牛顿法求解开普勒方程:好、坏与丑的三种结局
burny_tech · x · 2026-10-01
John D. Cook 的经典文章以开普勒方程 M = E − e sin E 为例,展示牛顿迭代法的三种表现:
- 好:当偏心率 e < 0.5 时,以 E = M 为初值可保证收敛,且每步误差近似平方级下降,正确位数每轮翻倍。
- 坏:取 e = 0.991、M = 0.13π 时没有任何收敛性保证,第一次迭代甚至给出 E = 5(超出 E < π 的已知界),但方法最终仍收敛到全浮点精度——牛顿法常在「不该有效」时碰巧有效。
- 丑:有文献固定 M = 0.13π、令 e 从 0.991 递增到 0.993,发现仅差千分之一的方法会在某些 e 值上不收敛,行为极不稳定。
文章提醒:牛顿法的实际使用远比教科书保证更玄学,初值选择(如 Machin 方法)可以扩大收敛域,但边界情况依然脆弱。
「研究」频道最新
- OSWorld-Science 基准发布：146 个任务考问 VLM 科学软件操作 — SciAILab · 2026-10-01
- Attention 机制演化综述：59 个模型记录揭示「上下文记忆」成设计核心 — Zhentao Tan · 2026-10-01
- 系统提示词里藏了日期：9 个 LLM 评测成绩随日期波动最高 14% — Mario Sanz-Guerrero · 2026-10-01
- CheatBench 基准发布：量化 AI 智能体何时选择作弊 — cais · 2026-10-01
- KLS 猜想部分攻克:arXiv 论文核心思路由 AI 生成 — burny_tech · 2026-10-01
- 从临床风险预测到核聚变控制:同一套生存分析数学的跨界之旅 — nagpalchirag · 2026-10-01