数值方法：牛顿-拉夫森法、欧拉法与龙格-库塔法

数值方法是用来求近似解的算法。牛顿-拉夫森法用于寻找方程的根，例如 $f(x)=0$；而欧拉法和龙格-库塔法用于近似求解微分方程。

如果你只想快速区分它们，可以这样记：牛顿-拉夫森法是在不断更新对 $x$ 的猜测；欧拉法和龙格-库塔法是在时间上把解一步一步向前推进。它们是否好用，取决于一些条件，比如初始猜测是否合理、导数是否可用，或者步长 $h$ 对这个问题来说是否足够小。

每种数值方法分别用来做什么

牛顿-拉夫森法：求方程的根

如果你想找到一个满足 $f(x)=0$ 的 $x$ 值，牛顿-拉夫森法会沿着切线来更新猜测：

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

直观理解很简单：如果根附近的图像足够光滑，那么切线可以看作局部线性模型，它与 $x$ 轴的交点往往比当前点给出更好的猜测。

当 $f$ 可导、$f'(x_n) \ne 0$，并且初始猜测已经比较接近一个单根时，这个方法通常效果很好。如果这些条件不满足，方法可能停滞、跳离目标根，甚至发散。

例如，取 $f(x)=x^2-2$，且 $x_0=1.5$，

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

再做一步就得到大约 $1.4142$，已经很接近 $\sqrt{2}$。

欧拉法：一次斜率，一个步长

对于初值问题

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

欧拉法使用当前斜率向前推进一步：

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

这是最简单的近似方式：利用当前已知的斜率，按步长 $h$ 向前走。正因为如此，欧拉法容易学习、也容易实现；但如果 $h$ 太大，或者解变化很快，误差也可能迅速增大。

龙格-库塔法：一步内多次检查斜率

龙格-库塔法通过在同一步内部多次采样斜率信息，来改进欧拉法。在入门课程里，“龙格-库塔法”通常指经典四阶方法 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 对多个斜率估计做加权平均，因此在相同步长下，它通常比欧拉法更能贴近真实曲线。

例题：在同一个常微分方程上比较欧拉法与龙格-库塔法

考虑

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

并用一步、步长为 $h=0.1$ 来估计 $y(0.1)$。

欧拉法一步

在 $t=0$ 时，当前值为 $y_0=1$，所以斜率是

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

欧拉法得到

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

RK4 一步

现在对同一个问题使用 RK4：

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

所以

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

对于这个方程，精确值是 $e^{0.1} \approx 1.105170918$，因此 RK4 这一步比欧拉法更接近真实值。

这就是最核心的结论。欧拉法只使用左端点处的斜率，而 RK4 会采样一步过程中斜率如何变化，因此通常能给出更好的局部近似。

什么时候用牛顿-拉夫森法、欧拉法或龙格-库塔法

当任务是求解非线性方程，并且你能够计算或近似导数时，用牛顿-拉夫森法。若你只是想理解常微分方程逐步推进的基本思想，或者需要一个快速的基线方法，可以用欧拉法。

如果你想在不改变问题设定的前提下，实际提升精度，那么可以用龙格-库塔法，尤其是 RK4。不过，如果常微分方程是刚性的，那么欧拉法和经典 RK4 都不一定合适；方法必须与方程本身匹配。

数值方法中的常见错误

混淆问题类型

牛顿-拉夫森法用于求方程的根。欧拉法和龙格-库塔法用于微分方程。如果方法类别选错了，那么还没开始计算，建模就已经错了。

以为方法一定会收敛

如果初始猜测不好，或者在迭代点附近 $f'(x)$ 很小，牛顿-拉夫森法就可能失效。对于欧拉法和 RK 方法，如果步长相对问题来说太大，也可能出现很差的表现。

把步长当成无关紧要的细节

对于常微分方程数值方法，步长 $h$ 是方法的一部分，不是事后才考虑的小问题。更小的 $h$ 往往能提高精度，但也会增加计算成本；而对某些困难问题，你需要的可能不是更小的步长，而是专门处理刚性问题的方法。

忘记答案本来就是近似值

一个数值结果写出很多位数字，并不代表它就更可信。真正有意义的问题是：这个近似是否稳定、是否在收敛，以及它的精度是否足以满足你的用途。

数值方法用在哪里

只要模型本身是清楚的，但精确的符号解不方便求、或者根本求不到，数值方法就会出现。这包括物理、工程、优化、金融和科学计算等领域。

这里的共同模式更偏向实际应用，而不是纯理论：你需要的是一个对决策来说“足够准确”的答案。也正因如此，检查收敛性、步长影响，或对初始猜测的敏感性，和写下公式本身同样重要。

试试类似的问题

把同一个常微分方程例子中的步长从 $0.1$ 改成 $0.05$，再比较一次欧拉法和 RK4 的结果。然后对 $f(x)=x^2-3$ 从 $x_0=2$ 开始使用牛顿-拉夫森法，看看迭代值会多快逼近 $\sqrt{3}$。