目录

1 原理

1.1 数学基础

2 二分法求解

2.1 求解步骤

2.1.1 确定有根区间

2.1.2 二分法求根

3 二分法的几何解释

4 案例与Python代码

4.1 案例介绍

4.2 Python代码实现

4.3 运行结果与解释

4.4 注意事项

5 扩展应用

---

> 推荐一个很通俗易懂的人工智能教程：

人工智能教程https://www.captainbed.cn/dfd

1 原理

​二分法​（Bisection Method）是一种基于区间套定理的数值解法，用于求解单变量连续函数的实数根。其核心思想是通过不断缩小区间范围，逐步逼近方程的根。

1.1 数学基础

设函数 f(x)在闭区间 [a,b]上连续，且 f(a)⋅f(b)<0（即区间两端函数值异号）。根据连续函数零点定理，方程 f(x)=0在区间 (a,b)内至少有一个实根根。如果函数在区间内是严格单调的，则该根是唯一的。

二分法的数学原理可表示为：

其中 k表示迭代次数，每次迭代后区间长度减半：

这里 x∗表示真实解。从公式可以看出，​误差上界随着迭代次数增加而指数级减小，保证了算法的收敛性。

2 二分法求解

2.1 求解步骤

2.1.1 确定有根区间

一般采用等步长扫描法来确定根区间，流程如下：

1. 设定初始扫描区间 [a,b]和步长 h>0

2. 取 x0​=a, x1​=x0​+h

3. 计算 f(x0​)⋅f(x1​):

   • 如果 f(x0​)⋅f(x1​)<0，则扫描成功，有根区间为 [x0​,x1​]

   • 否则令 x0​=x1​, x1​=x0​+h继续扫描

4. 如果 x1​>b则扫描失败，应缩小步长 h再次扫描

5. 如果步长足够小仍失败，可能方程在区间内无实根

2.1.2 二分法求根

确定有根区间后，即可使用二分法求近似根：

1. 输入有根区间 [a,b]和精度要求 ε

2. 计算中点 c=2a+b​和函数值 f(c)

3. 若 f(c)=0或区间长度 <ε，则 c为解，算法结束

4. 若 f(a)⋅f(c)<0，则根在 [a,c]内，令 b=c

5. 否则根在 [c,b]内，令 a=c

6. 重复步骤2-5，直到满足精度要求

3 二分法的几何解释

二分法的几何解释非常直观。如图所示，假设 x∗为方程 f(x)=0的真实解，迭代过程如下：

1. 起始迭代区间为 [a0​,b0​]，计算对应的函数值 f(a0​)和 f(b0​)（异号）

2. 取中点 c1​=2a0​+b0​​，计算函数值 f(c1​)

3. 根据函数值的符号更新迭代区间为 [a0​,c1​]或 [c1​,b0​]

4. 取新区间的中点 c2​=2a1​+b1​​，计算函数值 f(c2​)

5. 如此循环，区间不断缩小，逐步逼近真实解 x∗

​几何意义​：每次迭代通过判断函数在中点处的符号，选择包含根的子区间，相当于不断"挤压"区间范围，使区间中点逐步逼近真实根。

4 案例与Python代码

4.1 案例介绍

以求解方程 x^3−x−1=0为例，该方程在区间 [1,2]内有一个实根。

• f(1)=1^3−1−1=−1<0

• f(2)=2^3−2−1=5>0

满足 f(1)⋅f(2)<0，故可使用二分法求解。

4.2 Python代码实现

import numpy as np

def f(x):
    """
    定义目标函数
    """
    return x**3 - x - 1

def bisection_method(func, a, b, tol=1e-6, max_iter=100):
    """
    二分法求解方程 func(x) = 0
    
    参数:
    func: 目标函数
    a, b: 初始区间
    tol: 容差（精度要求）
    max_iter: 最大迭代次数
    
    返回:
    近似解和迭代次数
    """
    # 检查初始区间是否满足条件
    if func(a) * func(b) >= 0:
        raise ValueError("区间两端函数值必须异号")
    
    # 迭代过程
    for n in range(max_iter):
        c = (a + b) / 2  # 计算中点
        
        # 检查是否满足精度要求
        if abs(func(c)) < tol:
            return c, n
        
        # 更新区间
        if func(a) * func(c) < 0:
            b = c
        else:
            a = c
    
    # 达到最大迭代次数后返回当前中点
    return (a + b) / 2, max_iter

# 主程序
if __name__ == "__main__":
    try:
        # 设置初始区间和精度
        a, b = 1.0, 2.0
        tolerance = 1e-6
        
        # 调用二分法求解
        root, iterations = bisection_method(f, a, b, tolerance)
        
        # 输出结果
        print(f"方程的近似解为: {root:.8f}")
        print(f"迭代次数: {iterations}")
        print(f"函数值验证: f({root:.8f}) = {f(root):.10f}")
        
    except ValueError as e:
        print(f"错误: {e}")

4.3 运行结果与解释

运行上述代码，可以得到类似以下结果：

方程的近似解为: 1.32471759
迭代次数: 20
函数值验证: f(1.32471759) = -0.0000009554

结果表明，方程 x3−x−1=0在区间 [1,2]内的近似根为 ​1.32471759，经过20次迭代后达到 10−6的精度要求。函数值接近零，验证了解的正确性。

4.4 注意事项

• ​初始区间选择​：必须确保 f(a)⋅f(b)<0，否则算法无法开始

• ​收敛速度​：二分法以线性速度收敛，相对于其他方法（如牛顿法）较慢

• ​精度控制​：可根据需要调整容差 tol值，但过高的精度要求会增加计算时间

• ​函数连续性​：二分法要求函数在区间内连续，否则可能失败

• ​多重根处理​：对于多重根的情况，可能需要结合导数分析或细分区间

5 扩展应用

二分法不仅可用于方程求根，还广泛应用于：

• ​工程计算​：如求解材料力学中的非线性方程

• ​物理模拟​：寻找能量平衡点

• ​金融建模​：计算内部收益率(IRR)

• ​优化算法​：作为一维搜索方法用于优化问题

• ​计算机图形学​：射线与物体交点的快速计算

二分法的优势在于其稳定性和简单性，总能收敛到根（需满足前提条件），且逻辑清晰，易于实现。缺点是收敛速度较慢，对于高性能要求的场景，可考虑与牛顿法、割线法等更高效的方法结合使用。