Metody numeryczne: Newton-Raphson, Euler i Runge-Kutta

Metody numeryczne to algorytmy służące do znajdowania przybliżonych odpowiedzi. Metoda Newtona-Raphsona służy do znajdowania pierwiastka równania takiego jak $f(x)=0$, natomiast metody Eulera i Rungego-Kutty służą do przybliżania rozwiązań równań różniczkowych.

Jeśli potrzebujesz tylko szybkiego rozróżnienia, wygląda ono tak: Newton-Raphson aktualizuje przybliżenie wartości $x$, a Euler i Runge-Kutta przesuwają rozwiązanie do przodu w czasie. To, czy działają dobrze, zależy od warunków takich jak sensowny punkt startowy, dostępna pochodna albo krok $h$ wystarczająco mały dla danego problemu.

Do czego służy każda z metod numerycznych

Newton-Raphson: znajdowanie pierwiastka

Jeśli chcesz znaleźć wartość $x$ taką, że $f(x)=0$, metoda Newtona-Raphsona aktualizuje przybliżenie, podążając wzdłuż stycznej:

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

Intuicja jest prosta: jeśli wykres jest gładki w pobliżu pierwiastka, to styczna jest lokalnym modelem liniowym, a jej punkt przecięcia z osią może dać lepsze przybliżenie niż bieżący punkt.

Ta metoda zwykle działa dobrze, gdy $f$ jest różniczkowalna, $f'(x_n) \ne 0$, a przybliżenie początkowe jest już blisko pierwiastka prostego. Jeśli te warunki nie są spełnione, metoda może się zatrzymać, odskoczyć od pierwiastka albo się rozbiegać.

Na przykład dla $f(x)=x^2-2$ i $x_0=1.5$,

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

a jeszcze jeden krok daje około $1.4142$, co jest już bliskie $\sqrt{2}$.

Metoda Eulera: jedno nachylenie, jeden krok

Dla zagadnienia początkowego

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

metoda Eulera wykorzystuje bieżące nachylenie, aby wykonać krok do przodu:

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

To najprostsze przybliżenie: przesuwasz się o krok $h$, używając nachylenia znanego w danej chwili. Dzięki temu metoda Eulera jest łatwa do zrozumienia i implementacji, ale jej błąd może szybko rosnąć, jeśli $h$ jest zbyt duże albo rozwiązanie zmienia się gwałtownie.

Metoda Rungego-Kutty: kilka sprawdzeń nachylenia w jednym kroku

Metody Rungego-Kutty ulepszają metodę Eulera, pobierając informację o nachyleniu więcej niż raz w obrębie tego samego kroku. Na kursach wprowadzających „Runge-Kutta” często oznacza klasyczną metodę czwartego rzędu 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 bierze średnią ważoną kilku oszacowań nachylenia, więc zwykle śledzi krzywą znacznie lepiej niż metoda Eulera przy tym samym kroku.

Przykład obliczeniowy: Euler kontra Runge-Kutta dla tego samego ODE

Weźmy

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

i użyjmy jednego kroku o długości $h=0.1$, aby oszacować $y(0.1)$.

Krok metody Eulera

Dla $t=0$ bieżąca wartość to $y_0=1$, więc nachylenie wynosi

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

Metoda Eulera daje

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

Krok RK4

Teraz użyjmy tego samego problemu z metodą RK4:

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

Zatem

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

Dla tego równania wartość dokładna to $e^{0.1} \approx 1.105170918$, więc krok RK4 jest znacznie bliższy niż krok metody Eulera.

To jest główna lekcja. Metoda Eulera używa nachylenia tylko w lewym końcu przedziału. RK4 sprawdza, jak nachylenie zmienia się w trakcie kroku, więc zwykle daje lepszy lokalny obraz.

Kiedy używać Newtona-Raphsona, Eulera lub Rungego-Kutty

Użyj metody Newtona-Raphsona, gdy chcesz rozwiązać równanie nieliniowe i możesz obliczyć lub przybliżyć pochodną. Użyj metody Eulera, gdy chcesz zrozumieć podstawową ideę przechodzenia krok po kroku przez ODE albo potrzebujesz szybkiego punktu odniesienia.

Użyj metody Rungego-Kutty, zwłaszcza RK4, gdy chcesz praktycznie zwiększyć dokładność bez zmiany sformułowania problemu. Jeśli jednak ODE jest sztywne, ani Euler, ani klasyczna RK4 nie zawsze są dobrym wyborem; metoda musi pasować do równania.

Typowe błędy w metodach numerycznych

Mylenie typów problemów

Newton-Raphson służy do znajdowania pierwiastków równań. Euler i Runge-Kutta służą do równań różniczkowych. Jeśli wybierzesz złą rodzinę metod, cały model jest błędny jeszcze przed rozpoczęciem obliczeń.

Zakładanie, że metoda zawsze będzie zbieżna

Metoda Newtona-Raphsona może zawieść, jeśli punkt startowy jest źle dobrany albo jeśli $f'(x)$ jest bardzo małe w pobliżu kolejnych przybliżeń. Metody Eulera i RK mogą zachowywać się źle, jeśli krok jest zbyt duży dla danego problemu.

Traktowanie kroku jako mało istotnego szczegółu

W metodach dla ODE krok $h$ jest częścią metody, a nie dodatkiem na końcu. Mniejsze $h$ często poprawia dokładność, ale zwiększa też koszt obliczeń, a dla niektórych trudnych problemów potrzebne są metody zaprojektowane dla sztywności, a nie tylko mniejszy krok.

Zapominanie, że odpowiedź jest przybliżona

Wynik numeryczny zapisany wieloma cyframi nie jest automatycznie bardziej wiarygodny. Ważniejsze pytanie brzmi, czy przybliżenie jest stabilne, zbieżne i wystarczająco dokładne do danego celu.

Gdzie stosuje się metody numeryczne

Metody numeryczne pojawiają się wszędzie tam, gdzie model jest jasny, ale dokładna odpowiedź symboliczna jest niewygodna albo niedostępna. Dotyczy to fizyki, inżynierii, optymalizacji, finansów i obliczeń naukowych.

Wspólny schemat jest bardziej praktyczny niż teoretyczny: chcesz uzyskać odpowiedź wystarczająco dokładną do podjęcia potrzebnej decyzji. Dlatego sprawdzanie zbieżności, wpływu kroku czy wrażliwości na punkt startowy jest tak samo ważne jak zapisanie wzoru.

Spróbuj podobnego zadania

Spróbuj tego samego przykładu ODE z $h=0.05$ zamiast $0.1$ i ponownie porównaj wynik metody Eulera z wynikiem RK4. Następnie zastosuj metodę Newtona-Raphsona do $f(x)=x^2-3$, zaczynając od $x_0=2$, i zobacz, jak szybko kolejne przybliżenia zbliżają się do $\sqrt{3}$.