数值分析核心知识点

最新推荐文章于 2024-04-26 23:15:16 发布

Aggro

最新推荐文章于 2024-04-26 23:15:16 发布

阅读量2.6k

点赞数 2

文章标签：算法动态规划

本文链接：https://blog.csdn.net/Aggro/article/details/121886052

版权

1 误差传播与数值精度

有效数字，从首位非零数字开始计算位数。0.0925有3位有效数字，3.1416有5位有效数字。

避免误差传播的几种方法

避免极小值相减，例如 $\large 1-cosx$ 可替换为 $\large sin\frac{x^2}{2}$
简化计算步骤
防止出现机器零（过小）或溢出（过大）

2 线性方程组的解

矩阵范数

Jacobi迭代法

有方程组Ax=b，方程组解的迭代公式如下，其中k表示迭代次数。

$\large \begin{cases} x^{(k+1)}_1=\frac{1}{a_{11}}(-a_{12}x^{(k)}_2-a_{13}x^{(k)}_3-\cdots-a_{1n}x^{(k)}_n+b_1 ), & \\ x^{(k+1)}_2=\frac{1}{a_{22}}(-a_{21}x^{(k)}_1-a_{23}x^{(k)}_3-\cdots-a_{2n}x^{(k)}_n+b_2 ), &\\ ...............& \\ x^{(k+1)}_n=\frac{1}{a_{nn}}(-a_{n1}x^{(k)}_1-a_{n2}x^{(k)}_2-\cdots-a_{n,n-1}x^{(k)}_{n-1}+b_n ), & \end{cases}$

写成矩阵形式为

$\large x^{(k+1)}=D^{-1}(L+U)x^{k}+D^{-1}b$

其中D,L,U的表示方式表示如下,A=D-L-U,而不是一般意义上的矩阵LU分解。

$\large D=\begin{pmatrix} a_{11} & & & \\ & a_{22}& & \\ & & \ddots & \\ & & &a_{nn} \end{pmatrix}$ $\large L=\begin{pmatrix} 0 & & & \\-a_{21} & 0& & \\ & & \ddots & \\ -a_{n1}&-a_{n2} &... &0 \end{pmatrix}$ $\large U=\begin{pmatrix} 0 &-a_{12} & -a_{13}&... \\ & 0&-a_{23} & \\ & & \ddots &-a_{n-1,n} \\ & & &0 \end{pmatrix}$

Gauss-Seidel迭代法

进一步的，从Jacobi迭代公式中的第二行开始，带入上面公式计算出的最新k次迭代数值，使收敛速度更快，形式如下

$\large \large \begin{cases} x^{(k+1)}_1=\frac{1}{a_{11}}(-a_{12}x^{(k)}_2-a_{13}x^{(k)}_3-\cdots-a_{1n}x^{(k)}_n+b_1 ), & \\ x^{(k+1)}_2=\frac{1}{a_{22}}(-a_{21}x^{({\color{Red} k+1})}_1-a_{23}x^{(k)}_3-\cdots-a_{2n}x^{(k)}_n+b_2 ), &\\ ...............& \\ x^{(k+1)}_n=\frac{1}{a_{nn}}(-a_{n1}x^{({\color{Red} k+1})}_1-a_{n2}x^{({\color{Red} k+1})}_2-\cdots-a_{n,n-1}x^{({\color{Red} k+1})}_{n-1}+b_n ), & \end{cases}$

矩阵形式为

$\large x^{(k+1)}=(D-L)^{-1}(Ux^{(k)}+b)$

两种方法均收敛的充要条件为，系数矩阵严格对角占优

谱半径<1，对称正定也可以证明收敛，范数>1不代表发散。

3 函数插值法

拉格朗日插值与余项公式

线性插值公式

$\large L_1(x)=\frac{(x-x_1)}{(x_0-x_1)}f(x_0)+\frac{(x-x_0)}{(x_1-x_0)}f(x_1)$

二次拉格朗日插值公式

$\large L_2(x)=\frac{(x-x_1)(x-x_2)}{(x_0-x_1)(x_0-x_2)}f(x_0)+\frac{(x-x_0)(x-x_2)}{(x_1-x_0)(x_1-x_2)}f(x_1)+\frac{(x-x_0)(x-x_1)}{(x_2-x_0)(x_2-x_1)}f(x_2)$

插值余项 $\large R_{(n)}(x)=\frac{f^{(n+1)}(\varepsilon )}{(n+1)!}\omega _{n+1}(x)$

所以，当多项式次数不大于n次时，余项为0， $\large f(x)=L_{(n)}(x)$

牛顿差商

$\small X_k$	$\small f(x_k)$	1阶差商	二阶差商	三阶差商	...
0	$\small f(x_0)$				...
1	$\small f(x_1)$	$\small f[x_0,x_1]$			...
2	$\small f(x_2)$	$\small f[x_1,x_2]$	$\small f[x_0,x_1,x_2]$		...
3	$\small f(x_3)$	$\small f[x_2,x_3]$	$\small f[x_1,x_2,x_3]$	$\small f[x_0,x_1,x_2,x_3]$	...
...	...	...	...	...	...

其中差商 $\small f[x_0,x_1]=\frac{f(x_1)-f(x_0)}{x_1-x_0}$ , $\small f[x_0,x_1,x_2]=\frac{f[x_1,x_2]-f[x_0,x_1]}{x_2-x_0}$ ...

插值余项为 $\small E_{(n)}(x)=f[x_0,x_1,...x_n]\omega _{n+1}(x)$

等距节点的插值用差分替换差商

Hermit插值与余项公式

在差商表算法基础上，加入导数值，x有一阶导数的，写两行f(x)。

余项为 $\small R(x)=\frac{f^{(2n+2)}(\varepsilon )}{(2n+2)!}\omega ^{2}_{n+1}(x)$ ，

分段插值

为避免龙格现象，将高次多项式改为分段低次多项式插值

$\small \varphi _k(x)=\sum_{j=0}^{n}l_j(x)f(x_{j})$

4 数值积分

代数精度

首先看一下数值积分公式， $\small \int_{a}^{b}f(x)dx\approx \sum_{k=0}^{n}A_kf(x_k)$ ，令 $\small f(x)=1,x,x^2...x^{m}$ ,使得公式精确成立，而m+1次方不能精确成立，则代数精度就是m次。

复化梯形公式与余项

$\small \int_{a}^{b}f(x)dx\approx \frac{h}{2}[f(a)+2\sum_{k=0}^{n-1}f(x_k)+f(b)]$ ,余项为 $\small -\frac{b-a}{12}h^2f''(\varepsilon )$ ,h为步长。

复化辛普森公式与余项

$\small \int_{a}^{b}f(x)dx\approx \frac{h}{6}[f(a)+4\sum_{k=0}^{n-1}f(x_{k+\frac{1}{2}})+2\sum_{k=1}^{n-1}f(x_k)+f(b)]$ ，余项为 $\small -\frac{b-a}{180}(\frac{h}{2})^4f^{(4)}(\varepsilon )$

Romberg算法

将步长逐次折半，反复使用复化求积，可算出10个数，推出Romberg算法，步骤如下

k	$\small T_{2^k}$	$\small S_{2^{k-1}}$	$\small C_{2^{k-2}}$	$\small R_{2^{k-3}}$
0	① $\small T_1$
1	② $\small T_2$	③ $\small S_1$
2	④ $\small T_4$	⑤ $\small S_2$	⑥ $\small C_1$
3	⑦ $\small T_8$	⑧ $\small S_4$	⑨ $\small C_2$	⑩ $\small R_1$

$\small T_1=\frac{b-a}{2}(f(a)+f(b)),T_{2^k}=\frac{1}{2}T_{2^{k-1}}+\frac{b-a}{2^k} \sum f(\sigma )$ ,其中δ为新分点

$\small S_n=\frac{4}{3}T_{2n}-\frac{1}{3}T_{n}$

$\small C_n=\frac{16}{15}S_{2n}-\frac{1}{15}S_{n}$

$\small R_n=\frac{64}{63}C_{2n}-\frac{1}{63}C_{n}$

5 非线性方程解

二分法

对于方程f(x)=0，f(a)>0,f(b)<0，那么a,b之间必有一个根，取a,b中点值f(x0)，判断f(x0)的符号，如果>0,则根进一步缩小到[x0,b]的区间范围内，再一次取中点判断符号，这样逐步得到一个无限逼近的解，这个方法叫做二分法，二分法的缺点是不能求偶重根。

不动点迭代法

改造方程为x=g(x),从几何图形上分析，y=x与y=g(x)的交点即为原方程的根

$\small x_1=g(x_0)$ , $\small x_2=g(x_1)$ ...一步步迭代到逼近交点处，求得近似解。注意这里有一个适定性的概念，也就是说，当迭代序列不在解的取值范围内时，结果是不适定的，继续迭代只会越来越偏离。

牛顿法

有f(x)在x0处的Taylor公式可将发f(x)用导数近似，进而得出一个迭代公式

$\small g(x)=x-\frac{f(x)}{f'(x)}$

几何意义表示为经过f(x)初始某点的切线与x轴的交点作为f(x)的下一个迭代点

Aggro

关注

2
点赞
踩
28

收藏

觉得还不错? 一键收藏
0
评论
数值分析核心知识点

1 误差传播与数值精度避免误差传播的几种方法避免极小值相减，例如可替换为2 线性方程组的解矩阵范数雅可比迭代法高斯塞德尔迭代法SOR法3 插值法拉格朗日插值与余项公式牛顿差商Hermit插值与余项公式分段插值龙格现象4 数值积分代数精度复化梯形公式与余项复化辛普森公式与余项Romberg算法5 非线性方程解二分法不动点迭代法牛顿法...
复制链接

扫一扫