3. 求根方法的评价维度

面对同一个非线性方程，牛顿法、割线法、二分法、不动点迭代往往都能给出“一个根”，但它们的工程价值差别很大。评价一种求根方法，不能只看“能不能算出来”，而要从六个维度综合判断：收敛性（是否保证收敛）、收敛速度（多快逼近）、计算成本（每步代价与总代价）、稳定性（对舍入误差与病态问题的鲁棒性）、对初值的敏感性（初值选得多准才可靠）、误差估计（如何知道结果够不够准）。这六个维度彼此牵制，选方法本质上是在它们之间做权衡。

收敛性：先问“能不能收敛”，再问“多快”

收敛性回答的是：迭代序列 x₀, x₁, x₂, … 是否一定趋向某个根。二分法在区间端点异号（f(a)·f(b)<0）且函数连续的前提下，全局收敛，这是它最硬的底牌；牛顿法只在根附近具有局部收敛性，若初值远离根、或 f′(x) 在迭代路径上接近零，就可能发散或跳到别的根。不动点迭代 x=g(x) 的收敛性由压缩条件决定：在根附近若 |g′(x*)|<1 则局部收敛，|g′(x*)|>1 则通常发散。因此评价收敛性要区分“全局保证”与“局部保证”，并明确前提条件——脱离前提谈收敛没有意义。

收敛速度：用阶数刻画逼近效率

收敛速度通常用收敛阶 p 描述：若误差 eₖ=xₖ−x* 满足 lim |eₖ₊₁|/|eₖ|ᵖ = C（C 为常数），则称 p 阶收敛。二分法每步误差减半，是线性收敛（p=1，C=0.5）；不动点迭代一般线性收敛，收敛因子为 |g′(x*)|；割线法 p≈1.618（超线性）；牛顿法在单根处 p=2（平方收敛），误差大致按“上一步误差的平方”缩小。举例来说，若当前误差为 10⁻³，牛顿法下一步约 10⁻⁶，再下一步约 10⁻¹²，这就是平方收敛的威力；而二分法要把 10⁻³ 降到 10⁻¹²，还需约 30 步。收敛阶是渐近性质，实际前期表现可能不同，评价时应结合具体问题观察。

计算成本：每步代价 × 迭代步数

计算成本不能只看迭代次数，而要看“每步做什么 × 需要多少步”。二分法每步只需一次函数求值，代价极低但步数多；牛顿法每步要算 f(xₖ) 和 f′(xₖ)，若导数用解析式则成本中等，若用差商近似则每次多一次函数求值；割线法每步一次新函数求值（复用上一步的值），单步便宜且阶数较高，常是性价比之选。工程中还应计入导数推导、矩阵求解（多元情形为雅可比矩阵与线性方程组）的开销。一个实用的比较方式是：在相同精度要求下统计函数求值总次数，它比单纯数迭代步数更接近真实成本。

稳定性与对初值的敏感性

稳定性关注算法在舍入误差、函数病态、导数剧烈变化下是否仍然可靠。二分法对函数形态不敏感，稳定性最好；牛顿法在 f′(xₖ) 很小时步长爆炸，在重根附近收敛阶退化为线性，甚至因除零失败；割线法在两点函数值接近时同样会出现分母过小的问题。对初值的敏感性则决定“用起来顺不顺手”：二分法只需一个异号区间，几乎不挑初值；牛顿法要求初值落在根的吸引域内，实践中常先用二分法或网格扫描把根“圈”出来，再交给牛顿法加速。这种“先稳健定位、再快速精化”的组合策略，正是对这两个维度的直接利用。

误差估计：判断“够不够准”的依据

没有误差估计，就无法判断结果是否可信。常用的事后判据有三类：步长判据 |xₖ₊₁−xₖ|<ε，简单但可能因收敛慢而误判；残差判据 |f(xₖ)|<ε，反映方程满足程度，但当 f 在根附近很平坦时残差小并不代表根准；后验误差界，如二分法有 |xₖ−x*|≤(b−a)/2ᵏ⁺¹，可直接给出绝对误差上界。牛顿法在根附近可用 |eₖ₊₁|≈|eₖ|²·|f″/2f′| 估计，割线法也有相应渐近式。稳妥做法是同时检查步长与残差，并对病态问题辅以区间界或高精度复算。

把六个维度落到一次实际选型中

设要解 f(x)=x³−2x−5=0（示例方程，根约在 2.09 附近）。若用二分法，取区间 [2,3]，f(2)=−1、f(3)=16 异号，可保证收敛；要求误差不超过 10⁻⁶，由 (3−2)/2ᵏ⁺¹≤10⁻⁶ 得 k≥19，约 20 步、20 次函数求值，稳定但偏慢。若改用牛顿法，取 x₀=2，f′(x)=3x²−2，迭代 xₖ₊₁=xₖ−(xₖ³−2xₖ−5)/(3xₖ²−2)，通常 4～5 步即可达到 10⁻⁶ 量级，但若初值取 0，f′(0)=−2 尚可，若取到 f′ 接近零的点则可能剧烈跳动。割线法取 x₀=2、x₁=3，每步一次新求值，约 6～7 步达到同等精度，兼顾了速度与成本。这个对比说明：收敛性靠二分法兜底，速度靠牛顿/割线法提升，成本用函数求值次数衡量，稳定性与初值敏感性决定是否需要“先圈后精”，误差估计则给出停止依据。

最后要强调，六个维度并非孤立指标，而是相互制约的整体：追求高阶收敛往往牺牲稳定性与初值宽容度，追求稳健又常以步数为代价。真正专业的做法，是先明确问题对精度、实时性和可靠性的要求，再据此确定各维度的优先级，最后选择方法并配套误差判据，而不是默认套用某一种“最强”算法。