{
  "id": "secant-method",
  "title": "割线法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "割线法是一种无需求导的标量函数求根迭代算法，利用两个相继近似点的连线求得下一个近似值。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "弦截法"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/secant-method/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/secant-method/",
      "json": "https://aiwiki.page/en/secant-method.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "割线法是一种求解方程 \\(f(x)=0\\) 的迭代求根算法。它从两个近似值出发，作出通过 \\(f\\) 图像上相应两点的直线，并以该直线与横轴交点的横坐标作为下一个近似值。它与牛顿法密切相关，但用两个函数值算出的斜率代替导数。当初始近似值足够接近某个单根时，割线法通常能在无需显式计算导数的情况下，以超线性速度收敛。"
    },
    {
      "heading": "迭代公式与几何解释",
      "text": "给定初始值 \\(x_0\\) 和 \\(x_1\\)，割线法按下式生成后续近似值：\n\n\\[x_{n+1} = x_n-f(x_n)\\frac{x_n-x_{n-1}}{f(x_n)-f(x_{n-1})}, \\qquad n\\geq 1.\\]\n\n这一更新要求 \\(f(x_n)\\ne f(x_{n-1})\\)。如果当前的任一近似值已经满足 \\(f(x)=0\\)，就可以直接终止计算，无需再次更新。\n\n通过 \\((x_{n-1},f(x_{n-1}))\\) 和 \\((x_n,f(x_n))\\) 的直线方程为\n\n\\[y=f(x_n)+ \\frac{f(x_n)-f(x_{n-1})}{x_n-x_{n-1}}(x-x_n).\\]\n\n令 \\(y=0\\)，便得到割线公式。因此，每次迭代都是在局部用线性插值函数代替原函数，再求该插值函数的根。\n\n该方法始终使用最近的两个迭代点：算出 \\(x_{n+1}\\) 后，就舍弃 \\(x_{n-1}\\)。它不要求两个函数值异号，也不会始终保持一个包含根的区间。新的近似值可能落在前两个近似值之间的区间之外。"
    },
    {
      "heading": "与牛顿法的关系",
      "text": "牛顿法采用以下迭代公式：\n\n\\[x_{n+1}=x_n-\\frac{f(x_n)}{f'(x_n)}.\\]\n\n用差商\n\n\\[f'(x_n)\\approx \\frac{f(x_n)-f(x_{n-1})}{x_n-x_{n-1}}\\]\n\n代替其中的导数，就得到割线法。\n\n牛顿法的有限差分实现需要在另行选取的邻近点处计算函数值，而割线法则复用前一个迭代点及其已存储的函数值。在最初的两次函数求值之后，每次成功的迭代只需新增一次函数求值。\n\n因此，当导数无法获得或计算代价较高时，割线法很有用。对于单根，牛顿法通常具有更高的局部收敛阶，但两者的相对计算成本取决于获取导数的难易程度，包括是否可以使用自动微分。"
    },
    {
      "heading": "局部收敛性",
      "text": "如果根 \\(\\alpha\\) 满足\n\n\\[f(\\alpha)=0, \\qquad f'(\\alpha)\\ne 0.\\]\n\n就称其为单根。若 \\(f\\) 在某个单根附近足够光滑，且两个初始近似值都足够接近该根，那么只要更新公式始终有定义，割线迭代就会局部收敛。\n\n令 \\(e_n=x_n-\\alpha\\)。在通常的非退化情形，即 \\(f''(\\alpha)\\ne 0\\) 时，由泰勒级数展开可得误差的主导关系：\n\n\\[e_{n+1}\\sim \\frac{f''(\\alpha)}{2f'(\\alpha)}e_ne_{n-1},\\]\n\n为确定收敛阶，假设在渐近意义下有\n\n\\[|e_{n+1}|\\approx C|e_n|^p.\\]\n\n将这一形式与上述两步误差关系结合，可得\n\n\\[p^2=p+1.\\]\n\n其正解为\n\n\\[p=\\frac{1+\\sqrt5}{2}\\approx1.618,\\]\n\n即黄金比例。因此，割线法在单根处通常具有超线性收敛性：从渐近行为来看，它比线性收敛的方法更快，但收敛阶低于牛顿法的二次收敛阶。\n\n这一收敛阶是局部的渐近结果，并不保证任意初始点都能获得这样的收敛表现。特殊情形下，算法的行为可能有所不同。对于斜率非零的仿射函数，在精确算术下，一次割线更新就能找到根。如果 \\(f''(\\alpha)=0\\)，误差主项消失，收敛可能更快。在满足 \\(f'(\\alpha)=0\\) 的重根处，单根情形的分析不再适用，收敛通常仅为线性。"
    },
    {
      "heading": "示例",
      "text": "考虑函数\n\n\\[f(x)=x^2-2,\\]\n\n取初始近似值 \\(x_0=1\\) 和 \\(x_1=2\\)。第一次更新为\n\n\\[x_2 =2-\\frac{(2^2-2)(2-1)} {(2^2-2)-(1^2-2)} =\\frac43.\\]\n\n后续近似值如下：\n\n\\(n\\) | \\(x_n\\)\n0 | 1.0000000000\n1 | 2.0000000000\n2 | 1.3333333333\n3 | 1.4000000000\n4 | 1.4146341463\n5 | 1.4142114385\n6 | 1.4142135621\n\n这些近似值趋向正根 \\(\\sqrt2\\approx1.414213562373095\\)。迭代值不一定单调趋近根，也不一定在根的两侧交替出现。"
    },
    {
      "heading": "实现与数值局限",
      "text": "基本实现需要存储最近的两个近似值及其函数值。每次迭代先计算割线步，再在新点处求函数值，最后更新所存储的两个点及其函数值。\n\n以下几个问题会影响算法的可靠性：\n\n- 分母为零。 不同点可能具有相同的函数值，使割线更新无定义。\n- 函数值几乎相等。 在浮点运算中，两者相减可能损失相对精度。估计出的斜率过小，也可能产生很大的步长。\n- 停滞。 即使尚未准确定位根，舍入也可能使新的近似值与已有近似值相同。\n- 超出定义域。 外推得到的点可能落在函数的定义域之外，导致函数求值无定义或计算失败。\n- 缺乏全局收敛性。 初始点选择不当，可能导致发散、循环，或收敛到非预期的另一个根。\n\n这些局限既涉及迭代本身的数学行为，也涉及其数值稳定性。\n\n常见的停止判据会检查残差 \\(|f(x_n)|\\) 和步长。结合绝对容差与相对容差的步长判据形式如下：\n\n\\[|x_{n+1}-x_n| \\leq \\varepsilon_{\\mathrm{abs}} +\\varepsilon_{\\mathrm{rel}}|x_{n+1}|.\\]\n\n仅凭步长很小，并不能认定已经找到根，因为这可能是停滞造成的。仅凭残差很小，也不一定意味着 \\(x\\) 的误差很小。在单根附近，\n\n\\[x_n-\\alpha\\approx\\frac{f(x_n)}{f'(\\alpha)},\\]\n\n因此，残差与根的误差之间的关系取决于局部斜率。这体现了求根问题的条件数所反映的一方面性质。"
    },
    {
      "heading": "与相关方法的比较",
      "text": "二分法\n\n二分法从一个端点函数值异号的区间出发，对连续函数反复将该区间二等分。介值定理保证区间内存在根。二分法的区间宽度缩减规律明确，并能直接给出误差界。\n\n割线法在单根附近通常更快，但不提供同样的根区间包围保证。\n\n试位法\n\n试位法也称为 regula falsi，使用相同的直线求交公式，但保留点的规则不同。它保留函数值异号的两个端点，而不是始终保留最近的两个近似值。\n\n两者的区别在于算法本身，而不只是术语不同。标准试位法始终保持一个包围根的区间，但当某个端点在多次迭代中保持不变时，收敛可能很慢；普通割线法则放弃这种区间包围性质，以获得通常的超线性局部收敛性。\n\n带保护机制的方法与混合方法\n\n混合算法将插值步骤与区间包围后备步骤相结合。例如，布伦特法结合了割线步、逆二次插值和二分法。在通常的连续性及初始区间包围根的假设下，保护机制既能保持收敛的可靠性，又能在适当时采用更快的插值步骤。\n\n向多变量情形的推广\n\n对于非线性方程组，拟牛顿法推广了根据函数值变化来更新导数信息的思想。这类方法不再估计标量斜率，而是更新雅可比矩阵或其逆矩阵的近似。多维割线条件对这一近似施加约束，但与标量情形不同，单个条件无法唯一确定该矩阵。"
    }
  ],
  "links": [
    "newtons-method",
    "derivative",
    "interpolation",
    "automatic-differentiation",
    "taylor-series",
    "golden-ratio",
    "floating-point-arithmetic",
    "domain-of-a-function",
    "numerical-stability",
    "condition-number",
    "bisection-method",
    "continuous-function",
    "intermediate-value-theorem",
    "brents-method",
    "jacobian-matrix"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}