1. 非线性方程组求解1．分别用牛顿法，及基于牛顿算法下的Steffensen 加速法。
(1) 求ln(sin )x x +的根。
初值0x 分别取0.1，1，1.5，2，4进行计算。
(2) 求sin =0x 的根。
初值0x 分别取1，1.4，1.6，1.8，3进行计算。
分析其中遇到的现象与问题。
（1）牛顿法牛顿法实质上是一种线性化方法，其基本思想是将非线性方程()0f x =逐步归结为某种线性方程来求解。
将已知方程()0f x =在近似值k x 附近展开，有()()()()'0k k k f x f x f x f x x ≈+-=，构造迭代公式，则1k x +的计算公式为：()()1',0,1,,k k k k f x x x k f x +=-= (1-1)根据Taylor 级数的几何意义我们可以从几何上形象的看牛顿迭代法的求解()0f x =的过程，第一次迭代()()'1000/x x f x f x =-，其中()()'00/f x f x 的几何意义很明显，就是0x 到1x 的线段长度（这可以从直角三角形的知识得到）。
第二次迭代()()'2111/x x f x f x =-，其中()()'11/f x f x 的几何意义很明显，就是1x 到2x 的线段长度。
同理可以进行第三次迭代第四次迭代，可以明显的看出x 的取值在不断逼近真实解*x 。
如图1-1所示：图1-1○1求ln(sin )=0x x +的根时，迭代公式为()1ln(sin )sin 1cos k k x x x x x x x+++=++，0示。
计算结果见附录1表F.1-1所示。
初值取1.5，2，4进行计算时结果不收敛。
表 1-1 牛顿法计算结果○2求sin =0x 的根时，迭代公式为1cos k k x x x+=+，初值0x 分别取1、1.4、1.6、1.8、3计算时结果收敛，误差小于510-时，近似解如表1-2所示。
牛顿法与割线法求解非线性方程在数学中，非线性方程是指方程中包含未知数的幂次大于等于2的项的方程。
求解非线性方程是数学中一个重要的问题，它在科学、工程和经济等领域中有着广泛的应用。
本文将介绍两种常用的非线性方程求解方法：牛顿法和割线法。
一、牛顿法牛顿法是一种迭代方法，用于求解非线性方程的根。
它基于泰勒级数展开的思想，通过不断迭代逼近方程的根。
牛顿法的基本思想是：选择一个初始值x0，然后通过迭代公式xn+1 = xn - f(xn)/f'(xn)，不断逼近方程的根。
具体步骤如下：1. 选择一个初始值x0；2. 计算函数f(x)在x0处的导数f'(x0)；3. 使用迭代公式xn+1 = xn - f(xn)/f'(xn)计算下一个近似解xn+1；4. 判断是否满足停止准则，如果满足，则输出近似解xn+1，算法结束；如果不满足，则将xn+1作为新的近似解，返回第2步继续迭代。
牛顿法的优点是收敛速度快，但缺点是对初始值的选择较为敏感，可能会陷入局部最优解。
二、割线法割线法也是一种迭代方法，用于求解非线性方程的根。
它与牛顿法类似，但是割线法不需要计算函数的导数。
割线法的基本思想是：选择两个初始值x0和x1，通过迭代公式xn+1 = xn - f(xn)(xn - xn-1)/(f(xn) - f(xn-1))，不断逼近方程的根。
具体步骤如下：1. 选择两个初始值x0和x1；2. 使用迭代公式xn+1 = xn - f(xn)(xn - xn-1)/(f(xn) - f(xn-1))计算下一个近似解xn+1；3. 判断是否满足停止准则，如果满足，则输出近似解xn+1，算法结束；如果不满足，则将xn+1作为新的近似解，返回第2步继续迭代。
割线法的优点是不需要计算函数的导数，但缺点是收敛速度相对较慢。
三、牛顿法与割线法的比较牛顿法和割线法都是求解非线性方程的有效方法，它们各有优缺点。
牛顿法的收敛速度较快，但对初始值的选择较为敏感；割线法不需要计算函数的导数，但收敛速度相对较慢。
求解非线性方程组的非精确牛顿法摘要:在经典牛顿法的基础上,给出了求解非线性方程组的非精确牛顿法。
在一定的条件下,证明了该算法的超线性收敛性,并且这个收敛性是二阶的。
关键词:非线性方程组;非精确牛顿法;收敛性对于无约束问题： minf(x) (1) 其中x∈Rn,f∶Rn→R是一个连续可微函数。
求解无约束优化问题方法大都属于迭代法,这类算法特点是:每一次迭代都要求函数值有所下降,因此人们称这类算法为下降法。
当下降方向取为负梯度时,此时函数值下降量最大,人们称它为最速下降法。
它是无约束最优化问题中最简单的方法,它具有全局收敛性,并且存储最较少,因此它适合于解决大型优化问题。
但它的缺点是收敛速度慢,在最优点处附近容易产生锯齿现象,为了改善收敛速度,人们提出了牛顿法。
牛顿法的基本思想是,在极小点附近用二阶Taylor多项式近似目标函数f(x),进而求出极小点的估计值。
设f(x)是二次可微实函数,x∈Rn。
又设x(k)是f(x)的极小点的一个估计,把f(x)在x(k)展成Taylor级数,并取二阶近似：f(x)≈Φ(x)=f(x(k))+ f(x(k))T(x-x(k))+12(x-x(k))T 2f(x(k))(x-x(k)) (2) 令Φ(x)=0,可得:x(k+1)=x(k)- 2f(x(k))-1 f(x(k)) (3)运用牛顿法时,初点的选择十分重要。
如果初始点靠近极小点,则可能很快收敛;如果初始点远离极小点,迭代产生的点列可能不收敛于极小点。
为了克服这个缺点,可以改进迭代公式(3):x(k+1)=x(k)+λkd(k)(4)其中d(k)=- 2f(x(k))-1 f(x(k))为牛顿方向,λk是由一维搜索得到的步长,即满足：f(x(k)+λkd(k))=minλf(x(k)+λd(k)) 这样修改后的算法称为阻尼牛顿法。
由于阻尼牛顿法含有一维搜索,因此每次迭代目标函数值一般有所下降(绝不会上升)。
求解非线性方程组的几种方法及程序实现
求解非线性方程组一直是理论数学和应用数学研究的重点，并采用不同的方法得到准确的结果。
它们可以分为几种类型：
1. 用以绘图的方法解非线性方程组：该方法充分利用结合几何和数理的原理，给出非线性方程组的解，而不用对系数的解的表达式求解手段。
主要是利用可绘图的几何空间分析，它可以帮助理解问题本身，还可以很容易看出非线性方程组的解。
2. 用迭代法求解非线性方程组：这是一种常用的方法，它通过不断迭代收敛求解非线性方程组。
基本思想是通过构造一个迭代函数，其初始值和原始非线性方程组尽可能接近，然后不断迭代收敛求解非线性方程组。
3. 用强调法求解非线性方程系统：这是基于梯度的一种方法，它利用一个概念，即局部线性化，可以降低维数、转化为一个拐点，最后强化搜索全局解。
4. 用牛顿-拉夫逊方法求解非线性方程组：这是一种准确、快速的非线性方程组求解方法，主要利用牛顿迭代法搜索解的收敛性，加上一些拉夫逊的加速策略得到最终的结果。
5. 用幂法求解非线性方程组：幂法也称为指数序列，是一种重要的求解非线性方程组的方法，基本原理是利用指数的累加和误差的减少，从而最终得到非线性方程组的解。
6. 用逐步逼近法求解非线性方程组：逐步逼近法也称为分步变程法，是一种用于求解非线性方程组的简单方法，其基本思想是用不同的参数，在给定的范围内，逐步逼近目标解。
这些方法的程序实现略有不同，可以利用编程语言比如C、Fortran、Python等，编写程序完成求解。
可以采用函数求解、循环求解、行列式求解或者混合的算法等不同的方式实现，甚至可以用深度学习方法求解有些复杂的非线性方程组。
