Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
методичка_СРС.doc
Скачиваний:
0
Добавлен:
01.05.2025
Размер:
3.56 Mб
Скачать

Тема 2.2. Методи розв’язування систем нелінійних рівнянь

Метод Ньютона: суть методу, збіжність методу. (СРС)

Модифікований метод Ньютона. (СРС)

В результаті вивчення теми студенти повинні:

Знати – суть методу Ньютона, алгоритм методу, формули для дослідження збіжності методу.

Вміти – розв’язувати системи нелінійних рівнянь методом Ньютона та модифікованим методом Ньютона.

Завдання:

  1. Опрацювати теоретичний матеріал, наведений в методичці, а також скористатись книгою Самарський А.А., Гулин А.В. Численные методы. (папка «Підручники») стор. 207-214, Калиткин Н.Н. Численные методы, стор. 152.

  2. Коссак о., Тумашова о., Коссак о. – Методи наближених обчислень: Навчальний посібник, стор.30-32

  3. Виконати завдання згідно номеру по списку в журналі з методички «Тестові завдання.doc»

Теоретичні завдання:

    1. В чому особливість методу Ньютона?

    2. Що є умовою збіжності методу?

    3. Навести формули модифікованого методу Ньютона.

Метод Ньютона для системи . Якщо визначено початкове наближення x(0)=(x1(0), x2(0),..., xn(0))T, ітераційний процес знаходження розв’язку системи (2.10) методом Ньютона можна представити у вигляді

k=0,1,2. (2.12)

де значення приростів Δx1(k), Δx2(k),., Δxn(k) визначаються з розв’язання системи лінійних рівнянь, всі коефіцієнти якої виражаються через відоме попереднє наближення x(k) = (x1(k) , x2(k) ,..., xn(k) )

(2.13)

У векторний-матричній формі розрахункові формули мають вигляд

x(k+1) = x(k) + x(k), k=0,1,2… k = 0,1, 2,...

Де вектор знаходиться з розв’язку рівняння f(x(k))+J(x(k))x(k)= 0, (2.15)

де - матриця Якобі перших похідних вектор-функції f(x).

Виражаючи з (2.15) вектор приростів Δx(k) і підставляючи його в (2.14), ітераційний процес знаходження розв’язку можна записати у вигляді

x(k+1)=x(k)J-1 (x(k))f(x(k)) k = 0,1,2... (2.16)

де J-1(x) - матриця, зворотна матриці Якобі. Формула (2.16) є узагальнення формули (2.2) на випадок систем нелінійних рівнянь.

При реалізації алгоритму методу Ньютона в більшості випадків переважним є не обчислення зворотної матриці J-1(x(k)) а знаходження з системи (2.13) значень приростів Δх1(k), Δх(2k),,Δх(пk) і обчислення нового наближення по (2.12). Для вирозв’язку таких лінійних систем можна привертати самі різні методи, як прямі, так і ітераційні, з урахуванням розмірності п вирішуваної задачі і специфіки матриць Якобі J(x) (наприклад, симетрії, розрідженості і т.п.).

Використання методу Ньютона припускає дифференційованість функцій f1(x), f2(x),…, fn(x) і невиродженість матриці Якобі (detJ(x(k))≠0).

У випадку, якщо початкове наближення вибране в достатньо малій околиці шуканого кореня, ітерації сходяться до точного розв’язку, причому збіжність квадратична.

У практичних обчисленнях як умова закінчення ітерацій зазвичай використовується критерій , де ε- задана точність. (2.17)

Приклад Методом Ньютона знайти позитивний розв’язок системи нелінійних рівнянь

(2.18) з точністю ε = 104.

Р ішення: Для вибору початкового наближення застосовуємо графічний спосіб. Побудувавши на площині (x1,x2) в області, що цікавить нас, криві f1(x1,x2) = 0 і f2(x1,x2) = 0 (мал. 2.2), визначаємо, що додатній розв’язок системи рівнянь знаходиться в квадраті 0<x1<0,5, 0,5 <x2 < 1,0.

За початкове наближення приймемо x1(0)=0,25, x2(0)=0,75. Для системи двох рівнянь розрахункові формули (2.12), (2.13) зручно записати у вигляді відносно x(k+1), x(k+1)

(2.19)

де

У даному прикладі:

f1 ( x 1( k) ,x2(k)) = 0,1x1( k)2+x1(k)+0,2x2(k)2-0,3

f2(x 1(k) ,x2(k)) = 0,2x 1( k)2 +x2(k)-0,1x1(k)x2(k)-0,7

Підставляючи в праві частини співвідношень (2.19) вибрані значення x 1(0), x(20), одержимо наближення x1(1), x(21), використовуване, у свою чергу, для знаходження x 1(2), x22). Ітерації тривають до виконання умови (2.17), де

Результати обчислень містяться в таблиці 2.4.

до

0

0.25000

0.75000

0.06875

0.04375

1.01250

0.02500

0.30000

0.97500

0.05391

0.04258

0.97969

1

0.19498

0,70654

-0.00138

0,00037

1.00760

0,00734

0.28262

0,98050

- 0,00146

0.00038

0.98588

2

0.19646

0.70615

0.00005

0.00000

1.00772

0.00797

0.28246

0.98035

0.00005

0.00000

0.98567

3

0.19641

0.70615

x 1(*) ≈0.1964, x2(*) ≈0.7062.