计算方法知识总结

最新推荐文章于 2024-06-11 09:31:39 发布

programmy

最新推荐文章于 2024-06-11 09:31:39 发布

阅读量9.1k

点赞数 16

分类专栏：数学其他专题文章标签：计算方法

本文链接：https://blog.csdn.net/mmy1996/article/details/53842706

版权

数学同时被 3 个专栏收录

23 篇文章 1 订阅

订阅专栏

其他

21 篇文章 0 订阅

订阅专栏

专题

17 篇文章 0 订阅

订阅专栏

计算方法

author:AIDreamer

blog:http://blog.csdn.net/mmy1996

last modified on ：2016/12/23

一：线性方程组的直接解法

基本方法
$⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 消去法 {G a u s s 消去法：把原来的方程组化为等价的三角形方程组 G a u s s 列主元消去法：在 G a u s s 消去法的基础上的改进，用一列中绝对值最大的去消，这样误差小直接三角形分解法 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ A X = L U X = B ⎧ ⎩ ⎨ 先将 A 作 L U 分解 (p s : L : l o w, U : u p 指下三角形和上三角形) L Y = b U X = Y$ $\begin{cases} 消去法 \begin{cases} Gauss消去法：把原来的方程组化为等价的三角形方程组\\ Gauss列主元消去法：在Gauss消去法的基础上的改进，用一列中绝对值最大的去消，这样误差小 \end{cases}\\ 直接三角形分解法 \begin{cases} AX=LUX=B\\ \begin{cases} 先将A作LU分解(ps:L:low,U:up指下三角形和上三角形)\\ LY=b\\ UX=Y \end{cases}\\ \end{cases} \end{cases}$

二：线性方程组的迭代解法

迭代法的基本思想：

我们的目的是求解线性方程组的解，迭代法的做法是初始化一个向量序列的值，通过迭代的方法不断改进这个值使其收敛至某个极限向量，这个极限向量就是线性方程组的解。
迭代法的主要步骤：

$⎧ ⎩ ⎨ 1. 将求解的方程组 A X = b 化成形如 X = B X + f 的形式 2. 给定初始化向量 X (0) = (x 1 (0), x 2 (0), \dots \dots, x n (0)) 3. 按照迭代公式进计算$ $\begin{cases} 1.将求解的方程组AX=b化成形如X=BX+f的形式\\ 2.给定初始化向量X^{(0)}=({x_1}^{(0)},{x_2}^{(0)},……,{x_n}^{(0)})\\ 3.按照迭代公式进计算\\ \end{cases}$
三种迭代方法：

记：

$D = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 a 22 ⋱ a n n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥$ $D= \begin{bmatrix} a_{11}\\ & a_{22}\\ & & \ddots\\ & & & a_{nn}\\ \end{bmatrix}$
$L = ⎡ ⎣ ⎢ ⎢ ⎢ 0 - a 21 \dots - a n 1 0 \dots - a n 2 \dots 0 ⎤ ⎦ ⎥ ⎥ ⎥$ $L= \begin{bmatrix} 0\\ -a_{21} & 0\\ \cdots & \cdots\\ -a_{n1} & -a_{n2} & \cdots & 0\\ \end{bmatrix}$
$U = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ 0 - a 21 0 \dots \dots - a 1 n - a 2 n ⋮ 0 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥$ $U= \begin{bmatrix} 0 & -a_{21} & \cdots & -a_{1n}\\ & 0 &\cdots & -a_{2n} \\ & & & \vdots\\ & & & 0\\ \end{bmatrix}$
三个迭代方法
$⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ J a c o b i 迭代法 ⎧ ⎩ ⎨ 迭代公式： X (k + 1) = D - 1 (L + U) X (k) + D - 1 b 即： x (k + 1) i = ( b i - \sum j \neq i a i j x ( k ) j ) a i i G a u s s - S e i d e l 迭代法 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. G a u s s - S e i d e l 迭代法是在 J a c o b i 的基础上进行的优化 2. J a c o b i 迭代中是用 X (k) 的全部分量来计算 X (k + 1) 的全部分量, 我们注意到在计算新的分量 x (k + 1) i 时，旧分量 x (k + 1) 1, x (k + 1) 2 . . . x (k + 1) i - 1 都已经算出 3. G a u s s - S e i d e l 迭代法的思想就是将已经算出的量 x (k + 1) 1 \sim x (k + 1) i - 1 代入迭代公式替代 x (k) 1 \sim x (k) i - 1 进行运算 4. 迭代公式： x k + 1 i = ( b i - \sum i - 1 j = 1 a i j x ( k + 1 ) j - \sum n j = i + 1 a i j x ( k ) j ) a i j 5. 迭代公式的矩阵形式： X (k + 1) = B G X (k) + f G ，其中 B G = (D - L) - 1 b ，称 B G 为 G - S 迭代矩阵超松弛迭代法（ S O R 法） ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. S O R 法是 G - S 迭代法的一种加速方法, 核心思想是引入一个被称为松弛因子的参数 ω 2. 由 G - S 迭代法： x i^k + 1 = ( b i - \sum i - 1 j = 1 a i j x ( k + 1 ) j - \sum n j = i + 1 a i j x ( k ) j ) a i j 3. 选取参数 ω ，取 x (k + 1) i = (1 - ω) x (k) i + ω x i^(k + 1)$ $\begin{cases} Jacobi迭代法 \begin{cases} 迭代公式：X^{(k+1)}=D^{-1}(L+U)X^{(k)}+D^{-1}b\\ 即：x_i^{(k+1)} = \frac{(b_i-\sum_{j\neq i}{a_{ij}x_j^{(k)}})}{a_{ii}} \end{cases}\\ Gauss-Seidel迭代法 \begin{cases} 1.Gauss-Seidel迭代法是在Jacobi的基础上进行的优化\\ 2.Jacobi迭代中是用X^{(k)}的全部分量来计算X^{(k+1)}的全部分量,我们注意到\\ 在计算新的分量x_i^{(k+1)}时，旧分量x_1^{(k+1)},x_2^{(k+1)}...x_{i-1}^{(k+1)}都已经算出\\ 3.Gauss-Seidel迭代法的思想就是将已经算出的量x_1^{(k+1)}\sim x_{i-1}^{(k+1)}\\ 代入迭代公式替代x_1^{(k)}\sim x_{i-1}^{(k)}进行运算\\ 4.迭代公式：x_i^{k+1}=\frac{(b_i-\sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)}-\sum_{j=i+1}^{n}a_{ij}x_j^{(k)})}{a_{ij}}\\ 5.迭代公式的矩阵形式：X^{(k+1)}=B_GX^{(k)}+f_G，\\ 其中B_G={(D-L)}^{-1}b，称B_G为G-S迭代矩阵 \end{cases}\\ 超松弛迭代法（SOR法） \begin{cases} 1.SOR法是G-S迭代法的一种加速方法,核心思想是引入一个被称为松弛因子的参数\omega\\ 2.由G-S迭代法：{\hat{x_i}}^{k+1}=\frac{(b_i-\sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)}-\sum_{j=i+1}^{n}a_{ij}x_j^{(k)})}{a_{ij}}\\ 3.选取参数\omega，取x_i^{(k+1)}=(1-\omega)x_i^{(k)}+\omega {\hat{x_i}}^{(k+1)} \end{cases} \end{cases}$

关于这几种迭代法收敛性的证明略。

三：插值方法

数值逼近

数值逼近是计算方法中最重要的概念与方法之一，基本思想是用简单函数去近似复杂函数。

R n (x) = f (x) - p n (x)

$R_n(x)=f(x)-p_n(x)$

Rn(x)：逼近的误差函数(余项)；f(x)：被逼近的复杂函数；Pn(x)：所构造的简单函数 $R_n(x)：逼近的误差函数(余项)；f(x)：被逼近的复杂函数；P_n(x)：所构造的简单函数$

数值逼近包括以下基本问题：
$⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. 插值问题：找到的函数过这 n + 1 个点 2. 一致逼近：使得 m a x | f (x) - P n (x) | = m i n, x \in [a, b] 3. 均方逼近 (已知 [a, b] 上 f (x) 的解析表达式) ： \int b a [f (x) - P n (x)] 2 d x = m i n 4. 最小二乘拟合 (f (x) 以离散点的形式给出) ： \sum n k = 1 [f k - P n (x k)] 2 = m i n$ $\begin{cases} 1.插值问题：找到的函数过这n+1个点\\ 2.一致逼近：使得max|f(x)-P_n(x)|=min,x \in [a,b]\\ 3.均方逼近(已知[a,b]上f(x)的解析表达式)：\int_a^b{[f(x)-P_n(x)]}^2dx=min\\ 4.最小二乘拟合(f(x)以离散点的形式给出)：\sum_{k=1}^n{[f_k-P_n(x_k)]}^2=min\\ \end{cases}$

下面重点讨论插值问题：

插值问题

插值问题就是已知原函数 $y=f(x)$ 在区间[a,b]上n+1个点 $(x_i,f(x_i))$ ,让你求出一个多项式函数 $y=P_n(x)$ 过这n个点来近似代替原函数。

插值多项式存在且唯一
- Lagrange插值
  
  $⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. 通过线性插值和抛物线插值引入 L a g r a n g e 插值 2. L a g r a n g e 插值多项式 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ P n (x) = ( x - x 1 ) ( x - x 2 ) . . . ( x - x n ) ( x 0 - x 1 ) ( x 0 - x 2 ) . . . ( x 0 - x n ) f 0 + ( x - x 0 ) ( x - x 2 ) . . . ( x - x n ) ( x 1 - x 0 ) ( x 1 - x 2 ) . . . ( x 1 - x n ) f 1 + . . . . . . ( x - x 0 ) ( x - x 1 ) . . . ( x - x n - 1 ) ( x n - x 0 ) ( x n - x 1 ) . . . ( x n - x n - 1 ) f n 标准型公式： {P n (x) = \sum n i = 0 l i (x) \cdot f i l i (x) = Π n j = 0, j \neq 1 x - x j x i - x j 3. 可证明 L a g r a n g e 插值多项式存在且唯一 4. 插值多项式误差估计 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. 余项的估计定理：存在 ξ \in (a, b) 使得误差函数 R n (x) = f (x) - p n (x) = ω (n + 1) (x) f ( n + 1 ) ( ξ ) ( n + 1 ) ! 其中： ω n + 1 (x) = Π n i = 0 (x - x i) 2. 若令 M n + 1 = max a \leq x \leq b | f (n + 1) (x) | 则： | R n (x) | \leq M n + 1 ( n + 1 ) ! | ω n + 1 (x) | 通常用此式来估计 L a g r a n g e 插值的误差 n e w t o n$ $\begin{cases} 1.通过线性插值和抛物线插值引入Lagrange插值\\ 2.Lagrange插值多项式 \begin{cases} P_n(x)=\frac{(x-x_1)(x-x_2)...(x-x_n)}{(x_0-x_1)(x_0-x_2)...(x_0-x_n)}f_0+\frac{(x-x_0)(x-x_2)...(x-x_n)}{(x_1-x_0)(x_1-x_2)...(x_1-x_n)}f_1+......\frac{(x-x_0)(x-x_1)...(x-x_{n-1})}{(x_n-x_0)(x_n-x_1)...(x_n-x_{n-1})}f_{n}\\ 标准型公式： \begin{cases} P_n(x)=\sum_{i=0}^nl_i(x)\cdot f_i\\ l_i(x)=\Pi_{j=0,j\neq 1}^{n}\frac{x-x_j}{x_i-x_j} \end{cases} \end{cases}\\ 3.可证明Lagrange插值多项式存在且唯一\\ 4.插值多项式误差估计 \begin{cases} 1.余项的估计定理：存在\xi \in (a,b)使得误差函数R_n(x)=f(x)-p_n(x)={\omega}_{(n+1)}(x)\frac{f^{(n+1)(\xi)}}{(n+1)!}\\ 其中：{\omega}_{n+1}(x)=\Pi_{i=0}^n(x-x_i)\\ 2.若令M_{n+1}=\max_{a\le x\le b}|f^{(n+1)}(x)|\\ 则：|R_n(x)|\le \frac{M_{n+1}}{(n+1)!}|{\omega}_{n+1}(x)|\\ 通常用此式来估计Lagrange插值的误差\\ \end{cases} \end{cases}newton$
- Newton插值
  
  $⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. 均差： ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 零阶均差： f [x 0] = f 0 ， f [x 1] = f 1 . . . f [x n] = f n 一阶均差： f [x i, x i + 1] = f [ x i ] - f [ x i + 1 ] x i - x i + 1 k 阶均差： f [x i, x i + 1, . . ., x i + k] = f [ x i , x i + 1 , . . . , x i + k - 1 ] - f [ x i + 1 , x i + 2 , . . . , x i + k ] x i - x i + k 2. 均差的性质： 3. N e w t o n 插值公式： N n (x) = f [x 0] + f [x 0, x 1] (x - x 0) + . . . + f [x 0, x 1, . . ., x n] (x - x 0) (x - x 1) . . . (x - x n - 1) 则 N n (x) 是满足条件 P n (x i) = y i 的插值多项式 4. N e w t o n 插值算法 {1. 根据节点和节点的值计算均值表 2. 利用 N e w t o n 插值多项式估算 f (x)$ $\begin{cases} 1.均差： \begin{cases} 零阶均差：f[x_0]=f_0，f[x_1]=f_1...f[x_n]=f_n\\ 一阶均差：f[x_i,x_{i+1}]=\frac{f[x_i]-f[x_{i+1}]}{x_i-x_{i+1}}\\ k阶均差：f[x_i,x_{i+1},...,x_{i+k}]=\frac{f[x_i,x_{i+1},...,x_{i+k-1}]-f[x_{i+1},x_{i+2},...,x_{i+k}]}{x_i-x_{i+k}} \end{cases}\\ 2.均差的性质：\\ 3.Newton插值公式：N_n(x)=f[x_0]+f[x_0,x_1](x-x_0)+...+f[x_0,x_1,...,x_{n}](x-x_0)(x-x_1)...(x-x_{n-1})\\ 则N_n(x)是满足条件P_n(x_i)=y_i的插值多项式\\ 4.Newton插值算法 \begin{cases} 1.根据节点和节点的值计算均值表\\ 2.利用Newton插值多项式估算f(x)\\ \end{cases}\\ \end{cases}$
- 等距节点插值

四：数值积分

求函数f(x)在[a,b]上的定积分 $I=\int_a^bf(x)dx$ ,如果用传统的牛顿莱布尼茨公式 $I=\int_a^bf(x)dx=F(b)-F(a)$ ,原函数F(x)不易求得，数值积分就是为了解决这样问题的工具。

数值积分

计算定积分的具有一定精度的近似值的各种计算方法。
从几何上看就是计算曲边梯形面积的近似值。

${矩形公式：是用许多小矩形之和近似曲边梯形的面积梯形公式：改用许多小梯形之和近似曲边梯形的面积$ $\begin{cases} 矩形公式：是用许多小矩形之和近似曲边梯形的面积\\ 梯形公式：改用许多小梯形之和近似曲边梯形的面积\\ \end{cases}$
数值积分的一般形式

$\int b a f (x) d x = \sum i = 0 n ω i f i + R n {f i 是函数 f (x) 在节点 x i 上的函数值 ω i 称为节点 x i 上的权系数$ $\int_a^bf(x)dx=\sum_{i=0}^n{\omega}_if_i+R_n\\ \begin{cases} f_i是函数f(x)在节点x_i上的函数值\\ {\omega}_i称为节点x_i上的权系数 \end{cases}$
正是由于权系数的构造方法不同，从而决定了数值积分的不同方法
代数精度问题

一般地，数值求积公式如果对次数不超过 k 的多项式 $P_k(x)$ 是精确的，而对k +1次多项式 $P_{k+1}(x)$ 不精确,则称该公式具有—-k 阶代数精度
插值型求积公式和 Newton-Cotes求积公式

$\begin{cases} 一.插值型求积公式 \begin{cases} 1.由Lagrange插值有 \begin{cases} Lagrange插值多项式：L_n(x)=\sum_{i=0}^nf(x_i)l_i(x)\\ 插值余项：R_n(x)=\frac{f^{(n+1)}({\xi}_x)}{(n+1)!}\Pi_{i=0}^n(x-x_i)，{\xi}_x \in (x_0,x_n)\\ f(x)=L_n(x)+R_n(x) \end{cases}\\ 2.两端积分后 \begin{cases} I=\int_a^bf(x)dx=\sum_{i=0}^nA_if(x_i)+R_n(f)\\ 求积系数：A_i=\int_a^bl_i(x)dx\\ I=\sum_{i=0}^nA_if(x_i)作为定积分I=\int_a^b(x)dx的近似值\\ 余项（或误差）：R_n(f)=\int_a^bR_n(x)dx=\frac{1}{(n+1)!}\int_a^b{f^{(n+1)}}({\xi}_x)\Pi_{i=0}^n(x-x_i)dx \end{cases} \end{cases}\\ 二.求积公式的代数精度\\ 三.Newton-Cotes公式 \begin{cases} 1.NC公式是将求积区间n等分构造出来的插值型求积公式\\ 2.梯形公式是n为1时的情况，线性插值\\ 3.Simpson公式是n为2时的情况，二次Lagrange插值\\ 4.NC积分代数精度 \begin{cases} *若n为奇数，公式对不超过n次的多项式准确成立，可验证其代数精度为n\\ *若n为偶数，代数精度为n+1\\ \end{cases} \end{cases}\\ 四.复合求积公式 \begin{cases} 思路：把[a,b]分为若干个子区间，在每个区间上使用NC求积公式然后组合起来，得到更加精确的求积公式. \end{cases} \end{cases}$
变步长求积算法

求积过程中随时判断是否达到精度，不然就自动加细分割

五：常微分方程

通过数值的方法求解微分方程是求出微分方程的一系列离散的解.

常用方法
$⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 一 . E u l e r 公式 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. E u l e r 公式 ⎧ ⎩ ⎨ ⎪ ⎪ 通过 T a y l o r 展开得到近似公式： y n + 1 = y n + h f (x n, y n) 截断误差： E n + 1 = y (x n + 1) - y n + 1 = 1 2 h 2 y'' (ξ) 2. 梯形公式 {梯形公式： y n + 1 = y n + h 2 [f (x n, y n) + f (x n + 1 y ¯ n + 1)] 误差公式： E n + 1 = - 1 12 h 3 y''' (ξ) ， ξ \in [x n, x n + 1] 3. 改进 E u l e r 公式 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 以 E u l e r 公式提供预测值，再用梯形公式来校正 ⎧ ⎩ ⎨ ⎪ ⎪ y n + 1 = 1 2 (y p + y q) y p = y n + h f (x n, y n) y q = y n + h f (x n + 1, y p) 二 . R u n g e - K u t t a 法 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 1. T a y l o r 级数法 : 可以看成是 E u l e r 公式的升级版 2. R u n g e - K u t t a 法的基本思想 3. 二阶 R u n g e - K u t t a 公式 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ y n + 1 = y n + h 2 (k 1 + k 2) k 1 = f (x n, y n) k 2 = f (x n + h, y n + k 1 h) 形式就是改进的欧拉公式$ $\begin{cases} 一.Euler公式 \begin{cases} 1.Euler公式 \begin{cases} 通过Taylor展开得到\\ 近似公式：y_{n+1}=y_n+hf(x_n,y_n)\\ 截断误差：E_{n+1}=y(x_{n+1})-y_{n+1}=\frac{1}{2}h^2y''(\xi) \end{cases}\\ 2.梯形公式 \begin{cases} 梯形公式：y_{n+1}=y_n+\frac{h}{2}[f(x_n,y_n)+f(x_{n+1}\bar{y}_{n+1})]\\ 误差公式：E_{n+1}=-\frac{1}{12}h^3y'''(\xi)，\xi \in [x_n,x_{n+1}]\\ \end{cases}\\ 3.改进Euler公式 \begin{cases} 以Euler公式提供预测值，再用梯形公式来校正\\ \begin{cases} y_{n+1}=\frac{1}{2}(y_p+y_q)\\ y_p=y_n+hf(x_n,y_n)\\ y_q=y_n+hf(x_{n+1},y_p)\\ \end{cases}\\ \end{cases}\\ \end{cases}\\ 二.Runge-Kutta法 \begin{cases} 1.Taylor级数法:可以看成是Euler公式的升级版\\ 2.Runge-Kutta法的基本思想\\ 3.二阶Runge-Kutta公式 \begin{cases} y_{n+1}=y_n+\frac{h}{2}(k_1+k_2)\\ k_1=f(x_n,y_n)\\ k_2=f(x_n+h,y_n+k_1h)\\ 形式就是改进的欧拉公式\\ \end{cases} \end{cases} \end{cases}$

programmy

关注

16
点赞
踩
69

收藏

觉得还不错? 一键收藏
0
评论
计算方法知识总结

计算方法author:AIDreamerblog:http://blog.csdn.net/mmy1996last modified on ：2016/12/16一：线性方程组的直接解法基本方法 ⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪消去法{Gauss消去法：把原来的方程组化为等价的三角形方程组Gauss列主元消去法：在Gauss消去法的基础上的改进，用一
复制链接

扫一扫