如何解决在Haskell中逼近导数时的困惑行为
我已经定义了一个类型类<gupdate xmlns="http://www.google.com/update2/response" protocol="1.0">
<app appid="xxxxxxxxxxx">
<updatecheck codebase="https://extensions.site.com/crx/build.crx" version="1.9.6"/>
</app>
</gupdate>
,该类型类可以由可以对无穷小操作的任何类型实现。
这是一个示例:
Differentiable
我还定义了一个简单的class Fractional a => Differentiable a where
dif :: (a -> a) -> (a -> a)
difs :: (a -> a) -> [a -> a]
difs = iterate dif
instance Differentiable Double where
dif f x = (f (x + dx) - f(x)) / dx
where dx = 0.000001
func :: Double -> Double
func = exp
函数来区分。
但是当我在Double -> Double
中测试时,会发生这种情况:
ghc
... $ ghci
GHCi,version 8.8.4: https://www.haskell.org/ghc/ :? for help
Prelude> :l testing
[1 of 1] Compiling Main ( testing.hs,interpreted )
Ok,one module loaded.
*Main> :t func
func :: Double -> Double
*Main> derivatives = difs func
*Main> :t derivatives
derivatives :: [Double -> Double]
*Main> terms = map (\f -> f 0) derivatives
*Main> :t terms
terms :: [Double]
*Main> take 5 terms
[1.0,1.0000004999621837,1.000088900582341,-222.0446049250313,4.440892098500626e8]
*Main>
的n阶导数的近似值为:
e^x|x=0
在给定设置的情况下,一阶和二阶导数是完全合理的近似值,但是突然之间,[1.0,4.440892098500626e8]
上的func
的三阶导数是... 0
! 如何!?
解决方法
此处使用的方法是一阶精度的 finite difference method 。
Layman的翻译:它可以工作,但从数字上来说还是很垃圾。具体来说,因为它只有一阶精度,所以即使使用精确实数运算,也需要那些很小的步骤才能获得良好的精度。您确实选择了一个较小的步长,这样很好,但是较小的步长会带来另一个问题:舍入错误。您需要将差异f (x+δx) - f x
与较小的δx
进行比较,这意味着差异较小,而各个值可能较大。总是会产生浮点误差-例如考虑
Prelude> (1 + pi*1e-13) - 1
3.141931159689193e-13
这实际上可能并没有那么严重,但是由于您随后需要除以δx
,因此会增加错误。
当您使用高阶导数时,这个问题只会变得更糟/更复杂,因为现在f' x
和f' (x+δx)
中的每一个都已经(不相同!)增强了错误,因此差异和再次振作无疑是灾难的根源。
解决问题的最简单方法是切换到二阶精确方法,显而易见的是中心差异。然后,您可以将步骤扩大很多,从而在很大程度上避免舍入问题:
Prelude> let dif f x = (f (x + δx) - f(x - δx)) / (2*δx) where δx = 1e-3
Prelude> take 8 $ ($0) <$> iterate dif exp
[1.0,1.0000001666666813,1.0000003333454632,1.0000004990740052,0.9999917560676863,0.9957312752106873,8.673617379884035,7806.255641895632]
您看到现在的前几对导数很好,但是最终它也变得不稳定–在您迭代 any FD方法时会发生这种情况。但这毕竟不是一个好方法:请注意,对 n -th的每个求值都需要对2 n -1的求值。因此,在导数度上的复杂度为指数。
一种近似不透明函数的第 n 次导数的更好方法是为其拟合第 n 次阶多项式,并对其进行符号/自动区分。或者,如果该功能不是不透明的,则可以通过符号/自动区分其自身。
, tl; dr:dx
分母以指数形式迅速变小,这意味着即使分子中的微小误差也被吹散了。
让我们对第一个“差”近似值(三阶导数)进行一些方程式推理。
dif (dif (dif exp))
= { definition of dif }
dif (dif (\x -> (exp (x+dx) - exp x)/dx))
= { definition of dif }
dif (\y -> ((\x -> (exp (x+dx) - exp x)/dx) (y+dx)
- (\x -> (exp (x+dx) - exp x)/dx) y
)/dx)
= { questionable algebra }
dif (\y -> (exp (y + 2*dx) - 2*exp (y + dx) + exp y)/dx^2)
= { alpha }
dif (\x -> (exp (x + 2*dx) - 2*exp (x + dx) + exp x)/dx^2)
= { definition of dif and questionable algebra }
\x -> (exp (x + 3*dx) - 3*exp (x + 2*dx) + 3*exp (x + dx) - exp x)/dx^3
希望现在您可以看到我们正在进入的模式:随着我们使用越来越多的导数,分子中的错误变得越来越严重(因为我们正在计算exp
距原始点越来越远,x + 3*dx
的距离是例如的三倍,而分母对错误的敏感性变得更高(因为我们正在计算dx^n
的第n
个导数)。通过三阶导数,这两个因素变得站不住脚了:
> exp (3*dx) - 3*exp (2*dx) + 3*exp (dx) - exp 0
-4.440892098500626e-16
> dx^3
9.999999999999999e-19
因此,您可以看到,尽管分子的误差仅为5e-16,但是分母对误差的敏感度很高,以至于您开始看不到答案。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。