【python数值分析】期末90+,这一篇文章就够了!

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

  • 考试/本课程主要收获/到底是学公式还是学思想
    • 考试题型(闭卷):计算与讨论题、程序填空题、论述题
      • 样条插值这部分,公式复杂计算量大,以理解算法为主,不是考试计算题重点
      • 我们在上课和复习的时候都强调以PPT为主,其实和教材相比二者在主要内容、例题、习题这些方面并没有太大的区别。PPT中,补充了更多对各种数值方法的推导思想、几何意义,优缺点,适用场合等内容,这些方面做出了更详细的讲解。目的是培养大家对数值方法这门学科的理解,对各种方法本身的理解,注重能力的培养,而不是简单的背公式和利用公式做题。
      • 举例来说,迭代法解方程组这部分内容,在学习的时候“背公式,然后用公式计算”并不是最重要的。而是需要理解,1.迭代法的思想;2.把系数阵A拆解为下三角L,对角D,上三角U,自己能正确的推导出公式;3.理解解方程组的消元法、分解法、迭代法各自的优缺点、适用场合。
      • 把雅可比迭代法和高斯-塞德尔迭代法的迭代格式自己推导一遍,比背多遍效果好的多。会自己推导,理解就会更透彻,学的也会更灵活。反正,推导方法学的时候没注意、复习的时候跳过去,即使背下公式来,也可能只是会做题,时间一长就忘了。 之前说过,考试会给出用到的部分复杂公式,目的就是给大家机械的死记硬背减负,把一些时间和精力放到思想和方法的理解上来。就是希望和引导大家,把学到的知识转变成自身的能力。这次考试就有部分题目侧重对思想、方法和分析能力的考核,而且分值还不算低。
      • 做个总结:我们在复习的时候,对于重要的公式(特别是对于一些基础的,简单的,反复使用的公式)当然需要记忆,另外也不要忽略对于解决问题的思想和方法的理解。
    • 重点复习作业计算题,课后复习思考题。
  • 1、绪论+计算误差
    • 1计算方法研究内容与意义
      • 重点考察:本章全部都是重点
      • 计算方法的研究对象与特点
        • “计算方法是研究求解各类数学问题在一定范围内的数值解的方法,以及这些方法的误差传播规律、收敛性、稳定性,与如何在计算机上编程有效实现等问题的学科。”
    • 2计算方法在数学建模中的应用
    • 3误差的基本概念
      • 数值分析的基本原理
        • 1.用有限逼近无限
        • 2.用离散逼近连续
        • 3.用有限步计算代替无限的计算过程
      • 误差来源
        • 观察误差
        • 模型误差
        • 截断误差
        • 舍入误差
          • 四舍五入
      • 绝对误差、绝对误差限
        • 绝对误差:设x是精确值x的一个近似值,记e=x-x,称e为近似值x的绝对误差,简称误差

      • 相对误差、相对误差限
      • 有效数字
    • 4计算方法的数值稳定性
      •  
      •  
    • 5设计计算方法的原则
      • 计算方法的评价标准:良好的计算方法
        • 稳定性
        • 精度
        • 计算量大小
        • 存储量大小
        • 逻辑复杂性
      • 在设计计算方法时,往往难以兼顾上述要求,因此要根据实际情况衡量,并作取舍。

  • 2、非线性方程求根
    • 重点考察: 1.算法的实现思想 2. 适用条件(实复根、可导等) 3. 求解所需步数的计算 4. 收敛条件及收敛性判断 5. 判断迭代格式的收敛与发散 6. 收敛速度与收敛阶
    • 非线性方程的数值解法:二分法、一般迭代法、牛顿迭代法、弦截法
      • 二分法
        • (Bisection or Binary-search method)

      • 一般迭代法/不动点迭代
        • 不动点迭代法
          • 迭代法收敛的充分条件
          • 更方便判断压缩映射的推论
          • 不动点迭代法是一种用于求解方程根的数值计算方法,
        • 加速收敛迭代法
          • 用于加速线性收敛数列的收敛速度:(1)埃特金(Aitken)方法(2)史蒂芬森(Steffensen)方法
      • 牛顿迭代法
          • 并不符合定理的要求,因而不能断定E区间[1,2]内任选的初值可以使牛顿法生成的数列收敛到区间内的解。
          • (2)在整个[a,b]上f' 与f "不变号,且f'(x)≠ 0;
          • (3) 选取x。 ∈ [a, b] 使得 f (xo)f " (xo)> 0;
          • derivative导数
        • (不考)非线性方程组的牛顿迭代法
      • 弦截法/割线法
      • 迭代法
        • 迭代算法理论
        • 迭代法收敛的充分条件、更方便判断压缩映射的推论
      •  
        • C用来拟合
      • 具体例子和代码详见第四课ppt,重点:牛顿迭代法和弦截法的代码
  • 3、线性方程组的解法
    • 重点考察: 1.算法的实现思想与适用条件 2. 什么是列主元(正负号) 3. LU分解计算 4. 不同算法的求解稳定性 5. 向量、矩阵范数的计算
    • 1、解线性方程组的直接法
      • Gauss消去法
        • | 方法 | 时间复杂度 | 适用场景 | | --- | --- | --- | | 高斯消元法 | O(n3) | 稠密矩阵、精确解需求 | | LU分解 | O(n3) | 需多次解同系数矩阵的方程组 | | 迭代法(如Jacobi) | O(n2)/迭代 | 大型稀疏矩阵、近似解需求 |
        • 顺序主子式 /* determinant of leading principal submatrices */
        • 类似于初等变换,搞到上三角矩阵,直接出答案
      • 列主元(全主元)Gauss消去法
      • 解三角方程组的追赶法
      • 矩阵三角分解法(LU分解)
    • 2、解线性方程组的误差分析
      • 向量、矩阵范数
        • 向量、矩阵范数的计算
      • 系数矩阵的条件数
        • 定义
        • 性质
        • 剩余向量
    • 3、解线性方程组的迭代法
      • 数值线性代数中两个相关联的问题
        • 1、如何求特征值/特征向量,以及当矩阵太大不能在计算机储存的问题
        • 2、进行Gauss消元法的工作量太大时如何求解超大型线性方程组。
        • 这两个问题都需要用迭代法,就是为解提供一个初始猜测(随机的向量),并且逐次改进这个估计直到可接受的精确水平。
      • 重点考察: 1. 算法的实现思想与适用条件 迭代法中迭代矩阵的收敛条件计算 2 特殊的迭代矩阵,对应哪些迭代方法的 收敛条件
      • 迭代法概念
      • 雅可比(Jacobi)迭代法
      • 高斯-赛德尔(Gauss-Seidel)迭代法
      • 迭代法的收敛性
        • Convergence of Iterative methods

    • 4、矩阵的三角分解
    • 例题
      •  
      •  
      • 迭代法是否预处理

        • 解析
          • 3. 关键对比(SOR法:逐次超松驰(Successive Over-Relaxation)迭代 iteration)

          • 结论:唯一必须预处理的方法是 C. 共轭梯度法,因其对矩阵条件数的敏感性。其他方法(A/B/D)的预处理是可选的加速手段,不影响基本可行性。
      • 高斯消去法

      • 条件数

      •  
  • 4、插值
    • 重点考察: 1. 各种插值方法的标准公式 2. 设计思想、定义条件及特点 3. 插值方法的截断误差定义及计算 差商的计算 5. 各种插值方法的优缺点(比如三次样条分别与其他方 法相比有什么优势) 6. 插值点的个数与插值结果的精度关系 7. 插值的误差估计公式
      • 本章需要掌握的内容有哪些?
        • 插值的基本概念
        • 插值方法
        • 各类插值方法的截断误差估计
        • 各类插值方法的实现与应用
    • 拉格朗日插值多项式
      • 线性插值(n=1)
      • 抛物插值(n=2)/二次插值
        • 二次插值基函数

      • n次拉格朗日插值多项式
      • 插值余项
      • n次插值的误差分析
    • 牛顿插值多项式
      • 为什么需要newton插值?
      • 差商
      • 牛顿插值多项式
    • Hermite插值
      • 详见ppt第8讲
      • 3次Hermite插值
        • 定义
        • 基函数
        • 例子
      • (不考)2n+1次Hermite插值
      • 教材上Hermite推导方法的详细讲解,该方法不作考核要求。
    • 分段插值
      • 分段线性插值
      • 分段3次Hermite插值
    • 总结
      • 当增加插值节点,使得插值多项式次数增大时,可能会引起插值函数剧烈振荡,带来较大误差(Runge现象)

      • H和分、样条插值的小结

    • 样条插值
      • 详见第9讲ppt

    • 例题
      •  
        • 拉格朗日插值法(A)​ 是龙格现象最典型的代表,而分段和样条方法通过局部化处理避免了这一问题。

      •  
      •  
  • 5、拟合与最小二乘法
    • 重点考察: 1. 拟合与插值的区别 2. 拟合的基本步骤 2 拟合多项式的计算 4 非线性拟合函数的类型转换形式
    • 1、拟合的基本概念、最小二乘原理
      • 1、直线拟合
    • 2、解线性超定方程组
    • 3、离散最小二乘拟合问题
    •  
      • ①求(yi-a-bxi)^2的前n项和的最小值 ②对a和b分别求偏导③根据数据分别代入,求得a,b

  • 6、数值积分
    • 重点考察: 1. 数值积分方法的基本思想 2. 牛顿-科特斯系数 3. 积分公式的代数精度 4 代数精度与插值点个数、奇偶情况与插值点的关系 5. 复合梯形/辛普森积分公式,给定误差绝对值,计算需要划分 的区域个数
    • 1、数值积分的基本概念
      • 机械求积公式
      • 插值型求积公式
    • 2、牛顿-科特斯积分公式
      • 牛顿-柯特斯(Newton-Cotes)公式(等距节点)、辛普森公式

    • 3、复合积分公式
    • 例题
      •  
      •  
      •  
  • 7、数值微分
    • 重点考察:1.数值微分方法的基本思想、2.两点、三点微分公式及其计算
    • 差商法求导数
    • 拉格朗日插值法求导数
      • 已知2个节点
      • 已知3个等距节点
    • 例题
      •  
      •  
  • 8、常微分方程初值问题的数值解法
    • 重点考察: 1.各种方法的设计思想 2. 全局/局部截断误差 3. 每种方法的精度阶数 4. 各种方法的计算
    • 1、常微分方程的基本概念
    • 2、常微分方程初值问题的数值解法
      • 欧拉(Euler)方法(一阶)
        • 欧拉方法的误差估计

      • 改进欧拉方法(二阶)
      • 龙哥库塔(Roger-Kutta)方法
        • 梯形积分公式、辛普森积分公式

          • 二阶龙格库塔方法
            • 梯形积分公式
          • 四阶龙格库塔方法
            • 1/3辛普森积分公式Simpson(基于1/3辛普森积分公式的四阶龙格-库塔方法)
            • 3/8辛普森积分公式
    • 例题
      •  
      •  
        • 典型复合公式示例​

      •  
  • python代码部分详见ppt

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值