偏微分方程学习分析.docxVIP

1、椭圆形方程差分方法 应用带微分余项的Taylor公式可得 将上两式相加，得 使用标准的二阶中心差分格式，可得 我们可以分别应用符号四阶紧致逼近算子到方程1中的二阶导和。离散的二维泊松方程可以表示为如下形式 和用来表示在理查德森外推过程中忽略掉的误差，表示六阶精度。应用符号算子，设等于0，略去高阶项，方程可以写成 如果我们设置网格比为，则方程可以写成 系数是 ， ， ， . 当网格比为1时，差分格式为如下形式 用矩阵可表示为 由于该差分格式是九点紧致格式，四阶收敛，所以误差可以表示为 这里表示在步长为h的情况下的误差，A为精确解，表示在步长为h的情况下的数值解。由此可以看出，当步长降低一倍时，误差比值为16，这个可以有效的检验计算结果的准确性。 数值算例 该问题的精确解为. 表1给出了不同步长取值下的误差，误差比值及计算时间。 表1 计算误差表 h 最大误差 误差比值 运行时间 0.1 4.8242e-5 － 0.066528 0.05 3.0074e-6 16.0411 0.045796 0.025 1.8818e-7 15.9816 0.053491 0.0125 1.1759e-8 16.0024 0.154051 误差比值接近16，因此可以看出计算结果是比较准确的。 图1、图2、图3分别为步长0.05时的精确解曲面，数值解曲面和误差曲面。 图1 精确解曲面 图2 步长为0.05时的数值解曲面 图3 步长为0.05时的误差曲面 MATLAB程序 function [ error ] = jiudian( h ) %UNTITLED Summary of this function goes here % Detailed explanation goes here tic; n = 1/h; for i=1:n+1 %boundary condition u(1,i) = sin(pi*h*(i-1)); u(n+1,i) = exp(1)*sin(pi*h*(i-1)); u(i,1) = 0; u(i,n+1) = 0; end %coefficient matrix A B = sparse(20*eye(n-1)); D = sparse(-4*eye(n-1)); for i = 1:n-2 B(i,i+1) = -4; B(i+1,i) = -4; end for i = 1:n-2 D(i,i+1) = -1; D(i+1,i) = -1; end a = cell(n-1); for i = 1:n-1 for j = 1:n-1 a{i,j} = sparse(zeros(n-1)); end end for i = 1:n-1 a(i,i) = {B}; end for i = 1:n-2 a{i,i+1} = D; a{i+1,i} = D; end %Cell Array to Matrix A = cell2mat(a); A = sparse(A); % right vector K for i = 1:n+1 for j = 1:n+1 f(i,j) = (pi*pi-1)*exp((i-1)*h)*sin(pi*(j-1)*h); end end for i = 2:n for j = 2:n g(i-1,j-1) = 8*f(i,j) + f(i,j+1) + f(i,j-1) +f(i+1,j) +f(i-1,j); end end k = zeros(n-1); for i = 1:n-1 k(1,i) = 4*u(1,i+1) + u(1,i) + u(1,i+2) + k(1,i); k(i,1) = 4*u(i+1,1) + u(i,1) + u(i+2,1) + k(i,1); k(n-1,i) = 4*u(n+1,i+1) + u(n+1,i) + u(n+1,i+2) + k(n-1,i); k(i,n-1) = 4*u(i+1,n+1) + u(i,n+1) + u(i+2,n+1) + k(i,n-1); end K = h*h/2*g +k; K = reshape(K, (n-1)*(n-1), 1); %solve X X = A\K; for i = 2:n for j = 2:n u(j,i) = X(