数值分析（第五版）上机报告.docxVIP

数值分析（第五版）上机报告

一、主题/概述

二、主要内容（分项列出）

1.小

数值分析基本概念

线性方程组的求解

矩阵特征值与特征向量的计算

函数插值与逼近

最优化问题的数值解法

常微分方程的数值解法

2.编号或项目符号：

数值分析基本概念：

1.数值稳定性

2.迭代法

3.收敛性

4.精度分析

线性方程组的求解：

1.高斯消元法

2.迭代法（雅可比迭代、高斯赛德尔迭代）

3.共轭梯度法

矩阵特征值与特征向量的计算：

1.迭代法（幂法、逆幂法）

2.QR分解法

3.双向QR分解法

函数插值与逼近：

1.插值多项式

2.最小二乘法

3.线性插值

4.拉格朗日插值

5.牛顿插值

最优化问题的数值解法：

1.梯度法

2.牛顿法

3.共轭梯度法

4.拉格朗日乘数法

常微分方程的数值解法：

1.欧拉法

2.龙格库塔法

3.隐式欧拉法

4.隐式龙格库塔法

3.详细解释：

数值分析基本概念：

1.数值稳定性：指算法在数值计算过程中，误差的增长速度是否受到控制。

2.迭代法：通过不断迭代逼近问题的解。

3.收敛性：指迭代法在有限次迭代后，解逐渐逼近真实解。

4.精度分析：分析算法在数值计算过程中的误差大小。

线性方程组的求解：

1.高斯消元法：通过行变换将系数矩阵转化为上三角矩阵，然后回代求解。

2.迭代法：通过迭代逼近方程组的解。

3.共轭梯度法：用于求解大型稀疏线性方程组。

矩阵特征值与特征向量的计算：

1.迭代法：通过迭代逼近特征值和特征向量。

2.QR分解法：将矩阵分解为正交矩阵和上三角矩阵，然后求解特征值和特征向量。

3.双向QR分解法：结合QR分解和逆幂法，提高计算效率。

函数插值与逼近：

1.插值多项式：通过插值多项式逼近函数。

2.最小二乘法：通过最小化误差平方和来逼近函数。

3.线性插值：通过线性函数逼近函数。

4.拉格朗日插值：通过拉格朗日插值多项式逼近函数。

5.牛顿插值：通过牛顿插值多项式逼近函数。

最优化问题的数值解法：

1.梯度法：通过计算梯度来逼近最优化问题的解。

2.牛顿法：通过计算Hessian矩阵来逼近最优化问题的解。

3.共轭梯度法：用于求解大型稀疏线性方程组。

常微分方程的数值解法：

1.欧拉法：通过迭代逼近常微分方程的解。

2.龙格库塔法：通过迭代逼近常微分方程的解。

3.隐式欧拉法：通过迭代逼近常微分方程的解。

4.隐式龙格库塔法：通过迭代逼近常微分方程的解。

三、摘要或结论

四、问题与反思

①在实验过程中，如何判断迭代法的收敛性？

②如何选择合适的数值解法来解决实际问题？

③如何在编程过程中提高算法的效率？

[1]谢希仁.数值分析[M].北京：高等教育出版社，2017.

[2]李尚志.数值分析[M].北京：清华大学出版社，2016.

[3]王晓东，张晓辉.数值分析实验教程[M].北京：科学出版社，2015.