电子科大MATLAB第4节算法素材.ppt

第四节 算法介绍 算法（Algorithm） Algorithm is an effective method for solving a problem using a finite sequence of instructions. （comes from Wikipedia） 算法是利用有限（计算机）指令解决问题的有效方法。 有效性：必须能得到正确结果； 有限性：时间、空间（内存空间）范围有限； 计算机指令： 算术指令： +，-，*，/，…, 比较指令： , , = =, ~=, …, 控制指令：for , if, while, …, 赋值指令： =， 算法（Algorithm） × 不是有限指令 改进 2： 有限？ √ 改进 1： 算法？ 有限？ √ 有效 ? 有效 ？ 例：设计算法，用计算机计算函数 算法原理：泰勒定理 算法优吗？如何评价算法的优劣？ 算法研究的主要问题 算法研究中的主要问题： 算法的实现：如何设计算法能够解决一类问题 算法的误差：算法的结果与真实结果有多大差距 算法的运算效率：如何能够更快地解决问题 算法的稳定性：当输入存在误差时，算法是否还能得到较好的结果。 误差的基本概念 绝对误差（absolute error ）：真实值与近似值差的绝对值。 绝对误差限（精度，accuracy）：绝对误差的范围； 相对误差（relative error）：绝对误差与精确值之比（如果精确值未知，计算时用近似值代替）。 相对误差限：相对误差的范围; 有效数字：若近似值x*的误差限是某一位的半个单位，该位到x*的第一位非零数字共n位，则称x*有n位有效数字。 真实值：1.3333，计算值：1.350，有三位有效数字 计算值：1.390，小数点后第二位差大于半个单位0.5，则只有两位有效数字。 误差的基本概念 例：真实值=00123.000456 要求保留5位有效数字：00123.00（最前面0不计，最后0不省） 绝对误差=|真实值-近似值| = 0.000456， 相对误差= 0.000456 / 00123.000456 =3.7073e-006 保留7位有效数字：00123.0005（四舍五入） 绝对误差=0.0000440.00005（绝对误差不大于其最末数字的半个单位） 相对误差= 0.000044 / 00123.000456 = 3.5772e-007 算法的误差 算法的误差包括： 模型误差 测量误差 舍入误差 截断误差 舍入误差（Roundoff Errors） 舍入误差：由于数据输入位数有限及计算机精度有限而导致的误差。 计算机中的数包括两类： 用来表示整数的数： int，unsigned int，long，short，… 用来表示小数的数——浮点数：float ，double。 当利用浮点数表示无限小数时，不可避免地需要舍去小数点某位以后的数据，从而引入了舍入误差。 浮点数标准：IEEE 754 浮点数：IEEE 754（1985）: Standard for Binary Floating-Point Arithmetic（可在google上下载该文档）。 在matlab帮助文件搜索栏中输入：“ IEEE 754 ”，可得到IEEE 754的介绍。 浮点数 浮点数包括：半精度（16位）、单精度（32位）、双精度（64位）和四精度（128位）。 规范：IEEE 754标准： 类似于科学计数法，共计2^64个数，其中包含：NaN，Inf等非数字标记。 浮点数表示 符号位 s b63 指数位 e b62 ~ b52 e =1027 尾数 f b51 ~ b0 浮点数的转换 例：将“7.5”转换为64位浮点数二进制表示 S=0 e=2+1023=1025 f = 0.5+0.25+0.125 0 10000000001 1110…….0 实验：编程将64位浮点数转化为二进制数，验证本例结果是否正确。 浮点数的性质 浮点数是什么数？ 实数？ 有理数？ 有限小数？ 有多少个不同的浮点数？ 264（64位，每位有两个状态，“0”和“1”） 浮点数是由264个有限小数（包含整数）构成的集合？ 错。IEEE 定义了一些异常值，inf （无穷）和 NaN（“非数字”） 浮点数精度是多少？ eps=2-52 = 2.2204E-16 最大的浮点数是多少？ realmax =（2-esp）×21023 = 1.7977E+308 最小的浮点数是多少？ -realmax = -1.7977E+308 最小的正浮点数是多少？ realmin = 2-1022 ×2-52 =4.9407e-324 √ √ √（精确） 浮点数的误差 例： eps是相对误差？绝对误差？ 浮点数的误差