- •Приближенные числа
- •Правила вычислений с приближенными числами.
- •Приближенное решение алгебраических и трансцендентных уравнений. Отделение корней и уточнение приближенных корней. Графическое решение уравнений.
- •Метод половинного деления (метод «вилки»).
- •Метод хорд.
- •Метод Ньютона (метод касательных).
- •Метод итерации. Приведение уравнений к виду, удобному для итерации.
- •Приближенное решение систем линейных уравнений. Метод итераций.
- •Приближенное решение систем нелинейных уравнений. Метод итерации.
- •Постановка задачи интерполирования функций. Общее решение задачи интерполирования функции полиномом.
- •Интерполяционная формула Лагранжа
- •Интерполирование сплайнами
- •14 Аппроксимирование функций (15 не нашли)
- •Аппроксимирование функций. Метод ортогональных функций.
- •Квадратурная формула Ньютона-Котеса
- •Квадратурная формула Гаусса
- •Численные метода решения задачи Коши для обыкновенных дифференциальных уравнений. Метод Эйлера. Метод Эйлера-Коши
- •Метод Рунге-Кутта
- •Редукция к задаче Коши двухточечной краевой задачи для линейного уравнения второго порядка.
- •Метод коллокации.
- •23.Аппроксимация производных конечно-разностными соотношениями.
- •Метод конечных разностей численного решения обыкновенных дифференциальных уравнений.
- •Принципы построения сеток на плоскости и в пространстве.
- •26. Построение разностных схем для уравнений параболического типа.
- •27. Экстремумы функций. Классификация методов безусловной оптимизации.
- •28. Общая характеристика методов оптимизации нулевого порядка.
- •Метод прямого поиска (метод Хука-Дживса).
- •Метод деформируемого многогранника (метод Нелдера-Мида).
- •Метод вращающихся координат (метод Розенброка).
- •Метод параллельных касательных (метод Пауэлла).
- •Общая характеристика методов оптимизации первого порядка.
- •34.Метод наискорейшего спуска
- •35. Общая характеристика методов оптимизации второго порядка. Метод Ньютона.
- •36. Метод Ньютона с регулировкой шага (метод с переменной метрикой)
- •37. Метод статистических испытаний (метод Монте-Карло)
- •38. Вычисление кратных интегралов методом Монте-Карло
- •39. Структура искусственной нейронной сети (инс)
- •40. Компьютерная модель нейрона (нейроэлемента, нэ)
- •41. Функции активации нейроэлементов
- •45.Методы обучения элементарного перцептрона.
- •46.Многослойный перцептрон.
- •47. Понятие обучающей выборки.
Метод коллокации.
Решение краевой задачи (5.49),
(5.50) ищем в виде
где ui(x) (I = 0, 1, 2, …, n) -- линейно независисмые ортогональные функции.
О бозначим
П отребуем, чтобы невязка
обращалась в нуль на некоторой системе точек x1, x2, …, xn отрезка [a, b].
Эти точки называются точками коллокации, их число должно равняться числу коэффициентов ci в выражении (5.60).
Для определения ci получаем систему уравнений
Метод коллокации можно применить и для решения нелинейных уравнений
y’’ = f(x, y, y’).
c линейными краевыми условиями.
При этом невязка имеет вид
R(x) = y’’ - f(x, y, y’).
Система (5.63) будет системой нелинейных алгебраических уравнений относительно неизвестных ci.
Пример.
Методом коллокации найти приближенное решение уравнения
y’’ + (1 + x2)y + 1 =0
c краевыми условиями
y(-1) = y(1) = 0.
Выберем в качестве базисных функций u0(x) = 0, u1(x) = 1 – x2, u2(x) = x2(1-x2).
У словия (5.65) для них выполняются. Решение будем искать в виде
З а точки коллокации возьмем x0 = 0, x1 = ½.Составляем невязку R(x):
П одставив x0 = 0, x1 = ½, получаем систему
Отсюда находим c1 = 0,957; c2 = -0,022.
Приближенное решение имеет вид
(взяла из интернета)
23.Аппроксимация производных конечно-разностными соотношениями.
«Идея метода заключается в сведении краевой задачи к решению системы алгебраических уравнений путем замены производных в дифференциальном уравнении и краевых условий конечно – разностными соотношениями»[3, 146 c.].
«Рассмотрим первую краевую задачу: { y" + p(x)y' + q(x)y = f(x), a < x < b; (3.1)
y(a) = ya, x = a; (3.2)
y(b) = yb, x = b (3.3)
и будем решать ее конечно - разностным методом, заменяя дифференциальные операторы отношением конечных разностей с использованием формул численного дифференцирования.
Для этого введем конечно-разностную сетку с шагом h: ω h = {xi = ih, i = 0,...,n}.
Поскольку ОДУ (3.1) описывает поведение функции у(х) внутри расчетной области x ∈ (a,b) , то производные 1-го и 2-го порядков можно аппроксимировать с помощью отношения центральных разностей со 2-м порядком аппроксимации: (3.4)
(3.5)
{p(xi), q(xi), f(xi)} ≡ {pi, qi, fi}, i= 1,...,n-1 (3.6)
Подставляя (3.4)-(3.6) в ОДУ (3.1), получим следующую конечно-разностную схему:
y0 = ya, i = 0; yn = yb, i = n, которую можно представить в виде следующей СЛАУ с трехдиагональной матрицей: ai yi-1 + biyi + ciyi+1 = di, i=1,...,n-1, (3.7)
где di = fi.
П ри i = 1 первое слагаемое в левой части (3.7) известно и равно a1y0 = a1ya; при i = n-1 последнее слагаемое в левой части также известно и равно cn-1yn = cn-1yb. Поэтому СЛАУ (3.7) приобретает следующий вид:
(3.8)
Здесь коэффициенты ai и cn-1 полагаются равными нулю только после вычисления правых частей d1* и dn-1*.
Теперь СЛАУ (3.8) пригодна для использования метода прогонки (она имеет трехдиагональную матрицу и a1 = cn-1 = 0).