Solutions to a wide variety of transcendental equations can be expressed in terms of the Lambert $\mathrm{W}$ function. The $\mathrm{W}$ function, occurring frequently in applications, is a non-elementary, but now standard mathematical function implemented in all major technical computing systems. In this work, we discuss some approximations of the two real branches, $\mathrm{W}_0$ and $\mathrm{W}_{-1}$. On the one hand, we present some analytic lower and upper bounds on $\mathrm{W}_0$ for large arguments that improve on some earlier results in the literature. On the other hand, we analyze two logarithmic recursions, one with linear, and the other with quadratic rate of convergence. We propose suitable starting values for the recursion with quadratic rate that ensure convergence on the whole domain of definition of both real branches. We also provide a priori, simple, explicit and uniform estimates on its convergence speed that enable guaranteed, high-precision approximations of $\mathrm{W}_0$ and $\mathrm{W}_{-1}$ at any point. Finally, as an application of the $\mathrm{W}_0$ function, we settle a conjecture about the growth rate of the positive non-trivial solutions to the equation $x^y=y^x$.


翻译:各种超异方程式的解决方案可以用 Lambert $\ mathrm{W} $ 函数来表示。 $\ mathrm{W} $ 函数, 在应用中经常出现, $\ mathrm{W} 美元功能是一个非元素性功能, 但是现在在所有主要技术计算系统中都执行标准数学函数。 在这项工作中, 我们讨论两个真实分支的近似值, $\ mathrm{W} 和$\ mathrm{W} -1美元。 一方面, 我们用 $\ mathrm{W} 在文献中某些早期结果得到改进的大参数, $\ mathrm} 函数是一个非元素性循环, 一个带有线性, 而另一个则具有二次趋同率。 我们建议, 以二次循环的起始率为合适的起始值, 以确保在两个真实分支的整个定义范围内的趋同。 我们还提供对其趋同速度的先验、 简单、 明确和统一的估计, 其趋同速度可以保证、 $ $\\ 美元 美元 =xxxxxx 的正正率 的正正值 =x 和 等值的正数 。

0
下载
关闭预览

相关内容

专知会员服务
98+阅读 · 2021年3月19日
专知会员服务
52+阅读 · 2020年9月7日
专知会员服务
60+阅读 · 2020年3月19日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
清华大学研究生教育
3+阅读 · 2018年6月30日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
0+阅读 · 2021年7月12日
Revealing the Dark Secrets of BERT
Arxiv
4+阅读 · 2019年9月11日
Logically-Constrained Reinforcement Learning
Arxiv
3+阅读 · 2018年12月6日
VIP会员
相关VIP内容
专知会员服务
98+阅读 · 2021年3月19日
专知会员服务
52+阅读 · 2020年9月7日
专知会员服务
60+阅读 · 2020年3月19日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
清华大学研究生教育
3+阅读 · 2018年6月30日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员