mirror of
https://github.com/janishutz/eth-summaries.git
synced 2026-03-14 23:10:03 +01:00
36 lines
1.3 KiB
TeX
36 lines
1.3 KiB
TeX
\newsectionNoPB
|
|
\subsection{Newton-Verfahren in $n$ Dimensionen}
|
|
Sei $D \subseteq \R^n$ und $F: D \rightarrow \R^n$ stetig differenzierbar. Die Nullstelle ist
|
|
\rmvspace
|
|
\begin{align*}
|
|
x^{(k + 1)} := x^{(k)} - DF(x^{(k)})^{-1} F(x^{(k)})
|
|
\end{align*}
|
|
|
|
\drmvspace
|
|
wobei $DF(x^{(k)}) =
|
|
\begin{bmatrix}
|
|
\frac{\partial F_j}{\partial x_k} (x)
|
|
\end{bmatrix}_{j, k = 1, 2, \ldots, n}$ die Jacobi-Matrix von $F$ ist.
|
|
|
|
Wichtig ist dabei, dass wir \bi{niemals} das Inverse der Jacobi-Matrix (oder irgend einer anderen Matrix) von der Form $s = A^{-1} b$,
|
|
sondern immer das Gleichungssystem $As = b$ lösen sollten, da dies effizienter ist:
|
|
|
|
\begin{code}{python}
|
|
def newton_2d(x: np.ndarray, F, DF, tol=1e-12, maxIter=50):
|
|
""" Newton method in 2d using Jacobi Matrix of F"""
|
|
for i in range(maxIter):
|
|
s = np.linalg.solve(DF(x[0], x[1]), F(x[0], x[1]))
|
|
x -= s
|
|
if np.linalg.norm(s) < tol * np.linalg.norm(x): return x, i
|
|
return x, maxIter
|
|
\end{code}
|
|
|
|
Wollen wir aber garantiert einen Fehler kleiner als unsere Toleranz $\tau$ können wir das Abbruchkriterium
|
|
\rmvspace
|
|
\begin{align*}
|
|
||DF(x^{(k - 1)})^{-1}F(x^{(k)})|| \leq \tau
|
|
\end{align*}
|
|
|
|
\drmvspace
|
|
verwenden. Code, welcher dies implementiert findet sich auf Seite 213-216 im Skript.
|