虽然这是最基本的非线性求解器，但它的功能惊人。它是基于c中的数值公式第9.6-7章中的Newton-Raphson方法。一般情况下，对于表现良好的函数和良好的初始猜测，它的收敛性至少是二次的。但如果存在局部极小值，雅可比矩阵的条件较差或初始估计距离解较远，则可能失败。当收敛为负时，它将尝试回溯和线搜索。通过MATLAB优化工具箱和IPOPT (https://projects.coin-or.org/Ipopt)进行求解验证。请参阅帮助注释和示例。
注:LSQ曲线拟合型问题也可以用牛顿拉弗森来解决。在这些问题中，单个函数有很多数据，但函数的系数是未知的。由于数据比未知数多，每个数据点的残差最小，雅可比矩阵不是平方的。这些问题通常以标志2退出:“可能已经收敛”，而解决方案在“最小二乘”意义上是最佳的。
穆迪图表来自维基百科
http://upload.wikimedia.org/wikipedia/commons/8/80/Moody_diagram.jpg
引用作为
马克Mikofski(2021)。NewtonRaphsonGitHub (https://github.com/mikofski/NewtonRaphson)。检索．
要查看或报告这个GitHub插件中的问题，请访问GitHub库．
要查看或报告这个GitHub插件中的问题，请访问GitHub库．
