![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机数值方法
热烈又平淡
这个作者很懒,什么都没留下…
展开
-
(十四)计算机数值方法之智能优化方法
请尝试用不同的惯性权重系数w 、个体最大学习因子C1max 和群体最大学习因子C2max进行优化求解,每组运行10次,比较10次优化的最好值和平均值。种群数目为N = 100,最大迭代次数为T = 100,Xmax=30,Xmin=-30,Vmax=10,Vmin=-10。当n=5时的最优值,取值范围为。原创 2024-06-24 10:00:00 · 359 阅读 · 0 评论 -
(十三)计算机数值方法之单纯形搜索法求极值
前 n 个为最小值点,第 n+1 个为函数值,第 n+2 个为迭代次数。,当n=5时的最优值,取值范围为。第二行输入初始单纯形步长h;,扩张系数alpha=,压缩系数theta=第一行输入变量个数n;,收缩系数beta=,误差eps=1e-迭代次数为N=408。原创 2024-06-17 10:00:00 · 294 阅读 · 0 评论 -
(十二)计算机数值方法之黄金分割法求极值
的极小值点,搜索区间为[3,6],误差小于1e-4;第一个为最小值点 第二个为函数值。原创 2024-06-10 10:00:00 · 265 阅读 · 0 评论 -
(十一)计算机数值方法之Newton迭代法
无输入,直接输出最终近似根。原创 2024-06-03 10:00:00 · 193 阅读 · 0 评论 -
(十)计算机数值方法之Gauss_Seidel迭代法
第二行至第m+1行输入二维数组A,即线性方程组的系数矩阵(非奇异)初始迭代向量均设为零向量,二范数误差小于。第m+2行输入矩阵B,即常数项列向量。第一行输入方程组阶度:m。原创 2024-05-27 11:00:00 · 444 阅读 · 0 评论 -
(九)计算机数值方法之Jacobi迭代法
第二行至第m+1行输入二维数组a,即线性方程组的系数矩阵;初始迭代向量设为零向量,二范数误差小于。第m+2行输入矩阵b,即常数项列向量。第一行输入方程组维度:m;原创 2024-05-20 10:00:00 · 269 阅读 · 0 评论 -
(八)计算机数值方法之四阶Runge-Kutta算法
第二行输入y(x)和y`(x)值;原创 2024-05-13 10:15:00 · 407 阅读 · 1 评论 -
(六)计算机数值方法之Simpson求积算法
第二行是2个数字,第一个为积分下限:a,第二个为积分上限:b,a、b中间用一个空格相连。第四行是1个数,为被积函数表达式的序号:funNum。第三行是1个精度数,为积分精度:eps。利用Romberg算法求解定积分方程。原创 2024-04-29 10:00:00 · 301 阅读 · 3 评论 -
(五)计算机数值方法之多项式最小二乘插值法
用最小二乘法拟合这组数据的多项式,计算得到拟合次数为。(前两项为系数,第三项是所求点的值)第四行是拟合多项式的次数order。第一行是数据组个数n。第二行是x的数据序列。第三行是y的数据序列。原创 2024-04-22 10:00:00 · 396 阅读 · 0 评论 -
(四)计算机数值方法之牛顿插值法
第一行是1个字符串,为函数接口名称:NewtonInterPol。第三行是n个数值,为待插值数据点的自变量:arrX。第四行是n个数值,为待插值数据点的因变量:arrY。第二行是1个数值,为数据点个数:n。第五行是1个数值,为待求点数值:x。的近似值(近似值保留5。原创 2024-04-15 10:00:00 · 435 阅读 · 0 评论 -
(三)计算机数值方法之拉格朗日插值法
拉格朗日插值法在数据插值中简单易懂且能确保通过所有给定数据点,提供多项式形式的高次插值精度;然而,该方法存在龙格现象、过拟合问题以及计算复杂性等缺点,可能导致插值误差增大,特别是在数据点分布不均匀或数据存在噪声时,使用该方法时需要注意控制误差。第一行是1个字符串,为函数接口名称:LagrangeInterPol。第三行是n个数值,为待插值数据点的自变量:arrX。第四行是n个数值,为待插值数据点的因变量:arrY。第二行是1个数值,为数据点个数:n。第五行是1个数值,为待求点数值:x。原创 2024-04-08 10:00:00 · 360 阅读 · 0 评论 -
(二)计算机数值方法之Cholesky分解法
主要用于对称正定的线性方程组,其矩阵必须是对称且正定的。该方法将对称正定矩阵分解成下三角矩阵的转置和该下三角矩阵之间的乘积。其计算效率较高,特别在处理大型对称正定矩阵时效果更为明显。由于其对称正定矩阵的性质,Cholesky分解通常更为稳定,能够减少数值误差的传播。矩阵为:A=[[10,7,8,7],[7,5,6,5],[8,6,10,9],[7,5,9,10]]Cholesky分解法的使用对象与(一)中的Gauss列主元素消去法略有不同。向量为:b=[32,23,33,31]后面的n行,输入n维矩阵A;原创 2024-03-30 23:04:45 · 305 阅读 · 0 评论 -
(一)计算机数值方法之Gauss列主元素消去法
计算机代替人脑计算,实现劳动力解放!原创 2024-03-26 10:19:08 · 421 阅读 · 0 评论