Реферат Курсовая Конспект
МЕТОДЫ ВЫЧИСЛЕНИЙ В ЗАДАЧАХ - раздел Образование, Министерство Образования И Науки Российской Федерации Южно-Российски...
|
Министерство образования и науки Российской Федерации
Южно-Российский государственный технический университет
(Новочеркасский политехнический институт)
Кафедра «Электрические и электронные аппараты»
П.Г. Колпахчьян, И.Б. Подберезная,
С.В. Чамлай, Д.В. Батищев
МЕТОДЫ ВЫЧИСЛЕНИЙ В ЗАДАЧАХ
ЭЛЕКТРОАППАРАТОСТРОЕНИЯ,
ЭЛЕКТРООБОРУДОВАНИЯ
И ЭЛЕКТРИЧЕСКОГО ТРАНСПОРТА
Методические указания
к проведению вычислительной практики
Новочеркасск
ЮРГТУ(НПИ)
УДК 629.4:621.313
Рецензент канд. техн. наук В.И. Рожков
Составители:
ОГЛАВЛЕНИЕ
Предисловие.. 5
Глава 1. РЕШЕНИЕ АЛГЕБРАИЧЕСКИХ УРАВНЕНИЙ И ИХ СИСТЕМ 7
1.1. Решение систем линейных алгебраических уравнений. 7
1.1.1. Итерационные методы решения систем линейных
алгебраических уравнений. 7
1.1.2. Факторизация и типовые схемы решений. 9
1.1.3. Метод Гаусса и LU— разложение. 11
1.1.4. Метод Гаусса-Жордана обращения матриц. 13
1.1.5. Метод квадратного корня (Холесского) 13
1.1.6. Метод вращений. 15
1.1.7. Итерационное уточнение. 16
1.1.8. Решение преопределенных систем линейных алгебраических уравнений 17
1.2 Решение систем нелинейных алгебраических уравнений. 18
1.2.1. Метод последовательных приближений. 19
1.2.2. Метод Ньютона. 19
1.2.3. Метод Ньютона по параметру. 21
Глава 2. Интерполяция зависимостей.. 22
2.1. Интерполяция каноническим полиномом. 22
2.2. Интерполяция полиномом Лагранжа. 25
2.3. Интерполяция полиномом Ньютона. 25
2.4. Применение интерполяции для решения уравнений. 28
2.5. Интерполяция сплайнами. 29
Глава 3. Метод наименьших квадратов.. 33
3.1. Общие положения. 33
3.2. Степенной базис. 35
3.3. Базис в виде классических ортогональных полиномов. 36
3.4. Базис в виде ортогональных полиномов дискретной переменной. 37
3.5. Линейный вариант метода наименьших квадратов. 39
3.6. Сглаживание экспериментальных данных с ошибками. 40
Глава 4. Определенные интегралы... 41
4.1. Классификация методов. 41
4.2. Методы прямоугольников. 43
4.3. Апостериорные оценки погрешностей по Рунге и Эйткену. 45
4.4. Метод трапеций. 47
4.5. Метод Симпсона. 48
4.6. Методы Ньютона-Котеса. 51
4.7. Вычисление интегралов с заданной точностью.. 52
4.8. Применение сплайнов для численного интегрирования. 53
4.9. Методы наивысшей алгебраической точности. 54
4.10. Несобственные интегралы.. 57
4.11. Вычисление кратных интегралов. 58
Глава 5. Решение обыкновенных дифференциальных уравнений 59
5.1. Типы задач для обыкновенныхдифференциальных уравнений. 59
5.2. Метод Эйлера. 60
5.3. Методы Рунге-Кутта. 62
5.4. Метод Рунгe-Кутта-Мерсона. 65
5.5. Методы Адамса-Башфорта и Адамса-Маултона. 66
5.6. Методы Гира. 69
5.7. Понятие о методах обратного дифференцирования. 71
Библиографический список.. 74
ПРЕДИСЛОВИЕ
Настоящее пособие предназначено для студентов первого, второго курсов направления 14040062 Электроэнергетика и электротехникапри прохождении вычислительной практики. Отдельные разделы могут быть использованы в курсах «Математическое моделирование», «Переходные режимы работы электрооборудования» и т.д.
Продолжительность вычислительной практики две недели. Проводится она в вычислительных центрах и вычислительных лабораториях. Распределение студентов на практику оформляется приказом по университету не позднее, чем за месяц до ее начала. Перед началом практики студенты должны получить на кафедре бланки командировочных удостоверений, пройти необходимый инструктаж.
Целии задачи вычислительной практикиОсновная цель вычислительной практики — это закрепление теоретических знаний, полученных в университете, и овладение практическими навыками решения конкретных задач на ЭВМ с использованием численных методов. Теоретическую основу практики составляют курсы "Информатика", "Алгоритмические языки и программирование", "Высшая математика". В задачи практики входит:
- изучение методов решения систем линейных и нелинейных уравнений, систем дифференциальных уравнений первого порядка, а также знакомство с методом наименьших квадратов;
- изучение алгоритмического языкаPASCAL;
- составление и отладка программ для перечисленных методов на алгоритмическом языкеPASCAL.
Содержаниепрактики.В период вычислительной практики каждый студент должен:
- пройти на кафедре и на месте проведения практики инструктаж
по технике безопасности;
- ознакомиться с литературой по методам решения указанных выше задач (см. библиографический список);
- изучить алгоритмический язык PASCAL для работы на компьютерах;
- составить и отладить на алгоритмическом языкеPASCAL программы, реализующие:
1) методы решения систем обыкновенных дифференциальных уравнений первого порядка с заданными начальными значениями;
2) методы решения систем линейных уравнений общего вида;
3) методы решения систем нелинейных уравнений;
4) аппроксимацию функции по методу наименьших квадратов, интерполяцию и сглаживание;
5) вычисление функций с помощью разложения в степенные ряды;
6) расчет переходных процессов в электрических цепях;
- оценить точность полученных результатов, составить отчет по практике.
Требованияк отчету по практикеОтчет по практике — основной документ, характеризующий работу студента во время практики. Отчет составляется каждым студентом самостоятельно, в нем должны быть отражены результаты работы, полученные практические знания и навыки, а также изученная во время практики специальная литература. Он должен быть написан грамотно и оформлен в соответствии с инструкцией.
Отчет должен содержать следующие разделы:
- математическая сущность используемых методов;
- алгоритмы методов, указанных в индивидуальном задании студента;пояснения к блок-схемам программ и описание программ, реализующих эти методы;
- индивидуальный вариант расчета;
- выводы (сравнение результатов, полученных различными методами; затраты машинного времени; простота алгоритма; объем используемой памяти ЭВМ);
- подробные блок-схемы программ, оформленные в соответствии с инструкци-ей, и распечатки программ
Подведение итогов практики.В период вычислительной практики для всех студентов является обязательной ежедневная работа в вычислительной лаборатории. Студенты должны вести дневник о ежедневно выполненной работе, по которому составляется отчет. Составленный студентом отчет вместе с дневником и другими документами должен быть представлен на кафедру для проверки руководителем. После проверки материалов практики студент защищает отчет.
Глава 1
РЕШЕНИЕ АЛГЕБРАИЧЕСКИХ УРАВНЕНИЙ И ИХ СИСТЕМ
В настоящее время разработано большое количество различных методов решения систем алгебраических уравнений. Для правильного выбора метода, наилучшим образом отвечающего сформулированной задаче, необходимо знать особенности его реализации: количество необходимых операций, объем памяти, оценку численной устойчивости, удобство алгоритмизации и т.п.
Решение преопределенных систем линейных
Глава 2
Интерполяция зависимостей
Глава 3
Метод наименьших квадратов
Базис в виде классических ортогональных полиномов
Выбор базисных функций φk(x)в виде степеней х (3.8) не является оптимальным с точки зрения решения системы нормальных уравнений с наименьшими погрешностями. Приемлемые результаты в этом случае можно получить, если набор экспериментальных данных с удовлетворительной точностью удается аппроксимировать полиномом невысокой степени (т≤4-5).
Лучшие результаты может дать использование классических ортогональных полиномов Чебышева, Лежандра, Лагерра, Якоби и других в качестве базисных функций. Свойство ортогональности классических полиномов заключается в том, что для каждого типа полиномов существует отрезок [x0, хn], на котором обращаются в нуль скалярные произведения полиномов разного порядка с весовой функцией р(х):
xn
∫= p{x)φj (x) φk(x)dx = 0, j ≠ k. (3.10)
x0
В случае большого количества узлов xi на отрезке [x0 ,xn]скалярные произведения (3.10) будут близки к дискретным скалярным произведениям (3.5), так как интегрирование можно приближенно заменить суммированием. Значит недиагональные элементы матрицы Граммабудут иметь небольшую абсолютную величину, что позволит уменьшить погрешность решения системы нормальных уравнений.
Заданный интервал [x'0 , x'n], в котором расположены все узлы аппроксимируемой функции, с помощью линейного преобразования всегда можно привести к отрезку [x0 ,xn], где определены и ортогональные базисные функции φk(x).
Для наиболее гладкого представления функций (с минимальным числом и амплитудой выбросов) выбираются полиномы Чебышева Тn(х), которые определены и ортогональны в интервале [-1,1] с весовой функцией (1-x2)-1/2. Значения полиномов Чебышева определяются по рекуррентной формуле [10]:
Тk+1(х) = 2хТk(х) – Тk-1 (х), (3.11)
где Т0(х) = 1;T1(x) = х.
Нетрудно убедиться, что в каждом из полиномов Тk+1(х), определенном по формуле (3.11), при старших степенях xбудет присутствовать коэффициент 2k.Последнее обстоятельство не всегда удобно при оценке вклада в аппроксимирующую функцию φk(x) (3.2) старших степеней х по величине коэффициентов сk.
Полиномы Чебышева можно ввести и по другой рекуррентной формуле [11]:
Т*k+1(х) = хТ*k(х) – ¼ Т*k-1 (х), (3.12)
где .
Особенностью такой формы полиномов Чебышева является отсутствие коэффициентов у высших степеней x в каждом из полиномов. Недостатком полиномов считают наличие дробного множителя 1/4 в рекуррентной формуле (3.12). Однако это обстоятельство существенно только при ручных вычислениях.
Полиномы ортогональны на отрезке [-1,1] с такой же весовой функцией, что и полиномы Тk(х).
Единичную весовую функцию на отрезке [-1,1] имеют полиномы Лежандра [10], определяемые по рекуррентной формуле
Lk+1 = [(2k + l)xLk(x) + kLk-1(x)] /(k + 1), (3.13)
где L0(х) = l;L1(x) = x.
Линейный вариант метода наименьших квадратов
На практике довольно часто оказывается возможным при обработке экспериментальных данных ограничиться построением линейной аппроксимирующей функции
φ(x) = а + bх. (3.22)
Для многих нелинейных зависимостей с двумя параметрами аи b можно свести нелинейную зависимость к линейной
φ' (х) = а'(х) + b'
с помощью преобразования х→x' и ƒ→ƒ'[1,2, 14]. После проведения линейной регрессии получим значения a'и b', которые после преобразований a' → аи b' → bдают искомые параметры а и bнелинейной зависимости. Преобразования, сводящие нелинейную зависимость к линейной даны в табл.3.1.
Таблица 3.1. Преобразования х, увх', у' и а', b' вa, b
№ | Функция φ (х) | х' | у' | а | b |
ах + Ь | x | y | а' | b' | |
1/(ах + b) | x | 1/y | а' | b' | |
b + а/х | 1/х | y | а' | b' | |
х/(ах+ b) | x | х/у | а' | b' | |
bах | x | lg y | 10а′ | 10b′ | |
bеах | x | In у | а' | e b′ |
b10ах | x | lg y | а' | 10b′ | |
1/(аех + b) | e -х | 1/y | а' | b' | |
bха | lg x | lg y | а' | 10b′ | |
b + a lgx | lg x | y | а' | b' | |
b + a In х | In x; | y | а' | b' | |
b/(а + х) | x | 1/y | b'/а' | 1/а' | |
bх/(а + х) | 1/х | 1/y | b'/а' | 1/а' | |
bеа'х | l/x | In x | а' | е b′ | |
b10а/ж | 1/х | lgx | а' | 10b′ | |
b + ахn | xn | y | а' | b' |
Для коэффициентов а и b (см. формулу (3.22) из общего алгоритма МНК получим выражения
(3.23)
где
(3.24)
, — узлы и значения аппроксимируемой функции в них; n — количество узлов.
Погрешность вычисления коэффициентов (3.23) определяется по формулам
(3.25)
,
где — коэффициент Стьюдента для пизмерений и доверительной вероятности £ [15].
Среднеквадратичное отклонение аппроксимирующей функции φ(x)от исходной определяется по формуле (3.1).
Глава 4
Определенные интегралы
Классификация методов
Ставится задача вычислить интеграл вида
b
J = ∫ƒ(x)dx, (4.1)
a
где aи b— нижний и верхний пределы интегрирования; ƒ(x) — непрерывная функция на отрезке [а, b].
К численному интегрированию обращаются, когда нельзя через элементарные функции аналитически записать первообразную интеграла (4.1) или когда подобная запись имеет сложный вид.
Сущность большинства методов вычисления определенных интегралов состоит в замене подынтегральной функции ƒ(x)аппроксимирующей функцией φ(x), для которой можно легко записать первообразную в элементарных функциях, т.е.
b b
∫ƒ(x)dx = ∫φ(x)dx + R = S + R, (4.2)
а а
где S— приближенное значение интеграла; R— погрешность вычисления интеграла.
Используемые на практике методы численного интегрирования можно сгруппировать в зависимости от способа аппроксимации подынтегральной функции. Дадим краткую характеристику групп наиболее распространенных методов.
Методы Ньютона-Котеса основаны на полиномиальной аппроксимации подынтегральной функции. Методы этого класса отличаются друг от друга степенью используемого полинома, от которой зависит количество узлов, где необходимо вычислить функцию ƒ(x). Алгоритмы методов просты и легко поддаются программной реализации.
Сплайновые методы базируются на аппроксимации подынтегральной функции сплайнами, представляющими собой кусочный полином.
Методы различаются по типу выбранных сплайнов. Такие методы имеет смысл использовать в задачах, где алгоритмы сплайновой аппроксимации применяются для обработки данных.
В методах наивысшей алгебраической точности (методы Гаусса-Кристоффеля и др.) используют неравноотстоящие узлы, расположенные по алгоритму, обеспечивающему минимальную погрешность интегрирования для наиболее сложных функций при заданном количестве узлов. Методы различаются способами выбора узлов и широко используются для интегрирования, в том числе они применимы и для несобственных интегралов. Хотя из-за необходимости хранения числовых констант и стандартизации пределов интегрирования программы указанных методов требуют несколько большего объема памяти по сравнению с методами Ньютона-Котеса.
В методах Монте-Карло узлы выбираются с помощью датчика случайных чисел, ответ носит вероятностный характер. Методы оказываются эффективными при вычислении интегралов большой кратности.
В класс специальных группируются методы, алгоритмы которых разрабатываются на основе учета особенностей конкретных подынтегральных функций, что позволяет существенно сократить время и уменьшить погрешность вычисления интегралов.
Независимо от выбранного метода в процессе численного интегрирования необходимо вычислить приближенное значение Sинтеграла и оценить погрешность R (4.2). Погрешность будет уменьшаться при увеличении количества разбиений N интервала интегрирования [а, b]за счет более точной аппроксимации подынтегральной функции, однако при этом будет возрастать погрешность за счет суммирования частичных интегралов, и последняя погрешность с некоторого значения No становится преобладающей (рис. 4.1) [1,16].
Рис. 4.1. Зависимость полной погрешности Rот количества разбиений N интервала
интегрирования
Это обстоятельство должно предостеречь от выбора чрезмерно большого числа N и привести к необходимости разработки способа оценки погрешности Rвыбранного метода интегрирования.
Методы прямоугольников
Рассмотрим сначала простейшие методы из класса методов Ньютона-Котеса, когда подынтегральную функцию f(x)на интервале интегрирования заменяем полиномом нулевой степени, т.е. константой. Подобная замена является неоднозначной, так как константу можно выбрать равной значению подынтегральной функции в любой точке интервала интегрирования. Приближенное значение интеграла определится как площадь прямоугольника, одна из сторон которого есть длина отрезка интегрирования, а другая — аппроксимирующая константа. Отсюда происходит и название методов. Как будет показано ниже, из методов прямоугольников наименьшую погрешность имеет метод средних прямоугольников, когда константу берем равной значению f(x)в средней точке х интервала интегрирования [xi-1, xi](рис. 4.2).
F(x)
х 0 х х 1 хп х
Рис. 4.2. Метод средних прямоугольников
Методы левых (рис. 4.3,а) и правых прямоугольников (рис. 4.3,б), заменяющих интеграл нижней и верхней суммами Дарбу, имеют сравнительно высокую погрешность (рис. 4.3).
a) х0 х1 хп х б) х0 х1 хп х
Рис. 4.3. Методы левых (а) и правых (б) прямоугольников
Запишем выражение для интеграла в интервале [xi, xi + h], полученное методом средних прямоугольников
xi + h
∫ ƒ(x)dx =hƒ( )+ R, (4.3)
xi
где = xi +h/2;R = Jточн-Jприбл , и оценим погрешность R. Для этого разложим подынтегральную функцию ƒ(x) в ряд Тейлора около средней точки x:
(4.4)
в малой окрестности точки xэтот ряд с высокой точностью представляет функцию f (x)при небольшом количестве членов разложения. Поэтому, подставляя под интеграл вместо функции f (x)ее тейлоровское разложение (4.4) и интегрируя его почленно, можно вычислить интеграл с любой наперед заданной точностью:
h³
=hƒ( )+—ƒ″( )+ …. (4.5)
24
При интегрировании и подстановке пределов получаем, что все интегралы от членов ряда (4.4), содержащих нечетные степени (x — ) , обращаются в нуль.
Сравнивая отношения (4.3) и (4.5), можно записать выражение для погрешности R. При малой величине шага интегрирования h основной вклад в погрешность Rбудет вносить первое слагаемое, которое называется главным членом погрешности Roiвычисления интеграла на интервале [xi ,xi + h]:
h³
R0i=—ƒ″(xi) . (4.6)
Главный член полной погрешности для интеграла на всем интервале [x0 ,xn] определится путем суммирования погрешностей на каждом частичном интервале [xi,xi+ h]:
(4.7)
К последнему интегралу мы перешли, используя метод средних прямоугольников для функции f"(x).
Формула (4.7) представляет собой теоретическую оценку погрешности вычисления интеграла методом средних прямоугольников, эта оценка является априорной, так как не требует знания значения вычисляемого интеграла. Оценка (4.7) не удобна для практического вычисления погрешности, но полезна для установления структуры главного члена погрешности. Степень шага h, которой пропорциональна величина R0, называется порядком метода интегрирования. Метод средних прямоугольников имеет второй порядок.
Аналогично проведем априорную оценку метода левых прямоугольников. Разложим подынтегральную функцию в ряд Тейлора около точки x= xi:
. (4.8)
Интегрируя разложение (4.8) почленно на интервале , получим
где первое слагаемое есть приближенное значение интеграла, вычисленное по методу левых прямоугольников, второе слагаемое является главным членом погрешности
(4.9) |
На интервале главный член погрешности интегрирования получим суммированием частичных погрешностей (4.9):
(4.10) |
Таким образом, метод левых прямоугольников имеет первый порядок, кроме того, погрешность будет больше по сравнению с методом средних за счет интеграла от производной f'(x) и коэффициента в знаменателе (4. 10). Обычно для большинства функций выполняется неравенство
Однако, если подынтегральная функция f(x) определяется из эксперимента в дискретном наборе узлов, то метод средних прямоугольников применить нельзя из-за отсутствия значений f(x) в средних точках . В этом случае для интегрирования используются другие методы Ньютона-Котеса.
Глава 5
Решение обыкновенных дифференциальных уравнений
МЕТОДЫ ВЫЧИСЛЕНИЙ В ЗАДАЧАХ
ЭЛЕКТРОАППАРАТОСТРОЕНИЯ,
ЭЛЕКТРООБОРУДОВАНИЯ
И ЭЛЕКТРИЧЕСКОГО ТРАНСПОРТА
Редактор Д.В. Малыгина
Подписано в печать 07.05.2012.
Формат 60´84 1/16. Бумага офсетная. Ризография.
Усл. печ. л. 4,42. Уч.-изд. л. 4,5. Тираж 50.Заказ № 48-5068.
Южно-Российский государственный технический университет
(Новочеркасский политехнический институт)
Редакционно-издательский отдел ЮРГТУ (НПИ)
346428, г.Новочеркасск, ул. Просвещения 132
Отпечатано в ИД «Политехник»
– Конец работы –
Используемые теги: Методы, вычислений, задачах0.059
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: МЕТОДЫ ВЫЧИСЛЕНИЙ В ЗАДАЧАХ
Если этот материал оказался полезным для Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов