割线法 模拟器 — 无导数的根搜索

一种求解方程 f(x)=0 根的数值解法，用过去两点 (x_{n−1}, f(x_{n−1})) 和 (x_n, f(x_n)) 连接的"割线"与 x 轴的交点作为下一个估计值。是从牛顿-拉夫逊法去掉导数的简洁方法，无需导数计算。

割线法是从牛顿-拉夫逊法 x_{n+1}=x_n−f(x_n)/f'(x_n) 推导出来的，把 f'(x_n) 换成从过去两点的有限差分商。

$$f'(x_n) \approx \frac{f(x_n) - f(x_{n-1})}{x_n - x_{n-1}}$$

代入并化简，就得到割线法的迭代公式：

$$x_{n+1} = x_n - f(x_n)\,\frac{x_n - x_{n-1}}{f(x_n) - f(x_{n-1})}$$

几何上，割线就是连接 (x_{n−1}, f(x_{n−1})) 和 (x_n, f(x_n)) 的直线，它与 x 轴的交点是下一个估计值。

收敛阶（误差 e_n = x_n − x* 关于）：

$$|e_{n+1}| \approx \left|\frac{f''(x^{*})}{2f'(x^{*})}\right|\,|e_{n}|\,|e_{n-1}|, \quad \text{阶} = \varphi = \frac{1+\sqrt{5}}{2} \approx 1.618$$

所以"黄金比"自然而然出现。这就是超线性收敛（比线性快，但不如二阶）的原因。

准牛顿法（优化和 CAE）：多维求解 F(x)=0 或 ∇f(x)=0 时，每次组装雅可比或海森矩阵代价太高。Broyden 法（求根用）和 BFGS、L-BFGS（优化用）都是从过去的更新渐近近似 J⁻¹ 或 H⁻¹。这就是一维割线法的自然多维推广。

Brent 法（通用求根）：scipy.optimize.brentq、MATLAB 的 fzero、Boost 库的 brent_find_minima 等现代通用求根函数默认都用 Brent 法。它结合了二分法的确定性和割线法、逆二次插值的快速性，输入夹住根的区间就保证收敛。

非线性结构分析（改进牛顿法）：Abaqus、ANSYS 的非线性有限元分析中，刚度矩阵 K=∂R/∂u 的组装和 LU 分解是计算瓶颈。"改进牛顿法"会把 K 在好几个时间步内重复使用，内部动作接近割线法。BFGS 修正法也广泛使用。

金融工程·隐含波动率：从 Black-Scholes 公式反推市场价格对应的波动率 σ 时，想避免解析计算 ∂C/∂σ（Vega），割线法就是首选。许多交易系统内部每秒要运行几千次这样的循环。

最常见的误解是 "割线法是牛顿法的低配版"。确实收敛阶 1.618 vs 2，割线法更慢。但考虑每次迭代的函数计算次数，割线法的实际收敛速率 ≈ φ ≈ 1.618，牛顿法（f 和 f' 分别计算）≈ √2 ≈ 1.414，反而割线法更快！如果 f 的计算代价等于甚至超过 f'，选割线法完全有理由。

其次是 "两个初始点一定要夹住根" 的草率结论。割线法不要求 f(x_0)·f(x_1)<0（根被夹住）。但不夹的话，割线很容易指向根之外的地方，产生不稳定的行为。试试模拟器里设 x_0=−2, x_1=−1（都在左边），都是 f<0，割线从下方指向右上，立刻就会跳到远处。安全的做法是二分法先夹住，再用割线法，这就是 Brent 法。

最后是 分母 f(x_n)−f(x_{n−1}) 的零除问题。如果连续两点的 f 值几乎相等，分母接近0，更新量会爆炸。实现上要检查分母绝对值是否小于阈值（如 1e−14），小于就停止迭代，或者重置两点。CAE 的准牛顿法也有类似的"重启"机制，防止雅可比近似退化。