用Python绘制图表

在下面的代码中，我用Python实现了Newton方法

import math
def Newton(f, dfdx, x, eps):
    f_value = f(x)
    iteration_counter = 0
    while abs(f_value) > eps and iteration_counter < 100:
        try:
            x = x - float(f_value)/dfdx(x)
        except ZeroDivisionError:
            print ("Error! - derivative zero for x = ", x)
            sys.exit(1)     # Abort with error
        f_value = f(x)
        iteration_counter += 1

    # Here, either a solution is found, or too many iterations
    if abs(f_value) > eps:
        iteration_counter = -1
    return x, iteration_counter
def f(x):
    return (math.cos(x)-math.sin(x))
def dfdx(x):
    return (-math.sin(x)-math.cos(x))
solution, no_iterations = Newton(f, dfdx, x=1, eps=1.0e-14)
if no_iterations > 0:    # Solution found
    print ("Number of function calls: %d" % (1 + 2*no_iterations))
    print ("A solution is: %f" % (solution))
else:
    print ("Solution not found!")

最后：

import numpy as np
import matplotlib.pyplot as plt

data = np.array(list(Newton(f,dfdx, 1, 10e-14)))
plt.plot(data[:,0], data[:,1])
plt.yscale('log')
plt.show()

这将生成图形：

您的

Newton

函数不应同时屈服和返回

使用更慢的收敛函数来测试结果

这就是我要做的：

import math
import sys
import numpy as np
import matplotlib.pyplot as plt


def newton(f, dfdx, x, eps):
    f_value = f(x)
    iteration_counter = 0
    while abs(f_value) > eps and iteration_counter < 100:
        try:
            x = x - float(f_value)/dfdx(x)
            yield iteration_counter, x, abs(f(x))
        except ZeroDivisionError:
            print ("Error! - derivative zero for x = ", x)
            sys.exit(1)     # Abort with error
        f_value = f(x)
        iteration_counter += 1

def f(x):
    return x ** 2 - 1.34

def dfdx(x):
    return 2 * x

data = np.array(list(newton(f, dfdx, 10, 10e-14)))

# plt.plot(data[:, 0], data[:, 1]) # x-axis: iteration, y-axis: x values
plt.plot(data[:, 0], data[:, 2]) # x-axis: iteration, y-axis: f(x) values
plt.yscale('log')
plt.show()

导入数学
导入系统
将numpy作为np导入
将matplotlib.pyplot作为plt导入
def牛顿（f、dfdx、x、eps）：
f_值=f（x）
迭代计数器=0
当abs（f_值）>eps和迭代_计数器<100时：
尝试：
x=x-浮点（f_值）/dfdx（x）
收益率计数器，x，abs（f（x））
除零误差外：
打印（“错误！-x=，x的导数为零）
系统退出（1）#带错误中止
f_值=f（x）
迭代计数器+=1
def f（x）：
返回x**2-1.34
def dfdx（x）：
返回2*x
数据=np.数组（列表（牛顿（f，dfdx，10，10e-14）））
#plt.绘图（数据[：，0]，数据[：，1]）#x轴：迭代，y轴：x值
plt.绘图（数据[：，0]，数据[：，2]）#x轴：迭代，y轴：f（x）值
plt.yscale（'log'）
plt.show（）

---

谢谢你的帖子，我需要使用我在问题tho中的功能！你的还为我工作吗？谢谢你的帖子，你的函数收敛得非常快。这就是为什么。在data=np.array（list（newton（f，dfdx，10，10e-14））中，10代表x的初始值是什么。因此没有明确说明x的初始值应该是什么，所以我假设我只选择一个？

import numpy as np
import matplotlib.pyplot as plt

data = np.array(list(Newton(f,dfdx, 1, 10e-14)))
plt.plot(data[:,0], data[:,1])
plt.yscale('log')
plt.show()

import math
import sys
import numpy as np
import matplotlib.pyplot as plt


def newton(f, dfdx, x, eps):
    f_value = f(x)
    iteration_counter = 0
    while abs(f_value) > eps and iteration_counter < 100:
        try:
            x = x - float(f_value)/dfdx(x)
            yield iteration_counter, x, abs(f(x))
        except ZeroDivisionError:
            print ("Error! - derivative zero for x = ", x)
            sys.exit(1)     # Abort with error
        f_value = f(x)
        iteration_counter += 1

def f(x):
    return x ** 2 - 1.34

def dfdx(x):
    return 2 * x

data = np.array(list(newton(f, dfdx, 10, 10e-14)))

# plt.plot(data[:, 0], data[:, 1]) # x-axis: iteration, y-axis: x values
plt.plot(data[:, 0], data[:, 2]) # x-axis: iteration, y-axis: f(x) values
plt.yscale('log')
plt.show()