例子。 秦九少算法
3.数值计算的一般策略是简单的(如多项式、正定矩阵)代替复杂的数学运算、非线性问题的线性优化(如求解非线性方程)、低阶替换高阶(如变换方程组、降维)和有限维替换。 无限维空间(如微分方程中用有限和代替积分或无穷级数、用差商代替导数) 4.数值计算中的误差 误差来源:模型误差、观测误差、截断误差(数值方法的逼近引起的,也有称为方法误差)、舍入误差(舍入引起的)误差(error):绝对误差、相对误差(未知真值、近似替换)误差传播
补充1.浮点数
计算机中的存储格式(32位)
补充2. 有效数字
有效数量( )
示例1 绝对误差限
为了使x=\sqrt{2}的近似值x^*的绝对误差极限小于10^{-5}; 应该学多少有效的数学?
因为\sqrt{2}\.4\dots,我们可以得到m=1,并且|x^*-x|\leq \frac{1}{2}\^{1-n}\leq10^{-5 } ,解为n=6,即取6位有效数字。
示例 2 避免两个相似的数字相减
求方程 x^2-64x+1=0 的两个根,使它们至少有四位有效数字。
(\sqrt{1023}\.984)
根据根公式,我们有 x_1=32+\sqrt{1023}\ 63.984
如果我们用求根公式求x_2=32-\sqrt{1023}\.016,只有两位有效数字,不一致
根据Vieta定理,x_2=\frac{1}{x_1}\.01563,有效数字有四位
5.数值稳定性和病理性问题 减少计算误差:控制计算误差的扩散(避免相近数相减、绝对值太小不能做除数、避免大数吃小数) 算法稳定性:计算结果受误差影响比较小(注意收敛速度,控制计算次数)病态问题和条件数:如果已知条件存在很小的扰动,解就会有很大不同。 6.范数1,向量范数
范数是向量和矩阵的度量。 只要满足以下三个条件就可以定义范数。
对于任意向量 x\in \{R}^n,对应于非负实数 ||x||,满足
(1) 非负性: \vert\vert x\vert\vert\geq0 且 ||x||=0 当且仅当 x=0
(2)同质性:||\alpha x||=|\alpha|\cdot||x||
(3) 三角不等式:||x+y||\leq||x||+||y||
共同规范
三个范数缩写为: ||A||_v=(\sum_{i=1}^n|a_{i}|^v)^{\frac{1}{v}}
向量范数的等价
有限维线性空间 \{R}^n 中向量范数的定义都是等价的,即如果 ||x||_s,||x||_t 是 \{R}^n 上的两个不同范数 定义,那么必须有常数0">c_1,c_2>0,这样对于所有x\in \{R}^n,有c_1 ||x||_s\leq||x||_t\leq c_2| | x||_s
2. 矩阵范数
矩阵范数的定义如下:
如果非负实函数 N(A)=||A|| 矩阵 A=(a_{ij})\in\{R}^{n\times n} 满足以下条件:
(1) 非负性: \vert\vert A\vert\vert\geq0 且 ||A||=0 当且仅当 A=0
(2)同质性:||\alpha A||=|\alpha|\cdot||A|| ( \ \alpha\in\{R} )
(3) 三角不等式:||A+B||\leq||A||+||B|| (\ A,B\in\{R}^{n\times n})
(4) 乘法不等式: ||AB||\leq||A||\cdot||B||(\ A,B\in\{R}^{n\times n})
如果向量满足兼容性条件 ( ||Ax||\leq||A||||x|| ),则它是矩阵的算子范数
假设 x\in \{R}^n,A\in\{R}^{n\times n} ,给出向量范数 ||x||_v,相应地,定义矩阵 || 的非负函数x||_v=\max_{x\neq 0}\frac{||Ax||_v}{||x||_v} 称为因向量的范数,或矩阵数的算子范数
常用矩阵范数
光谱半径
与谱半径相关的定理
如果||\cdot|| 是属于向量的矩阵范数,则谱半径 \rho(A)\leq||A||(\ A\in \{R}^{n\times n}) 如果 A \in\{R} ^{n\times n} 是对称矩阵,则 ||A||_2=\rho(A) 设 B\in\{R}^{n\times n},如果 ||B || ,则 I\pm B 是非奇异矩阵,且 ||(IB)^{-1}||\leq\frac{1}{1-||B||} ,其中 ||\cdot|| 是矩阵的算子范数7.误差分析/条件数
病态方程
扰动对解的影响
条件数的属性
手术
(1)2、3、6
(2) 1
(1) 9
(2) 3
P69 8
P70 6
认为: ||A||_\infty=\max_{||x||_{\infty}=1}||A\{x}||_\infty , ||A||_1=\max_{ ||x||_{1}=1}||A\{x}||_1 , ||A||_2^2=\max_{||x||_{2}=1}||A \{x}||_2^2
P69 9