Вы находитесь на странице: 1из 17

Численные методы

1. Почему приходится использовать численные методы?

Трудность 1: полученная формула может оказаться сложной, что ею будет


неудобно пользоваться для получения отдельных значений решения.

Трудность 2: известно только о существовании решения, но не существует


конечной формулы.

Трудность 3: вообще не известно, существует ли решение.

Во всех этих случаях используются методы приближенного численного


решения.

Создание компьютера позволило решать широкий круг задач, которые до


этого были практически не решаемыми, так как скорость выполнения
вычислительных операций выросла во много раз. Потребовалось развитие
методов численного решения разных математических задач, причем методов,
рассчитанных на их реализацию именно на компьютере. Поэтому был развит
такой метод, как вычислительный эксперимент.

2. Что такое «вычислительный эксперимент»?

Вычислительный эксперимент – эксперимент выполняется не над реальным


объектом, а над его математической моделью, а экспериментальная
установка – компьютер.

3. Основные этапы вычислительного эксперимента.

 Построение математической модели

 Построение вычислительного алгоритма

 Программирование алгоритма и его тестирование

 Проведение серии расчётов с варьированием параметров

 Анализ результатов

4. Источники погрешностей.

Приближенные числа – один из источников погрешностей. Обычно


выделяют следующие источники погрешности решения задачи.
а) Математическое описание задачи является неточным. В частности, не
удалось надлежащим образом описать задачу с помощью набора уравнений,
неточно заданы исходные данные описания и др. Это неустранимая
погрешность. И поэтому вместо получения точного решения приходится
прибегать к приближенному решению.

б) Применяемый для решения метод часто не является точным: получение


точного решения задачи требует неограниченного или неприемлемо
большого числа арифметических операций, поэтому вместо получения
точного решения приходится прибегать к приближенному. Это погрешность
метода.

в) При выполнении арифметических операций на компьютере или любым


другим образом, как правило, производятся округления. Это вычислительная
погрешность.

5. Три вида погрешностей.

Из-за чего возникают данные погрешности описано в вопросе выше.

 Неустранимая погрешность

 Погрешность метода

 Вычислительная погрешность

6. Абсолютная и относительная погрешности.

Если a – точное значение некоторой величины, а a* – известное приближение


к нему, то абсолютной погрешностью приближения a* называют величину
Δ(a*), удовлетворяющую неравенству
|a∗−a|≤ ∆ ¿

Относительной погрешностью называют величину δ (a*), удовлетворяющую


неравенству
¿

Пусть X и Y – «точные» значения двух величин. В вычислительном


устройстве (после округления) они представлены как x и y.

Можно записать
Здесь a и b – положительные числа.

Очевидно, что

Вывод: при сложении (вычитании) двух чисел максимальная погрешность


суммы (разности) равна сумме максимальных погрешностей исходных двух
чисел.

Сумма Разность
Функция y = f(x1, x2) = x1+x2 y = f(x1, x2) = x1-x2
Абсолютная
погрешность
Относительна
я погрешность

Рассмотрим теперь случаи произведения и деления приближенных величин.

Перепишем соотношения

в виде

Пренебрегая малыми величинами (a/x)(b/y), получаем для XY

Для частного находим


Вывод: при умножении (делении) двух чисел максимальная относительная
погрешность произведения (частного) равна сумме максимальных
относительных погрешностей исходных двух чисел.

Произведение Частное
Функц y = f(x1, x2) = x1*x2 y = f(x1, x2) = x1/x2
ия
Абсол
ютная
погре
шность
Относ
ительн
ая
погре
шность

7. Что такое уравнение?

Уравнение - это два выражения, соединенные знаком равенства; в эти


выражения входят одна или несколько переменных, называемых
неизвестными. Решить уравнение - значит найти все значения неизвестных,
при которых оно обращается в верное равенство, или установить, что таких
значений нет.

8. Какие виды уравнений Вам известны?

Различают алгебраические уравнения, уравнения с параметрами,


трансцендентные, функциональные, дифференциальные и другие виды
уравнений.

1) Алгебраическое уравнение (полиномиальное уравнение, многочленное


уравнение) — уравнение вида Р(х1,х2,…,хn)=0

где P — многочлен от переменных х1,х2,…,хn, которые называются


неизвестными.

2) Уравнение (неравенство) с параметрами — математическое уравнение


(неравенство), внешний вид и решение которого зависит от значений одного
или нескольких параметров.
3) Трансцендентное уравнение — уравнение, не являющееся алгебраическим.
Обычно это уравнения, содержащие показательные, логарифмические,
тригонометрические, обратные тригонометрические функции.

4) Функциональное уравнение — уравнение, выражающее связь между


значением функции в одной точке с её значениями в других точках.

5) Дифференциальное уравнение — уравнение, в которое входят


производные функции, и может входить сама функция, независимая
переменная и параметры.

9. Какие уравнения называют алгебраическими?

АЛГЕБРАИЧЕСКОЕ уравнение, уравнение, которое можно преобразовать


так, что в левой части будет многочлен от неизвестных, а в правой - нуль.
Степень многочлена называется степенью уравнения. Простейшие
алгебраические уравнения: линейное уравнение - уравнение 1-й степени с
одним неизвестным ax+b=0, имеющее один действительный корень;
квадратное уравнение - уравнение 2-й степени ax2+bx+c=0, которое в
зависимости от значения коэффициентов может иметь либо два различных,
либо два совпадающих действительных корня, либо не иметь
действительных корней. Вообще, алгебраическое уравнение степени n не
может иметь более n корней.

10. Какие уравнения называют трансцендентными?

Трансцендентное уравнение — уравнение, не являющееся алгебраическим.


Обычно это уравнения, содержащие показательные, логарифмические,
тригонометрические, обратные тригонометрические функции например
уравнения: sin х + lg х = х, 2x — lg х = arc cos x.

11. Что означает «решить уравнение»?

Решить уравнение – это значит найти все значения неизвестных, при которых
оно обращается в верное числовое равенство, или установить, что таких
значений нет.

12. Два основных этапа решения уравнений.

Первый этап:
отделение корней, т. е. нахождение наиболее узких интервалов [a, b], в
каждом из которых содержится один и только один корень данного
уравнения (количество интервалов определяется видом функции f(x));

Второй этап:

уточнение приближенных корней, т. е. вычисление корней с заданной


степенью точности.( методом хорд, Ньютон, половинного деления и
итераций)

13. Достоинства и недостатки графического решения уравнений.

Достоинства:

 Наглядно отвечает на вопрос о кол – ве корней ур – я

 Простота и доступность

 Дает возможность решения ур – й, которые не решаются


стандартными способами

Недостатки:

 Неточность ответов

 Сложность построения некоторых графиков

14. Идея метода половинного деления.

Этот метод заключается в постоянном делении на 2 некоторой окрестности, в


которой находится наш корень уравнения (до этого мы нашли 2 корня
уравнения и выбрали какой-то 1 т.е. либо положительный, либо
отрицательный) и деление окрестности на 2 продолжается до того момента
пока длина этой окрестности не станет меньше погрешности, с которой
ищется корень.

ИЗ МЕТОДЫ!!!

Определяем, какие корни требуется найти, например, только положительные


или только отрицательные и т. д. Графическим методом находим интервалы,
в каждом из которых находится только один корень данного уравнения.
Разделим отрезок [a, b] пополам точкой d и получим уже два интервала: [a, d]
и [d, b]. Выбираем тот отрезок, на концах которого функция f(x) принимает
значения разных знаков, и опять делим его пополам. Повторяем все эти
действия до тех пор, пока длина отрезка, содержащего корень, не станет
меньше погрешности, с которой ищется корень.

15. Идея метода Ньютона.

Это метод отыскания корней уравнения, путем уточнения через предыдущие


значения и выполнением нескольких условий.

Метод Ньютона или метод касательных!


x 2
Например, у нас есть некоторое уравнение e + x −2=0 и нужно методом
касательных найти его корни.

Строим график этого уравнения и видим, что он пересекает ось Х в двух


местах (ДО 0 И ПОСЛЕ 0) т.к. графический метод имеет такой недостаток,
как неточность ответов, то мы выбираем некоторую окрестность, в которой
предполагаем, что лежат наши корни т.е. два интервала [–1,4; –1,3] и [0,5;
0,6].

Рассмотрим первый интервал [–1,4; –1,3]

Поставим значения концов данного интервала в наше уравнение (т.е. сначала


вместо Х ставим -1,4 - получаем результат, а потом -1,3 - получаем
результат)

f(–1,4) = 0,20660 > 0,

f(–1,3) = –0,03747 < 0.

Должно выполнятся условие, что если умножить 0,20660 на -0,03747, то


должно получиться значение меньше 0 и если это условие выполнятся, то
наш корень лежит в данном интервале [–1,4; –1,3]
f ( xn )
x n+1 = x n −
f ' ( xn)
Дальше формула по которой будем уточнять корень :

Но перед этим правило, что каждое значение (те, которые мы нашли, когда
поставляли концы интервалов в уравнение вместо Х (f(-1,4)) и (f(-1,3)))
необходимо умножить на вторую производную уравнения при этом Х и
''
получить значение >0 ( f ( x ) f ( x ) > 0.) Если все получилось, то Мы делаем
все правильно!
Для точки -1,4 это условие выполняется, а для -1,3 нет. Считаем, что -1,4 это
f ( xn )
x n+1 =x n − '
f ( x n)
Хо. В формулу подставляем -1,4 и получаем ответ =
-1,31909 – это Х1

Поставляем Х1 в эту же формулу и получаем Х2 =-1,31598

Дальше Х2 поставляем в формулу находим Х3= -1,31597

Дальше Х3 в формулу получаем Х4 = -1,31597

ВИДИМ, ЧТО Х3 И Х4 ОДИНАКОВЫЕ, ПОЭТОМУ УРА !!! Мы нашли


первый корень!!!

Все то же самое повторяем со вторым интервалом и находим второй корень.

16. Идея метода итераций.

Метод итерации заключается в нахождении алгоритма поиска по известному


приближению (приближенному значению) искомой величины следующего,
более точного приближения. Применятся в случае, когда последовательность
приближений по указанному алгоритму сходится.

Замечание

Преимущество метода итерации заключается в том, что сходимость процесса


не зависит от выбора начального приближения x0.

Отдельная ошибка, допущенная при вычислениях, не выводящая за пределы


отрезка [a, b], не повлияет на конечный результат.

Такое свойство называют свойством самоисправляемости сходящегося


итерационного процесса.
5
Например, у нас есть некоторое уравнение x + x−3=0 . и нужно методом
итераций найти его корни.

Строим график этого уравнения и видим, что он пересекает ось Х в одном


месте (ПОСЛЕ 0) т.к. графический метод имеет такой недостаток, как
неточность ответов, то мы выбираем некоторую окрестность, в которой
предполагаем, что лежит наш корень т.е. интервал [1,1; 1,2].
5
Преобразуем уравнение к виду x=ϕ( x ) , получаем ϕ ( x )=3−x (1)
' 4
Находим производную ϕ ( x )=−5 x
Вместо Х поставляем концы интервала т.е. 1,1 и 1,2 в производную. Должно
выполняться условие, чтобы при подстановке конца интервала в
производную, значение оказалось меньше 1, тогда метод будет сходиться. (
|ϕ' ( x)|≤q<1 УСЛОВИЕ СХОДИМОСТИ)

В нашем случае при подстановке интервалов значения больше 1 в двух


случаях, следовательно метод расходится.

Применим другой вариант: преобразуем наше начальное уравнение, в


уравнение вида x=x−λf ( x ), λ>0. Получаем x = x – (x5 + x – 3).

= 1/M, где М – наибольшее значение производной f '( x) на отрезке.


'
Находим производную уравнения с ЛЯМБДА: f ( x ) = 5x4 + 1. Подставляем
концы интервалов и найденную производную и выбираем большее значение:
'
f (1,1) = 8,3205;

f ' (1,2) = 11,368.

5
Таким образом,  = 1/11,368 и x n+1 =x n −( x n + x−3)/11, 368 .

В качестве нулевого приближения выберем среднюю точку отрезка x0 = 1,15.

Тогда

x1 = 1,12547; x2 =1,13152; x3 = 1,13272; x4 = 1,13294;

x5 = 1,13299; x6 = 1,13300; x7 = 1,13300.

17. Постановка задачи приближения функций.


Иногда (порой довольно часто) нам известны значения функции f(x) лишь в наборе точек
x0,x1, x2,…, xN (скажем, x0<…<xN), но не известно аналитическое выражение для f(x).
Часто (но не обязательно) точки х являются равноотстоящими.
В то же время необходимо найти значения функции в промежуточных точках. Порой при
этом надо провести более или менее гладкую кривую через заданный набор точек,
возможно даже и за пределами заданного набора.
Если надо найти значение функции для x0< х < xN, то это задача
интерполяции, если х за пределами набора точек – это задача
экстраполяции (которая гораздо опаснее!).
Интерполяция связана c аппроксимацией функций, но отличается
от нее.
На рис. 4.1 приведены примеры интерполяции набора точек. Видно, что в зависимости от
расположения точек в одних случаях более удачной может быть интерполяция кривыми
низкого порядка, в других – высокого.
Рис. 4.1. Интерполяция наборов точек кривыми разных порядков
Пусть в точках а = x0< x1< ... < xn = b, называемых узлами интерполяции, функция
задана таблицей своих значений

y 0 =f ( x 0 ) , y 1=f ( x 1 ) , . .. , y n =f ( x n ) (4.1)
.
Задача интерполирования заключается в том, чтобы построить функцию g(x)
(интерполирующая функция), принадлежащую известному классу и принимающую в
узлах интерполяции те же значения, что и f(x) , т. е. такую, что

g ( x 0 ) = y 0 , g ( x 1 ) = y 1 , . . . , g ( x n )= y n (4.2)
.
Геометрически это означает, что нужно провести кривую y = g(x) некоторого
определенного типа, проходящую через систему заданных точек.

18. Что такое интерполяция?

ИНТЕРПОЛЯЦИЯ - оценка значения неизвестной величины, находящейся


между двумя точками ряда известных величин. Например, зная показатели
населения страны, полученные при проведения переписи населения,
проводившейся с интервалом в 10 лет, можно путем интерполяции
определить численность населения в любой промежуточный год. Обычно это
делается с помощью графика, где форма кривой между двумя известными
точками дает возможность сделать надежную оценку интерполируемой
величины.

19. Что такое аппроксимация?

Аппроксимация - приближенное решение сложной функции с помощью


более простых, что резко ускоряет и упрощает решение задач. В экономике
целью А. часто является укрупнение характеристик моделируемых
экономических объектов, т.е. метод сознательного упрощения “слишком
точного” теоретического знания с целью привести его в соответствие с
потребностями и возможностями практики.

20. Что такое сплайн?

Сплайн — функция, область определения которой разбита на конечное число


отрезков, на каждом из которых сплайн совпадает с некоторым
алгебраическим полиномом. Максимальная степень из использованных
полиномов называется степенью сплайна. Разность между степенью сплайна
и получившейся гладкостью называется дефектом сплайна. Например,
непрерывная ломаная есть сплайн степени 1 и дефекта 1.

Сплайны имеют многочисленные применения как в математической


теории, так и в разнообразных вычислительных приложениях. В частности,
сплайны двух переменных интенсивно используются для задания
поверхностей в различных системах компьютерного моделирования.

21. Почему и зачем применяют сплайны?

На практике многие кривые нельзя описать простыми функциями. Однако их


можно составить из отрезков полиномов или других сравнительно простых
кривых.

В теории приближения функций такие кривые называются сплайнами. На


практике чаще всего применяются кубические сплайны.

22. Какова основная идея численного интегрирования.

Основная идея состоит в замене подынтегральной функции f(x)


вспомогательной, интеграл от которой легко вычисляется в элементарных
функциях. Так же, основная идея состоит в следующем: при заданном числе
интервалов разбиения следует расположить их концы так, чтобы получить
наивысшую точность интегрирования. И что из подынтегральной функции
f(x) выделяют некоторую функцию g(x), имеющую те же особенности, что
функция f(х), элементарно интегрируемую на данном промежутке и такую,
чтобы разность f(x)-g(x) имела нужное число производных.

Область применения формул численного интегрирования: К численному


интегрированию чаще всего прибегают, когда приходится вычислять
интегралы от функций, заданных таблично, или когда непосредственное
интегрирование функции затруднительно. Так же когда приходится
вычислять значения функции в промежуточных точках, при этом данная
функция задана в табличном виде и аналитическое выражение функции
неизвестно. И чаще всего прибегают, когда требуется определить
допустимую погрешность аргументов по допустимой погрешности функции.

23. Какова основная идея численного дифференцирования.

К численному дифференцированию приходится прибегать в том случае,


когда функция f(x), для которой нужно найти производную, задана таблично
или же функциональная зависимость x и f(x) имеет очень сложное
аналитическое выражение. В первом случае методы дифференциального
исчисления неприменимы, а во втором их использование вызывает
значительные трудности. В этих случаях вместо f(x) рассматривается
интерполирующая функция φ(x), а производную от f(x) приближают
производной от φ(x) .Естественно, что при этом производная от f(x) будет
найдена с некоторой погрешностью. Действительно, f(x) приблизительно
равно φ(x).

Точное равенство будет выглядеть следующим образом: f(x)=φ(x)+R(x) (1)

Дифференцируя равенство (1) k раз (в предположении, что f(x) и φ(x) имеют


производные k-го порядка), получим:

f(k)(x)=φ(k)(x)+R(k)(x).

Основная идея численного дифференцирования заключается в том, что


полагают, что f(k)(x) приблизительно равно φ(k)(x). (2)

Возникающая в (2) погрешность определяется как

│R(k)(x) = f(k)(x)- φ(k)(x)│. (20)

И хотя при интерполировании в формуле (1) предполагается, что значения


R(x) малы, из этого в общем случае не вытекает, что малыми будут и
значения R(x) (см.рис.1). Более того, численному дифференцированию
свойственна тенденция увеличивать любую ошибку, присутствующую в
исходных данных (в частности, ошибку интерполирования). В силу этого при
построении алгоритма решения конкретной прикладной задачи необходимо
избегать численного дифференцирования (если это, конечно, возможно).
24. Для чего нужны сетки при решении дифференциальных уравнений?

Сеток метод - собирательное название группы приближённых методов


решения дифференциальных, интегральных и интегро-дифференциальных
уравнений. Применительно к дифференциальным уравнениям с частными
производными . Широкое применение сеток метод объясняется его большой
универсальностью и сравнительной простотой реализации на ЭВМ.

Суть С. м. состоит в следующем: область непрерывного изменения


аргументов, в которой ищется решение уравнения, дополненного, если
необходимо, краевыми и начальными условиями, заменяется дискретным
множеством точек (узлов), называемым сеткой; вместо функций
непрерывного аргумента рассматриваются функции дискретного аргумента,
определяемые в узлах сетки и называемые сеточными функциями;
производные, входящие в уравнение, краевые и начальные условия,
аппроксимируются разностными отношениями; интегралы
аппроксимируются квадратурными формулами; при этом исходное
уравнение (задача) заменяется системой (линейных, если исходная задача
была линейной) алгебраических уравнений (системой сеточных уравнений, а
применительно к дифференциальным уравнениям — разностной схемой).

Если полученная таким образом система сеточных уравнений разрешима, по


крайней мере, на достаточно мелкой сетке, т. е. сетке с густым
расположением узлов, и её решение при неограниченном измельчании сетки
приближается (сходится) к решению исходного уравнения (задачи), то
полученное на любой фиксированной сетке решение и принимается за
приближённое решение исходного уравнения (задачи).

Системы сеточных уравнений представляют собой системы линейных


алгебраических уравнений. Порядок системы будет тем выше, чем мельче
сетка. Но точность приближённого решения зависит от величины шагов
сетки, и она тем больше, чем меньше шаги. Поэтому получающиеся
алгебраические системы обычно имеют довольно высокий порядок.

25. Без какой информации невозможен старт любого численного метода


решения ДУ?

Без начальных условий.

26. Что из себя представляет результат при численном решении ОДУ?

Обыкновенное дифференциальное уравне́ние (ОДУ) — дифференциальное


уравнение для функции от одной переменной. Классическим решением
дифференциального уравнения называется N раз дифференцируемая
функция y(x), удовлетворяющая уравнению во всех точках своей области
определения.

27. Что из себя представляет результат при численном решении ДУ в


частных производных?

Дифференциальные уравнения в частных производных (УРЧП) — это


уравнения, содержащие неизвестные функции от нескольких переменных и
их частные производные.

Численное решение задачи Коши (6.4)-(6.5) состоит в том, чтобы получить


искомое решение y = y(x) в виде таблицы его приближенных значений для
заданных значений аргумента x на некотором отрезке [a, b]: а = x0 < x 1< ... <
xn = b. Точки называются узловыми точками, а множество этих точек
называют сеткой на [a, b].

При решении ДУЧП мы получаем функцию, а если есть начальные и краевые


условия, то можем получить и численное решение.

28. Что понимается под оптимизацией функций?

Под оптимизацией понимают процесс выбора наилучшего варианта из всех


возможных. Оптимизируемую функцию f(x) называют целевой функцией,
или критерием оптимальности.

В процессе решения задачи оптимизации должны быть найдены такие


значения проектных параметров, при которых целевая функция имеет
экстремум: минимум или максимум.

Задачей оптимизации называется задача поиска минимума скалярной


функции на множестве значений ее аргументов. Это означает, что нужно
найти точку в многомерном пространстве, для которой выполняется условие
min F(x), где x - вектор.

Задачу максимизации можно заменить эквивалентной задачей минимизации


и наоборот.

min (f(x1, …, xn )) = –max (–f(x1, …, xn )

29. Какие бывают типы экстремумов?

Типы: локальные и глобальные минимумы и максимумы.


Точка x0 называется точкой локального максимума функции f(x), если
существует такая окрестность этой точки, что для всех x из этой окрестности
выполняется неравенство: f(x)≤f(x0).

Точка x0 называется точкой локального минимума функции f(x), если


существует такая окрестность этой точки, что для всех x из этой окрестности
f(x)≥f(x0).

Значение функции в точке максимума называется локальным максимумом,


значение функции в точке минимума - локальным минимумом данной
функции. Локальные максимум и минимум функции называются
локальными экстремумами.

Точка x0 называется точкой строгого локального максимума функции y=f(x),


если для всех x из окрестности этой точки будет справедливо строгое
неравенство f(x)<f(x0).

Точка x0 называется точкой строгого локального минимума функции y=f(x),


если для всех x из окрестности этой точки будет справедливо строгое
неравенство f(x)>f(x0).

Наибольшее или наименьшее значение функции на всем промежутке


называется глобальным экстремумом.

30. Численные методы оптимизации разделяют на группы,


отличающиеся порядком. Порядком чего?

Детерминированные алгоритмы делят на классы в зависимости от вида


используемой информации.

Если на каждой итерации используется

• лишь значение функции – это методы нулевого порядка;

• если плюс к этому надо вычислять первые производные от


минимизируемой функции –методы первого порядка;

• если плюс к этому надо вычислять вторые производные от


минимизируемой функции –методы второго порядка.
31. Что такое «градиент»?

32. Основная идея метода Монте-Карло.

Основная идея метода Монте-Карло заключается в многократном повторении


случайных испытаний. Характерной особенностью метода Монте-Карло
является использование случайных чисел (числовых значений некоторой
случайной величины). Такие числа можно получать с помощью датчиков
случайных чисел. Например, в языке программирования Turbo Pascal имеется
стандартная функция random , значениями которой являются случайные
чис¬ла, равномерно распределенные на отрезке [0; 1]. Сказанное означает,
что если разбить указанный отрезок на некоторое число равных интервалов и
вычислить значение функции random большое число раз, то в каждый
интервал попадет приблизительно одинаковое количество случайных чисел.
В языке программирования basin подобным датчиком является функция rnd.
В табличном процессоре MS Excel функция СЛЧИС возвращает равномерно
распределенное случайное число большее или равное 0 и меньшее 1

33. Что понимается под математической моделью? Какие проблемы


возникают при построении моделей?

Математическая модель - формализованное описание на языке математики


исследуемого явления или объекта. Нужно что бы сложность
математической модели соответствовала сложности поставленной проблемы.
Предпочтение надо отдать более простой математической модели. Грамотное
упрощение модели – непростая задача. Часто анализ результатов на этапе их
обработки и интерпретации, указывает на несовершенство используемой
математической модели и необходимость ее коррекции. В таком случае
математическую модель модифицируют (при этом она, как правило,
усложняется) и начинают новый цикл решения задачи.

Трудность: Противоречие между желанием сделать модель как можно более


полной (усложнение модели) и необходимостью иметь достаточно простую
модель (чтобы была возможность реализовать ее на ЭВМ)