二分法（Bisection Method），又称二分求根法或对分法，是数值分析中用于求解连续函数在给定区间内根的一种迭代算法。其核心思想是反复将包含根的区间一分为二，并根据函数值的符号确定根所在的子区间，逐步缩小搜索范围直至达到指定精度。该方法简单可靠，收敛速度呈线性，广泛应用于工程、物理和经济学等领域的方程求解。
1 基本原理
1.1 数学定义
设函数 \( f(x) \) 在区间 \([a, b]\) 上连续，且 \( f(a) \cdot f(b) < 0 \)。根据介值定理，区间内至少存在一个实数根 \( r \)。二分法通过构造中点 \( c = \frac{a+b}{2} \) 来逐步逼近该根。若 \( f(c) = 0 \)，则 \( c \) 即为所求根；否则，若 \( f(a) \cdot f(c) < 0 \)，根位于区间 \([a, c]\)，令 \( b = c \)；若 \( f(c) \cdot f(b) < 0 \)，根位于区间 \([c, b]\)，令 \( a = c \)。此过程重复进行，直到区间长度满足精度要求。
1.2 收敛性条件
1.2.1 介值定理的应用
介值定理是二分法的理论基础。该定理指出，对于闭区间 \([a, b]\) 上的连续函数 \( f \)，若 \( f(a) \) 与 \( f(b) \) 异号，则对于介于 \( f(a) \) 和 \( f(b) \) 之间的任意值 \( k \)，存在至少一个 \( c \in (a, b) \) 使得 \( f(c) = k \)。当取 \( k = 0 \) 时，保证了根的存在性，从而确保了二分法每次迭代都能将搜索区间缩小至包含根的子区间内。
1.2.2 误差估计与停机准则
经过 \( n \) 次迭代后，区间长度将缩小为初始长度的 \( 2^{-n} \) 倍，即 \( b_n - a_n = \frac{b_0 - a_0}{2^n} \)。此时，近似根 \( c_n = \frac{a_n + b_n}{2} \) 的绝对误差上界为 \( \frac{b_n - a_n}{2} \)。由此可得，要达到指定容差 \( \epsilon \)，所需迭代次数 \( n \) 至少满足 \( n > \log_2 \frac{b_0 - a_0}{\epsilon} \)。常见的停机准则包括：区间长度小于给定容差、函数值的绝对值小于容差，或迭代次数达到预设最大值。
2 算法实现
2.1 伪代码流程
输入：函数 f，区间端点 a, b，容差 tol，最大迭代次数 N
输出：近似根 c 或失败信息
步骤：
1. 若 f(a) * f(b) > 0，则输出错误，结束。
2. 对 i = 1 到 N 执行：
a. c = (a + b) / 2
b. 若 (b - a) / 2 < tol 或 |f(c)| < tol，则返回 c。
c. 若 f(a) * f(c) < 0，则令 b = c
d. 否则，令 a = c
3. 若达到最大迭代次数仍未收敛，则输出失败信息。2.2 编程语言示例
2.2.1 C语言实现
#include <stdio.h>
#include <math.h>
double f(double x) {
return x*x - 2; // 示例：求解 sqrt(2)
}
double bisection(double a, double b, double tol) {
double c;
while ((b - a) / 2 > tol) {
c = (a + b) / 2;
if (f(c) == 0.0)
return c;
else if (f(a) * f(c) < 0)
b = c;
else
a = c;
}
return (a + b) / 2;
}
int main() {
double root = bisection(0, 2, 1e-6);
printf("Root: %f\n", root);
return 0;
}2.2.2 Python实现
def bisection(f, a, b, tol=1e-6, max_iter=100):
if f(a) * f(b) > 0:
raise ValueError("函数在区间端点处必须异号")
for _ in range(max_iter):
c = (a + b) / 2
if (b - a) / 2 < tol or abs(f(c)) < tol:
return c
if f(a) * f(c) < 0:
b = c
else:
a = c
raise RuntimeError("达到最大迭代次数")2.3 输入输出规范
输入规范：
f：需要求根的连续函数句柄或表达式。a,b：初始区间的左右端点，需满足 \( f(a) \cdot f(b) < 0 \)。tol（可选）：允许的绝对误差容限，默认值通常设为 \( 1 \times 10^{-6} \)。max_iter（可选）：算法执行的最大迭代次数，默认值通常为 100 或 1000。
输出规范：
- 成功时：返回满足精度要求的近似根 \( c \)。
- 失败时：输出错误提示（如区间端点不异号、达到最大迭代次数但未收敛等）。
3 性能分析
3.1 收敛速度与复杂度
| 二分法具有线性收敛速度，其误差序列满足 \(\lim_{k \to \infty} \frac{ | e_{k+1} | }{ | e_k | } = \frac{1}{2}\)。由于每次迭代都将误差减半，其收敛常数 \( C = \frac{1}{2} \)。在计算复杂度方面，每步迭代仅需计算一次函数值，时间复杂度为 \( O(n) \)，其中 \( n \) 为迭代次数。由于误差以指数级下降，所需的迭代次数通常较少。 |
|---|
3.2 与其他求根方法的比较
3.2.1 与牛顿法对比
牛顿法（Newton's Method）具有二阶收敛速度，在根的附近收敛极快。然而，牛顿法要求函数可导，且初始值的选择对收敛性至关重要，不恰当的初值可能导致发散。相比之下，二分法虽然收敛较慢，但只需要函数连续即可，对初始区间的要求宽松，且总能保证收敛。
3.2.2 与割线法对比
割线法（Secant Method）的收敛阶约为 1.618（黄金分割比），介于线性与二次收敛之间。割线法不需计算导数，在单步计算上比牛顿法更高效，但仍存在初始点选取不当导致发散的风险。二分法的鲁棒性远超割线法，但同等精度下通常需要更多迭代次数。
4 应用领域
4.1 工程优化
4.1.1 机械系统中的参数确定
在设计阻尼器或悬架系统时，需要求解固有频率、阻尼系数等参数。这些参数往往由复杂的非线性方程描述，二分法可用于快速确定满足特定频率响应要求的系统参数。
4.1.2 电路设计中的参数调优
在模拟电路设计中，求解晶体管偏置点、确定滤波器的截止频率或振荡器的起振条件时，常会遇到隐式方程。二分法因其稳定性，常被嵌入电路仿真软件中用于直流工作点的求解。
4.2 计算生物学
4.2.1 种群模型的平衡点求解
在生态学建模中，Logistic 差分方程或 Lotka-Volterra 微分方程的平衡点通常涉及求解 \( x = f(x) \) 形式的方程。二分法可用于确定种群数量的稳定平衡值，帮助分析生态系统的稳定性阈值。
4.3 经济模型
4.3.1 内部收益率计算
内部收益率（IRR）是使项目净现值为零的贴现率，其表达式为 \( \sum_{t=0}^{n} \frac{CF_t}{(1+IRR)^t} = 0 \)。该方程在代数上无显式解，二分法可用于高效搜索 IRR，因其在初始区间选择合理时能确保收敛。
5 局限性及扩展
5.1 对函数连续性的依赖
二分法的前提假设是函数在初始区间内连续。若函数存在间断点，介值定理无法应用，算法可能在未找到根的情况下过早终止或造成误判。
5.2 多根与重根问题
当区间内包含偶数个根时，函数在两端点处可能同号，导致无法启动算法。若存在重根（如 \( f(x) = (x-1)^2 \)），函数在根两侧不变号，二分法在标准形式下失效，需配合导数信息或其他方法辅助定位。
5.3 改进算法
5.3.1 二分法结合牛顿法的混合方法
该方法结合了二分法的鲁棒性与牛顿法的快速收敛性。算法首先利用二分法迭代数步，确保近似值充分接近真实根，然后切换至牛顿法进行快速求精。MATLAB 的 fzero 函数即是该混合策略的典型实现。
5.3.2 自适应区间划分
为解决二分法收敛速度固定的问题，自适应方法引入反插值策略（如反二次插值），在每次迭代中利用函数的历史信息预测根的位置，而非固定平分区间。这种动态调整显著提升了收敛速度，同时在一定程度上保留了二分法的全局收敛性。