数学建模与实验课件ch26.pptxVIP

问题背景和研究目的 解方程（代数方程）是最常见的数学问题之一，也是众多应用领域中不可避免的问题之一。 非线性方程没有一般的解析方法。 本节主要介绍一些有效的求解方程的数值方法：二分法，迭代法 （ 牛顿法）。同时要求学会利用Matlab 来求方程的近似解。 2.6 非线性方程近似根 根的隔离 若函数 f(x) 在闭区间[a,b]上连续，且 f(a)f(b)<0，则 f(x)在开区间 (a,b)内至少存在一个根。通过根的隔离，可假设此区间内存在唯一根 x*。 基本思想 二分法 将有根区间进行对分，判断出解在某个区间内，然后再对该区间对分，依次类推，直到满足给定的精度为止。 算法 二分法 设方程在区间 [a,b] 内连续，且 f(a)f(b)<0，给定精度要求  ，若有 |f(x)|< ，则 x 就是f(x) 在区间 (a,b) 内的 近似根。 收敛性分析 二分法收敛性 根据上面的算法，我们可以得到一个每次缩小一半的区间序列 {[an , bn ]} ，在 (an, bn ) 中含有方程的根。 二分法总是收敛的 二分法的收敛速度较慢 通常用来给出根的一个 较为粗糙的近似。 一步迭代法  (x) 的不动点 f (x) = 0 x =  (x) f (x) 的零点 (x) 称为迭代函数 若 收敛，即 ，假设 (x) 连续，则 收敛性分析 迭代法的收敛性 即 注：若得到的点列发散，则迭代法失效！ 迭代法的收敛性判据 定理2.1：全局收敛 定理2.2：全局发散 定理2.3：局部收敛与发散 定理2.4：收敛速度 定义： 迭代法收敛性判断 如果存在 x* 的某个邻域  =(x*- , x* + ), 使得对  x0   开始的迭代 xk+1 = (xk) 都收敛, 则称该迭代法在 x* 附近局部收敛。 迭代法收敛性判断 L 越小，迭代收敛越快 收敛阶 为了进一步研究收敛速度问题，引入阶的概念： 记 ，如果 ( p=1时还要求0<c<1) 则称迭代是p阶收敛的。 p=1时，称为线性收敛， p>1时称为超线性收敛。 p越大收敛越快。 牛顿迭代法 牛顿迭代公式 k = 0, 1, 2, ... ... 牛顿迭代公式 牛顿法的优点 牛顿法是目前求解非线性方程 (组) 的主要方法 对于单重根迭代2阶收敛，收敛速度较快， 特别是当迭代点充分靠近精确解时。 在实际计算中，如果要求高精度，可以先用其它方法（如二分法）获得真解的一个粗糙近似，然后再用牛顿法求解。 牛顿迭代法大范围收敛性 割线法 　　与Newton法不同的是，用割线法计算 时，需要有两个初始值 　。割线法是一种两步迭代法，不能直接用单步迭代法收敛性分析的结果。 下面给出割线法收敛性的定理。 Matlab 解方程的函数 roots(p)：多项式的所有零点，p 是多项式系数向量。 fzero(f,x0)：求 f=0 在 x0 附近的根，f 可以使用 inline、字符串、或 @，但不能是方程或符号表达式！ solve(f,v)：求方程关于指定自变量的解，f 可以是用字符串表示的方程、符号表达式或符号方程； solve 也可解方程组(包含非线性)； 得不到解析解时，给出数值解。 linsolve(A,b)：解线性方程组。 其他 Matlab 相关函数 g=diff(f,v)：求符号表达式 f 关于 v 的导数 g=diff(f)：求符号表达式 f 关于默认变量的导数 g=diff(f,v,n)：求 f 关于 v 的 n 阶导数 diff f 是符号表达式，也可以是字符串 默认变量由 findsym(f,1) 确定 >> syms x >> f=sin(x)+3*x^2; >> g=diff(f,x) >> g=diff('sin(x)+3*x^2','x') 作业 用两种迭代法求解下面非线性方程的根： 1） Newton迭代法； 2）自己构造（非牛顿）一步迭代格式（需讨论并保证收敛性） 迭代过程可以计算器（机）编程实现： 迭代法的加速 设迭代 xk+1 = (xk) ，第 k 步和第 k+1 步得到的 近似根分别为 xk 和 (xk) ，令 其中 wk 称为加权系数或权重。得新迭代 xk+1 = (xk) 松弛迭代法 松弛法迭代公式： 松弛法具有较好的加速效果，甚至有些不收敛的迭代，加速后也能收敛。 缺点：每次迭代都需计算导数 Altken 迭代