6. 数值微积分与方程求解

A 数值微分与数值积分

A.a数值微分(diff)

<1>数值差分与差商
任意函数$f(x)$在$x0$点的导数是通过极限定义的：

<2>数值微分的实现
MATLAB提供了求向前差分的函数diff，其调用格式有三种：

• dx=diff(x)：计算向量x的一阶向前差分，dx(i)=x(i+1)-x(i),i=1,2,...,n-1
• dx=diff(x, n) ：计算向量x的n阶向前差分。例如：diff(x, 2)=diff(diff(x))
• dx=diff(A,n,dim)：计算矩阵A的n阶差分，dim=1时（默认状态），按列计算差分；dim=2时，按行计算差分。

注意：diff函数计算的是向量元素间的差分，故差分向量元素的个数比原向量少了一个。同样，对于矩阵来说，差分后的矩阵比原矩阵少了一行或一列。

计算差分之后，可以计算$f（x）$在某点的差商，计算$f^{\prime }(x)$的近似值。
例子：

%1*5000的矩阵
x = [0,sort(2*pi*rand(1,5000)),2*pi];
y = sin(x);
f3 = diff(y)./diff(x);
f2 = cos(x(1:end - 1));
plot(x(1:end-1),f3,x(1:end-1),f2);
d = norm(f3-f2)

A.b 数值积分

<1>数值积分基本原理
牛顿-莱布尼茨公式：

按积分区间[a, b]分成n个子区间$[x_i,x_{i+1}]，i=1,2,...,n$，其中$x_1=a,x_{n+1}=b$，这样求定积分的问题就分解为下面的求和问题：

<2>数值积分的实现

• 基于自适应辛普森方法：[l.n]=quad(filename, a, b, tol, trace)
• 基于自适应Gauss-Lobatto方法：[l, n]=quadl(filename, a,b,tol, trace)

其中，filename是被积函数名；a和b分别是定积分的上限和下限，积分限[a, b]必须是有限的，不能是无穷大；tol用来控制积分精度，默认时取$tol=10^{-6}$；trace控制是否展现积分过程，若取非0则展现积分过程，取0则不展现，默认trace=0；返回参数I即定积分的值。n为被积函数的调用次数。

例子：

format long
f = @(x)4./(1+x.^2);
[I,n] = quad(f,0,1,1e-8)
[I,n] = quadl(f,0,1,1e-8)
(atan(1) - atan(0))*4

• 基于全局自适应积分方法
  I=integral(filename,a,b)
  其中，I是计算得到的积分；filename是被积函数；a和b分别是定积分的下限和上限，积分限可以是无穷大。

function f = f1(x)
f = 1./(x.*sqrt(1-log(x).^2));

>> I = integral(@f1,1,exp(1))

I =

   1.570796326795570

• 基于自适应高斯-克朗罗德方法
  [I,err]=quadgk(filename, a, b)
  其中，err返回近似误差范围，其他参数的含义和用法与quad函数想相同。积分上下限可以是无穷大，也可以是复数。如果积分上下限为复数，则quadgk函数在复平面上求积分。

例子：

function f = f1(x)
f = sin(1./x)./x.^2;

I = quadgk(@f1,2/pi,+Inf)

I =

    1.0000

• 基于梯形积分
  

例子：

x = 1:6;
y = [6,8,11,7,5,2];
plot(x,y,'-ko');
grid on
axis([1,6,0,11]);
I1 = trapz(x,y)
%二者等价
I2 = sum(diff(x).*(y(1:end-1)+y(2:end))/2)

<3>多重定积分的数值求解

例子：

f2 = @(x,y)exp(-x.^2/2).*sin(x.^2+y);
I1 = quad2d(f2,-2,2,-1,1)
f3 = @(x,y,z)4*x.*z.*exp(-z.*z.*y-x.*x);
I2 = integral3(f3,0,pi,0,pi,0,1)

B 线性方程组求解

B.a 直接法

• 高斯消去法
• 列主元消去法
• 矩阵的三角分解法

<1>利用左除运算符直接解法
Ax=b ====> x=A\b
注意：如果矩阵A是奇异的或者接近奇异的，则MATLAB会给出警告信息。

<2>利用矩阵分解求解线性方程组
1 LU分解
LU分解的基本方法：

MATLAB的LU分解函数：
[L,U]=lu(A)：产生一个上三角阵U和一个变换形式的下三角阵L，使之满足A=LU。注意，这里的矩阵A必须是方阵。
[L,U,P]=lu(A)：产生一个上三三角阵U和一个下三角阵L以及一个置换矩阵P，使之满足PA=LU。同样，矩阵A必须是方阵。

用LU分解求解线性方程组：

2 QR分解
3 Cholesky分解

B.b 迭代法

jacobi.m

%方程的解  迭代次数              迭代的初值 精度
function [y,n]=jacobi(A,b,x0,ep)
	D=diag(diag(A)); % 对角阵
	L=-tril(A,1);
	U=-triu(A,1);
	B=D\(L+U);
	f=D\b;
	y=B*x0+f;
	n=1;
	%两个解之差的二范数
	while norm(y-x0)>=ep
		x0=y;
		y=B*x0+f;
		n=n+1;	
	end

gauseidel.m

function [y,n]=jacobi(A,b,x0,ep)
 	D=diag(diag(A)); % 对角阵
	L=-tril(A,-1);
 	U=-triu(A,1);
 	B=(D-L)\U;
 	f=(D-L)\b;
 	y=B*x0+f;
 	n=1;
 	while norm(y-x0)>=ep
	  	x0=y;
 	 	y=B*x0+f;
  		n=n+1; 
 	end

例子：

有时候高斯-赛德尔迭代法求解线性方程组可能不收敛。

B.c 线性方程组应用举例

• 平面桁架结构受力分析问题

• 小行星运行轨道计算问题

  xi = [1.02,0.87,0.67,0.44,0.16];
  yi = [0.39,0.27,0.18,0.13,0.13];
  A = zeros(length(xi));
  for i = 1:length(xi)
      A(i,:) = [xi(i)*xi(i),2*xi(i)*yi(i),yi(i)*yi(i),2*xi(i),2*yi(i)];
  end
  b = -ones(length(xi),1);
  ai = A\b
  f = @(x,y)  2.4645*x.^2-0.8846*x.*y+6.4917*y.^2-1.3636*x-7.2016*y+1;
  h = ezplot(f,[-0.5,1.2,0,1.2]);
  

C 非线性方程求解与函数极值计算

C.a 非线性方程数值求解

<1>单变量非线性方程求解
函数的调用格式：x=fzero(filename, x0)
其中，filename是待求根方程左端的函数表达式，x0是初始值。

f = @(x) x-1./x+5;
x1 = fzero(f,-5)
x2 = fzero(f,1)
x3 = fzero(f,0.1)

<2>非线性方程组的求解
函数的调用格式为：
x=fsolve(filename, x0, option)
其中，x为返回的近似解，filename是待求根方程左端的函数表达式，x0是初值，option用于设置优化工具箱的优化参数，可以调用optimset函数来完成。 也可解例一

f = @(x)[sin(x(1))+x(2)+x(3)^2*exp(x(1)),x(1)+x(2)+x(3),x(1)*x(2)*x(3)];
%调用方法 返回一个行向量
f([1,1,1])
x = fsolve(f,[1,1,1],optimset('Display','off'))
%回代检验结果
f(x)

C.b函数极值的计算

• 极大值（最大值）
• 极小值（最小值）

Matlab只考虑最小值问题的计算，如果要求$f(x)$的最大值，可以求$-f(x)$的最小值。
<1>无约束最优化问题
无约束最优化问题的一般描述为：

求最小值点和最小值的函数：
[xmin, fmin]=fminbnd(filename, x1, x2, option)
[xmin, fmin]=fminsearch(filename, x0, option)
[xmin, fmin]=fminunc(filename, x0, option)
fminbnd:一元函数
fminsearch:单纯形法。多元
fminunc:拟牛顿法。多元

其中，filename是定义的目标函数。第一个函数的输入变量x1、x2分别表示被研究区间的左右边界。后两个函数的输入变量x0是一个向量，表示极值点的初值。option为优化参数，可以通过optimset函数来设置。

f = @(x)x-1./x+5;
[xmin,fmin] = fminbnd(f,-10,-1)
[xmin,fmin] = fminbnd(f,1,10)

<2>有约束最优化问题
有约束最优化问题的一般描述为：

$s.t.是subjectto的缩写，表示x要满足后面的约束条件。$
约束条件可细化为：

• 线性不等式约束
• 线性等式约束
• 非线性不等式约束
• 非线性等式约束
• x的上界和下界

求有约束条件下的最小值的函数为：
[xmin, fmin]=fmincon(filename, x0, A, b, Aeq, beq, Lbnd, Ubnd, Nonf, option)
其中，xmin, fmin,filename,x0和option的含义与求最小值函数相同。其余参数为约束条件，包括线性不等式约束、线性等式约束、x的下界和上界以及定义非线性约束的函数。如果某个约束不存在，则用空矩阵表示。

AX <= b（线性不等式约束，如果是约束是大于，则左右乘-1）
AeqX = beq（线性等式约束）
G(x) <= 0（非线性不等式约束）Nonf的两个输出值
Ceq(X) = 0（非线性等式约束）
Lbnd <= X <= Ubub（变量约束）

f = @(x)0.4*x(2)+x(1)^2+x(2)^2-x(1)*x(2)+1/30*x(1)^3;
x0 = [0.5;0.5];
A = [-1,-0.5;-0.5,-1];
b = [-0.4;-0.5];
lb = [0;0];
option = optimset('Display','off');
[xmin,fmin] = fmincon(f,x0,A,b,[],[],lb,[],[],option)

例题 建仓库送货问题

无约束最优化问题

a = [10,30,16.667,0.555,22.2221];
b = [10,50,29,29.888,49.988];
c = [10,18,20,14,25];
f = @(x)sum(c.*sqrt((x(1)-a).^2+(x(2)-b).^2));
[xmin,fmin] = fminsearch(f,[15,30])

有约束 y = x*x

%一般匿名函数返回值只有一个
function [c,h] = f1(x)
c= [];
h = x(2)-x(1)^2;

a = [10,30,16.667,0.555,22.2221];
b = [10,50,29,29.888,49.988];
c = [10,18,20,14,25];
f = @(x)sum(c.*sqrt((x(1)-a).^2+(x(2)-b).^2));
[xmin,fmin] = fmincon(f,[15,30],[],[],[],[],[],[],'f1')

D 常微分方程数值求解

D.a常微分方程数值求解的一般概念

---

D.b 常微分方程数值求解函数

MATLAB提供了多个求常微分方程初值问题数值解的函数，一般调用格式为：
[t，y]=solver（filename，tspan，y0，option）
其中，t和y分别给出时间向量和相应的数值解。
solver为求常微分方程数值解的函数。
filename是定义f（t，y）的函数名，该函数必须返回一个列向量。
tspan形式为[to，tf]，表示求解区间。
y0是初始状态向量。
option是可选参数，用于设置求解属性，常用的属性包括相对误差值Re1To1（默认值是1 0 − 3 10^{-3}10
−3）和绝对误差值AbsTol（默认值是1 0 − 6 10^{-6}10 −6）。
常微分方程数值求解函数的统一命名格式：odennxx
ode是0rdinary Differential Equation的缩写，是常微分方程的意思。
nn是数字，代表所用方法的阶数。例如，ode23采用2阶龙格-库塔（ R u n g e − K u t t a ） （Runge-Kutta）（Runge−Kutta）算法，用3阶公式做误差估计来调节步长，具有低等精度。
ode45采用4阶龙格-库塔算法，用5阶公式做误差估计来调节步长，具有中等精度。
xx是字母，用于标注方法的专门特征。
ode15s、ode23s中的“s”代表（Stiff），表示函数适用于刚性方程。
求常微分方程数值解的函数

例子：

f = @(t,y)(y^2-t-2)/4/(t+1);
[t,y] = ode23(f,[0,10],2);
y1 = sqrt(t+1)+1;
plot(t,y,'b:',t,y1,'r')

例子：

f = @(t,x)[-2,0;0,1]*[x(2);x(1)];
[t,x] = ode45(f,[0,20],[1,0]);
subplot(2,2,1);
plot(t,x(:,2));
subplot(2,2,2);
plot(x(:,2),x(:,1));

---

D.c 刚性问题

lambda = 0.01;
f = @(t,y)y^2-y^3;
tic;[t,y] = ode45(f,[0,2/lambda],lambda);toc;
disp(['ode45计算的点数',num2str(length(t))]);

lambda = 1e-5;
f = @(t,y)y^2-y^3;
tic;[t,y] = ode15s(f,[0,2/lambda],lambda);toc;
disp(['ode45计算的点数',num2str(length(t))]);

---

F Lotka-Volterra模型

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2vHBbzof-1625235977989)(C:\Users\myp\AppData\Roaming\Typora\typora-user-images\image-20210702153907321.png)]

第①问：兔子数量初始值x 1 （ 0 ） = 300，狐狸数量初始值x 2 ( 0 ) = 150

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,30],[300,150])
subplot(1,2,1);
plot(t,x(:,1),'-',t,x(:,2),'-*');
legend('xl（t）','x2（t）');
xlabel('时间');
ylabel('物种数量');
grid on 
subplot(1,2,2);
plot(x(:,1),x(:,2))
grid on
1234567891011

我们可以看到，兔子和狐狸两者相互制约，当狐狸逐渐增多时，兔子逐渐减少，当狐狸增加到一定数量时，由于种群内部竞争激烈，又导致其数量减少，从而兔子天敌减少，进而导致兔子数量增加，当兔子增加到一定数量时，种间竞争加剧，从而又导致兔子数量减少，如此循环，相互制约发展。
**第②问：兔子初始值x 1 （ 0 ） = 15 ，狐狸初始值x 2 （ 0 ) = 22 **

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,30],[15,22])
subplot(1,2,1);
plot(t,x(:,1),'-',t,x(:,2),'-*');
legend('xl（t）','x2（t）');
xlabel('时间');
ylabel('物种数量');
grid on 
subplot(1,2,2);
plot(x(:,1),x(:,2))
grid on

123456789101112

第③问：兔子初始值x 1 （ 0 ） = 102 ，狐狸初始值x 2 （ 0 ） = 198 。

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,30],[102,198])
subplot(1,2,1);
plot(t,x(:,1),'-',t,x(:,2),'-*');
legend('xl（t）','x2（t）');
xlabel('时间');
ylabel('物种数量');
grid on 
subplot(1,2,2);
plot(x(:,1),x(:,2))
grid on
1234567891011

第④问：验证（ 1 / λ ， 2 / λ ） 是稳定平衡点。
取λ=0.01，所以稳定平衡点（ 1 / λ , 2 / λ ） 即是( 100 , 200 ) ，以此点作为初值时，画出其图像。

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,30],[100,200])
plot(t,x(:,1),'-o',t,x(:,2),'-*');
legend('x1（t）-兔子','x2（t）-狐狸');
xlabel('时间');
ylabel('物种数量');
123456

当将初始值变为( 98 , 195 ) (98,195)(98,195)时，即向下十分接近平衡点，画出其图像。

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,30],[98,195])
plot(t,x(:,1),'-o',t,x(:,2),'-*');
legend('x1（t）-兔子','x2（t）-狐狸');
xlabel('时间');
ylabel('物种数量');
123456

两者图像没有交点，兔子和狐狸的数量分别以各自的平衡点进行周期性波动，但是两者的数量变化不是很大。
当将初始值变为( 70 , 150 ) (70,150)(70,150)时（向下偏离平衡点比较远时），画出其图像。

可以发现兔子和狐狸的数量变化比较剧烈，但是依然成周期性变化。
当将初始值变为( 900 , 1600 ) (900,1600)(900,1600)时（向上偏离平衡点十分远时），画出其图像。

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,500],[900,1560])
plot(t,x(:,1),t,x(:,2));
legend('x1（t）-兔子','x2（t）-狐狸');
xlabel('时间');
ylabel('物种数量');
123456

可以发现，此时兔子和狐狸的数量变化相当的剧烈，但是依然存在周期。

F.a改进模型

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-997sU0h7-1625235977990)(C:\Users\myp\AppData\Roaming\Typora\typora-user-images\image-20210702153830684.png)]
第①问：在原模型下，狐狸数量和兔子数量的时间函数曲线

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,50],[300,150])
plot(t,x(:,1),t,x(:,2));
legend('x1（t）-兔子','x2（t）-狐狸');
xlabel('时间');
ylabel('物种数量');
title('原模型下，狐狸和兔子数量的函数曲线');
1234567

第②问：在改进模型下，狐狸数量和兔子数量的时间函数曲线。

rabbitFox=@(t,x) [2*x(1)*(1-x(1)/400-0.005*x(2));...
    x(2)*(-1+0.01*x(1))];%...代表换行
[t,x]=ode45(rabbitFox,[0,50],[300,150]);
plot(t,x(:,1),t,x(:,2));
legend('x1（t）-兔子','x2（t）-狐狸');
xlabel('时间');
ylabel('物种数量');
title('改进模型下，狐狸和兔子数量的函数曲线');
12345678

第③问：在原模型下，狐狸数量相对兔子数量的关系曲线。

rabbitFox=@(t,x)[x(1)*(2-0.01*x(2));x(2)*(-1+0.01*x(1))];
[t,x]=ode45(rabbitFox,[0,30],[300,150])
plot(x(:,1),x(:,2));
xlabel('兔子数量');
ylabel('狐狸数量');
title('原模型下，狐狸数量相对于兔子数量的关系曲线');
123456

第④问：在改进模型下，狐狸数量相对于兔子数量的关系曲线。

rabbitFox=@(t,x) [2*x(1)*(1-x(1)/400-0.005*x(2));...
    x(2)*(-1+0.01*x(1))];%...代表换行
[t,x]=ode45(rabbitFox,[0,50],[300,150]);
plot(x(:,1),x(:,2));
xlabel('时间');
ylabel('物种数量');
title('改进模型下，狐狸数量相对于兔子数量的关系曲线');
1234567

模型的进一步改进：
考虑狐狸的环境容纳量
考虑到兔子其他天敌和狐狸天敌的影响
考虑自然灾害、人为捕捉等因素