- 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。
-


- 考试题型(闭卷):计算与讨论题、程序填空题、论述题
- 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
- 观察误差
- 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

- 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
- 数值分析的基本原理
- 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。

- 计算方法的评价标准:良好的计算方法
- 1计算方法研究内容与意义
- 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)




- (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,
- 迭代法收敛的充分条件
- 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
-
- 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
- 不动点迭代法
- 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
-
- 迭代算法理论
-

- 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
-
- 二分法
- 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)
-
-



- Gauss消去法
- 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
- 向量、矩阵范数
- 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






-






-
- Convergence of Iterative methods
-


- 数值线性代数中两个相关联的问题
- 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。
-
- 解析
- 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
- 本章需要掌握的内容有哪些?
- 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
-
- 线性插值(n=1)
- 牛顿插值多项式
- 为什么需要newton插值?
-
- 差商
-
- 牛顿插值多项式
-
- 为什么需要newton插值?
- 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





- 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)
- 样条插值
- 详见第9讲ppt







- 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。

- 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。
-

-
-

-
-
- 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
- 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




- 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
- 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
- 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
-
- 机械求积公式
- 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


-




-

- 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
-
-

- 已知2个节点
- 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






- 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
- 二阶龙格库塔方法
-

-
-


- 欧拉(Euler)方法(一阶)
- 例题
-

-
-

-

- 典型复合公式示例

-
-

-

-
- python代码部分详见ppt
【python数值分析】期末90+,这一篇文章就够了!
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
您可能感兴趣的与本文相关的镜像
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


























































































































































































8401

被折叠的 条评论
为什么被折叠?



