🔢 mathematics

A new iterative three-point method for solving systems of nonlinear equations

本文提出了一种通过改进标量方法而推导出的求解非线性方程组的新型六阶迭代三点法，并通过理论分析、数值实验以及与现有技术的效率比较对其进行了验证。

原作者： Carlos E. Cadenas R., Yorman J. Mendoza N

发布于 2026-01-23

📖 1 分钟阅读🧠 深度阅读

原作者： Carlos E. Cadenas R., Yorman J. Mendoza N

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图寻找一个巨大且扭曲的迷宫的正中心。你无法一眼看清整个迷宫，因此你必须通过迈步、观察周围环境并不断调整路径，直到最终击中靶心。在数学世界中，这个“迷宫”就是非线性方程组，而“靶心”则是所有变量都达到完美平衡的解。

这篇论文介绍了一种全新的、超快速的迷宫导航方式。以下是作者工作的详细拆解，使用了简单的类比。

1. 问题所在：步履蹒跚的行者

通常，数学家使用一种被称为**牛顿法（Newton's Method）**的标准方法来解决这些谜题。你可以把牛顿法想象成一位聪明的徒步旅行者。每当他迈出一步时，他都会观察地面，计算坡度，然后朝着中心迈出一大步，既自信又稳健。这种方法效果很好，但如果迷宫规模巨大或极其扭曲，它可能会变得很慢。

2. 解决方案：“三步走”短跑选手

作者创建了一种类似于三步短跑选手的新方法。这个新方法不仅仅是观察一次然后迈步，而是在做出最终动作之前，会对问题进行三次截然不同的“观察”。

第1步（侦察兵）： 它快速观察当前位置并做一个粗略的猜测。
第2步（精炼者）： 它将这个猜测与第二个点进行对比，以更好地了解地形。
第3步（冲刺）： 利用所有收集到的信息，它向解的方向完成一次巨大的、高精度的飞跃。

作者将一种原本以解决简单单变量谜题（如寻找一个方程的根）而闻名的方法，进行了“翻译”，使其能够处理复杂的多元方程组（如解决一整套相互交织的方程组）。

3. 魔力所在：速度与精度

这篇论文最令人兴奋的部分在于其速度。

在数学中，“收敛阶”（order of convergence）就像是一个速度等级。标准方法可能是一个“二次方”级别的选手（速度等级为 2）。
这个新方法则是一个六阶选手。

类比： 想象你在尝试猜一个 1 到 100 之间的数字。

二次方方法可能每次将剩余的可能性减半，然后再减半，再减半。它能到达终点，但需要很多轮。
这个六阶方法就像拥有一个神奇的指南针，它不仅能将距离减半，还能在一步之内将剩余距离缩减到几乎为零。如果你只差了一点点，下一步就会让你只剩下极其微小的差距。它以惊人的速度收敛到答案。

4. 证明其有效性（试驾测试）

作者不仅声称它很快，还对其进行了“碰撞测试”。

测试 1： 他们解决了一个简单的二元方程谜题。新方法仅用了 4 步就找到了答案。
测试 2： 他们解决了一个更难的问题，涉及一个“边界值”（可以想象为一个复杂的桥梁设计问题）。同样，它也仅用了 4 步就找到了答案。

在这两个案例中，数学都证明了该方法确实是以“六阶”速度运行的，正如理论预测的那样。

5. 代价：速度的代价

这里存在一个权衡。为了获得这种惊人的速度，该方法在每一步中必须做更多的工作。

牛顿法就像一辆油耗极低但速度较慢的汽车。
这个新方法则像是一辆一级方程式赛车（Formula 1）：它跑得极快，但每一步都要消耗大量的燃料（计算能力）。

作者计算了这种“燃料成本”（计算效率）。他们将自己的新车与另外两辆高性能赛车（一辆是五阶，一辆是六阶）进行了对比。

结果： 只有当比赛非常长时（具体来说，当方程组包含 21 个或更多方程时），他们的车才是效率最高的。
对于规模较小的谜题（少于 21 个方程），它每一步消耗的额外燃料使得其效率略逊于竞争对手。但对于大规模、复杂的系统，它显然是胜出的。

总结

这篇论文提出了一种新的数学工具，通过在移动前进行三次智能“观察”来解决复杂的方程组。它具有惊人的速度（六阶收敛），但每一步都需要更繁重的计算工作。作者通过数学和计算机测试证明，对于大型复杂问题，这种额外的投入是值得的，这使其成为寻找解的最有效方式。

技术摘要：一种用于非线性方程组的新型迭代三点法

问题陈述
本文致力于构建并分析用于求解形式为 $F(x) = 0$ 的非线性方程组的迭代不动点方法，其中 $F: D \subseteq \mathbb{R}^n \to \mathbb{R}^n$ 。虽然牛顿法是一种具有二次收敛性的标准单点技术，但作者指出，科学、工程和金融领域的应用通常需要求解大型系统，其中计算速度至关重要。这种需求推动了多点方法的开发，旨在提高收敛阶数以及超越单点方法局限性的计算效率。

方法论
作者提出了一种用于向量系统的三点迭代方法，该方法是通过将 Parhi 和 Gupta [10] 构建的一种特定标量非线性方程求解器扩展到向量情形 ( $\mathbb{R}^n$ ) 而得出的。

迭代方案： 所提出的方法记作 $\phi^{(6)}_1$ ，对于每次迭代 $k$ 遵循一个三步过程：
- 第一步（类牛顿步）： $y^{(k)} = x^{(k)} - F'(x^{(k)})^{-1}F(x^{(k)})$
- 第二步（加权平均步）： $z^{(k)} = x^{(k)} - 2[F'(x^{(k)}) + F'(y^{(k)})]^{-1}F(x^{(k)})$
- 第三步（最终修正步）： $x^{(k+1)} = z^{(k)} - [3F'(y^{(k)}) - F'(x^{(k)})]^{-1}[F'(x^{(k)}) + F'(y^{(k)})]F'(x^{(k)})^{-1}F(z^{(k)})$
收敛性分析： 利用针对 $\mathbb{R}^n$ 中函数的泰勒级数展开，建立了理论收敛阶。作者推导出了误差方程 $e_{k+1} = C e_k^6 + O(e_k^7)$ ，证明该方法达到了六阶收敛。该推导过程是手动完成的，并未借助符号软件辅助，因为作者指出，像 Maple 和 Mathematica 这样的工具在处理向量函数泰勒展开中固有的非交换矩阵乘法时会遇到困难。
计算效率： 使用 Ostrowski 效率指数 ( $E = p^{1/C}$ ) 对效率进行评估，其中 $p$ 是收敛阶， $C$ 是计算成本。成本模型考虑了：
- 函数 $F$ 及其导数 $F'$ 的计算量。
- 矩阵求逆（通过 LU 分解和三角系统求解实现）。
- 矩阵-向量和标量-向量乘法。
- 除法与乘法的比例 ( $l$ )。

主要结果

数值验证： 该方法使用具有 20 位有效数字的 MATLAB R2019a 在两个问题上进行了测试：
1. 一个二元非线性代数方程组。
2. 一个被离散化为六元非线性方程组的边值问题。
  在两种情况下，均通过计算连续误差的比率来确定计算收敛阶 ( $p$ )。结果证实了理论上的六阶收敛性（观测到的 $p \approx 5.995$ 和 $5.75$）。
效率比较： 将所提出的方法 ( $\phi^{(6)}_1$ ) 与另外两种三点法进行了比较：
- 来自 Cordero 等人 [16] 的五阶方法 ( $\phi^{(5)}_1$ )。
- 来自 Cordero 等人 [13] 的六阶方法 ( $\phi^{(6)}_2$ )。
结论：
- 对比五阶方法： 当系统规模 $n \geq 21$ 时，所提出的六阶方法比五阶方法更具计算效率。这是因为对于较大的系统，更高的收敛阶抵消了增加的计算成本。
- 对比六阶方法： 在与另一种六阶方法 ( $\phi^{(6)}_2$ ) 比较时，所提出的方法在所有 $n \geq 2$ 的情况下效率较低。分析表明，所提出的方法每次迭代需要三次矩阵求逆，而竞争方法所需的运算量较少。作者明确指出，矩阵求逆的数量会对效率产生负面影响。

意义与主张
本文声称成功地将一种标量三点法扩展到了向量情形，实现了理论和计算上的六阶收敛。其主要贡献在于对该收敛阶进行了严谨的解析证明，并随后进行了效率分析。

作者对该方法的优越性保持了谦逊的态度。他们承认，虽然该方法在与低阶方法相比时，对于大型系统 ( $n \geq 21$ ) 非常有效，但在六阶方法中并非最高效的选择，因为多次矩阵求逆的成本很高。论文得出结论，减少雅可比矩阵的求逆次数和函数计算次数是提高效率并简化向量扩展理论分析的必要未来研究方向。