数值分析期末复习

第一章 科学计算

误差

解题步骤

  1. 先求绝对误差:
    ∣ x − x ∗ ∣ |x - x^*| xx
  2. 求相对误差限:
    ∣ x − x ∗ ∣ x ∗ \frac{|x\,\,-\,\,x^*|}{x^*} xxx
  3. 求有效数字
    ∣ x − x ∗ ∣ 需要小于它自身的半个单位 |x-x^*|\text{需要小于它自身的半个单位} xx需要小于它自身的半个单位,然后算小数点后一共有多少数字

举个例子:
相减得出结果为0.0000345则小于0.0005,则有效数字为4

例题1:
ea1dba3fae17eef446cea04935ac79c.jpg

第二章 线性代数直接法

高斯消去法

高斯顺序消去法解题步骤

(假设是一个三行三列的矩阵):

  1. 先用第一行消去2,3行
  2. 再用第二行消去第三行

例题1:
987c473889804cafbae9f9f1718c044.jpg
例题2:
cc0434961ba0e72df953fa4ee6a96c4.jpg

高斯列主元消去法解题步骤

  1. 比较哪一行的绝对值最大,然后交换
  2. 用第一行消去第2、3行
  3. 再次比较哪一行绝对值最大,交换
  4. 重复步骤

例题1:
52e744960581f51f8b2ce30cd385017.jpg
例题2:
2579dce62a578c83fc05cc25928d28a.jpg
a661f62d416d4d48b9a94a9df97078d.jpg

LU分解

LU分解又称为:杜利特尔 (Doolittle)分解法,直接三角分解法

解题步骤

  1. 将A矩阵分解成L、U矩阵
    1. L矩阵:下三角矩阵,对角线全为1,其他元素为x
    2. U矩阵:上三角矩阵,第一行元素和A矩阵相同,其他元素为x
  2. 从A中矩阵逆向推导,L、U剩下的元素逐一相乘得出结果
    1. 按照顺序一行一行的元素去算

例题1:
2e32d42f8f43c0ae85d2720b61fbba7.jpg

3915868f5273582e7f11b0177bac7c8.jpg
31b5216620ff5a2f33ec9ef7ec72958.jpg

追赶法

追赶法又称为:克劳特分解

解题步骤

  1. 将A矩阵分解为L、U矩阵
  2. L矩阵的特点:下三角矩阵,对角线为未知数 α \alpha α,其他元素对A照抄
  3. U矩阵的特点:上三角矩阵,对角线为1,对角线上面的元素为 β \beta β
  4. α , β \alpha,\beta α,β全部算出来
  5. L y = b Ly=b Ly=b -> U x = y Ux=y Ux=y

例题:
899fe9ec4c43c1e320cf522730c939e.jpg
212cd76b186e8a5d88ad977e8fb26bf.jpg
84492d380115456b36a99289cdba506.jpg

第三章 线性代数方程组的迭代法

范数和条件数

  1. 1范数(列范数):每一列元素的绝对值之和的最大值 ∣ ∣ A ∣ ∣ 1 ||A||_1 ∣∣A1
  2. 无穷范数(行范数):每一行元素的绝对值之和的最大值
  3. 2范数:
    1. 向量:向量元素平方的和的平方根
    2. 矩阵(又称为谱范数):null
  4. 无穷范数条件数:
    c o n d ∞ ( A ) = ∣ ∣ A ∣ ∣ ∞ ∣ ∣ A − 1 ∣ ∣ ∞ cond_{\infty}\left( A \right) \,\,=\,\,||A||_{\infty}||A^{-1}||_{\infty} cond(A)=∣∣A∣∣A1

例题1:
f690ea10aedc5224444911545e27b35.jpg
例题2:
32ddcfdd090dda264110dcbf51eabc5.jpg

A − 1 A^{-1} A1的方法

  1. 初等变换法
    image.png

雅可比迭代法

解题步骤

  1. 整体思路:将 Ax=b ->x=Bx+g 的形式
  2. 先将第一行转换为 x 1 = . . . x_1=... x1=...
  3. 第二行 x 3 = . . . . x_{3}= .... x3=....
  4. 以此类推
  5. 画出表格
    image.png

计算器解题步骤

  1. 先将A、B、C、D、E、F设置为0 ( A 代表 x 1 , B 代表 x 2 , C 代表 x 3 A代表x_1,B代表x_2,C代表x_3 A代表x1,B代表x2,C代表x3)
    1. 0 sto A
    2. 0 sto B
    3. 0 sto C
    4. 0 sto D
    5. 0 sto E
    6. 0 sto F
  2. 将每一行公式输入到计算器中,使用 : : :进行分割
    1. D = …:E = …:F = …:A=D:B=E:C=F
      1. 这里是因为一开始不迭代,所以要设置DEF

高斯迭代法

解题步骤

  1. 与雅可比迭代类似
  2. 但是每次都会迭代前面那个值

计算器解题步骤

  1. 先将A、B、C设置为0 ( A 代表 x 1 , B 代表 x 2 , C 代表 x 3 A代表x_1,B代表x_2,C代表x_3 A代表x1,B代表x2,C代表x3)
    1. 0 sto A
    2. 0 sto B
    3. 0 sto C
  2. 将每一行公式输入到计算器中,使用 : : :进行分割
    1. A = …:B = …:C = …

第四章 多项式插值和样条插值

拉格朗日插值

一共 2 个部分:

  1. 插值多项式
  2. 插值余项

插值多项式

  • l n ( x ) = [ ∏ i = 0 , i ≠ j n x − x i x j − x i ] y i l_n(x) =[ \prod_{i=0,i\ne j}^{n}\frac{x-x_i}{x_j-xi}] y_i ln(x)=[i=0,i=jnxjxixxi]yi
  • L n ( x ) = ∑ j = 0 n L j ( x ) y j L_n(x)=\sum_{j=0}^{n}L_j(x)y_j Ln(x)=j=0nLj(x)yj

线性 n=1,以此类推后面就是 2 次、3 次

插值余项

  • ∣ R n ( x ) ∣ = M n + 1 ( n + 1 ) ! ∣ W n + 1 ( x ) ∣ |R_n(x)|=\frac{M_{n+1}}{(n+1)!} |W_{n+1}(x)| Rn(x)=(n+1)!Mn+1Wn+1(x)
  • M n + 1 = max ⁡ a ≤ x ≤ b ∣ f n + 1 ( x ) ∣ M_{n+1} = \max_{a\le x\le b}|f^{n+1}(x)| Mn+1=maxaxbfn+1(x)
  • W n + 1 ( x ) = ( x − x 0 ) ( x − x 1 ) . . . ( x − x n ) W_{n+1}(x) = (x-x_0)(x-x_1)...(x-x_n) Wn+1(x)=(xx0)(xx1)...(xxn)

牛顿插值

插值多项式

  • f ( x 0 , . . . , x n ) = f n − f n − 1 x n − x 0 f(x_0,...,x_n) = \frac{f_n - f_{n-1}}{x_n-x_0} f(x0,...,xn)=xnx0fnfn1

解题步骤

  1. 列差商表
xf(x)一阶差商
x 0 x_0 x0 f 0 f_0 f0
x 1 x_1 x1 f 1 f_1 f1 f ( x 0 , x 1 ) f(x_0,x_1) f(x0,x1)

以此类推,有 n 个 x 的值就有多少次 n-1 阶差商

  1. 最后的结果公式
    N n ( x ) = f 0 + f ( x 0 , x 1 ) ( x − x 0 ) + . . . + f ( x 0 , . . . , x n + 1 ) ( x − x 0 ) ( x − x 1 ) . . . ( x − x n ) N_{n}(x)=f_0 + f(x_0,x_1)(x-x_0) +...+f(x_0,...,x_{n+1})(x-x_0)(x-x_1)...(x-x_n) Nn(x)=f0+f(x0,x1)(xx0)+...+f(x0,...,xn+1)(xx0)(xx1)...(xxn)

牛顿插值余项

需要补充

第九章 常微分方程初边值问题数值解

龙格-库塔公式

基本概念

一般问题会有 y ′ , h , f ( x ) = y y', h , f(x) = y y,h,f(x)=y等参数
将其转换为
image.png

注意h的值,一般是在 0 ≤ x ≤ 1 0 \le x \le 1 0x1之间,逐渐相加之后递增到1结束计算

四阶四段龙格库塔公式如下:
image.png

解题步骤

  1. x 0 , y 0 , h x_0,y_0,h x0,y0,h写在旁边
  2. 将将题目中给出的已知信息代入 k 1 , k 2 , k 3 , k 4 k_1,k_2,k_3,k_4 k1,k2,k3,k4
  3. 更新 y n y_n yn的值
  4. 重复过程

k 2 k_2 k2->f的 x n + h 2 x_n+\frac{h}{2} xn+2h表示 x x x,同理另外一个表示 y y y,将其代入到f(x,y)中进行化简

02a8186f69218c968ad62f27dd644e3.jpg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/241203.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python入门学习篇(六)——for循环while循环

1 for循环 1.1 常规for循环 1.1.1 语法结构 for 变量名 in 可迭代对象:# 遍历对象时执行的代码 else:# 当for循环全部正常运行完(没有报错和执行break)后执行的代码1.1.2 示例代码 print("----->学生检查系统<------") student_lists["张三",&qu…

MLX vs MPS vs CUDA:苹果新机器学习框架的基准测试

如果你是一个Mac用户和一个深度学习爱好者&#xff0c;你可能希望在某些时候Mac可以处理一些重型模型。苹果刚刚发布了MLX&#xff0c;一个在苹果芯片上高效运行机器学习模型的框架。 最近在PyTorch 1.12中引入MPS后端已经是一个大胆的步骤&#xff0c;但随着MLX的宣布&#x…

在Excel中,如何简单快速地删除重复项,这里提供详细步骤

当你在Microsoft Excel中使用电子表格时&#xff0c;意外地复制了行&#xff0c;或者如果你正在制作其他几个电子表格的合成电子表格&#xff0c;你将遇到需要删除的重复行。这可能是一项非常无脑、重复、耗时的任务&#xff0c;但有几个技巧可以让它变得更简单。 删除重复项 …

Android Canvas画布saveLayer与对应restoreToCount,Kotlin

Android Canvas画布saveLayer与对应restoreToCount&#xff0c;Kotlin private fun mydraw() {val originBmp BitmapFactory.decodeResource(resources, R.mipmap.pic).copy(Bitmap.Config.ARGB_8888, true)val newBmp Bitmap.createBitmap(originBmp.width, originBmp.heigh…

【Win10安装Qt6.3】安装教程_保姆级

前言 Windows系统安装Qt4及Qt5.12之前版本和安装Qt.12之后及Qt6方法是不同的 &#xff1b;因为之前的版本提供的有安装包&#xff0c;直接一路点击Next就Ok了。但Qt5.12版本之后&#xff0c;Qt公司就不再提供安装包了&#xff0c;不论是社区版&#xff0c;专业版等&#xff0c…

并发控制工具类CountDownLatch、CyclicBarrier、Semaphore

并发控制工具类CountDownLatch、CyclicBarrier、Semaphore 1.CountDownLatch 可以使一个或多个线程等待其他线程各自执行完毕后再执行。 CountDownLatch 是多线程控制的一种工具&#xff0c;它被称为 门阀、 计数器或者闭锁。这个工具经常用来用来协调多个线程之间的同步&…

项目从vue2 升级vue3,项目大迁移 ,UI组件库更换

目录 背景描述 开发准备 第一步&#xff1a;升级环境 第二步&#xff1a;划分功能迁移顺序 第三步&#xff1a;详细了解需要迁移的业务页面 第四步&#xff1a;项目的一些配置的准备 详细开发流程 总结/分析&#xff1a; 背景描述 之前的版本&#xff1a;vue 2.6.8 i…

【PHY6222】绑定详解

1.函数详解 bStatus_t GAPBondMgr_SetParameter( uint16 param, uint8 len, void* pValue ) 设置绑定参数。 bStatus_t GAPBondMgr_GetParameter( uint16 param, void* pValue ) 获取绑定参数。 param&#xff1a; GAPBOND_PAIRING_MODE&#xff0c;配对模式&#xff0c;…

【postgres】8、Range 类型

文章目录 8.17 Range 类型8.17.1 内置类型8.17.2 示例8.17.3 开闭区间8.17.4 无穷区间 https://www.postgresql.org/docs/current/rangetypes.html 8.17 Range 类型 Range 类型&#xff0c;可以描述一个数据区间&#xff0c;有明确的子类型&#xff0c;而且子类型应该能被排序…

计算机网络——数据链路层(三)

前言: 前面我们已经对计算机网络的物理层有了一个大概的了解&#xff0c;今天我们学习的是物理层服务的上一层数据链路层&#xff0c;位于物理层和网络层之间。数据链路层在物理层提供的服务的基础上向网络层提供服务&#xff0c;其最基本的服务是将源自物理层来的数据可靠地传…

Mac使用Vmware Fusion虚拟机配置静态ip地址

一、设置虚拟机的网络为NAT 二、修改虚拟机的网络适配器网络 1、查看虚拟机的网卡 cd /etc/sysconfig/network-scripts#有些系统显示的是ens33&#xff0c;ens160等等 #不同的系统和版本&#xff0c;都会有所不同 #Centos8中默认是ens160,在RedHat/Centos7则为ens33 2、查看网…

Java语法---使用sort进行排序

目录 一、升序 二、降序 &#xff08;1&#xff09;类实现接口 &#xff08;2&#xff09;匿名内部类 三、自定义排序规则 四、集合中的sort排序 &#xff08;1&#xff09;升序 &#xff08;2&#xff09;降序 &#xff08;3&#xff09;自定义排序 一、升序 升序排…

C++内存管理和模板初阶

C/C内存分布 请看代码&#xff1a; int globalVar 1; static int staticGlobalVar 1; void Test() {static int staticVar 1;int localVar 1;int num1[10] { 1, 2, 3, 4 };char char2[] "abcd";const char* pChar3 "abcd";int* ptr1 (int*)mallo…

OpenHarmony之内核层解析~

OpenHarmony简介 技术架构 OpenHarmony整体遵从分层设计&#xff0c;从下向上依次为&#xff1a;内核层、系统服务层、框架层和应用层。系统功能按照“系统 > 子系统 > 组件”逐级展开&#xff0c;在多设备部署场景下&#xff0c;支持根据实际需求裁剪某些非必要的组件…

一周工作问题总结(2023.12.18-2023.12.22)

一周工作问题总结 1. 接口调用频率2. 汉字在数据库中占用字节问题3. Map在循环中修改自己的key与value4. Group BY5.递归同步数据6.代码移动Idea飘红 1. 接口调用频率 供应商给的接口可以每秒调用5-10次&#xff0c;那么我为了保险每秒调用5次&#xff0c;为了防止过度调用接口…

BUG记录——drawio出现“非绘图文件 (error on line 7355 at column 83: AttValue: ‘ expected)”

BUG现象 drawio出现“非绘图文件 (error on line 7355 at column 83: AttValue: ’ expected)”&#xff0c;如下图&#xff1a; 解决办法 这只是我自己摸索到的解决办法并不一定适用于所以人&#xff0c;对我是适用的。 首先用记事本打开损坏的drawio文件&#xff0c;如下 …

mathtype公式章节编号

1. word每章标题后插入章节符 如果插入后显示章节符&#xff0c;需要进行隐藏 开始->样式->MTEquationSection->修改样式->字体&#xff0c;勾选隐藏 2. 设置mathtype公式编号格式 插入编号->格式化->设置格式

什么是动态代理?

目录 一、为什么需要代理&#xff1f; 二、代理长什么样&#xff1f; 三、Java通过什么来保证代理的样子&#xff1f; 四、动态代理实现案例 五、动态代理在SpringBoot中的应用 导入依赖 数据库表设计 OperateLogEntity实体类 OperateLog枚举 RecordLog注解 上下文相…

SpringMVC基础知识(持续更新中~)

笔记&#xff1a; https://gitee.com/zhengguangqq/ssm-md/blob/master/ssm%20md%E6%A0%BC%E5%BC%8F%E7%AC%94%E8%AE%B0/%E4%B8%89%E3%80%81SpringMVC.md 细节补充&#xff1a;

深度学习 | 梯度下降算法及其变体

一、最优化与深度学习 1.1、训练误差与泛化误差 1.2、经验风险 1.3、优化中的挑战 1.3.1、局部最小值 1.3.2、 鞍点 经常是由于模型复杂度过高或者训练样本数据过少造成的 —— Overfitting 1.3.3、悬崖 1.3.4、长期依赖问题 二、损失函数 2.1、损失函数的起源 损失函数(loss…