Python科学计算：网格

在很多问题中，讲数据于空间网格上的点相关联，简单的来说，假设网格是均匀的，，实际情况中，我妈会希望分辨率为每个维度100点，二维网格就是个网格点，三维网格就是个网格点，可以将他们打包成维度为的向量(一维数组)，这些数据会受到代数或者是微分方程的制约，计实基础方程是非线性的，也要对其进行线性化操作，我们没有办法求解这么巨大的非线性方程组，所以，需要求解一个非常大的线性方程组：

实际上，我们在通常情况下啊是没有法子直接求解这个方程的，所以我们要使用迭代方法，都是通过迭代u，使得残差向量：趋向于0，但是这些方法单独使用的时候，都存在一个致命缺陷。

多重网格的关键思想：

1. 假设考虑一个额外的线性维数为N/2的数组，就是两倍的间距，同样，假设仔细的将停滞解u、源f和算子A从原来的精细网格转换到新的粗糙网格上来，因为精细网格残差主要是由低频中枢组成的，这些中枢将在粗糙网格上得到精确的表示，但是从粗糙网格的角度来看，其中的一半将会是高频的，通过迭代，可以将他们减少到接近于0，然后再静数据传送回到精细网格终球，这样会将进一步移除残差的傅里叶众数的四分之一，也就是说，我妈总共移除了3/4；

2. 不限于上述的两个模型，我们可以建立第三个，甚至是更加粗糙的网格，然后再重复这个过程，以消除7/8的残差傅里叶众数，但是要注意，附加的网格只能占据原始网格大小的一小部分，并且这种惩罚会通过提高速度而变得合理。

多重网格工具：

1、松弛法：

虽然矩阵A通常是稀疏矩阵，但是他有着非常大的维度，尤其是当底层空间网格有两个或者更多的维度的时候，我们用直接法(比如说高斯消元等)都没有什么优势可言，可以通过迭代法，就是“松弛”过程来寻求近似解，假设把一个二阶导数，改写为：

雅各比迭代的定义：

从满足的一些近似解开始，在上式的右边使用这个方法，就可以计算新的近似

把这个过程记作，在合理的条件下可以证明，k趋近于无穷大的时候，第k次迭代收敛到精确解u，实际上，使用的时候一般使用的是加权雅各比法：假设是属于的一个参数，同时我们假设：通常，我们会选择，

import numpy as np
import matplotlib.pyplot as plt
N=16
omega=2.0/3.0
max_its=8
x=np.linspace(0,1,N+1)
s1=np.sin(np.pi*x)
s13=np.sin(np.pi*13*x)
e_old=s1+s13/3.0
e=np.zeros_like(e_old)
plt.plot(e_old)
for i in range(max_its) :
    e[1:-1]=(1.0-omega)*e_old[1:-1]+0.5*omega*(e_old[0:-2]+e_old[2:])
    plt.plot(e)
    e_old=e.copy()
plt.xlabel("The 17 grid points")
plt.ylabel("The first 8 iterates of the error")
plt.show()

图1：具有16个区间的网格上的雅各比迭代，误差的初始迭代是第一次谐波和第13次谐波的混合，为极度锯齿曲线，从图中可以看到8个甲醛雅各比迭代的结果，非常有想的抑制了粗糙众数，但是在减小误差中的平滑基本众数方面非常慢

其他精典的松弛方法，常见的由高斯-赛德尔方法，是及时利用第一个式子右侧计算出来的分量

具体的csdn上多的是，就不细讲了，至此，Python科学计算这本书就大体上讲完了，说实话，我的目的就是学着绘图，没想到一下子用了将进一个月的时间去学。