第1章绪论
1.1基本概念
绝对误差:准确值X与近似值X*之间的差值;取绝对值,为绝对误差限;
相对误差:准确值X与近似值X*之间的差值与准确值X的比值;取绝对值,为相对误差限;
有效数字:若近似值的误差限是其某一位的半个单位,则称该近似值准确到这一位,且从这一位到左边第一个非零数字都称为该近似值的有效数字;
1.2算法程序
1.泰勒逼近
%Taylor多项式逼近函数
%fun表示被逼近的函数f(x);n是Taylor多项式的次数
%x0表示f(x)在该点做Taylor展开;x1表示在该点求函数f(x)的近似值
function TaylorExp(fun,x0,n,x1)
syms x;
p=0;
for i=0:n
if i<=1
m=1;
else
m=m*i;
end
p=p+((x-x0)^i)*subs(diff(fun,i),x0)/m;
end
if i==n
if nargin==4
disp('给定点处的函数值的近似值是')
p0=subs(p,'x',x1), %计算给定点的函数值的近似值,并输出
else
disp('所求Taylor多项式是')
p=collect(p); %将插值多项式展开
p=vpa(p,6), %将插值多项式的系数化成保留6位有效数字的小数,并输出
end
end
end
2.秦九韶
function QinJiuShao(A,x0)
%秦九韶算法,A为函数系数向量的已知多项式且降幂排列,x0为某点求多项式P(x)
n=size(A',1);
p0=A(n);
for i=n-1:-1:1
p0=p0*x0+A(i);
end
disp('给定点处的函数值的近似值是')
p0
end
第2章线性方程组的数值解法
2.1基本概念
Gauss消去法
【数值分析——线性方程组直接方法】LU分解与Gauss消去法_lu分解法解线性方程组-CSDN博客
矩阵三角分解法
矩阵分解 三角分解(LU分解)_系数矩阵的三角分解式子-CSDN博客
向量与矩阵范数
向量与矩阵的范数(比较1-范数、2-范数、无穷范数、p-范数、L0范数 和 L1范数等)_矩阵2范数-CSDN博客
解线性方程组的迭代法与收敛性
迭代法求解线性方程组的收敛问题总结_如何判断迭代收敛-CSDN博客
第3章非线性方程(组)的数值解法
3.2求实根的二分法
3.3迭代法及其收敛性
3.4Newton迭代法
3.5弦截法
3.6抛物线(Müller)法
3.7非线性方程组的迭代法简介
第4章插值法
4.2Lagrange插值
4.3Newton插值
4.4Hermite插值
4.5分段多项式插值
4.6三次样条插值
4.7B样条简介
第5章数据拟合与函数逼近
5.2最小二乘法
5.3正交多项式
5.4最佳平方逼近
5.5最佳一致逼近
第6章数值微积分
6.2数值微分
6.3数值积分的一般概念
6.4Newton-Cotes求积公式
6.5复化求积公式
6.6Romberg算法
6.7Gauss型求积公式
6.8振荡函数的积分的数值求积公式
6.9重积分的数值求积公式
第7章常微分方程初值问题的数值解法
7.2Euler方法及改进的Euler方法
7.3Runge-Kutta方法
7.4单步法的相容性、收敛性与稳定性
7.5线性多步法
7.6常微分方程组和高阶常微分方程的数值解法简介