数值分析学习笔记

2chen_

已于 2024-07-07 23:59:58 修改

阅读量845

点赞数 16

文章标签：学习笔记

于 2024-07-07 23:58:36 首次发布

本文链接：https://blog.csdn.net/chen030209/article/details/140206464

版权

第 1 章数值分析与科学计算引论

1.1 数值分析的对象、作用与特点

1.2 数值计算的误差

1.3 误差定性分析与避免误差危害

1.4 数值计算中算法设计的技术

第 2 章插值法

2.1 引言

2.2 拉格朗日插值

2.2.1 线性插值与抛物线插值

取 n=1，即一阶多项式

点斜式： $L_1(x)=y_k+\frac{y_{k+1}-y_k}{x_{k+1}-x_k}(x-x_k)$

两点式： $L_1(x)=\frac{x_{k+1}-x}{x_{k+1}-x_k}y_k+\frac{x-x_k}{x_{k+1}-x_k}y_{k+1}$

由两点式看出 $L_1(x)$ 是由两个线性函数

$l_k(x)=\frac{x-x_{k+1}}{x_k-x_{k+1}},l_{k+1}=\frac{x-x_k}{x_{k+1}-x_k}$

线性组合得到的，其系数分别为 $y_k$ 及 $y_{k+1}$ ，即

$L_1(x)=y_kl_k(x)+y_{k+1}l_{k+1}(x)$

2.2.2 拉格朗日插值多项式

n 次插值基函数：若 n 次多项式 $l_j(x)(j=0,1,\cdots,n)$ 在 n+1 个节点 $x_0<x_1<\cdots<x_n$ 上满足条件

就称这 n+1 个 n 次多项式 $l_0(x),l_1(x),\cdots,l_n(x)$ 为节点 $x_0,x_1,\cdots,x_n$ 上的 n 次插值基函数

所以有

2.2.3 插值余项与误差估计

2.3 均差与牛顿插值多项式

2.4 埃尔米特插值

2.5 分段低次插值

2.6 三次样条插值

第 3 章函数逼近与快速傅里叶变换

3.1 函数逼近的基本概念

3.2 正交多项式

3.2.1 正交函数族与正交多项式

若 $f(x),g(x)\in C[a,b],\rho(x)$ 为 [a,b] 上的权函数且满足

则称 $f(x)$ 与 $g(x)$ 在 [a,b] 上带权 $\rho(x)$ 正交

若函数族 $\varphi _0(x),\varphi _1(x),\cdots,\varphi_n(x),\cdots$ 满足关系

则称 $\{\varphi_k(x)\}$ 是 [a,b]上带权 $\rho(x)$ 的正交函数族；

若 $A_k\equiv 1$ ，则称为标准正交函数族

设 $\varphi_n(x)$ 是 [a,b] 上首项系数 $a_n\neq 0$ 的 n 次多项式， $\rho(x)$ 为 [a,b] 上的权函数，如果多项式序列 $\{\varphi_n(x)\}^\infty_0$ 满足上式，则称多项式序列 $\{\varphi_n(x)\}^\infty_0$ 在 [a,b] 上带权 $\rho(x)$ 正交，称 $\varphi_n(x)$ 为 [a,b] 上带权 $\rho(x)$ 的 n 次正交多项式

定理：设 $\{\varphi_n(x)\}^\infty_0$ 是 [a,b] 上带权 $\rho(x)$ 的正交多项式，则 $\varphi_n(x)(n\ge 1)$ 在区间 (a,b) 内有 n 个不同的零点

3.2.2 勒让德多项式

当区间为 [-1,1]，权函数 $\rho(x)\equiv 1$ 时，由 $\{1,x,\cdots,x^n,\cdots\}$ 正交化得到的多项式称为勒让德多项式，并用 $P_0(x),P_1(x),\cdots,P_n(x),\cdots$ 表示，勒让德多项式的简单表达式

由于 $(x^2-1)^n$ 是 2n 次多项式，求 n 阶导数后得

于是得首项 $x^n$ 的系数 $a_n=\frac{(2n)!}{2^n(n!)^2}$ ，显然最高项系数为 1 的勒让德多项式为

勒让德多项式有下述几个重要性质：

正交性

奇偶性

由于 $\varphi(x)=(x^2-1)^n$ 是偶次多项式，经过偶次求导仍为偶次多项式，经过奇次求导仍为奇次多项式，故 n 为偶数时， $P_n(x)$ 为偶函数，n 为奇数时， $P_n(x)$ 为奇函数

递推关系

零点

$P_n(x)$ 在区间 [-1,1] 内有 n 个不同的实零点

3.2.3 切比雪夫多项式

当权函数 $\rho(x)=\frac{1}{\sqrt{1-x^2}}$ ，区间为 [-1,1] 时，由序列 $\{1,x,\cdots,x^n,\cdots\}$ 正交化得到的正交多项式就是切比雪夫多项式，它可以表示为

若令 $x=cos\theta$ ，则 $T_n(x)=cos(n\theta),0\le\theta\le\pi$

递推关系

正交

切比雪夫多项式 $\{T_k(x)\}$ 在区间 [-1,1] 上带权 $\rho(x)=\frac{1}{\sqrt{1-x^2}}$ 正交，且

令 $x=cos\theta$ ，则 $dx=-sin\theta d\theta$ ，于是

奇偶性

$T_{2k}(x)$ 只含 x 的偶次幂， $T_{2k+1}(x)$ 只含 x 的奇次幂

零点

$T_n(x)$ 在区间 [-1,1] 上有 n 个零点

首项系数

$T_n(x)$ 的首项 $x^n$ 的系数为 $2^{n-1}(n=1,2,\cdots)$

3.2.4 切比雪夫多项式零点插值

3.2.5 其他常用的正交多项式

3.3 最佳平方逼近

3.4 曲线拟合的最小二乘法

3.5 有理逼近

3.6 三角多项式逼近与快速傅里叶变换

第 4 章数值积分与数值微分

4.1 数值积分概论

4.1.1 数值积分的基本思想

由积分中值定理

我们将 $f(\xi)$ 称为区间 [a,b] 上的平均高度。这样，只要对平均高度 $f(\xi)$ 提供一种算法，相应地便获得一种数值求积方法.

梯形公式，用端点的算术平均值作为平均高度

中矩阵公式，用区间中点近似取代平均高度

更一般地，我们可以在区间 [a,b] 上适当选取某些节点 $x_k$ ，然后用 f(x) 的加权平均得到平均高度 $f(\xi)$ 的近似值

$x_k$ 称为求积节点； $A_k$ 称为求积系数，亦称伴随节点 $x_k$ 的权。权 $A_k$ 仅仅与节点 $x_k$ 的选取有关，而不依赖于被积函数 f(x) 的具体形式.

4.1.2 代数精度的概念

如果某个求积公式对于次数不超过 m 的多项式均能准确地成立，但对于 m+1 次多项式就不准确成立，则称该求积公式具有 m 次代数精度(或代数精确度).

4.1.3 插值型的求积公式

作为积分 $I=\int ^b_af(x)dx$ 的近似值，这样构造出的插值型求积公式

式中求积系数 $A_k$ 通过插值基函数 $l_k(x)$ 积分得出，即

4.1.4 求积公式的余项

4.1.5 求积公式的收敛性与稳定性

4.2 牛顿-柯特斯公式

4.2.1 柯特斯系数与辛普森公式

牛顿-柯特斯公式，将积分区间 [a,b] 划分为 n 等份，步长 $h=\frac{b-a}{n}$ ，选取等距节点 $x_k=a+kh$

式中 $C_k^{(n)}$ 称为柯特斯系数

当 n=1

当 n=2

相应的求积公式是辛普森(Simpson)公式：

当 n=4，有柯特斯公式

这里 $x_k=a+kh,h=\frac{b-a}{4}$

4.3 复合求积公式

4.3.1 复合梯形公式

将区间 [a,b] 划分为 n 等份，分点 $x_k=a+kh,h=\frac{b-a}{n},k=0,1,\cdots,n$ ，在每个子区间 $[x_k,x_{k+1}](k=0,1,\cdots,n-1)$ 上采用梯形公式，则得

得复合梯形公式（不要余项）

4.3.2 复合辛普森求积公式

将区间 [a,b] 划分为 n 等份，在每个子区间 $[x_k,x_{k+1}]$ 上采用辛普森公式，若记 $x_{k+1/2}=x_k+\frac{1}{2}h$ ，则得

得复合辛普森求积公式 （不要余项）

4.4 龙贝格求积公式

4.4.1 梯形公式的递推化

用复合梯形公式求得子区间 $[x_k,x_{k+1}]$ 上的积分值为

把每个子区间上的积分值相加得

进而得到下面梯形递推公式

其中 $T_n=\sum\limits^{n-1}_{k=0} [f(x_k)+f(x_{k+1})]$ ，是梯形公式而不是复合梯形公式

4.4.2 外推技巧

由梯形公式，当 [a,b] 分为 n 等份时有

若记 $T_n=T(h)$ ，当区间 [a,b] 分为 2n 等份时，则有 $T_{2n}=T(\frac{h}{2})$ ，并且有

设 $f(x)\in C^\infty[a,b]$ ，则有

其中系数 $\alpha_l(l=1,2,\cdots)$ 与 h 无关，代入 $\frac{h}{2}$ 得

结合上两条式子得到

这里 $\beta_1,\beta_2,\cdots$ 是与 h 无关的系数，用 S(h) 近似积分值 I，其误差阶为 $O(h^4)$ ，这比复合梯形公式的误差阶 $O(h^2)$ 提高了，容易看到 $S(h)=S_n$ ，即将 [a,b] 分为 n 等份得到的复合辛普森公式

这种将计算 I 的近似值的误差阶由 $O(h^2)$ 提高到 $O(h^4)$ 的方法称为外推算法，也称为理查森外推算法，只要真值与近似值的误差能表示成 h 的幂级数，都可使用外推算法，提高精度.

同理有

记 $C(h)=C_n$ ，得

同理有

4.4.3 龙贝格算法

记 $T_0(h)=T(h),T_1(h)=S(h),T_2(h)=C(h),T_3(h)=R(h)$ 等，从而可将上述公式写成统一形式

经过 m(m=1,2,…) 次加速后，余项便取下列形式：

上述处理方法通常称为理查森外推加速方法

龙贝格求积算法，设 $T_0^{(k)}$ 表示二分 k 次后求得的梯形值，且以 $T_m^{(k)}$ 表示序列 $\{T_0^{(k)}\}$ 的m次加速值

计算过程如下：

(1) 取 $k=0,h=b-a$ ，求 $T_0^{(0)}=\frac{h}{2}[f(a)+f(b)]$

令 $1\rightarrow k$ （k 记为区间 [a,b] 的二分次数）

(2) 求梯形值 $T_0(\frac{b-a}{2^k})$ ，即按递推公式计算 $T_0^{(k)}$

(3) 求加速值，逐个求出下面 T 表的第 k 行其余个元素 $T_j^{k-j}(j=1,2,\cdots,k)$

(4) 若 $|T_k^{(0)}-T_{k-1}^{(0)}|<\varepsilon$ （预先给定的精度），则终止计算，并取 $T_k^{(0)}\approx I$ ；否则令 $k+1\rightarrow k$ ，转 (2) 继续计算

同一行的下标与上标之和固定，元素由左边及左上角的元素得出

4.5 自适应积分方法

4.6 高斯求积公式

4.6.1 一般理论

机械求积公式

含有 2n+2 个待定参数 $x_k,A_k(k=0,1,\cdots,n)$ 。当 $x_k$ 为等距节点时得到的插值求积公式其代数精度至少为 n 次，如果适当选取 $x_k(k=0,1,\cdots,n)$ ，有可能使求积公式具有 2n+1 次代数精度.

下面研究带权积分 $I=\int_{a}^{b}f(x)\rho(x)dx$ ，这里 $\rho(x)$ 为权函数，其求积公式为

$A_k(k=0,1,\cdots,n)$ 为不依赖于 $f(x)$ 的求积系数， $x_k(k=0,1,\cdots,n)$ 为求积节点，可适当选取 $x_k$ 及 $A_k(k=0,1,\cdots,n)$ 使上式具有 2n+1 次代数精度

如果该求积公式具有 2n+1 次代数精度，则称其节点 $x_k(k=0,1,\cdots,n)$ 为高斯点相应的公式称为高斯型求积公式

根据定义要使上式具有 2n+1 次代数精度，只要取 $f(x)=x^m$ ，对 m=0,1,…,2n+1，上式精确成立，则得

当给定权函数 $\rho(x)$ ，求出右端积分，则可由上式解得 $A_k$ 及 $x_k(k=0,1,\cdots,n)$

定理：插值型求积公式的节点 $a\le x_0<x_1<\cdots<x_n\le b$ 是高斯点的充分必要条件是以这些节点为零点的多项式

与任何次数不超过 n 的多项式 p(x) 带权 $\rho(x)$ 正交，即

4.6.2 高斯-勒让德求积公式

在高斯求积公式中取权函数 $\rho(x)=1$ ，区间为 [-1,1]，则得高斯-勒让德求积公式

勒让德多项式是区间 [-1,1]上的正交多项式，因此勒让德多项式 $P_{n+1}(x)$ 的零点就是上述求积公式的高斯点

4.6.3 高斯-切比雪夫求积公式

4.6.4 无穷区间的高斯型求积公式

4.7 多重积分

4.8 数值微分

第 5 章解线性方程组的直接方法

5.1 引言与预备知识

5.2 高斯消去法

5.2.1 高斯消去法

举个例子说明消去法的基本思想

通过行变换得到与原方程组等价的三角形线性方程组

5.2.2 矩阵的三角分解

由于对矩阵进行行的初等变换相当于用初等矩阵左乘该矩阵，故消去法的第一步可表示为

其中

即用第 1 行处理后面的行，注意 m 前面都有 - 号

第 k 步消去法可表示为

其中

即用第 k 行处理后面的行

可将上述所有步结合到一起得到

将上面的三角矩阵 $A^{(n)}$ 记为 U，得到

其中

为单位下三角矩阵，此为 LU 分解

5.2.3 列主元消去法

5.3 矩阵三角分解法

5.3.1 直接三角分解法

5.3.2 平方根法

5.3.3 追赶法

5.4 向量和矩阵的范数

5.5 误差分析

第 6 章解线性方程组的迭代法

6.1 迭代法的基本概念

6.1.1 引言

举个例子，求解线性方程组

记为 Ax=b，其中

此方程组的精确解是 $x^*=(3,2,1)^T$ ，现将线性方程组改写为

或写为 $x=B_0x+f$ ，其中

任取初始值，例如取 $x^{(0)}=(0,0,0)^T$ ，将这些值代入上述方程组右边，（若为等式即得到此方程组的解），得到新的值 $x^{(1)}=(x_1^{(1)},x_2^{(1)},x_3^{(1)})^T=(2.5,3,3)^T$ ，再将 $x^{(1)}$ 分量再代入上述方程组得到 $x^{(2)}$ ，反复利用这个计算程序，得到一向量序列和一般的计算公式（迭代公式）