- •Основы моделирования
- •Модели объектов с различными параметрами
- •Корреляционно-регрессионный анализ
- •Устойчивость систем.
- •I метод Ляпунова.
- •II метод Ляпунова.
- •Метод статистических испытаний (метод монте-карло)
- •Конечно-разностная аппроксимация.
- •Приближение функции многочленами
- •Оценка качества проектных решений
Конечно-разностная аппроксимация.
Большинство задач в физике и технике приводят к линейным и нелинейным дифференциальным уравнениям в частных производных. Одним из методов (иногда единственным) решения таких уравнений является метод конечных разностей. При его использовании предполагается, что решение исходных задачи существует и имеет нужное число производных, обеспечивающих максимальный порядок аппроксимации. Чтобы составить разностную схему, приближено описывающую данное дифференциальное уравнение необходимо выполнить:
заменить область непрерывного изменения аргумента областью его дискретного изменения.
заменить дифференциальный оператор некоторым разностным аналогом и сформулировать соответствующее выражение для краевых и начальных условий.
Из-за континуальности области определения дифференциального уравнения для ее аппроксимации берется конечное число точек, решение ищется в этих точках.
Для нахождения значений в промежуточных точках могут использоваться интерполяционные многочлены. Множество выбранных точек – сетка, сами точки – узлы. Формула, определённая в узлах сетки, называется сеточной. Свойство решения и его точность зависят от выбора сетки и выбранной схемы аппроксимации. Таким образом, вместо функции непрерывного аргумента y(x), рассматривается функция дискретного аргумента yh(xi), где h – шаг сетки, влияющей на значение функции. Сетка может быть равномерной и неравномерной. Для разностной аппроксимации необходимо предварительно выбрать шаблон, т.е. множество точек сетки, окружающий рассматриваемую точку x.
Оператор первого порядка:
Производную в точке x можно рассматривать в виде шага вперёд или назад
Можно также взять линейную комбинацию этих выражений
При
Для выбора аппроксимации нужно учитывать ошибку (меньшая ошибка), т.е.
Разложим v(x) по формуле Тейлора:
Подставляя это выражения в формулы , получим:
или, вернее,
Точнее, чем
Если взять пятиточечный шаблон, то
Точность аппроксимации 0(h4).
Аппроксимация функции второй производной:
При разложении в ряд Тейлора получаем погрешность
Для пятиточечного шаблона:
Для третьей производной при пятиточечном шаблоне:
Рассматривалась равномерная сетка. Хорошо, если края сетки совпадают с границами области определения.
Целесообразно, чтобы для конечно-разностной аппроксимации производных использовались формулы, дающие одинаковый уровень погрешности (например, o(h2)).
Приближение функции многочленами
В Rn – пространстве( n-мерное пространство точек с координатами x1, x2, … xn) заданы точки и значения функции в этих точках.
Нужно найти аналитически функцию «U», которую можно представить в виде линейных комбинаций заданных функций так, чтобы она в заданных точках наименьшим отклонялась от значений , чтобы дефекты [в т. ]были минимальными.
Для этого необходимо, найти ak:
1 случай:
s=m, тогда если , т.е. матрица, коэффициенты которой есть значения функций в соответствующих точках , то можно получить дефекты.
Коэффициенты ak находятся из условия путём решения СЛАУ. В этом случае выражение интерпретирует значение .
Таким образом, при s=m, мы имеем задачу интерполяции.
2 случай:
s<m, следовательно относится к задаче аппроксимации.
s>m интереса не представляет, потому что некоторые функции будут зависеть от других функций.
Т.е. задача аппроксимации f(x) сводится к нахождению y(x):
Здесь считаются заданными, а коэффициенты ak ищутся так, чтобы расстояние ||f-g|| было минимальным.
В качестве такого расстояния можно рассматривать:
Для дискретного случая
В качестве d можно брать .
Такая аппроксимация называется чебышевской, или T-аппроксимацией, которая часто применяется для решения дифференциальных уравнений с краевыми условиями.
Случаи относятся к линейной аппроксимации.
Используют также и так называемую рациональную аппроксимацию:
x – набор x1…..x2
- заданные функции
- искомые постоянные коэффициенты
Также аппроксимации используются для вычисления на ЭВМ функций Бесселя (напр.), которые применяются для расчетов пластин и оболочек; tg(x) и т.п.
При рациональной аппроксимации с заданной степенью точности часто требуется меньше коэффициентов, чем при линейной.
[-1;1]
Т-аппр:
на том же отрезке
Для n=3
n=4
Задание различных норм точности аппроксимации может существенно влиять на мин. решение.
Для с помощью линейной функции y=ax + b на отрезке [0;1] по классическому МНК коэффициенты a и b находятся из условия
МНК: ;
Т-ап: ;
При линейной аппроксимации функции в качестве функции могут выбираться как обычная степенная функция вида , так и специальные функции, в частности ортогональные многочлены, т.е.
u
Если bi=1, то ортонормированные многочлены.
В качестве ортогональных многочленов часто выбирают
а). Лежандра:
[-1;1]
i - № многочлена
при
- реккурентная формула
б). Чебышева:
на [-1;1]
T0(x)=1 ; Tn(-1)=(-1)n ; T1(x)=x
0
Рекуррентная формула:
Известна теорема, что в лин. нормированном пространстве R для заданных элементов f(x), всегда min решение.
Для одномерного пространства чебышевское приближение лучше МНК.
Для многомерного пр-ва сказанное выше неочевидно, поэтому используют МНК.
Пусть s=m и в [a;b] заданы m+1 опорные точки , а также значения f(x) в опорных точках.
Требуется найти Im(x) степени не более m такой, что Im(xj) = f(xj) .
Всегда имеется только один интерполяционный многочлен, но однозначно определённый многочлен может быть представлен в различных видах или формах.
Форма Ланганжа:
, где
Здесь степень не больше “m” и , при поэтому .
Форма Ньютона
, где ,
j=1, m
- разделённая разность
;