用matlab做，牛顿迭代法

function [ A ] = cal( a,b,v )%a,b表示区间，v是精度

i=1;

x = (a+b)/2;

A=[i x];

t = x-(x^3-x-1)/(3x^2-1);%迭代函数

while(abs(t-x)>v)

i=i+1;

x = t;

A = [A;i x];

t = x-(x^3-x-1)/(3x^2-1);%迭代函数

end

A = [A;i+1 t];

end

运行结果：

>> format long;

>> cal(1,2,000001)

ans =

1000000000000000   1500000000000000

2000000000000000   1347826086956522

3000000000000000   1325200398950907

4000000000000000   1324718173999054

5000000000000000   1324717957244790

牛顿迭代法（Newton's method）又称为牛顿-拉夫逊（拉弗森）方法（Newton-Raphson method），它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。多数方程不存在求根公式，因此求精确根非常困难，甚至不可能，从而寻找方程的近似根就显得特别重要。方法使用函数f(x)的泰勒级数的前面几项来寻找方程f(x) = 0的根。牛顿迭代法是求方程根的重要方法之一，其最大优点是在方程f(x) = 0的单根附近具有平方收敛，而且该法还可以用来求方程的重根、复根，此时线性收敛，但是可通过一些方法变成超线性收敛。另外该方法广泛用于计算机编程中。

已经证明，如果是连续的，并且待求的零点是孤立的，那么在零点周围存在一个区域，只要初始值位于这个邻近区域内，那么牛顿法必定收敛。 并且，如果不为0, 那么牛顿法将具有平方收敛的性能 粗略的说，这意味着每迭代一次，牛顿法结果的有效数字将增加一倍。[1]

迭代法也称辗转法，是一种不断用变量的旧值递推新值的过程，跟迭代法相对应的是直接法（或者称为一次解法），即一次性解决问题。迭代算法是用计算机解决问题的一种基本方法。它利用计算机运算速度快、适合做重复性 *** 作的特点，让计算机对一组指令（或一定步骤）重复执行，在每次执行这组指令（或这些步骤）时，都从变量的原值推出它的一个新值。

利用迭代算法解决问题，需要做好以下三个方面的工作：

一、确定迭代变量

在可以用迭代算法解决的问题中，至少存在一个可直接或间接地不断由旧值递推出新值的变量，这个变量就是迭代变量。

二、建立迭代关系式

所谓迭代关系式，指如何从变量的前一个值推出其下一个值的公式（或关系）。迭代关系式的建立是解决迭代问题的关键，通常可以使用递推或倒推的方法来完成。

三、对迭代过程进行控制

在什么时候结束迭代过程？这是编写迭代程序必须考虑的问题。不能让迭代过程无休止地执行下去。迭代过程的控制通常可分为两种情况：一种是所需的迭代次数是个确定的值，可以计算出来；另一种是所需的迭代次数无法确定。对于前一种情况，可以构建一个固定次数的循环来实现对迭代过程的控制；对于后一种情况，需要进一步分析得出可用来结束迭代过程的条件。

遗传算法实例:

也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。

对于初学者，尤其是还没有编程经验的非常有用的一个文件

遗传算法实例

% 下面举例说明遗传算法 %

% 求下列函数的最大值 %

% f(x)=10sin(5x)+7cos(4x) x∈[0,10] %

% 将 x 的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为 (10-0)/(2^10-1)≈001 。 %

% 将变量域 [0,10] 离散化为二值域 [0,1023], x=0+10b/1023, 其中 b 是 [0,1023] 中的一个二值数。 %

% %

%--------------------------------------------------------------------------------------------------------------%

%--------------------------------------------------------------------------------------------------------------%

% 编程

%-----------------------------------------------

% 21初始化(编码)

% initpopm函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，

% 长度大小取决于变量的二进制编码的长度(在本例中取10位)。

%遗传算法子程序

%Name: initpopm

%初始化

function pop=initpop(popsize,chromlength)

pop=round(rand(popsize,chromlength)); % rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵，

% roud对矩阵的每个单元进行圆整。这样产生的初始种群。

% 22 计算目标函数值

% 221 将二进制数转化为十进制数(1)

%遗传算法子程序

%Name: decodebinarym

%产生 [2^n 2^(n-1) 1] 的行向量，然后求和，将二进制转化为十进制

function pop2=decodebinary(pop)

[px,py]=size(pop); %求pop行和列数

for i=1:py

pop1(:,i)=2^(py-i)pop(:,i);

end

pop2=sum(pop1,2); %求pop1的每行之和

% 222 将二进制编码转化为十进制数(2)

% decodechromm函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置

% (对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，

% 参数1ength表示所截取的长度（本例为10）。

%遗传算法子程序

%Name: decodechromm

%将二进制编码转换成十进制

function pop2=decodechrom(pop,spoint,length)

pop1=pop(:,spoint:spoint+length-1);

pop2=decodebinary(pop1);

% 223 计算目标函数值

% calobjvaluem函数的功能是实现目标函数的计算，其公式采用本文示例仿真，可根据不同优化问题予以修改。

%遗传算法子程序

%Name: calobjvaluem

%实现目标函数的计算

function [objvalue]=calobjvalue(pop)

temp1=decodechrom(pop,1,10); %将pop每行转化成十进制数

x=temp110/1023; %将二值域 中的数转化为变量域 的数

objvalue=10sin(5x)+7cos(4x); %计算目标函数值

% 23 计算个体的适应值

%遗传算法子程序

%Name:calfitvaluem

%计算个体的适应值

function fitvalue=calfitvalue(objvalue)

global Cmin;

Cmin=0;

[px,py]=size(objvalue);

for i=1:px

if objvalue(i)+Cmin>0

temp=Cmin+objvalue(i);

else

temp=00;

end

fitvalue(i)=temp;

end

fitvalue=fitvalue';

% 24 选择复制

% 选择或复制 *** 作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。

% 根据方程 pi=fi/∑fi=fi/fsum ，选择步骤：

% 1） 在第 t 代，由（1）式计算 fsum 和 pi

% 2） 产生 {0,1} 的随机数 rand( )，求 s=rand( )fsum

% 3） 求 ∑fi≥s 中最小的 k ，则第 k 个个体被选中

% 4） 进行 N 次2）、3） *** 作，得到 N 个个体，成为第 t=t+1 代种群

%遗传算法子程序

%Name: selectionm

%选择复制

function [newpop]=selection(pop,fitvalue)

totalfit=sum(fitvalue); %求适应值之和

fitvalue=fitvalue/totalfit; %单个个体被选择的概率

fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4]，则 cumsum(fitvalue)=[1 3 6 10]

[px,py]=size(pop);

ms=sort(rand(px,1)); %从小到大排列

fitin=1;

newin=1;

while newin<=px

if(ms(newin))<fitvalue(fitin)

newpop(newin)=pop(fitin);

newin=newin+1;

else

fitin=fitin+1;

end

end

% 25 交叉

% 交叉(crossover)，群体中的每个个体之间都以一定的概率 pc 交叉，即两个个体从各自字符串的某一位置

% （一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：

% x1=0100110

% x2=1010001

% 从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：

% y1＝0100001

% y2＝1010110

% 这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。

% 事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。

%遗传算法子程序

%Name: crossoverm

%交叉

function [newpop]=crossover(pop,pc)

[px,py]=size(pop);

newpop=ones(size(pop));

for i=1:2:px-1

if(rand<pc)

cpoint=round(randpy);

newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];

newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];

else

newpop(i,:)=pop(i);

newpop(i+1,:)=pop(i+1);

end

end

% 26 变异

% 变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率 pm 翻转，即由“1”变为“0”，

% 或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。

%遗传算法子程序

%Name: mutationm

%变异

function [newpop]=mutation(pop,pm)

[px,py]=size(pop);

newpop=ones(size(pop));

for i=1:px

if(rand<pm)

mpoint=round(randpy);

if mpoint<=0

mpoint=1;

end

newpop(i)=pop(i);

if any(newpop(i,mpoint))==0

newpop(i,mpoint)=1;

else

newpop(i,mpoint)=0;

end

else

newpop(i)=pop(i);

end

end

% 27 求出群体中最大得适应值及其个体

%遗传算法子程序

%Name: bestm

%求出群体中适应值最大的值

function [bestindividual,bestfit]=best(pop,fitvalue)

[px,py]=size(pop);

bestindividual=pop(1,:);

bestfit=fitvalue(1);

for i=2:px

if fitvalue(i)>bestfit

bestindividual=pop(i,:);

bestfit=fitvalue(i);

end

end

% 28 主程序

%遗传算法主程序

%Name:genmain05m

clear

clf

popsize=20; %群体大小

chromlength=10; %字符串长度（个体长度）

pc=06; %交叉概率

pm=0001; %变异概率

pop=initpop(popsize,chromlength); %随机产生初始群体

for i=1:20 %20为迭代次数

[objvalue]=calobjvalue(pop); %计算目标函数

fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度

[newpop]=selection(pop,fitvalue); %复制

[newpop]=crossover(pop,pc); %交叉

[newpop]=mutation(pop,pc); %变异

[bestindividual,bestfit]=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值

y(i)=max(bestfit);

n(i)=i;

pop5=bestindividual;

x(i)=decodechrom(pop5,1,chromlength)10/1023;

pop=newpop;

end

fplot('10sin(5x)+7cos(4x)',[0 10])

hold on

plot(x,y,'r')

hold off

[z index]=max(y); %计算最大值及其位置

x5=x(index)%计算最大值对应的x值

y=z

问题求f(x)=x 10sin(5x) 7cos(4x)的最大值，其中0<=x<=9

分析选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为095,变异概率为008

程序清单

%编写目标函数

function[sol,eval]=fitness(sol,options)

x=sol(1);

eval=x 10sin(5x) 7cos(4x);

%把上述函数存储为fitnessm文件并放在工作目录下

initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10

[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',

[008],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代

运算借过为：x =

78562 248553(当x为78562时，f（x）取最大值248553)

注：遗传算法一般用来取得近似最优解，而不是最优解。

遗传算法实例2

问题在－5<=Xi<=5,i=1,2区间内，求解

f(x1,x2)=-20exp(-02sqrt(05(x1^2 x2^2)))-exp(05(cos(2pix1) cos(2pix2))) 2271282的最小值。

分析种群大小10，最大代数1000，变异率01,交叉率03

程序清单

％源函数的matlab代码

function [eval]=f(sol)

numv=size(sol,2);

x=sol(1:numv);

eval=-20exp(-02sqrt(sum(x^2)/numv)))-exp(sum(cos(2pix))/numv) 2271282;

%适应度函数的matlab代码

function [sol,eval]=fitness(sol,options)

numv=size(sol,2)-1;

x=sol(1:numv);

eval=f(x);

eval=-eval;

%遗传算法的matlab代码

bounds=ones(2,1)[-5 5];

[p,endPop,bestSols,trace]=ga(bounds,'fitness')

注：前两个文件存储为m文件并放在工作目录下，运行结果为

p =

00000 -00000 00055

大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：

fplot('x 10sin(5x) 7cos(4x)',[0,9])

evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。

问题求f(x)=x+10sin(5x)+7cos(4x)的最大值，其中0<=x<=9

分析选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为095,变异概率为008

程序清单

%编写目标函数

function[sol,eval]=fitness(sol,options)

x=sol(1);

eval=x+10sin(5x)+7cos(4x);

%把上述函数存储为fitnessm文件并放在工作目录下

initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10

[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',

[008],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代

运算借过为：x =

78562 248553(当x为78562时，f（x）取最大值248553)

注：遗传算法一般用来取得近似最优解，而不是最优解。

遗传算法实例2

问题在－5<=Xi<=5,i=1,2区间内，求解

f(x1,x2)=-20exp(-02sqrt(05(x1^2+x2^2)))-exp(05(cos(2pix1)+cos(2pix2)))+2271282的最小值。

分析种群大小10，最大代数1000，变异率01,交叉率03

程序清单

％源函数的matlab代码

function [eval]=f(sol)

numv=size(sol,2);

x=sol(1:numv);

eval=-20exp(-02sqrt(sum(x^2)/numv)))-exp(sum(cos(2pix))/numv)+2271282;

%适应度函数的matlab代码

function [sol,eval]=fitness(sol,options)

numv=size(sol,2)-1;

x=sol(1:numv);

eval=f(x);

eval=-eval;

%遗传算法的matlab代码

bounds=ones(2,1)[-5 5];

[p,endPop,bestSols,trace]=ga(bounds,'fitness')

注：前两个文件存储为m文件并放在工作目录下，运行结果为

p =

00000 -00000 00055

大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：

fplot('x+10sin(5x)+7cos(4x)',[0,9])

evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。

Matlab中的标点要在英文输入状态下输入，你有几个不是，包括命令的括号都是在中文状态下输入的，帮你改了一下，可以出结果了。

y1=(10-x^2)/2;function [k,piancha,xdpiancha,xk]=diedai1(x0,k) %输入的量——x0是初始值，k是迭代次数

x(1)=x0;

for i=1:k

    x(i+1)=fun1(x(i));%程序中调用的fun1m为函数y=Φ（x）

    piancha=abs( x(i+1)-x(i));xdpiancha=piancha/(abs(x(i+1))+eps);

    i=i+1;xk=x(i);[(i-1) piancha xdpiancha xk]

end

if (piancha>1)&(xdpiancha>05)&(k>3)

    disp('请用户注意：此迭代序列发散，请重新输入新的迭代公式')

    return;

end

if(piancha<0001)&(xdpiancha<00000005)&(k>3)

    disp('祝贺您！此迭代序列收敛，且收敛速度较快')

    return;

end

p=[(i-1) piancha xdpiancha xk]'; [k,piancha,xdpiancha,xk]=diedai1(2,5)

以上就是关于用matlab做，牛顿迭代法全部的内容，包括:用matlab做，牛顿迭代法、MATLAB编遗传算法源程序、matlab迭代法计算出现问题等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！