数值分析复习(六)——常微分方程数值解法
六、常微分方程数值解法
本章讨论一阶常微分方程初值问题的数值解
{y′=f(x,y),a≤x≤by(a)=η\left\{ \begin{aligned} &y^{'} = f(x, y),\ a \le x \le b \\ &y(a) = \eta \end{aligned} \right. {y′=f(x,y), a≤x≤by(a)=η
假设
- f(x,y)f(x,y)f(x,y),∂f(x,y)∂y\frac{\partial f(x, y)}{\partial y}∂y∂f(x,y) 连续
- 上式存在唯一解 y(x)y(x)y(x) 且在 [a,b][a,b][a,b] 上充分光滑
离散化:将 [a,b][a,b][a,b] 作 nnn 等分,记 h=b−anh=\frac{b-a}{n}h=nb−a,xi=a+ih,(i=0,1,...,n)x_i=a+ih,\ (i=0,1,...,n)xi=a+ih, (i=0,1,...,n)。称 hhh 为步长,数值解为求初值问题的解 y(x)y(x)y(x) 在离散点 xix_ixi 处的近似值 yiy_iyi
- 计算 yi+1y_{i+1}yi+1 时,如果只用到前一步的值 yiy_iyi,称这类方法为单步法
- 计算 yi+1y_{i+1}yi+1 时,如果用到前 r 步的值 yi,yi−1,...,yi−r+1y_i,y_{i-1},...,y_{i-r+1}yi,yi−1,...,yi−r+1,这类方法称为 r 步方法
Euler 公式
Euler 公式:
- yi+1=yi+hf(xi,yi),i=0,1,...,n−1y_{i+1}=y_i+hf(x_i,y_i),\ i=0,1,...,n-1yi+1=yi+hf(xi,yi), i=0,1,...,n−1(单步显式公式)
- 局部截断误差:Ri+1=y(xi+1)−[y(xi)+hf(xi,y(xi))]=12h2y′′(ξi),ξi∈(xi,xi+1)R_{i+1}=y(x_{i+1})-[y(x_i)+hf(x_i,y(x_i))]=\frac{1}{2}h^2y^{''}(\xi_i),\xi_i \in (x_i, x_{i+1})Ri+1=y(xi+1)−[y(xi)+hf(xi,y(xi))]=21h2y′′(ξi),ξi∈(xi,xi+1)
- 若 Ri+1=O(hp+1)R_{i+1}=O(h^{p+1})Ri+1=O(hp+1),则称该公式是 p 阶的,或具有 p 阶精度。Euler 公式是 1 阶的
后退 Euler 公式:
- yi+1=yi+hf(xi+1,yi+1),i=0,1,..,n−1y_{i+1}=y_i+hf(x_{i+1}, y_{i+1}),\ i=0,1,..,n-1yi+1=yi+hf(xi+1,yi+1), i=0,1,..,n−1(单步隐式公式)
- 局部截断误差:Ri+1=y(xi+1)−y(xi)−hf(xi+1,y(xi+1))=−h22y′′(ξi),ξi∈(xi,xi+1)R_{i+1}=y(x_{i+1})-y(x_i)-hf(x_{i+1},y(x_{i+1}))=-\frac{h^2}{2}y^{''}(\xi_i),\xi_i \in (x_i, x_{i+1})Ri+1=y(xi+1)−y(xi)−hf(xi+1,y(xi+1))=−2h2y′′(ξi),ξi∈(xi,xi+1)
- 后退 Euler 公式是 1 阶的
利用梯形公式的 Euler 公式:
- yi+1=yi+h2[f(xi,yi)+f(xi+1,yi+1)],i=0,1,...,n−1y_{i+1}=y_i+\frac{h}{2}[f(x_i,y_i)+f(x_{i+1}, y_{i+1})],\ i=0,1,...,n-1yi+1=yi+2h[f(xi,yi)+f(xi+1,yi+1)], i=0,1,...,n−1(单步隐式公式)
- 局部截断误差:Ri+1=y(xi+1)−y(xi)−h2[f(xi,y(xi))+f(xi+1,y(xi+1))]=−112y′′′(ξi)h3,ξi∈(xi,xi+1)R_{i+1}=y(x_{i+1})-y(x_i)-\frac{h}{2}[f(x_i,y(x_i))+f(x_{i+1},y(x_{i+1}))]=-\frac{1}{12}y^{'''}(\xi_i)h^3,\xi_i \in (x_i, x_{i+1})Ri+1=y(xi+1)−y(xi)−2h[f(xi,y(xi))+f(xi+1,y(xi+1))]=−121y′′′(ξi)h3,ξi∈(xi,xi+1)
- 该 Euler 公式是 2 阶的
改进 Euler 公式:
{yi+1(p)=yi+hf(xi,yi)预测公式yi+1=yi+h2[f(xi,yi)+f(xi+1,yi+1(p))]校正公式\left\{ \begin{aligned} y_{i+1}^{(p)} &= y_i+hf(x_i, y_i) \ 预测公式\\ y_{i+1} &= y_i+\frac{h}{2}[f(x_i, y_i)+f(x_{i+1},y_{i+1}^{(p)})]\ 校正公式 \end{aligned} \right. ⎩⎪⎨⎪⎧yi+1(p)yi+1=yi+hf(xi,yi) 预测公式=yi+2h[f(xi,yi)+f(xi+1,yi+1(p))] 校正公式
- 该公式是单步显式公式,其阶为 2 阶
- 局部误差:Ri+1=y(xi+1)−y(xi)−{h2[f(xi,y(xi))+f(xi+1,y(xi)+hf(xi,y(xi)))]}R_{i+1}=y(x_{i+1})-y(x_i)-\{\frac{h}{2}[f(x_i,y(x_i))+f(x_{i+1},y(x_i)+hf(x_i, y(x_i)))]\}Ri+1=y(xi+1)−y(xi)−{2h[f(xi,y(xi))+f(xi+1,y(xi)+hf(xi,y(xi)))]},计算可通过泰勒展开来处理
整体截断误差:
设当步长为 hhh 时某种数值方法求得的数值解为 y1[h],y2[h],...,yn[h]y_1^{[h]},y_2^{[h]},...,y_n^{[h]}y1[h],y2[h],...,yn[h],其中 y(xi),yi[h],i=1,2,...,ny(x_i),y_i^{[h]},i=1,2,...,ny(xi),yi[h],i=1,2,...,n,分别为精确解和数值解,则称
E(h)=maxi≤i≤n∣y(xi)−yi[h]∣E(h) = \max_{i \le i \le n}|y(x_i)-y_i^{[h]}| E(h)=i≤i≤nmax∣y(xi)−yi[h]∣
为该数值方法的整体截断误差。若 limh→0E(h)=0\lim_{h\rightarrow 0}E(h)=0limh→0E(h)=0 则称该方法收敛
Runge-Kutta
构造思想:
由 y(xi+1)=y(xi)+∫xixi+1f(x,y(x))dxy(x_{i+1})=y(x_i)+\int_{x_{i}}^{x_{i+1}}f(x,y(x))dxy(xi+1)=y(xi)+∫xixi+1f(x,y(x))dx 可得
y(xi+1)=y(xi)+hf(xi+θh,y(xi+θh)),θ∈(0,1)y(x_{i+1})=y(x_i)+hf(x_i+\theta h,y(x_i+\theta h)),\ \theta \in (0, 1) y(xi+1)=y(xi)+hf(xi+θh,y(xi+θh)), θ∈(0,1)
称 f(xi+θh,y(xi+θh))f(x_i+\theta h,y(x_i+\theta h))f(xi+θh,y(xi+θh)) 为 y(x)y(x)y(x) 在 [xi,xi+1][x_i, x_{i+1}][xi,xi+1] 上的平均斜率,记为 k∗k^*k∗
记 k1=f(xi,yi)k_1=f(x_i,y_i)k1=f(xi,yi),k2=f(xi+1,yi+hk1)k_2=f(x_{i+1},y_i+hk_1)k2=f(xi+1,yi+hk1),若用 k1k_1k1 近似 k∗k^*k∗,则得一阶 Euler 公式;若用 k1+k22\frac{k_1+k_2}{2}2k1+k2 近似 k∗k^*k∗,则得二阶改进的 Euler 公式
一般 r 级 Runge-Kutta 公式:
{yi+1=yi+h∑j=1rαjkjk1=f(xi,yi)kj=f(xi+λjh,yi+h∑l=1j−1μjlkl),j=2,3,...,r\left\{ \begin{aligned} y_{i+1} &= y_i+h\sum_{j=1}^r\alpha_jk_j \\ k_1 &= f(x_i, y_i) \\ k_j &= f(x_i+\lambda_jh,y_i+h\sum_{l=1}^{j-1}\mu_{jl}k_l),\ j=2,3,...,r \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎧yi+1k1kj=yi+hj=1∑rαjkj=f(xi,yi)=f(xi+λjh,yi+hl=1∑j−1μjlkl), j=2,3,...,r
选择参数 αj\alpha_jαj,λj\lambda_jλj,μjl\mu_{jl}μjl 使其具有一定的阶数
2 阶 Runge-Kutta 公式:
(式0){yi+1=yi+h(α1k1+α2k2)k1=f(xi,yi)k2=f(xi+λ2h,yi+hμ21k1)(式0)\left\{ \begin{aligned} y_{i+1} &= y_i+h(\alpha_1k_1+\alpha_2k_2) \\ k_1 &= f(x_i, y_i) \\ k_2 &= f(x_i+\lambda_2h,y_i+h\mu_{21}k_1) \end{aligned} \right. (式0)⎩⎪⎨⎪⎧yi+1k1k2=yi+h(α1k1+α2k2)=f(xi,yi)=f(xi+λ2h,yi+hμ21k1)
其截断误差为:
{Ri+1=y(xi+1)−y(xi)−h(α1K1+α2K2)K1=f(xi,y(xi))K2=f(xi+λ2h,y(xi)+hμ21K1)\left\{ \begin{aligned} R_{i+1} &= y(x_{i+1})-y(x_i)-h(\alpha_1K_1+\alpha_2K_2) \\ K_1 &= f(x_i, y(x_i)) \\ K_2 &= f(x_i+\lambda_2h, y(x_i)+h\mu_{21}K_1) \end{aligned} \right. ⎩⎪⎨⎪⎧Ri+1K1K2=y(xi+1)−y(xi)−h(α1K1+α2K2)=f(xi,y(xi))=f(xi+λ2h,y(xi)+hμ21K1)
注:可通过泰勒展开来处理上述截断误差
要使式 0 具有 2 阶精度,则
{1−α1−α2=012−α2λ2=012−α2μ21=0\left\{ \begin{aligned} &1- \alpha_1 - \alpha_2 = 0 \\ &\frac{1}{2} - \alpha_2 \lambda_2 = 0 \\ &\frac{1}{2} - \alpha_2 \mu_{21} = 0 \end{aligned} \right. ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧1−α1−α2=021−α2λ2=021−α2μ21=0
显然 α2\alpha_2α2 不能为 0,则
{α1=1−α2λ2=12α2μ21=12α2\left\{ \begin{aligned} &\alpha_1 = 1 - \alpha_2 \\ &\lambda_2 = \frac{1}{2\alpha_2} \\ &\mu_{21} = \frac{1}{2\alpha_2} \end{aligned} \right. ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧α1=1−α2λ2=2α21μ21=2α21
从而可得一类 2 阶 Runge-Kutta 公式
{yi+1=yi+h[(1−α2)k1+α2k2]k1=f(xi,yi)k2=f(xi+12α2h,yi+12α2hk1)\left\{ \begin{aligned} &y_{i+1} = y_i + h[(1-\alpha_2)k_1+\alpha_2k_2] \\ &k_1 = f(x_i, y_i) \\ &k_2 = f(x_i+\frac{1}{2\alpha_2}h, y_i+\frac{1}{2\alpha_2}hk_1) \end{aligned} \right. ⎩⎪⎪⎪⎨⎪⎪⎪⎧yi+1=yi+h[(1−α2)k1+α2k2]k1=f(xi,yi)k2=f(xi+2α21h,yi+2α21hk1)
当 α2=12\alpha_2=\frac{1}{2}α2=21,得改进的 Euler 公式。当 α2=1\alpha_2=1α2=1,得变形的 Euler 公式
单步法的收敛性和稳定性
考虑单步显式公式
(式1){yi+1=yi+hφ(xi,yi,h),i=0,1,...,n−1y0=η(式1)\ \left\{ \begin{aligned} &y_{i+1} = y_i + h\varphi(x_i,y_i,h),\ i=0,1,...,n-1 \\ &y_0 = \eta \end{aligned} \right. (式1) {yi+1=yi+hφ(xi,yi,h), i=0,1,...,n−1y0=η
本章讨论一阶常微分方程初值问题的数值解
(式2){y′=f(x,y),a≤x≤by(a)=η(式2)\ \left\{ \begin{aligned} &y^{'} = f(x,y),\ a \le x \le b \\ &y(a) = \eta \end{aligned} \right. (式2) {y′=f(x,y), a≤x≤by(a)=η
收敛性:
设 y(x)y(x)y(x) 是上述微分方程的解(式2),{yi}i=0n\{y_i\}_{i=0}^n{yi}i=0n 为单步显式公式(式1)的解。如果
- 存在常数 c0>0c_0>0c0>0,使得 ∣Ri+1∣≤c0hp+1,i=0,1,...,n−1|R_{i+1}|\le c_0h^{p+1},\ i=0,1,...,n-1∣Ri+1∣≤c0hp+1, i=0,1,...,n−1 => 至少 ppp 阶
- 存在 h0>0,L>0h_0 \gt 0,L \gt 0h0>0,L>0,使得 max(x,y)∈Dδ,0<h≤h0∣∂φ(x,y,h)∂y∣≤L\max_{(x,y)\in D_\delta,0 \lt h \le h_0}|\frac{\partial\varphi(x,y,h)}{\partial y}| \le Lmax(x,y)∈Dδ,0<h≤h0∣∂y∂φ(x,y,h)∣≤L => 有界
则当 h≤min{h0,δcp}h \le \min\{h_0, \sqrt[p]{\frac{\delta}{c}}\}h≤min{h0,pcδ} 时,有 E(h)≤chpE(h) \le ch^pE(h)≤chp
其中 Dδ={(x,y)∣a≤x≤b,y(x)−δ≤y≤y(x)+δ}D_\delta = \{(x, y)|a \le x \le b,y(x)-\delta \le y \le y(x)+\delta \}Dδ={(x,y)∣a≤x≤b,y(x)−δ≤y≤y(x)+δ},c=c0L[eL(b−a)−1]c=\frac{c_0}{L}[e^{L(b-a)}-1]c=Lc0[eL(b−a)−1]
稳定性:
对于上述初值问题(式2),设 {yi}i=0n\{y_i\}_{i=0}^n{yi}i=0n 是由上述单步法(式1)得到得近似解,{zi}i=0n\{z_i\}_{i=0}^n{zi}i=0n 是单步法(式1)扰动后的解,即满足
{zi+1=zi+h[φ(xi,yi,h)+δi+1],i=0,1,...,n−1z0=η+δ0\left\{ \begin{aligned} &z_{i+1} = z_i + h[\varphi(x_i,y_i,h)+\delta_{i+1}],\ i=0,1,...,n-1 \\ &z_0 = \eta + \delta_0 \end{aligned} \right. {zi+1=zi+h[φ(xi,yi,h)+δi+1], i=0,1,...,n−1z0=η+δ0
如果存在正常数 CCC,ϵ0\epsilon_0ϵ0,h0h_0h0,使得对所有 ϵ∈(0,ϵ0]\epsilon \in (0,\epsilon_0]ϵ∈(0,ϵ0],h∈(0,h0]h \in (0, h_0]h∈(0,h0],当 max0≤i≤n∣δi∣≤ϵ\max_{0 \le i \le n}|\delta_i| \le \epsilonmax0≤i≤n∣δi∣≤ϵ 时,有
max0≤i≤n∣yi−zi∣≤Cϵ\max_{0 \le i \le n}|y_i-z_i| \le C \epsilon 0≤i≤nmax∣yi−zi∣≤Cϵ
则称单步法(式1)稳定。在满足收敛性的条件下,单步公式(式1)是稳定的
线性多步法
一般的线性 k 步方法为
yi+1=∑j=0k−1ajyi−j+h∑j=−1k−1bjf(xi−j,yi−j)y_{i+1}=\sum_{j=0}^{k-1}a_jy_{i-j}+h\sum_{j=-1}^{k-1}b_jf(x_{i-j},y_{i-j}) yi+1=j=0∑k−1ajyi−j+hj=−1∑k−1bjf(xi−j,yi−j)
其中 ak−1a_{k-1}ak−1,bk−1b_{k-1}bk−1 不同时为零。当 b−1=0b_{-1}=0b−1=0 时为显式公式;当 b−1≠0b_{-1} \ne 0b−1=0 时为隐式公式
Adams 公式
- Adams 显式公式
- yi+1=yi+h∑j=0rβrjf(xi−j,yi−j)y_{i+1} = y_i + h\sum_{j=0}^r \beta_{rj}f(x_{i-j}, y_{i-j})yi+1=yi+h∑j=0rβrjf(xi−j,yi−j)
- 截断误差:Ri+1=αr+1hr+2y(r+2)(ξi)R_{i+1}=\alpha_{r+1}h^{r+2}y^{(r+2)}(\xi_i)Ri+1=αr+1hr+2y(r+2)(ξi)
- (r+1) 步、(r+1) 阶显式的 Adams 公式
- 当 r=0r=0r=0 时得 Euler 公式 yi+1=yi+hf(xi,yi)y_{i+1} = y_i+hf(x_i,y_i)yi+1=yi+hf(xi,yi)
其中 βrj\beta_{rj}βrj 和 αr+1\alpha_{r+1}αr+1 定义如下
βrj=∫01∏l=0,l≠jrl+tl−jdt,j=0,1,...,rαr+1=1(r+1)!∫01∏j=0r(j+t)dt\begin{aligned} &\beta_{rj} = \int_0^1 \prod_{l=0,l \ne j}^r \frac{l+t}{l-j}dt,\ j=0,1,...,r \\ &\alpha_{r+1} = \frac{1}{(r+1)!}\int_0^1 \prod_{j=0}^r (j+t) dt \end{aligned} βrj=∫01l=0,l=j∏rl−jl+tdt, j=0,1,...,rαr+1=(r+1)!1∫01j=0∏r(j+t)dt
- Adams 隐式公式
- yi+1=yi+h∑j=−1r−1β‾rjf(xi−j,yi−j)y_{i+1} = y_i + h\sum_{j=-1}^{r-1} \overline \beta_{rj}f(x_{i-j}, y_{i-j})yi+1=yi+h∑j=−1r−1βrjf(xi−j,yi−j)
- 截断误差:Ri+1=α‾r+1hr+2y(r+2)(ξ‾i)R_{i+1}=\overline \alpha_{r+1}h^{r+2}y^{(r+2)}(\overline \xi_i)Ri+1=αr+1hr+2y(r+2)(ξi)
- r 步、(r+1) 阶隐式的 Adams 公式
- 当 r=1r=1r=1 时得梯形公式 yi+1=yi+h2[f(xi+1,yi+1)+f(xi,yi)]y_{i+1} = y_i+\frac{h}{2}[f(x_{i+1}, y_{i+1})+f(x_i, y_i)]yi+1=yi+2h[f(xi+1,yi+1)+f(xi,yi)]
其中 β‾rj\overline{\beta}_{rj}βrj 和 α‾r+1\overline{\alpha}_{r+1}αr+1 定义如下
β‾rj=∫01∏l=−1,l≠jr−1l+tl−jdt,j=0,1,...,rα‾r+1=1(r+1)!∫01∏j=−1r−1(j+t)dt\begin{aligned} &\overline{\beta}_{rj} = \int_0^1 \prod_{l=-1,l \ne j}^{r-1} \frac{l+t}{l-j}dt,\ j=0,1,...,r \\ &\overline{\alpha}_{r+1} = \frac{1}{(r+1)!} \int_0^1 \prod_{j=-1}^{r-1}(j+t)dt \end{aligned} βrj=∫01l=−1,l=j∏r−1l−jl+tdt, j=0,1,...,rαr+1=(r+1)!1∫01j=−1∏r−1(j+t)dt
- Adams 预测校正公式:将同阶(以下是 2 阶公式结合)的显式 Adams 公式和隐式 Adams 公式结合起来
{yi+1(p)=yi+h2[3f(xi,yi)−f(xi−1,yi−1)]yi+1=yi+h2[f(xi+1,yi+1(p))+f(xi,yi)]\left\{ \begin{aligned} y_{i+1}^{(p)} &= y_i + \frac{h}{2}[3f(x_i, y_i)-f(x_{i-1}, y_{i-1})] \\ y_{i+1} &= y_i + \frac{h}{2}[f(x_{i+1},y_{i+1}^{(p)})+f(x_i, y_i)] \end{aligned} \right. ⎩⎪⎪⎨⎪⎪⎧yi+1(p)yi+1=yi+2h[3f(xi,yi)−f(xi−1,yi−1)]=yi+2h[f(xi+1,yi+1(p))+f(xi,yi)]
基于 Taylor 展开得待定系数法
- 若有 f(x,y(x))f(x,y(x))f(x,y(x)),可考虑将其转化为 y′(x)y^{'}(x)y′(x)
- 利用泰勒展开,将式子展开,如下
y(xi−j)=y(xi−jh)=y(xi)+(−jh)y′(xi)+(−jh)22!y′′(xi)+...\begin{aligned} &y(x_{i-j}) = y(x_i - jh) = y(x_i) + (-jh)y^{'}(x_i) + \frac{(-jh)^2}{2!}y^{''}(x_i)+... \\ \end{aligned} y(xi−j)=y(xi−jh)=y(xi)+(−jh)y′(xi)+2!(−jh)2y′′(xi)+...
- 合并阶数相同的项
- 若要求得的阶为 ppp,则令阶小于 ppp 的项的系数为 0,然后求解相应的系数即可
数值分析复习(六)——常微分方程数值解法相关推荐
- 常微分方程数值解法——python实现
研究生课程<应用数值分析>结课了,使用python简单记录了下常微分方程数值解法. 2022.11.26 Update: 文末补充C语言实现(C11标准) 向前欧拉法 {yi+1=yi+h ...
- 欧拉折线法解常微分方程C语言,第五章:常微分方程数值解法第一节欧拉法
<第五章:常微分方程数值解法第一节欧拉法>由会员分享,可在线阅读,更多相关<第五章:常微分方程数值解法第一节欧拉法(32页珍藏版)>请在人人文库网上搜索. 1.第五章 常微分方 ...
- 常微分方程数值解matlab欧拉,matlab 常微分方程数值解法 源程序代码
matlab 常微分方程数值解法 源程序代码 所属分类:其他 开发工具:matlab 文件大小:16KB 下载次数:41 上传日期:2019-02-13 11:03:29 上 传 者:XWLYF 说明 ...
- 科学计算与数学建模-常微分方程数值解法 思维导图
第七章 常微分方程数值解法
- 欧拉梯形格式C语言,常微分方程数值解法 欧拉格式和梯形格式比较.doc
常微分方程数值解法 欧拉格式和梯形格式比较 甥啼伐慑穗策步怀冻窿连鼓枉磷浮血腔氓玩伶樱拨惊款蹈耀突菩屠赘颧泥整抽蟹寥毋城舶败袍龙垫炯听记捅碉钠辞摆棒猩饯钒轮剂厅戎懦汝差栅寿坪赞壁洒日朵谰丛沛称怜给吟戏 ...
- 欧拉梯形格式C语言,常微分方程数值解法欧拉格式和梯形格式的比较.doc
常微分方程数值解法欧拉格式和梯形格式的比较 PAGE PAGE 4 年级00000班号0000学号0000专业000姓名00000实验名称000000实验类型设计型综合型创新型实验目的或要求常微分的数 ...
- 基础数学(8)——常微分方程数值解法
文章目录 期末考核方式 基础知识 解析解(公式法) 解析解例题(使用公式法,必考) 解析解的局限性 数值解 数值解的基本流程 显示Euler法 显示欧拉(差值理解) 显示欧拉(Taylor展开理解) ...
- 常微分方程数值解法-Python实现
目录 一阶微分方程 简介 四阶龙格库塔方法 广义 高阶微分方程 简介 一阶微分方程 简介 四阶龙格库塔方法 一阶微分方程解法 class Runge_Kutta:def __init__(self) ...
- 常微分方程数值解法1
1.牛顿迭代法 多数方程不存在求根公式,因此求精确根非常困难,甚至不可能,从而寻找方程的近似根就显得特别重要.牛顿迭代法使用函数 的泰勒级数的前面几项来寻找方程 的根.牛顿迭代法是求方程根的重要方法之 ...
- 常微分方程数值解法(1)
欧拉方法: #include <stdio.h> #include <math.h> #define N 10//离散点个数取10,对应步长0.1 #define low 0/ ...
最新文章
- 创新工场论文入选NeurIPS 2019,研发最强“AI蒙汗药”
- python print换行_聊聊 print 的前世今生
- java 静态块的作用域_java 学习笔记(一)
- Spark 1.3 新特性 :176个贡献者,1000+ patches
- php无限分类原理,php 递归无限级分类原理和实现代码
- 执行计划重编译的时机
- ubuntu14.0.4下安装pycharm
- oracle推式任务发料,Oracle EBS物料清单管理系统简介.pptx
- Java中Javadoc的{@link}与@see的简单区别
- 深层神经网络——线性模型的局限性
- python绘制折线图和散点图
- 大数据Hadoop入门
- elasticsearch,使用normalizer优化keyword字段的查询
- Ansiable批量管理工具
- 类中数组成员变量怎么初始化,数组名与指针的区别
- 个人简历制作时的自我评价应该怎么写?
- 通过ssh-keygen命令生成SSH密钥
- 【转帖】接口测试流程、测试点和测试工具
- 彻底搞懂 RxJava
- windows服务器系统加固
热门文章
- socket 支持 ipv6
- java代码审计工具_Java代码审计汇总系列(六)——RCE
- matlab最优化工具箱下载,matlab emd工具箱下载
- VS中Windows界面开发
- C++/测绘附和导线测量源码
- hadoop中HDFS命令遇到的问题
- WorkList-Dicom字段定义
- ezcad旋转轴标刻参数_激光打标机软件ezcad中菜单下的多文档标刻功能介绍及其操作设置...
- java 动态执行代码_java中动态执行一段代码
- scratch飞机大战图片素材包,值得您的分享!