For example, bisection gives a valu

For example, bisection gives a value of
f = 0.0289678 with a percent relative error of error of 5.926 × 10–5 in 22 iterations. False
position yields a result of similar precision in 26 iterations. Thus, although they produce the
correct result, they are somewhat inefficient. This would not be important for a single application,
but could become prohibitive if many evaluations were made.
We could try to attain improved performance by turning to an open method. Because
Eq. (8.21) is relatively straightforward to differentiate, the Newton-Raphson method is
a good candidate. For example, using an initial guess at the lower end of the range
(x0 = 0.008), Newton-Raphson converges quickly to 0.0289678 with an approximate error
of 6.87 × 10–6% in only 6 iterations. However, when the initial guess is set at the upper end
of the range (x0 = 0.08), the routine diverge

ผลลัพธ์ (ไทย) 1:

เช่น bisection ให้ค่าf = 0.0289678 ข้อผิดพลาดสัมพัทธ์เปอร์เซ็นต์ข้อผิดพลาดของ 5.926 × 10-5 ในซ้ำ 22 เป็นเท็จตำแหน่งผลตอบแทนผลของความแม่นยำที่คล้ายใน 26 ซ้ำ ดังนั้น แม้ว่าพวกเขาผลิตผลลัพธ์ที่ถูกต้อง จะค่อนข้างต่ำ นี้ไม่มีความสำคัญสำหรับใช้ครั้งเดียวแต่อาจจะห้ามปรามถ้าประเมินจำนวนมากเราอาจพยายามที่จะบรรลุประสิทธิภาพที่ดีขึ้น ด้วยการเปลี่ยนวิธีการเปิด เนื่องจากEq. (ของลูกค้า 8.21) ค่อนข้างตรงไปตรงมาที่แยกความแตกต่าง วิธีการนิวตัน-Raphsonการผ่าตัด เช่นนี้ ใช้เดาการเริ่มต้นที่ต่ำสุดของช่วง(x 0 = 0.008), นิวตัน Raphson แร็คเร็วไป 0.0289678 กับข้อผิดพลาดโดยประมาณร้อยละ 6.87 × 10-6 ซ้ำเพียง 6 อย่างไรก็ตาม เมื่อเดาครั้งแรกตั้งที่ส่วนบนช่วง (x 0 = 0.08), ชุดคำสั่งปมาก

ผลลัพธ์ (ไทย) 2:

ยกตัวอย่างเช่น bisection ให้ค่าของ
f = 0.0289678 กับเปอร์เซ็นต์ความผิดพลาดของข้อผิดพลาดของ 5.926 × 10-5 ใน 22 ซ้ำ เท็จตำแหน่งอัตราผลตอบแทนผลของความแม่นยำที่คล้ายกันในการทำซ้ำ 26 ดังนั้นแม้ว่าพวกเขาผลิตผลที่ถูกต้องพวกเขาจะค่อนข้างไม่มีประสิทธิภาพ นี้จะไม่เป็นสิ่งสำคัญสำหรับโปรแกรมเดียวแต่อาจจะกลายเป็นที่ต้องห้ามถ้าการประเมินหลายคนทำ. เราได้พยายามที่จะบรรลุประสิทธิภาพที่เพิ่มขึ้นด้วยการเปลี่ยนวิธีการที่จะเปิด เพราะสมการ (8.21) เป็นที่ค่อนข้างตรงไปตรงมาความแตกต่างวิธีนิวตันราฟสันเป็นผู้สมัครที่ดี ตัวอย่างเช่นการใช้เดาการเริ่มต้นที่ปลายล่างของช่วง(x0 = 0.008), นิวตันราฟสันลู่อย่างรวดเร็วเพื่อ 0.0289678 กับข้อผิดพลาดโดยประมาณของ6.87 × 10-6% ในเวลาเพียง 6 ซ้ำ แต่เมื่อเดาเริ่มต้นตั้งไว้ที่ปลายด้านบนของช่วง (x0 = 0.08) ที่ลงตัวประจำ