erfasst, wie sich die Steigung während des Schritts verändert, und liefert deshalb meist ein besseres lokales Bild.

Wann man Newton-Raphson, Euler oder Runge-Kutta verwendet

Verwende Newton-Raphson, wenn du eine nichtlineare Gleichung lösen willst und die Ableitung berechnen oder annähern kannst. Verwende Euler, wenn du die Grundidee des schrittweisen Lösens einer ODE verstehen willst oder eine schnelle Baseline brauchst.

Verwende Runge-Kutta, besonders RK4, wenn du eine praktisch genauere Lösung möchtest, ohne das Problem selbst zu verändern. Wenn die ODE allerdings steif ist, sind weder Euler noch das klassische RK4 immer eine gute Wahl; das Verfahren muss zur Gleichung passen.

Häufige Fehler bei numerischen Methoden

Die Problemtypen verwechseln

Newton-Raphson ist für Nullstellen von Gleichungen. Euler und Runge-Kutta sind für Differentialgleichungen. Wenn du die falsche Verfahrensfamilie wählst, ist der Ansatz schon vor der ersten Rechnung falsch.

Annehmen, dass das Verfahren immer konvergiert

Newton-Raphson kann scheitern, wenn der Startwert schlecht ist oder wenn $f'(x)$ in der Nähe des Iterationswerts sehr klein ist. Euler- und RK-Verfahren können sich schlecht verhalten, wenn die Schrittweite für das Problem zu groß ist.

Die Schrittweite als Nebensache behandeln

Bei ODE-Verfahren ist die Schrittweite $h$ Teil des Verfahrens und kein nachträgliches Detail. Ein kleineres $h$ verbessert oft die Genauigkeit, erhöht aber auch den Aufwand, und bei manchen schwierigen Problemen braucht man Verfahren für steife Gleichungen statt nur einer kleineren Schrittweite.

Vergessen, dass die Antwort nur eine Näherung ist

Ein numerisches Ergebnis mit vielen Ziffern ist nicht automatisch vertrauenswürdiger. Die entscheidende Frage ist, ob die Näherung stabil ist, konvergiert und für den Zweck genau genug ist.

Wo numerische Methoden eingesetzt werden

Numerische Methoden tauchen überall dort auf, wo das Modell klar ist, aber eine exakte symbolische Lösung unpraktisch oder nicht verfügbar ist. Dazu gehören Physik, Ingenieurwissenschaften, Optimierung, Finanzmathematik und wissenschaftliches Rechnen.

Das gemeinsame Muster ist eher praktisch als theoretisch: Man braucht eine Antwort, die für die jeweilige Entscheidung genau genug ist. Deshalb ist es genauso wichtig, Konvergenz, Effekte der Schrittweite oder die Empfindlichkeit gegenüber dem Startwert zu prüfen, wie die Formel selbst hinzuschreiben.

Probiere eine ähnliche Aufgabe

Probiere dasselbe ODE-Beispiel mit $h=0.05$ statt $0.1$ aus und vergleiche die Euler-Lösung erneut mit der RK4-Lösung. Versuche dann Newton-Raphson für $f(x)=x^2-3$ mit dem Startwert $x_0=2$ und beobachte, wie schnell sich die Iterierten auf $\sqrt{3}$ zubewegen.