化工过程模拟与分析(非线性方程组的求解).ppt

三、弧长参数微分法(Path parameterization by arc length) 曲线x (t)的弧长 x t dt dx ds 对于n维向量函数xi=xi(t)，下式成立： 此即广义Pythagorean定理 根据广义勾股定理，可利用弧长参数微分法求取同伦曲线 记 则有： n个常微分方程，n+1个自变量 与广义勾股定理联立即可求解 该问题如何求解最方便？ 数值方法每求解出dx和dt后，可应用牛顿－拉佛逊法修正一次以使(x (t), t)更接近同伦曲线。 初始条件为： 该方程组方程数比自变量数少1 联立求解则可获得修正值 * * 第四章 非线性方程组的求解 4.1 概述 一、非线性方程组的一般形式 解法： 迭代逼近的方法：牛顿法等 最优化方法 或 二、解的存在性—压缩映射原理 不动点 压缩映射 压缩映射原理 若G在闭集D0上是压缩映射，且G D0 ? D0 ，则G (x)在D0上存在唯一的不动点 收敛性 对于某个非线性方程组，若其解为 ，某一算法产生 迭代序列x (k)，且有下式成立，则称该算法收敛。 收敛速度 对于一个收敛于解的序列x (k)，若存在一个正实数α和一个与迭代步数k无关的正常数q，由某k0开始下式成立，则称该迭代序列具有α阶收敛速度。 三、算法选择标准 1、迭代算法适应性 收敛域越大越好，即压缩映射D0应尽量大 2、迭代算法收敛性 除需要在解附近，对初始点的其他要求越少越好 3、迭代算法收敛速度 越快越好 4、计算量 四、非线性方程组的线性展开 对于一个n维多元函数组 f (x)，在某一点附近，有： 其中J被称为雅可比矩阵，其计算如下： 非线性方程组线性展开示例 下列方程组在[2, 2]处线性展开 五、误差分析 误差分类 模型误差、观测误差、方法误差、舍入误差、初值误差 数值稳定性 某算法在运算过程中，误差不增长或增长很少，则称该算法数值稳定性较好。 收敛检验 4.2 f (x) = 0的求解 一、牛顿-拉弗逊法（Newton-Raphson method） 原理 第k步迭代时，将非线性方程组展开为线性方程组 L (x)=0，并将线性方程组的解作为下一个迭代点。 迭代公式 在解附近 二阶收敛 二、牛顿-拉弗逊法的修正 1、在迭代公式中引入搜索步长 步长用一维搜 索确定 目的：扩大收敛域 2、引入阻尼因子（Damping factor） 目的：克服J的奇异和病态 阻尼因子应使J非奇异； 且迭代点更靠近解 3、雅可比矩阵计算的简化 迭代k0步之后，固定J为 通常取k0=2，此时算法具有三阶收敛速度。 对于规模较大的化工问题，上述算法不适合。 计算量太大 J表达式过于复杂 三、拟牛顿法（Quasi Newton method） 研究目的：避免雅可比矩阵的计算和求逆 一般迭代公式： 实质：割线法在多维空间的拓展 最常用形式：Newton-Broyden法 概述 Newton-Broyden法原理 设第k步解已求出，则可计算出： 则第k+1步迭代时的雅克比矩阵可以通过修正获得： 其中 n个方程，n×n个自变量 n个方程，2n个自变量 则可得到： 由此，只要确定了初始矩阵J，则后面迭代中可通过秩一修正来计算矩阵J，减少了计算量。 最后 可确定 Sherman-Morrison公式 迭代中可 对矩阵逆修正 Newton-Broyden法迭代公式： 或 效果较好 超线性收敛 以增加内存占用 提高计算效率. 也可通过一维搜索最优步长因子加快收敛。 inv_J1 = 0.3373 0.1557 0.1103 0.5124 iJ1 = 0.2710 0.1232 0.0371 0.4040 理论结果与实际计算结果： 四、阻尼最小二乘法（Levenberg-Marquardt method） 而此最小化问题，可通过牛顿法来求解： 其中： m≥ n m=n为方程组求解 阻尼因子 以上述迭代公式为基础，即可得到LM算法，除用于求解非线性方程组，也可用于非线性参数估计。 该方法计算量较大，但效果较好，实际中阻尼因子需要通过迭代进行调节。 阻尼因子设置和调整原则 初始可设λ =0.001 当函数值未下降时，增加阻尼因子值； 函数值下降时，减小阻尼因子值。 λ很 大趋向于最速下降法 很小则趋向于牛顿法 mu_init = 1e-3; mu_inc = 10; mu_dec = 0.1; mu_max = 1e5; while (mu = mu_max) dx = -(jj+ii*mu) \ je; 计算新的函数值new_f if (new_f f), break, end mu = mu * mu_inc;