1. 从“二分”到“混合”：为什么我们需要Brent方法？
如果你用过MATLAB的
fzero
函数，或者在一些数值计算的场景里寻找过方程的根，那你很可能已经在不知不觉中使用了Brent方法。这个标题里的“Zeroin”直译过来就是“找零点”，而“Brent’s Version”指的就是由Richard P. Brent在1973年提出的、现在被广泛认为是单变量方程求根领域最稳健、最高效的算法之一。它不是一个全新的发明，而是一个精巧的“集大成者”，把几种经典算法的优点糅合在一起，同时巧妙地避开了它们的缺点。
在数值计算里，给一个函数
f(x)
，找到满足
f(x)=0
的
x
值，这是个基础但至关重要的问题。最直观的想法可能是二分法：你有一个区间
[a, b]
，并且知道
f(a)
和
f(b)
异号（根据介值定理，零点肯定在里面），然后你就不断地把区间对半分，总能逼近零点。二分法非常可靠，它保证收敛，而且收敛速度是线性的——每迭代一次，不确定区间就缩小一半。但它的缺点也很明显：太慢了。尤其是在零点附近，函数值变化可能很剧烈，但二分法还是按部就班地“踱步”，不够聪明。
为了更快，人们想到了利用函数值信息的插值方法，比如割线法（Secant Method）。它用最近两次迭代点的函数值连一条直线（割线），用这条直线与x轴的交点作为新的猜测。这个方法在零点附近通常收敛得飞快，速度接近黄金分割率（约1.618阶），比二分法快得多。但是，割线法有个致命弱点：它不保证收敛。如果初始点选得不好，或者函数在迭代区间内不够“友好”，它可能会发散，或者陷入死循环。
那么，有没有一种方法，能像二分法一样保证找到根，又能像割线法一样在条件合适时快速收敛呢？这就是Brent方法要解决的核心问题。它的设计哲学非常务实： 在保证绝对安全（收敛）的前提下，尽可能快地奔跑 。算法内部有一个“监督机制”，它会评估每一次由割线法（或其变种，如逆二次插值）提出的新猜测点。如果这个新点落在当前的、有根保证的括号区间内，并且能显著缩短区间长度，那就采用这个“快速”的插值步。否则，算法就“保守”地退回去执行一步二分法。这种动态切换的策略，使得Brent方法兼具了鲁棒性和高效性。
我最初接触这个方法是在处理一些物理模型的参数反演时，方程形式复杂，导数难以求解（排除了牛顿法），且计算一次函数值成本很高。盲目用二分法太耗时，用纯割线法又怕跑飞。Brent方法就成了那个“既要又要”的最优解。接下来，我们就深入它的内部，看看这个“监督机制”和“混合策略”是如何具体实现的。
2. Brent方法的核心机制：一个“智能”的决策循环
Brent方法不是一个静态的公式，而是一个动态的迭代过程。它维护着几个关键状态变量，并在每一步做出“该用插值还是该用二分”的决策。理解这个决策逻辑，就理解了方法的精髓。
2.1 算法维护的关键状态
在迭代的每一步，算法都明确地知道一个“有根区间”
[a, b]
，满足
f(a) * f(b) < 0
。同时，它记录三个点及其函数值：
-
b: 当前最好的近似根（即最新迭代点，其函数值f(b)的绝对值最小）。 -
a: 前一个迭代点，同时作为有根区间的一个端点。 -
c: 在a之前的那个迭代点。特别重要的是，c被用来确保插值步骤使用的点不是同一个点重复使用，以避免退化。
此外，算法还记录：
-
d: 上一步迭代中使用的点（在Brent的原始论文中，这个变量有时记为bprev）。它主要用于判断是否可以进行逆二次插值。 - 一个标志位，记录上一步是采用了插值（快速步）还是二分（保守步）。
2.2 插值尝试：逆二次插值与割线法
算法优先尝试利用已有的函数值信息构造一个插值函数，并取其零点作为候选的新点
s
。这里有一个精妙的顺序：
-
逆二次插值（Inverse Quadratic Interpolation, IQI） ：如果
a,b,c三个点互不相同（即f(a),f(b),f(c)两两不同），算法会尝试用这三个点进行逆二次插值。所谓“逆”，是指我们不是构造x关于y的二次函数，而是构造y（即f(x)）关于x的二次函数，然后求y=0时的x。IQI的收敛阶数比割线法更高，在某些情况下能达到约1.839阶，是速度最快的选择。其公式推导基于拉格朗日插值，最终得到的s的表达式为：s = b + P / Q其中，P = S * ( T * (R - T) * (c - b) - (1 - R) * (b - a) )Q = (T - 1) * (R - 1) * (S - 1)这里R = f(b) / f(c),S = f(b) / f(a),T = f(a) / f(c)。这个公式看起来复杂，但其本质是利用了三个点的函数值比例关系来外推零点。 -
割线法（Secant Method） ：如果IQI的条件不满足（比如点重合），算法则退而求其次，使用最新的两个点
b和a进行割线法插值。公式大家很熟悉：s = b - f(b) * (b - a) / (f(b) - f(a))。
关键点
：无论通过IQI还是割线法得到了候选点
s
，这都只是一个“提案”。算法不会无条件接受它。
2.3 “监督”与“裁决”：是否接受插值步？
这是Brent方法保证可靠性的核心。它设定了非常严格的接受准则，只有同时满足以下
所有
条件，候选点
s
才会被采纳为下一步的
b
：
-
括号条件
：
s必须严格落在当前有根区间(a, b)的内部。这是保证收敛的基石。 -
收敛速度条件
：
s不能离当前最佳点b太远。具体来说，|s - b|必须小于等于0.5 * |b - c|。这里的c是上一步的b（或更早的点）。这个条件防止算法在接近根时因为一个“大胆”的插值步而跳得太远，从而可能破坏收敛性甚至跳出括号区间。它确保了迭代点序列是“收缩”的。 -
进度条件
：
s必须能带来足够的进展。即|s - b|必须小于等于0.5 * |c - d|，其中d是再上一步的迭代点。这个条件防止算法在进展缓慢时（比如因为函数在根附近非常平坦）反复进行无效的、小幅度的插值步。如果进展太小，不如做一次二分法来保证区间长度至少减半。
如果上述任何一个条件不满足，算法就会
拒绝
这次插值提案，转而执行一步
二分法
：取区间的中点
m = (a + b) / 2
作为新的候选点
s
。
2.4 区间更新与变量轮换
一旦新的点
s
被确定（无论是来自被接受的插值还是二分法），并计算出
f(s)
，就需要更新状态：
-
根据
f(s)和f(b)的符号，重新确定新的有根区间[a, b]。确保区间的端点函数值始终异号。 -
更新
b为当前函数值绝对值最小的点（通常是s或原来的b）。 -
巧妙地轮换变量
c和d，为下一次迭代准备好用于插值的“历史点”。
这个“提案-裁决-更新”的循环不断重复，直到区间长度
|b-a|
或函数值
|f(b)|
小于预设的容差（Tolerance）。整个流程就像一个谨慎的司机，在路况好时（插值条件满足）踩油门加速，路况不明或复杂时（条件不满足）立刻踩刹车换挡（用二分法），始终保证车辆（迭代）在正确的道路（有根区间）上安全行驶。
3. 与MATLAB
fzero
的实战关联：不仅仅是调用
很多人知道MATLAB的
fzero
用了Brent方法，但可能不清楚具体细节和如何高效利用它。
fzero
的语法通常是
x = fzero(fun, x0)
或
x = fzero(fun, [a, b])
。这里有一些教科书上不一定写的实战经验。
3.1 初始猜测的艺术：单点 vs. 区间
-
提供区间
[a, b]：这是最稳妥的方式。你明确告诉fzero一个括号区间。算法会从这个区间开始运行，完全遵循标准的Brent流程。这是首选，尤其当你对根的位置有大致了解时。 -
提供单点
x0：这时fzero会先尝试在你给的x0附近寻找一个符号变化的区间。它会在x0两边进行试探性搜索，步长逐渐增大。 这里有个大坑 ：如果函数在x0附近没有变号（比如f(x)=x^2在0附近），或者变号点离x0非常远，这个搜索过程可能会失败，或者找到你根本不关心的远端根。我的经验是，尽量自己先确定一个括号区间。如果只能用单点，最好先手动画个函数图 (fplot)，看看x0附近的情况。
3.2 容差（Tolerance）与输出设置
fzero
允许通过
optimset
设置选项，最常用的是
TolX
（关于根的容差）和
TolFun
（关于函数值的容差）。
options = optimset('TolX', 1e-12, 'TolFun', 1e-12, 'Display', 'iter');
x = fzero(@myfunc, [1, 2], options);
-
'Display', 'iter'：强烈建议在调试阶段使用。它会打印每一步的迭代信息，包括当前的a,b,f(a),f(b)。这能让你亲眼看到Brent方法在“插值”和“二分”之间切换的过程，对于理解算法行为和调试问题函数非常有帮助。 -
容差设置
：默认的容差通常是
1e-6。对于大多数工程问题足够了。但如果你需要更高精度，比如在验证数学性质或进行高精度计算时，可以将其调小。注意，设置得过小（如1e-15）对于条件数很差的函数可能无法达到，反而导致无意义的迭代。
3.3 处理“坏”函数：不连续、多根与平坦区域
Brent方法很稳健，但也不是万能的。你需要了解它的边界。
-
不连续与奇点
：如果函数在括号区间内有间断点或奇点（如除以零），
fzero很可能会失败，因为它依赖于函数值的符号。它可能会把奇点误判为根（因为函数值可能从+Inf跳到-Inf）。 实战技巧 ：在函数定义里加入边界检查，用try-catch包装可能出错的运算，或者返回一个很大的数（如NaN或Inf）而不是让程序崩溃。fzero遇到NaN或Inf通常会停止并报错。 -
多根问题
：Brent方法（以及
fzero）一次只找一个根。如果你提供的括号区间[a, b]内有多个根，它最终会找到其中一个，但具体是哪一个取决于初始区间和函数形状，没有保证。要找到所有根，你需要结合函数图分析，将定义域划分成多个只包含单个根的区间，然后分别调用fzero。 -
非常平坦的区域
：当根是一个重根（导数也为零）或函数在根附近极其平坦时，基于函数值符号的括号条件可能很难精确满足。
fzero可能收敛得很慢，或者因为函数值在机器精度内无法区分正负而提前退出。这时，依赖TolX（区间宽度）比依赖TolFun（函数值）更可靠。
一个常见的调试场景是，你设置了很严格的容差，但
fzero
迭代几步就停了，返回的
f(x)
并不接近0。查看迭代输出（
Display
设为
iter
）往往会发现，区间
[a, b]
已经缩得非常小，但
f(a)
和
f(b)
始终同号。这通常意味着函数在这个微小区间内没有穿过零点，可能遇到了平坦区、不连续点，或者你的初始区间根本就没有把根括住。这时就需要回头检查函数定义和初始条件。
4. 自己动手实现一个简化版Brent方法
虽然我们总是直接调用
fzero
，但自己动手实现一个简化版的Brent方法（不考虑所有边缘情况）是深入理解它的最佳途径。下面我用MATLAB风格的伪代码来勾勒核心框架，并附上关键处的解释。
function [root, info] = my_brent(f, a, b, tol)
% 简化版Brent方法实现
% 输入：函数句柄 f，括号区间 [a, b]，容差 tol
% 输出：根的近似值 root，以及包含迭代次数等的结构体 info
fa = f(a);
fb = f(b);
if fa * fb >= 0
error('初始区间[a, b]必须保证f(a)和f(b)异号。');
end
% 初始化：确保 |f(b)| <= |f(a)|，这样b是当前最佳点
if abs(fa) < abs(fb)
[a, b] = deal(b, a); % 交换a和b
[fa, fb] = deal(fb, fa);
end
c = a; % 初始化c为a
fc = fa;
d = c; % 初始化d
flag = true; % 标志位，上一步是否成功进行了插值？初始化为true
iter = 0;
max_iter = 100;
while (abs(b - a) > tol) && (iter < max_iter)
iter = iter + 1;
% 步骤1：尝试插值（提案）
s = 0;
if (fa ~= fc) && (fb ~= fc)
% 尝试逆二次插值 (IQI)
s = a * fb * fc / ((fa - fb) * (fa - fc)) ...
+ b * fa * fc / ((fb - fa) * (fb - fc)) ...
+ c * fa * fb / ((fc - fa) * (fc - fb));
end
if (isnan(s) || isinf(s) || (~flag && (abs(s-b) >= 0.5*abs(b-c))) ... % 条件2、3的简化检查
|| (flag && (abs(s-b) >= 0.5*abs(c-d))) || (s <= min(a,b) || s >= max(a,b))) % 条件1
% 如果IQI不可用或不满足条件，则用割线法
s = b - fb * (b - a) / (fb - fa);
% 如果割线法也不满足条件（主要是括号条件），则强制使用二分法
if (s <= min(a,b) || s >= max(a,b)) || isnan(s) || isinf(s)
s = (a + b) / 2;
flag = false; % 这一步用了二分
else
flag = true; % 这一步用了插值（割线法）
end
else
flag = true; % 这一步用了插值（IQI）
end
% 步骤2：计算f(s)并更新区间
fs = f(s);
d = c;
c = b;
fc = fb;
if fa * fs < 0
b = s;
fb = fs;
else
a = s;
fa = fs;
end
% 步骤3：确保b是当前最佳点（|f(b)|最小）
if abs(fa) < abs(fb)
[a, b] = deal(b, a);
[fa, fb] = deal(fb, fa);
end
end
root = b;
info.iterations = iter;
info.fval = fb;
end
实现要点与避坑指南：
-
变量交换的陷阱
：代码中多次出现
[a, b] = deal(b, a);这样的交换操作，目的是始终保持b是当前函数值绝对值最小的点。这是算法正确性的关键之一。在实现时，一定要同步交换对应的函数值fa和fb，否则会导致状态混乱。 -
插值公式的稳定性
：上面给出的IQI公式是教科书形式，但在
fa,fb,fc非常接近时，分母可能接近零，引入数值误差。工业级实现（如fzero或Netlib中的zeroin）会使用更稳定的代数变形来计算s。我们的简化版忽略了这部分，但在实际应用中需要处理。 - 条件判断的顺序与严谨性 ：完整的Brent方法对插值步的接受条件判断极其严谨。我们的简化版合并和省略了一些检查。在严格实现时，应完全按照2.3节所述的三个条件逐一判断。
-
收敛判断
：循环终止条件除了区间宽度
(b-a)，还应考虑函数值f(b)。通常采用混合条件：(abs(b-a) <= 2*tol*abs(b) + eps)或(abs(fb) <= tol)。eps是机器精度，防止在b接近零时判断失效。
自己实现一遍后，你再回头去看
fzero
的迭代输出，会对每一步在做什么有恍然大悟的感觉。这也是为什么我建议每个做数值计算的人，都应该亲手实现几个关键算法，哪怕只是简化版。
5. 超越一维：Brent思想在优化与多维问题中的启示
Brent方法是为一维求根设计的，但其“混合策略”和“保证收敛前提下的加速”思想，在更广泛的数值计算领域有着深刻的影响。
-
一维优化（最小化）
：Brent本人将这种思想推广到了无导数一维优化问题，提出了著名的
Brent‘s minimization algorithm
。用于寻找单变量函数的最小值。它结合了抛物线插值（类比IQI）和黄金分割搜索（类比二分法），同样在保证收敛的前提下追求超线性收敛速度。MATLAB中的
fminbnd函数就是基于此算法。 - 多维求根与优化 ：在多维情况下，虽然没有直接对应的“Brent方法”，但其哲学被体现在许多现代算法中。例如，在拟牛顿法（如BFGS）中，我们用一个不断更新的矩阵来近似Hessian矩阵（类比于利用历史信息构建局部模型），但在进行线搜索确定步长时，会采用类似“监督”的机制（如Wolfe条件），确保每一步都满足足够的下降量和曲率条件，从而在整体上保证收敛。这可以看作是多维空间中对“鲁棒性”和“快速收敛”的平衡。
- 算法选择的启发 ：Brent方法给我们的最大启发是： 没有一种算法在所有情况下都是最好的 。实用的、健壮的算法往往是“混合型”或“自适应型”的。它会在运行时根据当前遇到的问题特征（函数局部性质、收敛情况）动态选择最合适的子策略。在设计自己的数值例程时，这种思想非常值得借鉴。例如，在迭代求解大型线性方程组时，可能会先使用几轮收敛较慢但稳定的迭代法（如雅可比法）平滑误差，再切换到收敛快但对初始值敏感的迭代法（如共轭梯度法）。
回到我们日常使用的工具，无论是MATLAB的
fzero
、
fminbnd
，还是Python SciPy中的
scipy.optimize.brentq
，它们都是经过千锤百炼的工业级实现，处理了无数我们上面提到的边缘情况（如数值稳定性、精确的条件判断、浮点异常处理）。作为使用者，我们的价值在于理解其核心思想，知道它的强项和边界，从而在正确的问题上放心地使用它，并在它可能失效时（如多根、奇点）能迅速定位问题所在。
理解Brent方法，不仅仅是学会调用一个函数，更是学习一种构建可靠数值算法的思维方式：在追求效率的同时，永远把鲁棒性作为不可逾越的底线。这种思维，在你未来面对更复杂的建模、仿真和优化问题时，会持续带来回报。
扫一扫
1557
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
