牛顿-拉夫森法模拟器 — 非线性方程的根

用当前估计点的切线对 f(x) 做线性化，再用切线与 x 轴的交点作为下一个估计点的迭代算法。它是几乎所有非线性 CAE 求解器内部都在反复调用的"主力"数值方法。

牛顿-拉夫森法是把 f(x) 在当前迭代点 x_n 做一阶泰勒展开，让线性近似为零，解出下一个估计值。

$$f(x) \approx f(x_n) + f'(x_n)(x - x_n) = 0 \;\Rightarrow\; x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}$$

引入松弛系数 ω 的阻尼形式：

$$x_{n+1} = x_n - \omega\,\frac{f(x_n)}{f'(x_n)}, \quad 0 < \omega \le 1$$

二阶收敛（令误差 e_n = x_n − x*）：

$$|e_{n+1}| \le \frac{|f''(x^{*})|}{2|f'(x^{*})|}\,|e_{n}|^{2}$$

在根附近，有效位数大约每迭代一次翻一倍——这就是牛顿法的核心优势。

非线性有限元（CAE）：每一荷载增量内用牛顿-拉夫森法求残差力 R(u)=F_int(u)−F_ext=0，切线刚度 K=∂R/∂u 充当 f'(x) 的角色。塑性、接触、大变形分析都依赖这一迭代。

SPICE 电路仿真：二极管、MOSFET 等非线性器件让直流工作点方程 g(V)=0 非线性化。SPICE 用牛顿-拉夫森法在每一节点电压上迭代；"Newton failed to converge" 几乎是每位电路工程师都见过的报错。

优化与机器学习：将梯度 grad f(x)=0 视为求根问题，纯牛顿法用 Hessian 矩阵能实现二阶收敛。准牛顿法（BFGS、L-BFGS）对 Hessian 做近似，适用于高维参数训练。

轨道力学：Kepler 方程 M = E − e·sin E 解偏心角 E 时，标准做法就是牛顿-拉夫森法。卫星跟踪、星历表生成都靠它。

最大的误区是"反正是二阶收敛，初值随便取也行"。其实牛顿法只是局部收敛——初值不好就会发散或跳到错误的根。生产代码里一般会包一层"全局化策略"：先用二分法或黄金分割把根的存在区间夹住，再切换到牛顿法。Brent 方法把二分、割线、逆二次插值整合在一起，是经典的混合算法。

第二条，留意 f'(x) ≈ 0 的位置。切线接近水平时，f/f' 的更新量会爆炸。在模拟器里把 x_0 拖到 0.8 附近，f'(0.8)=3(0.64)−2=−0.08，下一步立刻飞到对面去。工业级实现一般会给分母加下限、对 ω 做线性搜索，或用信赖域（trust region）限制步长。

最后，"收敛≠正确"。多项式 x³−2x−5 只有一个实根，但一般情形下不同初值会跑向不同的根（吸引盆问题）。在后屈曲结构分析中存在多条平衡路径，工程师改用弧长法（Riks 法）让迭代沿物理上正确的分支走，而不是被牛顿法"猛地"切到另一条分支。