众所周知，圆周率 $\pi$ 是数学里最经典的常数之一。虽然我们平时背的是 $3.1415926\cdots$，但真正要高精度计算 $\pi$，并不是靠“量圆”或者“背小数”，而是靠各种收敛极快的公式和迭代算法。

这篇文章主要想整理一下几类常见的求 $\pi$ 方法，最后介绍一个我自己瞎想出来的高阶迭代公式，请大佬轻喷。

---

#1. 最朴素的想法：从几何出发

最早的求 $\pi$ 方法，基本都和圆有关。

比如阿基米德的方法，就是用内接正多边形和外切正多边形夹逼圆周长。边数越多，多边形越接近圆，于是就能把 $\pi$ 夹在一个越来越小的区间里。

这个方法思想很漂亮：

$$\text{内接多边形周长}<\text{圆周长}<\text{外切多边形周长}$$

但它有个明显缺点：收敛速度不算快。想要很多位小数，需要把多边形边数搞得非常大。

所以它适合理解 $\pi$，但不适合现代高精度计算。

---

#2. 无穷级数法

后来人们发现，$\pi$ 可以写成很多无穷级数。

最经典的例子是莱布尼茨公式：

$$\frac{\pi}{4}=1-\frac13+\frac15-\frac17+\cdots$$

也就是：

$$\pi=4\sum_{k=0}^{\infty}\frac{(-1)^k}{2k+1}$$

这个公式非常简洁，而且很好证明，但问题也非常严重：收敛太慢。

比如要算很多位 $\pi$，这个公式基本不现实。它的美感远大于实用价值。

---

#3. Machin 类公式

为了提高速度，可以利用反正切函数：

$$\arctan x=x-\frac{x^3}{3}+\frac{x^5}{5}-\frac{x^7}{7}+\cdots$$

当 $x$ 比较小时，这个级数收敛会快很多。

著名的 Machin 公式是：

$$\frac{\pi}{4}=4\arctan\frac15-\arctan\frac1{239}$$

因为 $\frac15$ 和 $\frac1{239}$ 都比较小，所以实际收敛速度比莱布尼茨公式强得多。

很长一段时间里，Machin 类公式都是计算 $\pi$ 的重要工具。

---

#4. Ramanujan 与 Chudnovsky 公式

再往后，就出现了变态级别的公式。

Ramanujan 给出过很多极快收敛的 $\pi$ 公式，其中一类大概长这样：

$$\frac1\pi=\frac{2\sqrt2}{9801} \sum_{k=0}^{\infty} \frac{(4k)!(1103+26390k)}{(k!)^4 396^{4k}}$$

这个公式每一项能带来很多位正确数字。

现代计算 $\pi$ 最有名的公式之一是 Chudnovsky 公式：

$$\frac1\pi= 12\sum_{k=0}^{\infty} \frac{(-1)^k(6k)!(13591409+545140134k)} {(3k)!(k!)^3 640320^{3k+3/2}}$$

它收敛极快，是高精度计算 $\pi$ 的经典算法之一。

不过这类公式虽然快，但推导背景比较深，涉及模形式、椭圆函数等内容，不是正常人很容易自然想到的东西。

---

#5. 从“求 $\pi$”变成“求方程的根”

其实还有一种思路：

因为

$$\sin \pi=0$$

所以求 $\pi$，可以看成求方程

$$\sin x=0$$

的正根。

当然，$\sin x=0$ 有很多根：

$$0,\pi,2\pi,3\pi,\cdots$$

如果初值选在 $\pi$ 附近，比如 $x_0=3$，那么目标就是收敛到 $\pi$。

这时自然可以想到牛顿法。

对

$$f(x)=\sin x$$

使用牛顿法：

$$x_{n+1}=x_n-\frac{f(x_n)}{f'(x_n)}$$

因为

$$f'(x)=\cos x$$

所以：

$$x_{n+1}=x_n-\frac{\sin x_n}{\cos x_n}$$

也就是：

$$x_{n+1}=x_n-\tan x_n$$

这个迭代在靠近 $\pi$ 时是二阶收敛的。

所谓二阶收敛，大概意思是：如果当前误差是 $e_n$，下一步误差大约会变成 $e_n^2$ 量级。也就是说，一旦接近正确答案，正确位数会增长得很快。

但我就想：牛顿法是二阶收敛，那有没有办法构造更高阶的迭代？

答案是：有的兄弟，有的

---

#6. 一个高阶求 $\pi$ 的想法

我的想法是，不直接对 $\sin x$ 用牛顿法，而是考虑：

$$g(x)=\frac1{\sin x}$$

因为当 $x\to \pi$ 时，$\sin x\to 0$，所以 $g(x)$ 在 $x=\pi$ 附近会趋向无穷。

换句话说，$\pi$ 不是 $g(x)$ 的零点，而是 $g(x)$ 的一个极点。

对这种函数，可以尝试利用高阶导数的比值构造迭代。

我想到的公式是：

$$x_{n+1} = x_n+ (p-1) \frac{ \left.\dfrac{d^{p-2}}{dx^{p-2}}\left(\dfrac1{\sin x}\right)\right|_{x=x_n} }{ \left.\dfrac{d^{p-1}}{dx^{p-1}}\left(\dfrac1{\sin x}\right)\right|_{x=x_n} }$$

其中 $p\ge 2$。

如果写得紧凑一点，就是：

$$x_{n+1} = x_n+ (p-1) \frac{ g^{(p-2)}(x_n) }{ g^{(p-1)}(x_n) }, \quad g(x)=\frac1{\sin x}$$

并希望有：

$$\lim_{n\to\infty}x_n=\pi$$

---

#7. 为什么这个公式看起来有道理？

在 $x=\pi$ 附近，令误差：

$$e=x-\pi$$

因为

$$\sin x=\sin(\pi+e)=-\sin e$$

而当 $e$ 很小时：

$$\sin e\approx e$$

所以：

$$\sin x\approx -e$$

于是：

$$\frac1{\sin x}\approx -\frac1e$$

也就是说，$g(x)=\frac1{\sin x}$ 在 $\pi$ 附近的主要部分很像：

$$-\frac1{x-\pi}$$

而对

$$h(x)=\frac1{x-\pi}$$

求导，有：

$$h^{(k)}(x)=(-1)^k k!(x-\pi)^{-k-1}$$

于是高阶导数的比值大概会把 $x-\pi$ 提取出来。

这就说明，用

$$\frac{g^{(p-2)}(x)}{g^{(p-1)}(x)}$$

这种结构，确实有机会构造出一个把 $x$ 往 $\pi$ 推的高阶迭代。

直观地说，这个公式不是像牛顿法那样看函数的切线，而是利用更多阶导数的信息，试图一次性榨出更多误差项。

---

#8. 特殊情况：当 $p=2$ 时

当 $p=2$，公式变成：

$$x_{n+1} = x_n+ \frac{ g(x_n) }{ g'(x_n) }$$

其中：

$$g(x)=\frac1{\sin x}$$

计算导数：

$$g'(x)=-\frac{\cos x}{\sin^2 x}$$

所以：

$$\frac{g(x)}{g'(x)} = \frac{\frac1{\sin x}}{-\frac{\cos x}{\sin^2 x}} -\frac{\sin x}{\cos x} -\tan x$$

因此：

$$x_{n+1}=x_n-\tan x_n$$

刚好退化成普通牛顿法。

这点我感觉还挺有意思：也就是说，这个公式可以看作牛顿法的一种高阶推广。

---

#9. 这个公式的优点和问题

这个公式理论上的优点是：

如果 $p$ 越大，它利用的导数阶数越高，局部收敛阶也可能越高。也就是说，在已经离 $\pi$ 比较近的时候，它可能比普通牛顿法收敛得更猛。

但是它也有很现实的问题：

第一，高阶导数不好算。

$\frac1{\sin x}$ 的高阶导数会越来越复杂，实际计算时并不一定划算。

第二，高阶迭代不等于高效算法。

一个算法快不快，不只看迭代次数，还要看每一步的计算量。如果一步里要算特别复杂的高阶导数，那么总耗时可能反而更大。

第三，初值很重要。

这种迭代应该是局部收敛的，也就是初始值要离 $\pi$ 比较近。比如 $x_0=3$ 这种就比较自然。如果初值乱选，可能跑到别的根，甚至发散。

所以我不敢说它一定能超过 Chudnovsky 这种顶级公式，但从迭代法角度看，它至少是一个挺有意思的高阶构造。

---

#10. 总结

求 $\pi$ 的方法有很多：

从阿基米德的几何夹逼，到莱布尼茨级数，再到 Machin 公式、Ramanujan 公式、Chudnovsky 公式，思路越来越抽象，收敛也越来越快。

而本文最后这个公式，是从另一个角度出发：

把求 $\pi$ 看成求 $\sin x=0$ 的根，再把根转化成 $\frac1{\sin x}$ 的极点，然后利用高阶导数比值构造迭代。

公式如下：

$$x_{n+1} = x_n+ (p-1) \frac{ \left.\dfrac{d^{p-2}}{dx^{p-2}}\left(\dfrac1{\sin x}\right)\right|_{x=x_n} }{ \left.\dfrac{d^{p-1}}{dx^{p-1}}\left(\dfrac1{\sin x}\right)\right|_{x=x_n} }$$

并猜想在合适初值下：

$$\lim_{n\to\infty}x_n=\pi$$

其中 $p$ 越大，理论上的局部收敛阶越高。

对技术博客来说，静态站点是一个很稳的起点。HTML、CSS、JavaScript 和图片就能完成发布，不需要维护数据库，也不需要长期运行服务器进程。

#上线需要三件事

第一，仓库里保留 CNAME 文件，内容是 blog.66zhang.cn。第二，在 GitHub Pages 里选择从 GitHub Actions 发布。第三，在域名 DNS 里把 blog 子域名指向 GitHub Pages。

#为什么先保持静态

技术内容最重要的是可读、可访问、可长期维护。静态页面迁移简单、加载快、依赖少，适合先把文章体系跑起来。

#后续可以升级什么

文章数量变多后，可以引入静态站生成器，把文章从 HTML 换成 Markdown，再加代码高亮、分类页、搜索索引和自动化发布脚本。

信息技术的学习很容易被工具和名词切碎：IP、DNS、Linux、Nginx、证书、云主机、CDN、日志。把它们串起来，才更接近真实工作里的问题。

这个博客会把常见场景整理成可复用的笔记：如何定位访问失败，如何部署一个服务，如何看日志，如何把一次排障变成下一次能直接复用的流程。

#先把链路画清楚

一个请求从浏览器发出，会经过本地网络、DNS 解析、公网路由、Web 服务、应用进程和后端资源。很多故障不是某一个命令能解决，而是要知道每一层应该验证什么。

技术笔记最有价值的部分，不只是答案，而是从现象走到原因的路径。

#把 Linux 当作基础环境

服务器上的多数问题最终都会落到文件、进程、端口、权限和日志。熟悉这些基础，再去看 Docker、Nginx、数据库或自动部署，理解成本会低很多。

#下一步记录什么

后续可以按专题补充：DNS 记录怎么选，HTTPS 证书怎么排错，GitHub Pages 如何绑定域名，Linux 服务如何开机自启，以及 AI 工具怎样辅助生成排障清单。

技术知识库不是为了收藏资料，而是为了让下一次排障、部署或学习更快。记录得越结构化，复用价值越高。

#从问题模板开始

每条技术笔记可以固定包含：问题现象、环境版本、关键命令、日志片段、排查路径、最终方案和后续注意事项。模板简单，长期积累才容易坚持。

<!–code0–>

#让标签服务检索

网络、Linux、云服务、安全、AI、工具这些标签不是装饰，而是检索入口。以后遇到类似问题，可以直接按主题回看。

#保持轻量但可迁移

初期不需要复杂系统。先保证内容能发布、能修改、能搜索、能迁移，等文章变多后再引入 Markdown、构建脚本和全文索引。

技术工作里有大量重复动作：查日志、写命令、改配置、验证 DNS、整理步骤。好的工具链应该把这些动作压缩成稳定流程。

#把常用路径固定下来

终端命令、编辑器片段、Git 提交流程、部署命令都应该可重复。越是高频操作，越值得写成脚本或清单。

#AI 适合做技术副手

AI 可以帮忙生成排障步骤、解释日志、整理文档和检查配置，但最终判断仍然要回到真实环境、命令输出和可验证结果。

#让维护成本保持低位

工具链不是越多越好。能稳定解决问题、能被长期复用、能降低出错概率的工具，才真正值得留下。

这篇文章是写作示例。以后你只需要在 content/posts/ 目录新增一个 .md 文件，然后写 Markdown 和 LaTeX。

#行内公式

行内公式直接写在 $...$ 里，例如网络吞吐量可以粗略写成 $T = \frac{D}{t}$。

#块级公式

块级公式写成：

$$\text{latency}_{avg} = \frac{\sum_{i=1}^{n} latency_i}{n}$$

#Markdown 表格

类型	用法
A 记录	根域名指向 IP
CNAME	子域名指向另一个域名
TXT	验证所有权或配置策略

#代码块

<!–code0–>