问题标签 [newtons-method]

我正在尝试实现 Newton-Raphson Division Algorithm Wikipedia 条目以在没有硬件除法单元的处理器上实现 IEEE-754 32 位浮点除法。

我的内存位置是 32 位二进制补码字，并且我已经实现了浮点加法、减法和乘法，因此我可以重用代码来实现 Newton-Raphson 算法。我试图首先在 Matlab 中实现这一切。

在这一步： X_0 = 48/17 - 32/17 * D
如何按照算法详细信息中的说明将 D 正确移位到 0.5 和 1 之间？

我正在尝试使用 LCP（线性互补问题）的 Newton-Fischer 重新表述来分析牛顿方程系统的不同迭代子求解器的结果。到目前为止，我已经实现了精确的求解器 - Gauss-Siedel，以及使用bicg matlab作为 J*h = -p 方程的子求解器的牛顿修正方法（其中J是雅可比，p是 Fischer 的值函数和h是我的实现步骤）。

我实现 bicg 子求解器和精确求解器的部分代码：

那么，我的问题是您会使用哪些其他迭代子求解器？如果 matlab 中没有它们的功能，我不介意为它们实现代码。我意识到这更像是一个理论问题。谢谢你。

如何Ax+Bsin(x)=C根据 A,B 和 C 确定方程的初始猜测？我正在尝试使用 Newton Raphson 解决它。A、B 和 C 将在运行时给出。

为此目的，还有其他方法比牛顿拉夫森更有效吗？

我尝试使用牛顿迭代法在 Python 上找到平方根，它工作得非常好。我是 C 新手，我不明白为什么这个功能对我不起作用。每当我运行它时，它都会返回“-1.#INF0A”任何帮助将不胜感激。

编辑：我尝试将 eps 更改为0.000001，但也没有用。

任何人都知道我在哪里可以找到一个 .m (matlab) 文件，其中 Levenberg-Marquardt 修改了牛顿的方法来优化函数？

谢谢

我编写了以下算法，以便使用牛顿法评估 MatLab 中的函数（我们在我的解决方案中设置 r = -7）：

该算法的工作原理是它运行时没有任何错误，但数字在每次迭代时都在不断减少，即使根据我的教科书，对于 x，表达式应该收敛到大约 -14。我的算法在前两次迭代中是正确的，但随后它超出了 -14 并最终在所有迭代完成后以粗略 -36.4 结束。

如果有人可以就算法为什么不能正常工作给我一些帮助，我将不胜感激！

对于赋值，我们被要求创建一个返回反函数的函数。基本问题是从平方函数创建平方根函数。我想出了一个使用二分搜索的解决方案和另一个使用牛顿方法的解决方案。我的解决方案似乎适用于立方根和平方根，但不适用于 log10。以下是我的解决方案：

无论使用哪种方法，当我在教授的测试函数中输入 n = 10000 for log10() 时，我都会收到此错误：（例外：当使用我的牛顿方法函数时，log10() 是遥不可及的，而这在达到输入阈值之前，二进制搜索方法相对准确，无论哪种方式，当 n = 10000 时，两种解决方案都会抛出此错误）

这是测试功能：

这些是测试的设置方式：

发布的其他解决方案似乎在运行全套测试输入时没有问题（我试图不查看发布的解决方案）。对此错误有任何见解吗？

似乎共识是数字的大小，但是，我教授的代码似乎适用于所有情况：

结果：

我了解梯度下降的作用。基本上，它试图通过缓慢地沿着曲线向下移动来向局部最优解移动。我想了解计划梯度下降和牛顿法之间的实际区别是什么？

从 Wikipedia 中，我读到了这条短线“牛顿法使用曲率信息采取更直接的路线”。这在直觉上意味着什么？

我在 R 中有两个不同的密度图——其中一个是观察到的数据 (x1)，另一个是从泊松分布中随机生成的具有观察到的平均值 (x2) 的数据。我想近似曲线，即使预期曲线看起来更像观察到的数据，因为它在某些区域被高估和低估。我该怎么做呢？我知道你可以通过使用获得曲线之间的绝对值

但是我不太确定如何进行。有人有什么想法吗？

我正在努力完成一个数学问题，该问题使用 Python 中的牛顿猜测和检查方法来近似数字的平方根。用户应该输入一个数字，对该数字的初始猜测，以及他们想要在返回之前检查他们的答案多少次。为了让事情变得更容易并了解 Python（几个月前我才刚刚开始学习这门语言），我将它分解为许多较小的函数；但是，现在的问题是我无法调用每个函数并传递数字。

这是我的代码，带有帮助的注释（每个函数按使用顺序排列）：

目前，我收到此错误：g, avg = improveG(guess, x) TypeError: 'float' object is not iterable. 最终函数使用猜测的最终迭代从数学平方根方法中减去，并返回整体差异。我这样做对吗？如果您可以提供工作代码，我们将不胜感激，并提供建议。同样，我是新手，所以我为误解或盲目的明显错误道歉。