fredholm,离散积分方程.docVIP

1 第一类Fredholm积分方程，具有形式如下： , (1) 其中核函数和自由项为已知函数，是未知函数。此类积分方程虽然形式简单，但其求解却比较困难，所以这类方程在下文将做详细介绍。 2 第二类Fredholm积分方程，具有如下的形式： , (2) 离散积分方程的数值方法有很多种，比如可以用复化梯形公式、复化辛普森公式等，这里我们利用复化梯形公式来进行离散。 一、复化梯形公式离散过程如下： 下面具体给出复化梯形公式对第二类积分方程的一般离散过程。 最后对变量进行离散，将区间等分为份，步长为，同时忽略积分公式误差项： 其中 得到线性方程组 其中， 再对上述方程进行数值求解，即可。 例：求解积分方程，其解析解为 代码如下： function K=K(x,y) K = 1/(1+y) - x; function w1=fun1(x) w1=1./((1+x).*(1+x)); function f=f(x) f = (4*x.*x.*x + 5*x.*x - 2*x + 5)./(8*(x+1).*(x+1)); function w5=fww(a,b,n)%第一类fredholm方程解的程序 %w5=[w1,w2,w3,w4],各列分别表示真解、数值解、最小二乘解、正则解 %a,b表示积分区间[a,b] %n表示将区间n等分 %m表示正则参数的取值 h=(b-a)/n; x=a:h:b; y=a:h:b; A=zeros(n+1,n+1);%初始化矩阵A为n+1阶零矩阵 g=zeros(n+1,1);%初始化列向量g为n+1维零向量 w1=zeros(n+1,1);%初始化列向量w1为n+1维零向量 for i=1:n+1 for j=1:n+1 A(i,j)=K(x(i),y(j)); end g(i)=f(x(i)); w1(i)=(fun1(x(i)));%计算方程的真解 end A(:,1)=A(:,1)/2; A(:,n+1)=A(:,n+1)/2; A=h*A; A=eye(n+1,n+1)-A; w2=A\g;%得到的数值解 aa=norm(w1-w2)/norm(w1); %相对误差 bb=norm(w1-w2); %绝对误差 cc=[w1 w2]; plot(x,w1,b+)%真解 hold on plot(x,w2,r*)%数值解 %axis([0 1 -100 100]);%设置坐标轴 title(数值解与真解的比较);%加图形标题 xlabel(变量y);%加x轴说明 ylabel(y对应的解);%加y轴说明 运行结果： fww(0,1,50) aa = 0.000178436779942824 %相对误差 bb = 0.000693865370887685 %绝对误差 二、辛普森公式离散过程如下： 下面给出复化梯形公式对第二类积分方程的一般离散过程。由于辛普森公式中取到中点的值，所以我们在区间上取个点。 最后对变量进行离散，将区间等分为份，步长为，同时忽略积分公式误差项： 其中 得到线性方程组 其中， 再对上述方程进行数值求解，即可。 例：求解积分方程，其解析解为 代码如下： function v = knl(x,t) v = 1/(1+t) - x; function f = fnc(x) f = (4*x.*x.*x + 5*x.*x - 2*x + 5)./(8*(x+1).*(x+1)); function y = inteqn(t, kernel, fun, coef) % % Inputs % t evaluation points of the quadrature rule % kernel kernel function K % fun function f % coef quadrature rule coefficients % Output % y discrete solution values at t n = length(t); f = feval(fun, t); % for j=1:n for i = 1:n K(j,i) = feval(kernel, t(j), t(i)); end end % A = eye(n) - K*diag(coef); for j=1:n A(:,j) = -coef(j)*K(:,j); A(j,j) = 1.0 + A(j,j); end y = A\f; k = input(Enter number of pannels: ); x = linspace(0,1,k+1); x = x; % evenly spaced