牛顿法

从微积分课堂到低空经济：藏在eVTOL优化里的300年老算法新生

当我们谈论低空经济里的核心技术，绝大多数人会 first 想到电动垂直起降（eVTOL）整机设计、电池能量密度、空管调度系统，很少有人会留意支撑这些复杂工程落地的基础算法。但如果你拆解一架沃兰特航空或亿航智能的eVTOL气动布局优化过程，就会发现一个诞生于17世纪的古老算法，至今依然在工程最前线发挥着不可替代的作用——这就是牛顿-拉弗森方法，我们更常称它为牛顿法。

很多人对牛顿法的印象还停留在大学数值分析课堂里“用切线逼近求根”的例题，或是机器学习面试里“对比梯度下降和牛顿法”的标准答案。但实际上，这个诞生了超过300年的算法，今天依然是很多复杂工程优化问题的首选方案，哪怕是在低空经济这种最前沿的新兴赛道里。

2026年4月，国内技术博客平台CSDN上一篇面向工科学生和算法工程师的科普文《通俗易懂讲透牛顿法》获得了超过1000次阅读，评论区里最多的讨论不是基础理论，而是“这个参数初始化方法能不能直接用到我现在做的eVTOL升力曲线拟合里”。仅仅一个月后，另一篇专业分析文章发布，截至9月已经获得了近500次行业用户阅读，足以见得这个老牌算法在当下的关注度。

我们先回到最基础的问题：牛顿法到底解决了什么问题？从本质上来说，牛顿法解决的是“如何快速找到方程的根”——也就是找到让f(x)=0成立的x值。和大家更熟悉的二分法这种逐步缩小区间的笨办法不同，牛顿法用的是“切线不断逼近”的思路：在当前的迭代点上做函数的切线，用切线和x轴的交点作为下一个迭代点，一步步靠近真实的根。北京大学数学科学学院公开的《统计计算》教材里，把牛顿法求解优化问题的逻辑梳理得非常清楚：当我们要找一个目标函数的最小值点，本质上就是找目标函数一阶导数g(x)=f’(x)=0的根，我们在当前点xk附近对g(x)做一阶泰勒展开，就能推导出下一代迭代点x(k+1) = xk - g(xk)/g’(xk)，这个迭代公式就是牛顿法的核心。

这个思路看起来简单，但效率却碾压很多传统算法：二分法是线性收敛，而牛顿法是二阶收敛——换句话说，每迭代一次，结果的有效数字就会翻一倍，这种收敛速度是绝大多数工程问题求优化解时求之不得的。也正是因为这个优势，从1960年代航空工程进入数字化计算时代开始，牛顿法就成了气动设计、结构力学计算里的核心算法，放到今天的低空经济领域，这个优势依然成立。

我们拿当下最火热的eVTOL整机设计举例子。eVTOL要解决的第一个核心问题，就是在满足200公里以上航程、300公斤以上商载的前提下，尽可能降低起飞重量和能耗，这就需要对全机的升阻特性做精细化优化。工程师在拟合不同飞行姿态下的升力曲线时，需要找到失速攻角对应的临界升力，本质上就是求解升力系数对攻角导数为零的点，这就是一个典型的求根问题。如果用二分法来计算，可能需要迭代10次以上才能达到千分之一的精度，而用牛顿法，通常2-3次迭代就能满足工程需求——对于需要做上千次参数迭代的整机优化来说，这个效率提升直接缩短了整个设计周期。

另一个更具体的场景是eVTOL的分布式动力控制。多旋翼eVTOL通常拥有6-12个独立的旋翼，每个旋翼的转速都需要根据实时飞行姿态调整，才能保持机身稳定。当飞控系统计算出需要调整的总升力和总扭矩后，需要求解每个旋翼对应的目标转速，这个方程组的求解，目前绝大多数厂商都在用牛顿法迭代，因为它能在飞控系统要求的10毫秒周期内给出满足精度要求的解，换成其他收敛更慢的算法，根本赶不上实时调整的要求。

当然，牛顿法也不是完美的，这一点行业里早有共识。2026年CSDN的那篇科普文里就明确提到了牛顿法的两个核心局限：第一，牛顿法每次迭代都需要计算一阶导数和二阶 Hessian 矩阵，对于高维问题来说，计算量会陡增；第二，牛顿法是局部收敛算法，如果初始点选得离真实根太远，很容易出现迭代发散的问题，根本得不到结果。

针对这两个问题，行业里其实早已经走出了成熟的折中方案。针对初始点的问题，现在通用的做法是先用扩展步长搜索找到合适的含根区间，再用牛顿法做精细求解——北京大学的统计计算教材里就提到了这种组合策略：先用可变步长扩展搜索确定包含根的区间，不需要提前手动找初始点，再用牛顿法在区间内做快速收敛，既解决了初始点不稳定的问题，又保留了牛顿法的速度优势。针对高维问题计算量大的问题，行业里也演化出了拟牛顿法，用近似矩阵代替完整的Hessian矩阵计算，把计算复杂度从O(n³)降到了O(n²)，适合很多维度不太高的工程优化问题，eVTOL的多旋翼控制优化用的基本都是这种改进版本。

有意思的是，很多人觉得现在大模型和人工智能火热，传统数值算法会被淘汰，但实际上牛顿法反而成了很多AI优化算法的基础。现在大模型训练用的Adam优化器，本质上就是带动量的梯度下降，但在很多结构化的工程优化场景里，牛顿法依然比基于梯度的随机优化算法效率高得多。比如我们给eVTOL做结构减重优化，需要在满足强度约束的前提下最小化结构重量，这个问题是确定性的凸优化问题，用牛顿法只需要十几次迭代就能收敛，换成深度学习常用的梯度下降，可能需要上百次迭代，效率差了一个数量级。

我们梳理这个老牌算法的发展脉络就能发现，技术的发展从来不是“新的淘汰旧的”，而是“旧的找到新的应用场景，老树发新芽”。牛顿法从牛顿1669年提出雏形，到1690年拉弗森完成改进，再到20世纪进入数字化工程计算，今天又在低空经济这个新兴赛道找到新的位置，正好印证了这个规律。

根据中国民用航空局的规划，2030年我国低空经济规模要达到1万亿元，其中eVTOL的整机制造、运营服务会占超过30%的份额，整个行业正在从技术验证走向批量量产，这个过程里对精细化工程优化的需求只会越来越高。而牛顿法作为经过数百年验证的高效优化算法，会在气动设计、飞控、结构优化这些核心环节继续发挥作用，甚至会和新的AI技术结合，催生出更高效的优化方案——比如现在已经有研究团队用大模型提前预测牛顿法的初始点，解决了牛顿法容易发散的问题，把工程优化的效率又提高了一倍。

很多时候我们追逐前沿技术，总会不自觉地忽略那些基础层面的核心算法。但就像低空经济里，我们盯着eVTOL的载客首飞、盯着适航证的进展，却很少注意到支撑这些成果的，依然是牛顿法这种诞生了数百年的基础工具。2026年上半年国内两篇牛顿法的专业文章获得了超过1500次行业阅读，这个数字背后，是整个行业对基础算法价值的重新认知——当新兴产业走向深水区，真正能帮我们走得更远的，永远是那些经过时间考验的基础技术。