又是新的一天, 继续开始有限元从0开始学习, 参考资料
Brenner S, Scott R. The mathematical theory of finite element methods[M]. Springer Science & Business Media, 2007.
昨天内容回顾
- 利用模型问题, 构造了其变分形式, 并且验证了当 f f f 和 u u u 的光滑性足够时, 变分问题能够得到边值问题对古典解.
- 阐述了 Ritz-Galerkin 框架的逼近过程, 并给出了简单的离散系统的解的存在唯一性的证明.(到后面可以直接使用 Lax-Milgram 定理).
- 给出了一维模型问题 Ritz-Galerkin 框架下的能量误差以及 L 2 L^{2} L2 范数误差估计的示范.
下面开始今天内容的学习.
0.4 分片多项式空间-有限元方法
前面介绍 Ritz-Galerkin 框架时, 没有给出子空间
S
S
S 的具体形式, 实际上对于选取不同的子空间, 可以给出不同的方法(谱方法, 有限元方法) 等, 这里主要考虑有限元方法, 在本章会给出第一个有限元基函数空间, 并且定义简单的插值算子, 以及给出插值误差估计.
继续考虑模型问题
{
−
d
2
u
d
x
2
=
f
∈
(
0
,
1
)
,
u
(
0
)
=
0
,
u
′
(
1
)
=
0.
.
\begin{cases} -\dfrac{d^{2}u}{dx^{2}} = f \in (0, 1), \\ u(0) = 0, \ u^{'}(1) = 0. \end{cases}.
⎩⎨⎧−dx2d2u=f∈(0,1),u(0)=0, u′(1)=0..
对应的弱形式
find
u
∈
V
s
.
t
.
,
a
(
u
,
v
)
=
(
f
,
v
)
∀
v
∈
V
.
(
WP
)
\text{find} \ u \in V \ s.t., \ a(u, v) = (f, v) \ \forall v \in V. \ \color{red}{(\text{WP}})
find u∈V s.t., a(u,v)=(f,v) ∀v∈V. (WP)
以及 Ritz-Galerkin 方法的离散问题
find
u
s
∈
S
⊂
V
s
.
t
.
,
a
(
u
s
,
v
)
=
(
f
,
v
)
∀
v
∈
S
⊂
V
.
(
R-G
)
\text{find} \ u_{s} \in S \subset V \ s.t., \ a(u_{s}, v) = (f, v) \ \forall v \in S \subset V. \ \color{red}{(\text{R-G}})
find us∈S⊂V s.t., a(us,v)=(f,v) ∀v∈S⊂V. (R-G)
其中, 空间
V
V
V 定义如下:
V
=
H
⋄
1
(
0
,
1
)
=
{
u
∈
H
1
(
0
,
1
)
∣
u
(
0
)
=
0
}
.
V = H^{1}_{\diamond}(0, 1) = \left\lbrace \left. u \in H^{1}(0, 1) \right| u(0) = 0 \right\rbrace.
V=H⋄1(0,1)={u∈H1(0,1)∣∣u(0)=0}.
前面只是抽像地给出了问题在子空间
S
S
S 下的计算, 下面定义第一个有限元空间:
记
0
=
x
0
<
x
1
<
⋯
<
x
n
=
1
0 = x_{0} < x_{1} < \cdots < x_{n} = 1
0=x0<x1<⋯<xn=1 为区间
[
0
,
1
]
[0, 1]
[0,1] 上的剖分, 定义空间
S
S
S 为满足如下条件的函数
v
v
v 构成的线性空间:
- v ∈ C 0 [ 0 , 1 ] v \in C^{0}[0, 1] v∈C0[0,1],
- v ∣ [ x i − 1 , x i ] \left. v \right|_{[x_{i-1}, x_{i}]} v∣[xi−1,xi] 为线性多项式,
- v ( 0 ) = 0 v(0) = 0 v(0)=0
下面自然的会有两个问题
- 上面定义的 S S S 是不是 V V V 的子空间,
- 如何找出 S S S 的基函数, 应该取什么样的基函数,
这里先回答第二个问题, 对于第一个问题留在后面回答.
定义
S
S
S 的基函列
{
ϕ
i
}
i
=
1
n
\left\lbrace \phi_{i} \right\rbrace_{i = 1}^{n}
{ϕi}i=1n, 满足
ϕ
i
(
x
j
)
=
δ
i
j
\phi_{i}(x_{j}) = \delta_{ij}
ϕi(xj)=δij , 这个性质称为插值性质.
引理: 满足上面条件的函数序列存在唯一, 并且构成子空间
S
S
S 的基.
注1 称上面的
{
ϕ
i
}
\left\lbrace \phi_{i} \right\rbrace
{ϕi} 为空间
S
S
S 的节点基函数, 称
{
v
(
x
i
)
}
\left\lbrace v(x_{i}) \right\rbrace
{v(xi)} 为函数
v
v
v 在节点处的值.
定义 对
v
∈
C
0
(
[
0
,
1
]
)
v \in C^{0}([0, 1])
v∈C0([0,1]), 定义插值算子
I
:
C
0
(
[
0
,
1
]
)
→
S
I: C^{0}([0, 1]) \to S
I:C0([0,1])→S
v
I
(
x
)
:
=
I
v
(
x
)
=
∑
i
=
1
n
v
(
x
i
)
ϕ
(
x
)
.
v_{I}(x):= Iv(x) = \sum\limits_{i = 1}^{n} v(x_{i})\phi(x).
vI(x):=Iv(x)=i=1∑nv(xi)ϕ(x).
由上面插值算子的定义, 可以知道, 显然
ϕ
i
\phi_{i}
ϕi 可以张成整个空间
S
S
S, 根据基函数的插值性质, 容易验证
{
ϕ
i
}
i
=
1
n
\left\lbrace \phi_{i} \right\rbrace_{i=1}^{n}
{ϕi}i=1n 是线性无关的.
引理: 设
v
∈
S
v \in S
v∈S, 则
v
I
=
v
v_{I} = v
vI=v.
证明, 只要验证
∀
x
∈
[
0
,
1
]
,
v
I
(
x
)
=
v
(
x
)
\forall x \in [0, 1], \ \ v_{I}(x) = v(x)
∀x∈[0,1], vI(x)=v(x) 即可.显然, 有
v
I
(
x
i
−
1
)
−
v
(
x
i
−
1
)
=
0
v
I
(
x
i
)
−
v
(
x
i
)
=
0
v_{I}(x_{i-1}) - v(x_{i-1}) = 0 \\ v_{I}(x_{i}) - v(x_{i}) = 0
vI(xi−1)−v(xi−1)=0vI(xi)−v(xi)=0
注意到
v
I
(
x
)
,
v
(
x
)
v_{I}(x), v(x)
vI(x),v(x) 限制在每个区间上都是分片多项式. 因此
v
I
(
x
)
=
v
(
x
)
in
[
x
i
−
1
,
x
i
]
∀
i
v_{I}(x) = v(x) \ \text{in} \ [x_{i-1}, x_{i}] \ \forall \ i
vI(x)=v(x) in [xi−1,xi] ∀ i, 从而
v
I
(
x
)
=
v
(
x
)
v_{I}(x) = v(x)
vI(x)=v(x),
下面给出插值误差在能量范数下的误差估计.
定理: 设
h
=
max
1
≤
i
≤
n
(
x
i
−
x
i
−
1
)
h = \max_{1 \leq i \leq n} \left( x_{i} - x_{i-1}\right)
h=max1≤i≤n(xi−xi−1) ,则有如下能量范数估计:
∥
u
−
u
I
∥
E
≤
C
h
∥
u
′
′
∥
\|u - u_{I}\|_{E} \leq Ch \| u^{''} \|
∥u−uI∥E≤Ch∥u′′∥
∀
u
∈
V
\forall u \in V
∀u∈V, 并且常数
C
C
C 不依赖于网格大小
h
h
h 以及
u
u
u.
证明, 利用 scaling 技巧, 只要想办法证明上面的估计分片成立即可, 即想办法做出如下估计:
∫
x
j
−
1
x
j
(
(
u
−
u
I
)
′
(
x
)
)
2
d
x
≤
c
(
x
j
−
x
j
−
1
)
2
∫
x
j
−
1
x
j
u
′
′
(
x
)
2
d
x
\int_{x_{j-1}}^{x_{j}} \left( (u - u_{I})'(x) \right)^{2} dx \leq c\left(x_{j} - x_{j-1}\right)^{2} \int_{x_{j-1}}^{x_{j}} u^{''}(x)^{2} dx
∫xj−1xj((u−uI)′(x))2dx≤c(xj−xj−1)2∫xj−1xju′′(x)2dx
记误差函数
e
(
x
)
=
(
u
−
u
I
)
(
x
)
e(x) =(u - u_{I})(x)
e(x)=(u−uI)(x), 注意
u
I
(
x
)
u_{I}(x)
uI(x) 是分片线性多项式, 从而上述估计等价于证明:
∫
x
j
−
1
x
j
e
′
(
x
)
2
d
x
≤
c
(
x
j
−
x
j
−
1
)
2
∫
x
j
−
1
x
j
e
′
′
(
x
)
2
d
x
\int_{x_{j-1}}^{x_{j}} e^{'}(x) ^{2} dx \leq c\left( x_{j} - x_{j-1} \right)^{2} \int_{x_{j-1}}^{x_{j}} e^{''}(x)^{2} dx
∫xj−1xje′(x)2dx≤c(xj−xj−1)2∫xj−1xje′′(x)2dx
为了使得估计不依赖于网格, 利用 scaling 技术, 将上述估计用仿射变换变换到参考单元上, 记
x
^
=
x
−
x
j
−
1
x
j
−
x
j
−
1
\widehat{x} = \dfrac{x - x_{j-1}}{x_{j} - x_{j-1}}
x
=xj−xj−1x−xj−1
再有
x
=
x
j
−
1
+
x
^
(
x
j
−
x
j
−
1
)
d
x
=
(
x
j
−
x
j
−
1
)
d
x
^
e
^
(
x
^
)
=
e
(
x
j
−
1
+
x
^
(
x
j
−
x
j
−
1
)
)
=
e
(
x
)
d
e
^
(
x
^
)
d
x
^
=
d
e
(
x
)
d
x
d
x
d
x
^
=
(
x
j
−
x
j
−
1
)
d
e
(
x
)
d
x
d
e
^
′
(
x
^
)
d
x
^
=
d
e
^
′
(
x
^
)
d
x
d
x
d
x
^
=
(
x
j
−
x
j
−
1
)
2
d
e
′
(
x
)
d
x
\begin{aligned} &x = x_{j-1} + \widehat{x}(x_{j} - x_{j-1}) \\ &dx = \left(x_{j} - x_{j-1}\right) d\widehat{x} \\ & \widehat{e}(\widehat{x}) = e( x_{j-1} + \widehat{x}(x_{j} - x_{j-1}) ) = e(x) \\ & \dfrac{d \widehat{e} (\widehat{x}) }{ d \widehat{x} } = \dfrac{d e(x)}{d x} \dfrac{dx}{d \widehat{x}} = (x_{j} - x_{j-1}) \dfrac{d e(x)}{dx} \\ & \dfrac{d \widehat{e}^{'}(\widehat{x}) }{ d \widehat{x} } = \dfrac{d \widehat{e}^{'}(\widehat{x}) }{ d x } \dfrac{dx}{d\widehat{x}} = (x_{j} - x_{j-1})^{2}\dfrac{de^{'}(x)}{dx} \end{aligned}
x=xj−1+x
(xj−xj−1)dx=(xj−xj−1)dx
e
(x
)=e(xj−1+x
(xj−xj−1))=e(x)dx
de
(x
)=dxde(x)dx
dx=(xj−xj−1)dxde(x)dx
de
′(x
)=dxde
′(x
)dx
dx=(xj−xj−1)2dxde′(x)
代入上式, 从而只要在参考单元上证明:
∫
0
1
e
^
′
(
x
^
)
2
d
x
^
≤
c
∫
0
1
e
^
′
′
(
x
^
)
2
d
x
^
\int_{0}^{1} \widehat{e}^{'}(\widehat{x}) ^{2} d\widehat{x} \leq c \int_{0}^{1} \widehat{e}^{''}(\widehat{x})^{2} d\widehat{x}
∫01e
′(x
)2dx
≤c∫01e
′′(x
)2dx
下面只要证明这一点即可, 为了简化记号, 记
w
(
x
)
=
e
^
(
x
^
)
w(x) = \widehat{e}(\widehat{x})
w(x)=e
(x
), 下面证明
∫
0
1
w
′
(
x
)
2
d
x
≤
c
∫
0
1
w
′
′
(
x
)
2
d
x
\int_{0}^{1} w^{'}(x)^{2} dx \leq c\int_{0}^{1} w^{''}(x)^{2} dx
∫01w′(x)2dx≤c∫01w′′(x)2dx
左边是一阶导数, 右边是二阶导数, 显然应该利用 Newton-Leibniz 公式建立两边的联系, 注意到
w
(
x
)
w(x)
w(x) 在端点上为 0, 利用 Rolle 定理可知, 存在
ξ
∈
(
0
,
1
)
,
s
.
t
.
,
w
′
(
ξ
)
=
0
\xi \in (0,1), \ s.t., \ w^{'}(\xi) = 0
ξ∈(0,1), s.t., w′(ξ)=0, 从而有
∣
w
′
(
y
)
∣
=
∣
w
′
(
y
)
−
w
′
(
ξ
)
∣
=
∣
∫
ξ
y
w
′
′
(
x
)
d
x
∣
≤
∣
∫
ξ
y
1
2
d
x
∣
1
/
2
∣
∫
ξ
y
w
′
′
(
x
)
2
d
x
∣
1
/
2
=
∣
y
−
ξ
∣
1
/
2
(
∫
0
1
w
′
′
(
x
)
2
d
x
)
1
/
2
\begin{aligned} |w^{'}(y)| &= \left| w^{'}(y) - w^{'}(\xi) \right| = \left| \int_{\xi}^{y} w^{''}(x) dx \right| \\ & \leq \left| \int_{\xi}^{y} 1^{2} dx \right|^{1/2} \left| \int_{\xi}^{y} w^{''}(x)^{2} dx \right|^{1/2} \\ & = |y - \xi|^{1/2} \left( \int_{0}^{1} w^{''}(x)^{2} dx \right)^{1/2} \end{aligned}
∣w′(y)∣=∣∣∣w′(y)−w′(ξ)∣∣∣=∣∣∣∣∫ξyw′′(x)dx∣∣∣∣≤∣∣∣∣∫ξy12dx∣∣∣∣1/2∣∣∣∣∫ξyw′′(x)2dx∣∣∣∣1/2=∣y−ξ∣1/2(∫01w′′(x)2dx)1/2
从而有:
∫
0
1
w
′
(
y
)
2
d
y
≤
∫
0
1
∣
y
−
ξ
∣
d
y
∫
0
1
w
′
′
(
x
)
2
d
x
≤
c
∫
0
1
w
′
′
(
x
)
2
d
x
\begin{aligned} \int_{0}^{1} w^{'}(y)^{2} dy &\leq \int_{0}^{1} \left| y - \xi \right|dy \int_{0}^{1} w^{''}(x)^{2} dx \\ &\leq c \int_{0}^{1} w^{''}(x)^{2} dx \end{aligned}
∫01w′(y)2dy≤∫01∣y−ξ∣dy∫01w′′(x)2dx≤c∫01w′′(x)2dx
其中
c
=
sup
0
<
ξ
<
1
∫
0
1
∣
y
−
ξ
∣
d
y
=
1
2
c = \sup\limits_{0 < \xi < 1} \int_{0}^{1} | y - \xi | dy = \frac{1}{2}
c=0<ξ<1sup∫01∣y−ξ∣dy=21
从而证明了
∫
x
j
−
1
x
j
e
′
(
x
)
2
d
x
≤
c
(
x
j
−
x
j
−
1
)
2
∫
x
j
−
1
x
j
e
′
′
(
x
)
2
d
x
\int_{x_{j-1}}^{x_{j}} e^{'}(x) ^{2} dx \leq c\left( x_{j} - x_{j-1} \right)^{2} \int_{x_{j-1}}^{x_{j}} e^{''}(x)^{2} dx
∫xj−1xje′(x)2dx≤c(xj−xj−1)2∫xj−1xje′′(x)2dx
上式两边对
j
j
j 从 0 到 n 进行求和:
∫
0
1
e
′
(
x
)
2
d
x
≤
c
h
2
∫
0
1
e
′
′
(
x
)
2
d
x
\int_{0}^{1} e^{'}(x) ^{2} dx \leq ch^{2} \int_{0}^{1} e^{''}(x)^{2} dx
∫01e′(x)2dx≤ch2∫01e′′(x)2dx
从而有
∥
u
−
u
I
∥
E
≤
C
h
∥
u
′
′
∥
\|u - u_{I}\|_{E} \leq Ch \| u^{''} \|
∥u−uI∥E≤Ch∥u′′∥
推论:
∥
u
−
u
S
∥
+
C
h
∥
u
−
u
S
∥
E
≤
2
(
C
h
)
2
∥
u
′
′
∥
\| u - u_{S} \| + Ch \| u - u_{S} \|_{E} \leq 2(Ch)^{2} \|u^{''}\|
∥u−uS∥+Ch∥u−uS∥E≤2(Ch)2∥u′′∥.
根据前面对 Ritz-Galerkin 框架的误差估计, 马上可以得到.
在后面的内容, 仍然会继续考虑类似的误差估计, 到时候就是高维情形, 高维情形会和一维情形在细节上会有比较大的差距,但是就整体思路而言, 我认为基本上是一样的.
0.5 和差分方法的关系
下面计算出由上面基函数所定义的线性系统的刚度矩阵, 由
K
i
j
=
a
(
ϕ
j
,
ϕ
i
)
\mathbf{K}_{ij} = a(\phi_{j}, \phi_{i})
Kij=a(ϕj,ϕi), 注意这里的双线性型是对称的, 这将直接导致刚度矩阵也是对称的, 对
1
≤
i
≤
n
−
1
1 \leq i \leq n-1
1≤i≤n−1:
K
i
,
i
=
∫
x
i
−
1
x
i
ϕ
i
′
(
x
)
ϕ
i
′
(
x
)
+
∫
x
i
x
i
+
1
ϕ
i
+
1
′
(
x
)
ϕ
i
+
1
′
(
x
)
=
1
h
i
+
1
h
i
+
1
K
i
,
i
+
1
=
K
i
+
1
,
i
=
a
(
ϕ
i
,
ϕ
i
+
1
)
=
∫
x
i
x
i
+
1
ϕ
i
′
(
x
)
ϕ
i
+
1
′
(
x
)
=
−
1
h
i
+
1
\begin{aligned} &K_{i,i} = \int_{x_{i-1}}^{x_{i}} \phi^{'}_{i}(x)\phi^{'}_{i}(x) + \int_{x_{i}}^{x_{i+1}} \phi^{'}_{i+1}(x)\phi^{'}_{i+1}(x) = \dfrac{1}{h_{i}} + \dfrac{1}{h_{i+1}} \\ &K_{i,i+1} = K_{i+1, i} = a(\phi_{i}, \phi_{i+1}) = \int_{x_{i}}^{x_{i+1}} \phi^{'}_{i}(x)\phi^{'}_{i+1}(x) = -\dfrac{1}{h_{i+1}} \end{aligned}
Ki,i=∫xi−1xiϕi′(x)ϕi′(x)+∫xixi+1ϕi+1′(x)ϕi+1′(x)=hi1+hi+11Ki,i+1=Ki+1,i=a(ϕi,ϕi+1)=∫xixi+1ϕi′(x)ϕi+1′(x)=−hi+11
此外,
K
n
n
=
1
h
n
K_{nn} = \dfrac{1}{h_{n}}
Knn=hn1不难知道, 对于其它位置, 刚度矩阵都是 0.
对右端项用如下逼近(将
f
(
x
)
f(x)
f(x) 在
x
i
x_{i}
xi 处进行 Taylor 展开, 之后对基函数直接积分):
∫
0
1
f
(
x
)
ϕ
i
(
x
)
d
x
=
∫
x
i
−
1
x
i
f
(
x
)
ϕ
i
(
x
)
d
x
+
∫
x
i
x
i
+
1
f
(
x
)
ϕ
i
(
x
)
d
x
=
(
f
(
x
i
)
+
O
(
h
)
)
(
∫
x
i
−
1
x
i
ϕ
i
(
x
)
d
x
+
∫
x
i
x
i
+
1
ϕ
i
(
x
)
d
x
)
=
(
f
(
x
i
)
+
O
(
h
)
)
(
∫
x
i
−
1
x
i
1
h
i
(
x
−
x
i
−
1
)
d
x
+
∫
x
i
x
i
+
1
−
1
h
i
+
1
(
x
−
x
i
+
1
)
d
x
)
=
1
2
(
h
i
+
h
i
+
1
)
(
f
(
x
i
)
+
O
(
h
)
)
.
\begin{aligned} \int_{0}^{1} f(x)\phi_{i}(x) dx &= \int_{x_{i-1}}^{x_{i}}f(x)\phi_{i}(x) dx + \int_{x_{i}}^{x_{i+1}} f(x) \phi_{i}(x) dx \\ &= (f(x_{i}) + O(h)) \left( \int_{x_{i-1}}^{x_{i}} \phi_{i}(x) dx + \int_{x_{i}}^{x_{i+1}} \phi_{i}(x)dx \right) \\ &= (f(x_{i}) + O(h))\left( \int_{x_{i-1}}^{x_{i}} \dfrac{1}{h_{i}}(x - x_{i-1})dx + \int_{x_{i}}^{x_{i+1}}\dfrac{-1}{h_{i+1}}(x - x_{i+1}) dx \right) \\ &= \dfrac{1}{2}(h_{i} + h_{i+1})(f(x_{i}) + O(h)). \end{aligned}
∫01f(x)ϕi(x)dx=∫xi−1xif(x)ϕi(x)dx+∫xixi+1f(x)ϕi(x)dx=(f(xi)+O(h))(∫xi−1xiϕi(x)dx+∫xixi+1ϕi(x)dx)=(f(xi)+O(h))(∫xi−1xihi1(x−xi−1)dx+∫xixi+1hi+1−1(x−xi+1)dx)=21(hi+hi+1)(f(xi)+O(h)).
其中
h
=
max
{
h
i
,
h
i
+
1
}
h = \max\{h_{i}, h_{i+1}\}
h=max{hi,hi+1}, 利用 Taylor 展开马上就可以验证, 如果想要让逼近精度达到二阶, 则网格步长需要满足条件, 即
1
−
(
h
i
/
h
i
+
1
)
=
O
(
h
)
1 - (h_{i}/h_{i+1}) = O(h)
1−(hi/hi+1)=O(h). 考虑方程组
K
U
=
F
\mathbf{K}\mathbf{U} = \mathbf{F}
KU=F 的第
i
i
i 个分量方程
K
i
,
i
−
1
U
i
−
1
+
K
i
,
i
U
i
+
K
i
,
i
+
1
U
i
+
1
=
(
f
,
ϕ
i
)
K_{i,i-1}U_{i-1} + K_{i,i}U_{i} + K_{i, i+1}U_{i+1} = \left( f, \phi_{i}\right)
Ki,i−1Ui−1+Ki,iUi+Ki,i+1Ui+1=(f,ϕi)
代入前面的计算:
−
1
h
i
U
i
−
1
+
(
1
h
i
+
1
h
i
+
1
)
U
i
−
1
h
i
+
1
U
i
+
1
=
1
2
(
h
i
+
h
i
+
1
)
(
f
(
x
i
)
+
O
(
h
)
)
-\dfrac{1}{h_{i}}U_{i-1} + \left( \dfrac{1}{h_{i}} + \dfrac{1}{h_{i+1}} \right) U_{i} - \dfrac{1}{h_{i+1}}U_{i+1} = \dfrac{1}{2}(h_{i} + h_{i+1})(f(x_{i}) + O(h))
−hi1Ui−1+(hi1+hi+11)Ui−hi+11Ui+1=21(hi+hi+1)(f(xi)+O(h))
整理为如下形式得:
−
2
h
i
+
h
i
+
1
[
U
i
+
1
−
U
i
h
i
+
1
−
U
i
−
U
i
−
1
h
i
]
=
f
(
x
i
)
+
O
(
h
)
\dfrac{-2}{h_{i} + h_{i+1}}\left[ \dfrac{U_{i+1} - U_{i}}{h_{i+1}} - \dfrac{U_{i} - U_{i-1}}{h_{i}} \right] = f(x_{i}) + O(h)
hi+hi+1−2[hi+1Ui+1−Ui−hiUi−Ui−1]=f(xi)+O(h)
注意, 当网格取一直剖分的时候, 上述格式退化为中心差分格式, 并且由上面条件可知, 截断误差变为
O
(
h
2
)
O(h^{2})
O(h2), 即:
−
U
i
+
1
−
2
U
i
+
U
i
−
1
h
2
=
f
(
x
i
)
+
O
(
h
2
)
.
-\dfrac{U_{i+1} - 2U_{i} + U_{i-1}}{h^{2}} = f(x_{i}) + O(h^{2}).
−h2Ui+1−2Ui+Ui−1=f(xi)+O(h2).
关于其它注解, 可以看参考资料 第十页.
今天就到这里啦, 明天有课, 可能会停一天,或者少打一点 后面希望继续坚持.