数值计算方法实验分析报告
数值计算方法实验报告
数值计算方法实验报告一、实验介绍本次实验是关于数值计算方法的实验，旨在通过计算机模拟的方法，实现对于数值计算方法的掌握。
本次实验主要涉及到的内容包括数值微积分、线性方程组的求解、插值与拟合、常微分方程的数值解等。
二、实验内容1. 数值微积分数值微积分是通过计算机模拟的方法，实现对于微积分中的积分运算的近似求解。
本次实验中，我们将会使用梯形公式和辛普森公式对于一定区间上的函数进行积分求解，并比较不同公式的计算误差。
2. 线性方程组的求解线性方程组求解是数值计算领域中的重要内容。
本次实验中，我们将会使用高斯消元法、LU分解法等方法对于给定的线性方程组进行求解，并通过比较不同方法的计算效率和精度，进一步了解不同方法的优缺点。
3. 插值与拟合插值与拟合是数值计算中的另一个重要内容。
本次实验中，我们将会使用拉格朗日插值法和牛顿插值法对于给定的数据进行插值求解，并使用最小二乘法对于给定的函数进行拟合求解。
4. 常微分方程的数值解常微分方程的数值解是数值计算中的难点之一。
本次实验中，我们将会使用欧拉法和龙格-库塔法等方法对于给定的常微分方程进行数值解的求解，并比较不同方法的计算精度和效率。
三、实验结果通过本次实验，我们进一步加深了对于数值计算方法的理解和掌握。
在数值微积分方面，我们发现梯形公式和辛普森公式都能够有效地求解积分，但是辛普森公式的计算精度更高。
在线性方程组求解方面，我们发现LU分解法相对于高斯消元法具有更高的计算效率和更好的数值精度。
在插值与拟合方面，我们发现拉格朗日插值法和牛顿插值法都能够有效地进行插值求解，而最小二乘法则可以更好地进行函数拟合求解。
在常微分方程的数值解方面，我们发现欧拉法和龙格-库塔法都能够有效地进行数值解的求解，但是龙格-库塔法的数值精度更高。
四、实验总结本次实验通过对于数值计算方法的模拟实现，进一步加深了我们对于数值计算方法的理解和掌握。
在实验过程中，我们了解了数值微积分、线性方程组的求解、插值与拟合、常微分方程的数值解等多个方面的内容，在实践中进一步明确了不同方法的特点和优缺点，并可以通过比较不同方法的计算效率和数值精度来选择合适的数值计算方法。
数值分析计算方法实验报告
end;
end;
X=x;
disp('迭代结果:');
X
format short;
输出结果：
因为不收敛，故出现上述情况。
4.超松弛迭代法：
%SOR法求解实验1
%w=1.45
%方程组系数矩阵
clc;
A=[2,10,0,-3;-3,-4,-12,13;1,2,3,-4;4,14,9,-13]
b=[10,5,-2,7]'
b=[10,5,-2,7]'
[m,n]=size(A);
if m~=n
error('矩阵A的行数和列数必须相同');
return;
end
if m~=size(b)
error('b的大小必须和A的行数或A的列数相同');
return;
end
if rank(A)~=rank([A,b])
error('A矩阵的秩和增广矩阵的秩不相同,方程不存在唯一解');
3．实验环境及实验文件存档名
写出实验环境及实验文件存档名
4.实验结果及分析
输出计算结果，结果分析和小结等。
解：1.高斯列主元消去法：
%用高斯列主元消去法解实验1
%高斯列主元消元法求解线性方程组Ax=b
%A为输入矩阵系数,b为方程组右端系数
%方程组的解保存在x变量中
format long;
A=[2,10,0,-3;-3,-4,-12,13;1,2,3,-4;4,14,9,-13]
return;
end
c=n+1;
A(:,c)=b;
for k=1:n-1
数值计算方法上机实验报告
数值计算方法上机实验报告
一、实验目的
本次实验的主要目的是熟悉和掌握数值计算方法，学习梯度下降法的
原理和实际应用，熟悉Python语言的编程基础知识，掌握Python语言的
基本语法。
二、设计思路
本次实验主要使用的python语言，利用python下的numpy，matplotlib这两个工具，来实现数值计算和可视化的任务。
1. 首先了解numpy的基本使用方法，学习numpy的矩阵操作，以及numpy提供的常见算法，如矩阵分解、特征值分解等。
2. 在了解numpy的基本操作后，可以学习matplotlib库中的可视化
技术，掌握如何将生成的数据以图表的形式展示出来。
3. 接下来就是要学习梯度下降法，首先了解梯度下降法的主要原理，以及具体的实际应用，用python实现梯度下降法给出的算法框架，最终
可以达到所期望的优化结果。
三、实验步骤
1. 熟悉Python语言的基本语法。
首先是熟悉Python语言的基本语法，学习如何使用Python实现变量
定义，控制语句，函数定义，类使用，以及面向对象编程的基本概念。
2. 学习numpy库的使用方法。
其次是学习numpy库的使用方法，学习如何使用numpy库构建矩阵，学习numpy库的向量，矩阵操作，以及numpy库提供的常见算法，如矩阵分解，特征值分解等。
3. 学习matplotlib库的使用方法。
数值计算方法实验报告
数值分析实验报告实验一、解线性方程组的直接方法——梯形电阻电路问题利用追赶法求解三对角方程组的方法，解决梯形电阻电路问题：电路中的各个电流{1i ，2i ，…，8i }须满足下列线性方程组：R V i i =- 22 210 252321=-+-i i i 0 252 432=-+-i i i 0 252 543=-+-i i i 0 252 654=-+-i i i 0 252 765=-+-i i i 0 252 876=-+-i i i 052 87=+-i i设V 220=V ，Ω=27R ，运用追赶法，求各段电路的电流量。
问题分析：上述方程组可用矩阵表示为：⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡--------------00000001481.8522520000002520000002520000002520000002520000002520000002287654321i i i i i i i i问题转化为求解A x b =，8阶方阵A 满足顺序主子式(1,2...7)0i A i =≠，因此矩阵A存在唯一的Doolittle 分解，可以采用解三对角矩阵的追赶法！追赶法a=[0 -2 -2 -2 -2 -2 -2 -2]; b=[2 5 5 5 5 5 5 5]；c=[-2 -2 -2 -2 -2 -2 -2 0]; d=[220/27 0 0 0 0 0 0 0];Matlab 程序function x= zhuiganfa( a,b,c,d )%追赶法实现要求：|b1|>|C1|>0,|bi|>=|ai|+|ci| n=length(b); u=ones(1,n); L=ones(1,n); y=ones(1,n); u(1)=b(1); y(1)=d(1); for i=2:nL(i)=a(i)/u(i-1);u(i)=b(i)-c(i-1)*L(i); y(i)=d(i)-y(i-1)*L(i); endx(n)=y(n)/u(n); for k=n-1:-1:1x(k)=(y(k)-c(k)*x(k+1))/u(k); end endMATLAB 命令窗口输入：a=[0 -2 -2 -2 -2 -2 -2 -2]; b=[2 5 5 5 5 5 5 5];c=[-2 -2 -2 -2 -2 -2 -2 0] d=[220/27 0 0 0 0 0 0 0];x= zhuiganfa(a,b,c,d )运行结果为：x =8.1478 4.0737 2.0365 1.0175 0.5073 0.2506 0.1194 0.0477存在问题根据电路分析中的所讲到的回路电流法，可以列出8个以回路电流为独立变量的方程，课本上给出的第八个回路电流方程存在问题，正确的应该是78240i i -+=；或者可以根据电路并联分流的知识，同样可以确定78240i i -+=。
数值分析积分实验报告(3篇)
第1篇一、实验目的本次实验旨在通过数值分析的方法，研究几种常见的数值积分方法，包括梯形法、辛普森法、复化梯形法和龙贝格法，并比较它们在计算精度和效率上的差异。
通过实验，加深对数值积分理论和方法的理解，提高编程能力和实际问题解决能力。
二、实验内容1. 梯形法梯形法是一种基本的数值积分方法，通过将积分区间分割成若干个梯形，计算梯形面积之和来近似积分值。
实验中，我们选取了几个不同的函数，对积分区间进行划分，计算积分近似值，并与实际积分值进行比较。
2. 辛普森法辛普森法是另一种常见的数值积分方法，它通过将积分区间分割成若干个等距的区间，在每个区间上使用二次多项式进行插值，然后计算多项式与x轴围成的面积之和来近似积分值。
实验中，我们对比了辛普森法和梯形法的计算结果，分析了它们的精度差异。
3. 复化梯形法复化梯形法是对梯形法的一种改进，通过将积分区间分割成多个小区间，在每个小区间上使用梯形法进行积分，然后计算所有小区间积分值的和来近似积分值。
实验中，我们对比了复化梯形法和辛普森法的计算结果，分析了它们的精度和效率。
4. 龙贝格法龙贝格法是一种通过外推加速提高计算精度的数值积分方法。
它通过比较使用不同点数（n和2n）的积分结果，得到更高精度的积分结果。
实验中，我们使用龙贝格法对几个函数进行积分，并与其他方法进行了比较。
三、实验步骤1. 编写程序实现梯形法、辛普森法、复化梯形法和龙贝格法。
2. 选取几个不同的函数，对积分区间进行划分。
3. 使用不同方法计算积分近似值，并与实际积分值进行比较。
4. 分析不同方法的精度和效率。
四、实验结果与分析1. 梯形法梯形法在计算精度上相对较低，但当积分区间划分足够细时，其计算结果可以接近实际积分值。
2. 辛普森法辛普森法在计算精度上优于梯形法，但当积分区间划分较细时，计算量较大。
3. 复化梯形法复化梯形法在计算精度上与辛普森法相当，但计算量较小。
4. 龙贝格法龙贝格法在计算精度上优于复化梯形法，且计算量相对较小。
数值计算基础实验报告(3篇)
第1篇一、实验目的1. 理解数值计算的基本概念和常用算法；2. 掌握Python编程语言进行数值计算的基本操作；3. 熟悉科学计算库NumPy和SciPy的使用；4. 分析算法的数值稳定性和误差分析。
二、实验内容1. 实验环境操作系统：Windows 10编程语言：Python 3.8科学计算库：NumPy 1.19.2，SciPy 1.5.02. 实验步骤（1）Python编程基础1）变量与数据类型2）运算符与表达式3）控制流4）函数与模块（2）NumPy库1）数组的创建与操作2）数组运算3）矩阵运算（3）SciPy库1）求解线性方程组2）插值与拟合3）数值积分（4）误差分析1）舍入误差2）截断误差3）数值稳定性三、实验结果与分析1. 实验一：Python编程基础（1）变量与数据类型通过实验，掌握了Python中变量与数据类型的定义方法，包括整数、浮点数、字符串、列表、元组、字典和集合等。
（2）运算符与表达式实验验证了Python中的算术运算、关系运算、逻辑运算等运算符，并学习了如何使用表达式进行计算。
（3）控制流实验学习了if-else、for、while等控制流语句，掌握了条件判断、循环控制等编程技巧。
（4）函数与模块实验介绍了Python中函数的定义、调用、参数传递和返回值，并学习了如何使用模块进行代码复用。
2. 实验二：NumPy库（1）数组的创建与操作通过实验，掌握了NumPy数组的基本操作，包括创建数组、索引、切片、排序等。
（2）数组运算实验验证了NumPy数组在数学运算方面的优势，包括加、减、乘、除、幂运算等。
（3）矩阵运算实验学习了NumPy中矩阵的创建、操作和运算，包括矩阵乘法、求逆、行列式等。
3. 实验三：SciPy库（1）求解线性方程组实验使用了SciPy库中的线性代数模块，通过高斯消元法、LU分解等方法求解线性方程组。
（2）插值与拟合实验使用了SciPy库中的插值和拟合模块，实现了对数据的插值和拟合，并分析了拟合效果。
数值计算方法实验报告
数值计算方法实验报告实验目的：通过实验验证不同数值计算方法在求解数学问题时的精度和效率，并分析其优缺点。
实验原理：实验内容：本实验选取了三个典型的数值计算问题，并分别采用了二分法、牛顿迭代法和梯度下降法进行求解。
具体问题和求解方法如下：1. 问题一：求解方程sin(x)=0的解。
-二分法：利用函数值的符号变化将解空间不断缩小，直到找到满足精度要求的解。
-牛顿迭代法：通过使用函数的斜率来逼近方程的解，并不断逼近真实解。
-梯度下降法：将方程转化为一个极小化问题，并利用梯度下降的方式逼近极小值点，进而找到方程的解。
2.问题二：求解函数f(x)=x^2-3x+2的极小值点。
-二分法：通过确定函数在一个区间内的变化趋势，将极小值所在的区间不断缩小，从而找到极小值点。
-牛顿迭代法：通过使用函数的导数和二阶导数来逼近极小值点，并不断逼近真实解。
-梯度下降法：将函数转化为一个极小化问题，并利用梯度下降的方式逼近极小值点，进而找到函数的极小值点。
3. 问题三：求解微分方程dy/dx = -0.1*y的解。
-二分法：通过离散化微分方程，将微分方程转化为一个差分方程，然后通过迭代计算不同点的函数值，从而得到函数的近似解。
-牛顿迭代法：将微分方程转化为一个积分方程，并通过迭代计算得到不同点的函数值，从而得到函数的近似解。
-梯度下降法：将微分方程转化为一个极小化问题，并利用梯度下降的方式逼近极小值点，从而得到函数的近似解。
实验步骤：1.编写代码实现各个数值计算方法的求解过程。
2.对每个数值计算问题，设置合适的初始值和终止条件。
3.运行程序，记录求解过程中的迭代次数和每次迭代的结果。
4.比较不同数值计算方法的精度和效率，并分析其优缺点。
实验结果：经过实验测试，得到了如下结果：-问题一的二分法迭代次数为10次，求解结果为x=0；牛顿迭代法迭代次数为4次，求解结果为x=0；梯度下降法迭代次数为6次，求解结果为x=0。
-问题二的二分法迭代次数为10次，求解结果为x=1;牛顿迭代法迭代次数为3次，求解结果为x=1;梯度下降法迭代次数为4次，求解结果为x=1-问题三的二分法迭代次数为100次，求解结果为y=e^(-0.1x);牛顿迭代法迭代次数为5次，求解结果为y=e^(-0.1x);梯度下降法迭代次数为10次，求解结果为y=e^(-0.1x)。
数值计算方法 实验报告4
实验四 数值微积分实验学院：数学与计算机科学学院 专业：数学与应用数学 学号： 姓名：一． 实验目的1 利用复化求积公式计算定积分，并比较误差；2 比较一阶导数和二阶导数的数值方法，并绘图观察特点.二． 实验题目用复化梯形公式、复化辛普森公式、龙贝格公式求下列定积分，要求绝对误差为8105.0-⨯=ε，并将计算结果与精度解进行比较：⑴dx e x e x2321432⎰= ⑵dx x x ⎰-=322326ln .利用等距节点的函数值和端点的导数值，用不同的方法求下列函数的一阶和二阶导数，分析各种方法的有效性，并用绘图软件绘出函数的图形，观察其特点. ⑴35611201x x y -=，[]2,0∈x ⑵xey 1-=，[]5.0,5.2--∈x三． 实验原理1 复化梯形公式将积分区间[]b a ,剖分为n 等分，分点为)2,1,0( =+=k kh a x k ，其中n a b h /)(-=.在每个区间[]1,+k k x x 上用梯形公式，则有 ()()dx x fdxx fn k x xba k k∑⎰=⎰-=+11()()[][]∑⎭⎬⎫⎩⎨⎧++-=-=++1112n k k k kkk f R x f x f x x()()[][]f R x f x f h n k k n k k k ∑+∑+=-=-=+1112.记()()[]()()()[]∑++=∑+=-=-=+111222n k kn k k knx f b f a f hx f x f h T .2 复化辛普森公式 将积分区间[]b a ,剖分为n 等分，分点为)2,1,0( =+=k kh a xk，其中n a b h /)(-=.记区间[]1,+k k x x 的中点为21+k x ，在每个区间[]1,+k k x x 上用辛普森公式，则得到所谓的复化辛普森公式：()()⎥⎦⎤⎢⎣⎡+⎪⎭⎫⎝⎛+∑-=++-=+1211146k k kn k k k n xfx f x f x x S ，即()()()⎥⎦⎤⎢⎣⎡∑⎪⎭⎫ ⎝⎛+∑++=-=+-=1211426n k k n k knx f x fb f a f h S .3 龙贝格公式的算法步骤为： I.输入b a ,及精度ε； II.置,a b h -=()()()b f a f h T+=211；III. 置2,1,1===n j i ，对分区间[]b a ,，并计算111,+++i j i j T T ：∑⎪⎭⎫ ⎝⎛+==-+nk k ii x f hT T 121111221，144111--=+++jijj jj i j T T T ；IV.若不满足终止条件，做循环：n n h h i i 2:,2/:,1:==+=， 计算∑⎪⎭⎫ ⎝⎛+==-+nk k ii x f hT T121111221， 对,,,1i j =计算：144111--=+++jijj jj i j T T T .4 向前差商公式：()()()ha f h a f a f -+≈'；向后差商公式：()()()h h a f a f a f --≈'；中心差商公式：()()()hh a f h a f a f 2--+≈'；二阶导数公式：()()()()22hh a f a f h a f a f ++--≈''.四． 实验内容 实验一第一小题：对于方程dx e x e x2321432⎰=，利用程序shiyan1_01.m内容如下：%第一个函数的实验 clear clcfun=inline('(2/3)*x.^3.*exp(x.^2)'); S1=matrap(fun,1,2,170000); S2=masimp(fun,1,2,250); S3=maromb(fun,1,2,.5e-8); s=exp(4); Er1=abs(S1-s) Er2=abs(S2-s) Er3=abs(S3-s)第二小题：对于方程dx x x ⎰-=322326ln ，利用程序shiyan1_02.m内容如下：%第二个函数的实验 clearclcfun=inline('2*x./(x.^2-3)'); S1=matrap(fun,2,3,15000); S2=masimp(fun,2,3,100); S3=maromb(fun,2,3,.5e-8); s=log(6); Er1=abs(S1-s) Er2=abs(S2-s) Er3=abs(S3-s)实验二第一小题：对于方程35611201x x y -=，[]2,0∈x ，利用程序shiyan2_01.m内容如下：clear clcfun=inline('x.^5/20-(11./6)*x.^3'); dfun=inline('x.^4/4-(11./2)*x.^2'); ddfun=inline('x.^3-11*x'); n=8;h=2/n;x=0:h:2;x1=x(2:n); y=feval(fun,x); dy=feval(dfun,x1); ddy=feval(ddfun,x1); for i=2:ndy1(i)=(y(i+1)-y(i))/h; dy2(i)=(y(i)-y(i-1))/h;dy3(i)=(y(i+1)-y(i-1))/(2*h);ddy1(i)=(y(i+1)-2*y(i)+y(i-1))/(h*h); endfor i=1:n-1err1(i)=abs(dy1(i)-dy(i)); err2(i)=abs(dy2(i)-dy(i)); err3(i)=abs(dy3(i)-dy(i));errd2(i)=abs(ddy1(i)-ddy(i)); end[err1' err2' err3' errd2'] plot(x,y,'r')hold onplot(x1,dy,'y') plot(x1,ddy,'k')第二小题：对于方程xey 1-=，[]5.0,5.2--∈x ，利用程序shiyan2_02.m内容如下：clear clcfun=inline('exp(-1./x)');dfun=inline('(-1./x).*exp(-1./x)');ddfun=inline('(-1./(x.^2)).*exp(-1./x)+1./(x.^2)'); n=8;h=2/n;x=-2.5:h:-0.5;x1=x(2:n); y=feval(fun,x); dy=feval(dfun,x1); ddy=feval(ddfun,x1); for i=2:ndy1(i)=(y(i+1)-y(i))/h; dy2(i)=(y(i)-y(i-1))/h; dy3(i)=(y(i+1)-y(i-1))/(2*h);ddy1(i)=(y(i+1)-2*y(i)+y(i-1))/(h*h); endfor i=1:n-1err1(i)=abs(dy1(i)-dy(i)); err2(i)=abs(dy2(i)-dy(i)); err3(i)=abs(dy3(i)-dy(i)); errd2(i)=abs(ddy1(i)-ddy(i)); end[err1' err2' err3' errd2'] plot(x,y,'r')hold onplot(x1,dy,'y')plot(x1,ddy,'')五．实验结果实验一第一小题T =146.5012 0 0 0 0 0 0 083.9243 63.0653 0 0 0 0 0 062.6132 55.5095 55.0058 0 0 0 0 056.6535 54.6669 54.6108 54.6045 0 0 0 055.1154 54.6027 54.5984 54.5982 54.5982 0 0 054.7277 54.5984 54.5982 54.5982 54.5982 54.5982 0 054.6305 54.5982 54.5982 54.5982 54.5982 54.5982 54.5982 0 54.6062 54.5982 54.5982 54.5982 54.5982 54.5982 54.5982 54.5982Er1 =4.5922e-009Er2 =4.8409e-009Er3 =1.4211e-014第二小题T =2.5000 0 0 0 0 0 0 0 2.0192 1.8590 0 0 0 0 0 0 1.8564 1.8022 1.7984 0 0 0 0 0 1.8088 1.7929 1.7922 1.7921 0 0 0 0 1.7961 1.7918 1.7918 1.7918 1.7918 0 0 0 1.7928 1.7918 1.7918 1.7918 1.7918 1.7918 0 0 1.7920 1.7918 1.7918 1.7918 1.7918 1.7918 1.7918 0 1.7918 1.7918 1.7918 1.7918 1.7918 1.7918 1.7918 1.7918Er1 =4.9383e-009Er2 =4.0302e-009Er3 =1.0132e-012实验二第一小题ans =0.2196 0.2196 0.2196 2.1920 0.3627 0.8003 0.5815 2.1480 0.5711 1.4367 1.0039 2.0560 0.7667 2.0411 1.4039 1.91600.9447 2.5991 1.7719 1.72801.1003 3.09632.0983 1.4920 1.22873.5183 2.3735 1.2080 1.3251 3.8507 2.5879 0.87601.3847 4.07912.7319 0.4960第二小题ans =0.6932 0.6932 0.6932 0.1105 0.4680 0.5532 0.5106 0.5030 0.5236 0.6555 0.5895 0.7793 0.5907 0.8102 0.7005 1.2991 0.6692 1.0727 0.8709 2.3982 0.7473 1.6071 1.1772 5.15720.7567 3.0873 1.9220 14.2888六．实验结果分析1.利用复化辛普森公式比利用复化梯形公式，所取的n更小，当达到相同精度时，利用辛普森公式等分次数n更小，减少计算次数.2.若利用同一公式，所取n的大小与题设给出的精度ε之间的关系：当n越大时，与精度ε之间的误差越小；反之，当n越小时，与精度ε之间的误差越大。
数值计算方法实验报告
《数值计算方法》实验报告班级数学132班学号201300144402姓名袁媛2016年 1月3日实验报告一1. 实验名称解线性方程组的直接法 2.实验题目用追赶法求解下列方程组⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎪⎪⎭⎫ ⎝⎛101053-001-21-002-31-001-24321x x x x 3.实验目的熟练运用已经学过的方法计算方程组，巩固已经学到的解决方程组的方法，培养使用计算机进行科学计算和解决问题的能力，熟悉了解这样的系数矩阵，能运用追赶法进行方程组的求解。
4.基础理论设A 有如下形式的分解⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=------11......11...............1211122111122211n n n n n n n n n n t t t s r s r s r s b a c b a c b a c b A 其中,i i r s 和i t 为待定常数，则有1,...,3,2,, (3)2,,,111111-===+====-n i t s c n i s t r b r a t s c s b i i i i i i i i i 由可得如下计算公式：1111111,1,...,3,2,/,,/,---==-==-====n n n n n n i i i i i i i i i t r b s a r n i s c t t r b s a r s c t b s 即在A 满足条件的情况下，可以把{}{}i i s r ,和{}i t 完全确定出来，从而实现上面给定形式的LU 分解，且i r 等于),...3,2(n i a i =。
这样，求解三对角阵方程组Ax=f 就等价于求解两个三角形方程组y Ux f Ly ==, 从而得到公式：（1）计算{}i s 和{}i t 的递推公式 ;1, (3)2,/,,/11111---=-==-==n n n n i i i i i i i t a b s n i s c t t a b s b c t （2）求解f Ly = ni s y a f y b f y i i i i i ,...,3,2,/)(,/1111=-==-（3）求解y Ux =1,...,2,1,,1--=-==+n n i x t y x y x i i i i n n通常把计算121...-→→→n t t t 和n y y y →→→...21的过程称为追的过程，而把计算方程组的解11...x x x n n →→→-的过程称为赶的过程，这一方法称为解三角方程组的追赶法。
数值分析实验报告5篇
误差分析实验1.1（问题）实验目的：算法有“优”与“劣”之分，问题也有“好”与“坏”之别。
对数值方法的研究而言，所谓坏问题就是问题本身对扰动敏感者，反之属于好问题。
通过本实验可获得一个初步体会。
数值分析的大部分研究课题中，如线性代数方程组、矩阵特征值问题、非线性方程及方程组等都存在病态的问题。
病态问题要通过研究和构造特殊的算法来解决，当然一般要付出一些代价（如耗用更多的机器时间、占用更多的存储空间等）。
问题提出：考虑一个高次的代数多项式)1.1()()20()2)(1()(201∏=-=---=k k x x x x x p显然该多项式的全部根为1,2,…,20共计20个，且每个根都是单重的。
现考虑该多项式的一个扰动)2.1(0)(19=+x x p ε其中ε是一个非常小的数。
这相当于是对（1.1）中19x 的系数作一个小的扰动。
我们希望比较（1.1）和（1.2）根的差别，从而分析方程（1.1）的解对扰动的敏感性。
实验内容：为了实现方便，我们先介绍两个Matlab 函数：“roots ”和“poly ”。
roots(a)u =其中若变量a 存储n+1维的向量，则该函数的输出u 为一个n 维的向量。
设a 的元素依次为121,,,+n a a a ，则输出u 的各分量是多项式方程01121=+++++-n n n n a x a x a x a的全部根；而函数poly(v)b =的输出b 是一个n+1维变量，它是以n 维变量v 的各分量为根的多项式的系数。
可见“roots ”和“poly ”是两个互逆的运算函数。
;000000001.0=ess );21,1(zeros ve = ;)2(ess ve =))20:1((ve poly roots +上述简单的Matlab 程序便得到（1.2）的全部根，程序中的“ess ”即是（1.2）中的ε。
实验要求：（1）选择充分小的ess ，反复进行上述实验，记录结果的变化并分析它们。
数值计算方法实验报告
一、实验目的1. 熟悉数值计算的基本概念和方法；2. 掌握数值计算的基本原理和算法；3. 提高编程能力和数值计算能力；4. 通过实验，加深对数值计算方法的理解和应用。
二、实验内容1. 矩阵运算2. 线性方程组求解3. 函数求值4. 微分方程求解三、实验步骤1. 矩阵运算（1）编写程序实现矩阵的加法、减法、乘法运算；（2）编写程序实现矩阵的转置运算；（3）编写程序实现矩阵的逆运算。
2. 线性方程组求解（1）编写程序实现高斯消元法求解线性方程组；（2）编写程序实现雅可比迭代法求解线性方程组；（3）编写程序实现高斯-赛德尔迭代法求解线性方程组。
3. 函数求值（1）编写程序实现牛顿迭代法求函数的零点；（2）编写程序实现二分法求函数的零点；（3）编写程序实现割线法求函数的零点。
4. 微分方程求解（1）编写程序实现欧拉法求解一阶微分方程；（2）编写程序实现龙格-库塔法求解一阶微分方程；（3）编写程序实现龙格-库塔-法求解二阶微分方程。
四、实验结果与分析1. 矩阵运算（1）矩阵加法、减法、乘法运算结果正确；（2）矩阵转置运算结果正确；（3）矩阵逆运算结果正确。
2. 线性方程组求解（1）高斯消元法求解线性方程组，结果正确；（2）雅可比迭代法求解线性方程组，结果正确；（3）高斯-赛德尔迭代法求解线性方程组，结果正确。
3. 函数求值（1）牛顿迭代法求函数的零点，结果正确；（2）二分法求函数的零点，结果正确；（3）割线法求函数的零点，结果正确。
4. 微分方程求解（1）欧拉法求解一阶微分方程，结果正确；（2）龙格-库塔法求解一阶微分方程，结果正确；（3）龙格-库塔-法求解二阶微分方程，结果正确。
五、实验总结本次实验通过对数值计算方法的学习和实践，使我对数值计算有了更深入的了解。
以下是我对本次实验的总结：1. 矩阵运算是数值计算的基础，熟练掌握矩阵运算对于解决实际问题具有重要意义；2. 线性方程组求解是数值计算中常见的问题，高斯消元法、雅可比迭代法和高斯-赛德尔迭代法是常用的求解方法；3. 函数求值是数值计算中另一个常见问题，牛顿迭代法、二分法和割线法是常用的求解方法；4. 微分方程求解是数值计算中的难点，欧拉法、龙格-库塔法和龙格-库塔-法是常用的求解方法。
计算方法实验报告
1. 熟悉并掌握常用的计算方法，包括数值积分、数值微分、线性方程组求解等。
2. 培养运用计算机进行数值计算的能力。
3. 增强对数值计算误差的分析和判断能力。
二、实验环境1. 操作系统：Windows 102. 编程语言：Python3.83. 库：NumPy、SciPy、Matplotlib三、实验内容1. 数值积分（1）函数：f(x) = x^2（2）区间：[0, 1]（3）方法：梯形法、辛普森法、复合梯形法2. 数值微分（1）函数：f(x) = e^x（2）点：x = 1（3）方法：有限差分法、中点法、牛顿法3. 线性方程组求解（1）方程组：2x + 3y - z = 8-x + 2y + 2z = -3x - y + 3z = 5（2）方法：高斯消元法、LU分解法1. 数值积分（1）编写函数f(x) = x^2（2）定义积分区间[0, 1]（3）实现梯形法、辛普森法、复合梯形法（4）计算积分结果2. 数值微分（1）编写函数f(x) = e^x（2）定义点x = 1（3）实现有限差分法、中点法、牛顿法（4）计算导数结果3. 线性方程组求解（1）定义方程组系数矩阵A和常数向量b（2）实现高斯消元法、LU分解法（3）求解方程组（4）输出解向量x五、实验结果与分析1. 数值积分（1）梯形法：积分结果约为1.6667（2）辛普森法：积分结果约为1.6447（3）复合梯形法：积分结果约为1.6458分析：三种方法计算结果接近，但辛普森法误差最小。
2. 数值微分（1）有限差分法：导数结果约为2.7183（2）中点法：导数结果约为2.7183（3）牛顿法：导数结果约为2.7183分析：三种方法计算结果一致，误差较小。
3. 线性方程组求解（1）高斯消元法：解向量x = [2, 1, 1]（2）LU分解法：解向量x = [2, 1, 1]分析：两种方法求解结果一致，且解向量正确。
六、实验总结本次实验通过Python编程，实现了数值积分、数值微分和线性方程组求解。
数值计算方法实验报告
（实验报告的首页）本科实验报告课程名称：计算机数值方法实验项目：实验地点：多学科楼专业班级：力学1101 学号：2011005860 学生姓名：王亚博指导教师：刘晓燕2013年6月27日学生姓名 王亚博 实验成绩实验名称 实验一 ：方程组求根1，用高斯消元法求解下面的方程组：⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡-=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡-----8118344108318311231224321x x x x#include "stdio.h"double a[15][15],a0[15][15]; double b[15],b0[15],l[15]; int n; int i,j ;void displayA() {printf("\n");for( j=1;j<=n;j++) {for( i=1;i<=n;i++)printf("a[%d][%d]=%f",j,i,a[j][i]); printf("b[%d]=%f\n",j,b[j]); }for(j=1;j<=n;j++)printf("l[%d]=%f ",j,l[j]); printf("\n"); }void main() { int i,j,k;scanf("%d",&n); for(i=1;i<=n;i++) {for(j=1;j<=n;j++) {scanf("%lf",&a[i][j]); a0[i][j]=a[i][j]; }scanf("%lf",&b[i]); b0[i]=b[i]; }displayA(); k=1; do {for(i=1;i<=n;i++){if(i==k) continue;l[i]=a0[i][k]/a0[k][k];}for (j=k+1;j<=n;j++) a[k][j]=a0[k][j]/a0[k][k];b[k]=b0[k]/a0[k][k];for(i=1;i<=n;i++){if(i==k) continue;for(j=k+1;j<=n;j++)a[i][j]=a0[i][j]-l[i]*a0[k][j];b[i]=b0[i]-l[i]*b0[k];}displayA();for(i=1;i<=n;i++){for(j=k+1;j<=n;j++)a0[i][j]=a[i][j];b0[i]=b[i];}if(k==n) break;k++;}while(1);for(i=1;i<=n;i++)printf("b[%2d]=%lf\n",i,b[i]); getch();}实验名称 实验二 线性方程组的直接求解实验目的和要求合理选择利用Gauss 消元法、LU 分解法、追赶法求解下列方程组：①⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡13814142210321321x x x ②⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡--⨯-2178.4617.5911212592.1121130.6291.51314.59103.0432115x x x x ③⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡----=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡3772201161263841027851244321x x x x ④ ⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡----=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡-55572112112112121 n n x x x x实验内容高斯消元法：找到与原方程组等价的系数矩阵为三角形方正的方程组：l ik =a ik /a kka ij = a ij - l ik * a kj k=1,2,…,n-1i=k+1,k+2, …,n j=k+1,k+2, …,n+1 由回代过程求得原方程组的解：x n = a nn+1/ a nnx k =( a kn+1-∑a kj x j )/ a kk (k=n-1,n-2, …,2,1)LU 分解：如果A 的各界顺序主子式不为0，则存在唯一的LU 分解。
数值计算方法实验报告
数值计算方法实验报告一、实验目的本实验旨在通过Python语言编写数值计算方法程序，掌握常见数值计算方法的实现原理及应用。
具体包括：插值法、最小二乘法、数值微积分、数值解方程、数值解微分方程等。
二、实验环境Python编程语言、Jupyter Notebook环境三、实验内容1.插值法（1）代码实现：在Python中使用Scipy库中的Interpolate模块实现拉格朗日插值法和牛顿插值法，并通过数据可视化展示其效果。
（2）实验步骤：- 导入所需库，准备所需数据；- 定义拉格朗日插值法函数；- 定义牛顿插值法函数；- 测试函数并可视化结果。
（3）实验结果：2.最小二乘法（1）代码实现：在Python中使用Numpy库实现最小二乘法，并通过数据可视化展示其效果。
（2）实验步骤：- 导入所需库，准备所需数据；- 定义最小二乘法函数；- 测试函数并可视化结果。
（3）实验结果：3.数值微积分（1）代码实现：在Python中实现梯形法和辛普森法，并通过数据可视化展示其效果。
（2）实验步骤：- 导入所需库，准备所需数据；- 定义梯形法函数和辛普森法函数；- 测试函数并可视化结果。
（3）实验结果：4.数值解方程（1）代码实现：在Python中实现二分法、牛顿法和割线法，并通过数据可视化展示其效果。
（2）实验步骤：- 导入所需库，准备所需数据；- 定义二分法函数、牛顿法函数和割线法函数；- 测试函数并可视化结果。
（3）实验结果：5.数值解微分方程（1）代码实现：在Python中实现欧拉法和龙格-库塔法，并通过数据可视化展示其效果。
（2）实验步骤：- 导入所需库，准备所需数据；- 定义欧拉法函数和龙格-库塔法函数；- 测试函数并可视化结果。
（3）实验结果：四、实验总结通过本次实验，我学习了数值计算方法的常用算法和实现原理，掌握了Python 语言实现数值计算方法的方法，加深了对数值计算方法的理解和应用。
实验中遇到的问题，我通过查找资料和与同学的讨论得到了解决，也更加熟练地掌握了Python语言的使用。
计算方法数值实验报告
计算方法数值实验报告（一）班级：0902 学生：苗卓芳 倪慧强 岳婧实验名称： 解线性方程组的列主元素高斯消去法和LU 分解法实验目的： 通过数值实验，从中体会解线性方程组选主元的必要性和LU 分解法的优点，以及方程组系数矩阵和右端向量的微小变化对解向量的影响。
实验内容：解下列两个线性方程组（1） ⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎭⎫ ⎝⎛--11134.981.4987.023.116.427.199.103.601.3321x x x （2） ⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎪⎪⎭⎫ ⎝⎛----15900001.582012151526099999.23107104321x x x x 解：（1） 用熟悉的算法语言编写程序用列主元高斯消去法和LU 分解求解上述两个方程组，输出Ax=b 中矩阵A 及向量b, A=LU 分解的L 及U ，detA 及解向量。
①先求解第一个线性方程组⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎭⎫ ⎝⎛--11134.981.4987.023.116.427.199.103.601.3321x x x在命令窗口中运行A=[3.01,6.03,1.99;1.27,4.16,-1.23;0.987,-4.81,9.34] 可得A =3.0100 6.0300 1.99001.2700 4.1600 -1.23000.9870 -4.8100 9.3400b=[1,1,1]可得b =1 1 1H =det(A)可得 H =-0.0305列主元高斯消去法：在命令窗口中运行function x=Gauss_pivot(A,b)、A=[3.01,6.03,1.99;1.27,4.16,-1.23;0.987,-4.81,9.34];b=[1,1,1];n=length(b);x=zeros(n,1);c=zeros(1,n);dl=0;for i=1:n-1max=abs(A(i,i));m=i;for j=i+1:nif max<abs(A(j,i))max=abs(A(j,i));m=j;endendif(m~=i)for k=i:nc(k)=A(i,k);A(i,k)=A(m,k);A(m,k)=c(k);enddl=b(i);b(i)=b(m);b(m)=dl;endfor k=i+1:nfor j=i+1:nA(k,j)=A(k,j)-A(i,j)*A(k,i)/A(i,i);endb(k)=b(k)-b(i)*A(k,i)/A(i,i);A(k,i)=0;endendx(n)=b(n)/A(n,n);for i=n-1:-1:1sum=0;for j=i+1:nsum =sum+A(i,j)*x(j);endx(i)=(b(i)-sum)/A(i,i);end经程序可得实验结果ans =1.0e+003 *1.5926-0.6319-0.4936LU分解法：在命令窗口中运行function x=lu_decompose(A,b)A=[3.01,6.03,1.99;1.27,4.16,-1.23;0.987,-4.81,9.34];b=[1,1,1];L=eye(n);U=zeros(n,n);x=zeros(n,1);c=zeros(1,n);for i=1:nU(1,i)=A(1,i);if i==1;L(i,1)=1;elseL(i,1)=A(i,1)/U(1,1);endendfor i=2:nfor j=i:nsum=0;for k=1:i-1sum =sum+L(i,k)*U(k,j);endU(i,j)=A(i,j)-sum;Ifj~=nsum=0;for k=1:i-1sum=sum+L(j+1,k)*U(k,i);endL(j+1,i)=(A(j+1,i)-sum)/U(I,i);endendendy(1)=b(1);for k=2:nsum=0;forj=1:k-1sum=sum+L(k,j)*y (j);endy(k)=b(k)-sum;endx(n)=y(n)/U(n,n);260页最后一行c(k)=A(i,k);A(i,k)=A(m,k);A(m,k)=c(k);enddl=b(i);b(i)=b(m);b(m)=dl;endfor k=i+1:nfor j=i+1:nA(k,j)=A(k,j)-A(i,j)*A(k,i)/A(i,i);endb(k)=b(k)-b(i)*A(k,i)/A(i,i);A(k,i)=0;endendx(n)=b(n)/A(n,n);for i=n-1:-1:1sum=0;for j=i+1:nsum =sum+A(i,j)*x(j);endx(i)=(b(i)-sum)/A(i,i);end经程序可得结果ans =1.0e+003 *1.5926-0.6319-0.4936②再求解第二个线性方程组⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎪⎪⎭⎫ ⎝⎛----15900001.582012151526099999.23107104321x x x x 即A=[10,-7,0,1;-3,2.099999,6,2;5,-1,5,-1;2,1,0,2];b=[8,5.900001,5,1];重复上述步骤可的结果为ans =0.0000-1.00001.00001.0000（2）将方程组（1）中系数3.01改为3.00，0.987改为0.990，用列主元高斯消去法求解变换后的方程组，输出列主元行交换次序，解向量x 及detA ，并与（1）中结果比较。
数值计算方法实验报告
数值计算方法实验报告数值计算方法实验报告引言：数值计算方法是一种通过数学模型和计算机算法来解决实际问题的方法。
在科学研究和工程应用中，数值计算方法被广泛应用于求解方程、优化问题、模拟仿真等领域。
本实验报告将介绍数值计算方法的基本原理和实验结果。
一、二分法求根二分法是一种通过不断折半缩小搜索区间来求解方程根的方法。
在实验中，我们选取了一个简单的方程f(x) = x^2 - 4 = 0来进行求根实验。
通过不断将搜索区间进行二分，我们可以逐步逼近方程的根。
实验结果表明，通过二分法，我们可以得到方程的根为x = 2。
二、牛顿迭代法求根牛顿迭代法是一种通过不断逼近方程根的方法。
在实验中，我们同样选取了方程f(x) = x^2 - 4 = 0进行求根实验。
牛顿迭代法的基本思想是通过对方程进行线性近似，求得近似解，并不断迭代逼近方程的根。
实验结果表明，通过牛顿迭代法，我们可以得到方程的根为x = 2。
三、高斯消元法求解线性方程组高斯消元法是一种通过变换线性方程组的系数矩阵，将其化为上三角矩阵的方法。
在实验中，我们选取了一个简单的线性方程组进行求解实验。
通过对系数矩阵进行行变换，我们可以将其化为上三角矩阵，并通过回代求解得到方程组的解。
实验结果表明，通过高斯消元法，我们可以得到线性方程组的解为x = 1，y = 2，z = 3。
四、插值与拟合插值与拟合是一种通过已知数据点来构造函数模型的方法。
在实验中，我们选取了一组数据点进行插值与拟合实验。
通过拉格朗日插值多项式和最小二乘法拟合，我们可以得到数据点之间的函数模型。
实验结果表明，通过插值与拟合，我们可以得到数据点之间的函数关系，并可以通过该函数模型来进行预测和拟合。
结论：数值计算方法是一种通过数学模型和计算机算法来解决实际问题的方法。
通过本次实验，我们学习了二分法求根、牛顿迭代法求根、高斯消元法求解线性方程组以及插值与拟合的基本原理和应用。
这些方法在科学研究和工程应用中具有广泛的应用前景。
数值计算方法实验报告
数值计算方法实验报告实验目的：本实验的目的是了解数值计算方法的基本原理和应用，掌握数值计算方法的基本步骤和算法，熟练运用数值计算方法解决实际问题。
实验内容：1. 基本数值计算方法的实现，如二分法、牛顿迭代法、弦截法等。
2. 常微分方程数值解法的实现，如欧拉法、龙格-库塔法等。
3. 常微分方程组数值解法的实现，如欧拉法、龙格-库塔法等。
4. 线性方程组数值解法的实现，如高斯消元法、LU分解法等。
5. 插值与拟合的实现，如拉格朗日插值、牛顿插值、最小二乘法等。
实验步骤：1. 根据教材或参考资料，了解数值计算方法的基本原理和应用。
2. 根据实验内容和要求，选择相应的数值计算方法，编写程序实现。
3. 运用编写的程序，解决给定的数值计算问题，分析计算结果。
4. 根据实验结果，总结数值计算方法的优缺点及应用范围。
实验要求：1. 熟练掌握数值计算方法的基本原理和应用，能够灵活运用数值计算方法解决实际问题。
2. 编写程序时，注意代码的简洁性、可读性和可维护性。
3. 实验数据要求准确，计算结果要仔细分析，结果要清晰明了地展示。
4. 实验报告要求格式规范，内容全面、准确、详细，表述清晰，思路流畅，使用正确的数学符号和术语。
结论：数值计算方法是一种重要的数学工具，在很多领域有广泛应用。
本实验通过编写程序，实现了基本数值计算方法、常微分方程数值解法、常微分方程组数值解法、线性方程组数值解法、插值与拟合等方法，通过实例计算，分析了计算结果，总结了数值计算方法的优缺点及应用范围。
此次实验提高了我们的数学计算和编程能力，对我们今后的学习和工作有很大帮助。
数值计算方法实验报告
数值计算方法实验报告一、实验目的本实验旨在通过数值计算方法的实验操作，深入理解数值计算方法的原理与应用，掌握数值计算方法的相关技能，提高数值计算方法的实际应用能力。
二、实验内容1.数值微积分2.数值代数3.数值微分方程4.数值线性代数5.数值优化6.数值统计分析7.数值随机模拟8.数值傅立叶分析9.数值偏微分方程三、实验步骤1.数值微积分：通过不同的数值积分方法，计算给定函数的定积分值，并对不同数值积分方法的误差进行分析。
2.数值代数：通过使用线性代数方法，求解给定的线性方程组，并分析不同线性方程组求解方法的优劣。
3.数值微分方程：通过使用常微分方程数值解法，求解给定的微分方程，并比较不同求解方法的精度和稳定性。
4.数值线性代数：通过使用特征值分解方法，对给定的矩阵进行特征值分解，并分析不同特征值分解方法的优缺点。
5.数值优化：通过使用不同的优化方法，求解给定的优化问题，并比较不同的优化方法的效率和精度。
6.数值统计分析：通过使用不同的统计分析方法，对给定的数据进行统计分析，并分析不同的统计方法的优缺点。
7.数值随机模拟：通过使用随机模拟方法，模拟给定的概率分布，并分析不同随机模拟方法的效率和精度。
8.数值傅立叶分析：通过使用傅立叶分析方法，对给定的信号进行频谱分析，并分析不同的傅立叶分析方法的优缺点。
9.数值偏微分方程：通过使用偏微分方程数值解法，求解给定的偏微分方程，并比较不同求解方法的精度和稳定性。
四、实验结果与分析本实验中，通过对不同的数值计算方法的实验操作，我们可以更深入地理解数值计算方法的原理与应用，并掌握数值计算方法的相关技能，提高数值计算方法的实际应用能力。
同时，通过实验结果的分析，我们可以更好地比较不同数值计算方法的优缺点，为实际应用提供参考依据。
五、实验总结本实验旨在通过数值计算方法的实验操作，深入理解数值计算方法的原理与应用，掌握数值计算方法的相关技能，提高数值计算方法的实际应用能力。
数值计算的实验报告
一、实验目的1. 熟悉数值计算的基本原理和方法。
2. 掌握常用的数值计算算法及其应用。
3. 提高数值计算软件的使用能力。
4. 培养分析问题和解决问题的能力。
二、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 数值计算软件：NumPy、SciPy、Matplotlib三、实验内容1. 实验一：数值积分（1）实验目的：学习数值积分方法，计算定积分的近似值。
（2）实验内容：a. 使用辛普森法则计算函数f(x) = x^2在区间[0, 1]上的定积分。
b. 使用梯形法则计算函数f(x) = e^x在区间[0, 1]上的定积分。
（3）实验步骤：a. 编写Python代码，实现辛普森法则和梯形法则。
b. 分别使用两种方法计算定积分的近似值。
c. 对比两种方法的计算结果，分析误差来源。
2. 实验二：数值微分（1）实验目的：学习数值微分方法，计算函数在某点的导数近似值。
（2）实验内容：a. 使用中心差分法计算函数f(x) = sin(x)在x = π/2处的导数近似值。
b. 使用前向差分法和后向差分法计算函数f(x) = cos(x)在x = 0处的导数近似值。
（3）实验步骤：a. 编写Python代码，实现中心差分法、前向差分法和后向差分法。
b. 分别使用三种方法计算导数的近似值。
c. 对比三种方法的计算结果，分析误差来源。
3. 实验三：线性方程组求解（1）实验目的：学习线性方程组求解方法，掌握高斯消元法和迭代法。
（2）实验内容：a. 使用高斯消元法求解线性方程组：3x + 2y - z = 72x - y + 3z = -1-x + 2y + 2z = 4b. 使用雅可比迭代法求解线性方程组：3x + 2y - z = 72x - y + 3z = -1-x + 2y + 2z = 4（3）实验步骤：a. 编写Python代码，实现高斯消元法和雅可比迭代法。
b. 分别使用两种方法求解线性方程组。
数值计算方法实验报告
本科实验报告课程名称：数值计算方法实验地点：计算机科学与技术学院506 专业班级：学号：学生姓名：指导教师：**年月日太原理工大学学生实验报告}printf("%f\n",c);}五、实验结果与分析二分法割线法分析：使用二分法和割线法均能计算出方程的根，但利用割线法要比二分法计算的次数少，并且能够较早的达到精度要求。
并且割线法程序代码量较少，精简明了。
六、讨论、心得本次数值计算方法程序设计实验是在不断的习题练习中跳脱出来，直接面对实用性较强的程序代码编写。
效果很好，不仅加深对二分法、割线法的理解，还加强了实际用运能力。
将理论成功地转化成实践结果。
实验地点北区多学科综合楼4506指导教师王峥太原理工大学学生实验报告x[i] = y[i];for(j=i+1;j<=n;++j){x[i]-=u[i][j]*x[j];}x[i]/= u[i][i];}for(i=1;i<=n;++i){printf("%0.2lf\n",x[i]);}return 0;}五、实验结果与分析完全主元素消元法：列主元素消元法：LU分解法：分析：对于两种高斯解方程，完全主元素跟列主元素都是先消元、再回代，由程序段可以发现，始终消去对角线下方的元素。
即，为了节约内存及时效，可以不必计算出主元素下方数据。
列主元素消元法的算法设计上优于完全主元素消元法，它只需依次按列选主元素然后换行使之变到主元素位置，再进行消元即可。
列主元素消元法的耗时比完全主元素法少很多，常采用之。
对于LU分解法，分解矩阵为单位下三角阵L与上三角阵U的乘积，然后解方程组Ly=b，回代，解方程组Ux=y。
其中的L为n阶单位下三角阵、U为上三角阵.六、讨论、心得本次试验中，感觉是最难的一次，完全主元素消元法程序编写过程相对来说花了好长时间。
纠正各种语法、算法、思路错误。
最后勉强成功，但还是有几处警告，不得解决之法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
学生实验报告实验课程名称数值计算方法开课实验室数学实验室实验五解线性方程组的直接方法实验（主元的选取与算法的稳定性）问题提出：消去法是我们在线性代数中已经熟悉的。
但由于计算机的数值运算是在一个有限的浮点数集合上进行的，如何才能确保消去法作为数值算法的稳定性呢？消去法从理论算法到数值算法，其关键是主元的选择。
主元的选择从数学理论上看起来平凡，它却是数值分析中十分典型的问题。
实验内容：考虑线性方程组nn Rn∈=⨯,Ax∈,RbAb编制一个能自动选取主元，又能手动选取主元的求解线性方程组的消去过程。
实验要求：（）取矩阵⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=1415157,6816816816M O O Ob A ，则方程有解Tx )1,,1,1(*Λ=。
取计算矩阵的条件数。
让程序自动选取主元，结果如何？（）现选择程序中手动选取主元的功能。
每步消去过程总选取按模最小或按模尽可能小的元素作为主元，观察并记录计算结果。
若每步消去过程总选取按模最大的元素作为主元，结果又如何？分析实验的结果。
（）取矩阵阶数或者更大，重复上述实验过程，观察记录并分析不同的问题及消去过程中选择不同的主元时计算结果的差异，说明主元素的选取在消去过程中的作用。
（）选取其他你感兴趣的问题或者随机生成矩阵，计算其条件数。
重复上述实验，观察记录并分析实验结果。
实验（线性代数方程组的性态与条件数的估计） 问题提出：理论上，线性代数方程组b Ax =的摄动满足⎪⎪⎭⎫ ⎝⎛∆+∆∆-≤∆-b b A A AA A cond x x 11)( 矩阵的条件数确实是对矩阵病态性的刻画，但在实际应用中直接计算它显然不现实，因为计算1-A 通常要比求解方程b Ax =还困难。
实验内容：中提供有函数“”可以用来估计矩阵的条件数，它给出的是按范数的条件数。
首先构造非奇异矩阵和右端，使得方程是可以精确求解的。
再人为地引进系数矩阵和右端的摄动b A ∆∆和，使得bA ∆∆和充分小。
实验要求：（）假设方程的解为，求解方程b b x A A ∆+=∆+ˆ)(，以范数，给出xx x xx -=∆ˆ的计算结果。
（）选择一系列维数递增的矩阵（可以是随机生成的），比较函数“”所需机器时间的差别.考虑若干逆是已知的矩阵，借助函数“”很容易给出()的数值。
将它与函数“()”所得到的结果进行比较。
（）利用“”给出矩阵条件数的估计，针对（）中的结果给出xx ∆的理论估计，并将它与（）给出的计算结果进行比较，分析所得结果。
注意，如果给出了()和A的估计，马上就可以给出1-A 的估计。
（）估计著名的矩阵的条件数。
n j i j i h h H j i n n j i ,,2,1,,11,)(,,Λ=-+==⨯思考题一：（矩阵）设⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=∑∑∑∑====n i i n n i i ni i n i i n n nnn n nx x x x b x x x x x x x x x x x x A 002010022222121102001111M ΛM ΛM M M ΛΛΛ，，其中，n k k x k ,,1,0,1.01Λ=+=，（）对，计算的条件数；随增大，矩阵性态如何变化？ （）对，解方程组；设的最后一个元素有扰动，再求解 （）计算（）扰动相对误差与解的相对偏差，分析它们与条件数的关系。
（）你能由此解释为什么不用插值函数存在定理直接求插值函数而要用拉格朗日或牛顿插值法的原因吗？相关函数提示：实验程序：文件程序为：()('请输入矩阵的阶数')(*())(())(*())*()('条件数对应的范数是范数：')()[]();[ ]('请输入是否为手动，手动输入，自动输入：')[]((()));;([ ],:)([ ],:)();('输入列所选元素所处的行数：'); ([ ],:)([ ],:)();();()()(())*();();()()()();()(()()*())();（）⑴取矩阵的阶数，自动选取主元：>>>>请输入矩阵的阶数条件数对应的范数是范数：请输入是否为手动，手动输入，自动输入：⑵取矩阵的阶数，手动选取主元：①选取绝对值最大的元素为主元：>>请输入矩阵的阶数条件数对应的范数是范数：请输入是否为手动，手动输入，自动输入：②选取绝对值最小的元素为主元：>>请输入矩阵的阶数条件数对应的范数是范数：请输入是否为手动，手动输入，自动输入：（）取矩阵的阶数，手动选取主元：①选取绝对值最大的元素为主元：>>请输入矩阵的阶数条件数对应的范数是范数：请输入是否为手动，手动输入，自动输入：②选取绝对值最小的元素为主元：请输入矩阵的阶数条件数对应的范数是范数：请输入是否为手动，手动输入，自动输入：（）取矩阵的阶数，手动选取主元：①选取绝对值最大的元素为主元：>>请输入矩阵的阶数条件数对应的范数是范数：②选取绝对值最小的元素为主元：请输入矩阵的阶数.条件数对应的范数是范数：请输入是否为手动，手动输入，自动输入：（）该题目的程序如下所示()('请输入矩阵的阶数')()*()('条件数对应的范数是范数：')()[]();[ ]('请输入是否为手动，手动输入，自动输入：')[]((()));;([ ],:)([ ],:)();('输入列所选元素所处的行数：');([ ],:)([ ],:)();();()()(())*();();()()()();()(()()*())();>>请输入矩阵的阶数：请输入是否为手动，手动输入，自动输入：条件数对应的范数是范数：显然的是，该问题在主元选取与算出结果有着很大的关系，取绝对值大的元素作为主元比取绝对值小的元素作为主元时产生的结果比较准确，即选取绝对值小的主元时结果产生了较大的误差，条件数越大产生的误差就越大实验体会：运用高斯消去法求解线性方程组问题的时候，主元的选取和相应的消去法的选取决定了该算法的稳定性，选取绝对值大的元素比选取绝对值比较小的元素作为主元时对结果产生的误差影响比较小。
并且增加条件数反而对结果的误差产生更大的影响。
并且在运算中要尽量避免出现运用小数作为除数，使数量级加大，令大数吃掉小数的情况发生。
实验（线性代数方程组的性态与条件数的估计）问题提出：理论上，线性代数方程组b Ax =的摄动满足 ⎪⎪⎭⎫ ⎝⎛∆+∆∆-≤∆-b b A A A A A cond x x11)( 矩阵的条件数确实是对矩阵病态性的刻画，但在实际应用中直接计算它显然不现实，因为计算1-A 通常要比求解方程b Ax =还困难。
实验内容：中提供有函数“”可以用来估计矩阵的条件数，它给出的是按范数的条件数。
首先构造非奇异矩阵和右端，使得方程是可以精确求解的。
再人为地引进系数矩阵和右端的摄动b A ∆∆和，使得b A ∆∆和充分小。
实验要求：（）假设方程的解为，求解方程b b x A A ∆+=∆+ˆ)(，以范数，给出x x xx x-=∆ˆ的计算结果。
（）选择一系列维数递增的矩阵（可以是随机生成的），比较函数“”所需机器时间的差别.考虑若干逆是已知的矩阵，借助函数“”很容易给出()的数值。
将它与函数“()”所得到的结果进行比较。
（）利用“”给出矩阵条件数的估计，针对（）中的结果给出x x∆的理论估计，并将它与（）给出的计算结果进行比较，分析所得结果。
注意，如果给出了()和A 的估计，马上就可以给出1-A 的估计。
（）估计著名的矩阵的条件数。
n j i j i h h H j i n n j i ,,2,1,,11,)(,,Λ=-+==⨯程序代码：保存文件名为：(' ')(*())()*()*()*()()()保存文件名为：()[]();[ ];();()()(())*();();()()();()(()()*())();保存文件名为：()'*;[]();[](^());((()))*((()))保存文件为：(*());()()()保存文件为：(' ') 输入矩阵的阶数(*()); 随机生成一个矩阵(); 假设知道方程组的解全为*;()*;()*;;;();()()()((())*())*((())(())()()) ()（）();()()()实验结果及其分析：()>>* **xx x x x -=∆ˆ的计算结果为：()()给出对xx x x x -=∆ˆ的估计是xx x x x -=∆ˆ的理论结果是：结果相差： ()讨论：线性代数方程组的性态与条件数有着很重要的关系，既矩阵的条件数是刻画矩阵性质的一个重要的依据，条件数越大，矩阵“病态”性越严重，在解线性代数方程组的过程中较容易产生比较大的误差，则在实际问题的操作过程中，我们必须要减少对条件数来求解，把条件数较大的矩阵化成条件数较小的矩阵来进行求解。
实验体会：在本次实验中，使我们知道了矩阵条件数对线性代数方程组求解的影响，条件数越大，对最后解的影响的越大，矩阵是一个很”病态”的矩阵，他的条件数随着阶数的增加而增大，每增加一阶，条件数就增大一个数量级，在求解的过程中要尽量避免矩阵实验六解线性方程组的迭代法实验（病态的线性方程组的求解）问题提出：理论的分析表明，求解病态的线性方程组是困难的。
实际情况是否如此，会出现怎样的现象呢？实验内容：考虑方程组的求解，其中系数矩阵为矩阵，n j i j i h h H j i n n j i ,,2,1,,11,)(,,Λ=-+==⨯这是一个著名的病态问题。
通过首先给定解（例如取为各个分量均为）再计算出右端的办法给出确定的问题。
实验要求：（）选择问题的维数为，分别用消去法、迭代法、迭代法和迭代法求解方程组，其各自的结果如何？将计算结果与问题的解比较，结论如何？（）逐步增大问题的维数，仍然用上述的方法来解它们，计算的结果如何？计算的结果说明了什么？（）讨论病态问题求解的算法 程序代码： 消去法程序： ()('请输入矩阵的阶数') ()构造矩阵('条件数对应的范数是范数：') () [](); [ ]('请输入是否为手动，手动输入，自动输入：')[]((()));;([ ],:)([ ],:)();('输入列所选元素所处的行数：');([ ],:)([ ],:)();();()()(())*();();()()()();()(()()*())();迭代法程序：('系数矩阵的阶数:');()构造矩阵;(); 给定解();;*'; 由给定的解算出相应的进行迭代;;;()()();;()()()*()();;;()()()*()();;;迭代程序：('系数矩阵的阶数:');对题中给定的矩阵进行消元();;();();;*';;;()()();;()()()*()();;;()()()*()();;;迭代程序：('系数矩阵的阶数:');('松弛因子：');对题中给定的矩阵进行消元();;();();;*';;;();()()();;()()()*()();;;()()()*()();;()()**();;实验结果及其分析：给定各分量为的解，计算出右端作为问题。