非线性时间分数阶微分方程的exp(-Φ(ξ))解法
非线性方程的解法

20世纪60年代中期以后,发展了两种求解非线性方程组(1)的新方法。
一种称为区间迭代法或称区间牛顿法,它用区间变量代替点变量进行区间迭代,每迭代一步都可判断在所给区间解的存在惟一性或者是无解。
这是区间迭代法的主要优点,其缺点是计算量大。
另一种方法称为不动点算法或称单纯形法,它对求解域进行单纯形剖分,对剖分的顶点给一种恰当标号,并用一种有规则的搜索方法找到全标号单纯形,从而得到方程(1)的近似解。
这种方法优点是,不要求f(□)的导数存在,也不用求逆,且具有大范围收敛性,缺点是计算量大编辑摘要目录• 1 正文• 2 牛顿法及其变形• 3 割线法• 4 布朗方法• 5 拟牛顿法•非线性方程组数值解法 - 正文n个变量n个方程(n >1)的方程组表示为(1)式中ƒi(x1,x2,…,x n)是定义在n维欧氏空间R n的开域D上的实函数。
若ƒi中至少有一个非线性函数,则称(1)为非线性方程组。
在R n中记ƒ=则(1)简写为ƒ(尣)=0。
若存在尣*∈D,使ƒ(尣*)=0,则称尣*为非线性方程组的解。
方程组(1)可能有一个解或多个解,也可能有无穷多解或无解。
对非线性方程组解的存在性的研究远不如线性方程组那样成熟,现有的解法也不象线性方程组那样有效。
除极特殊的方程外,一般不能用直接方法求得精确解,目前主要采用迭代法求近似解。
根据不同思想构造收敛于解尣*的迭代序列{尣k}(k=0,1,…),即可得到求解非线性方程组的各种迭代法,其中最著名的是牛顿法。
非线性方程组数值解法 - 牛顿法及其变形牛顿法基本思想是将非线性问题逐步线性化而形成如下迭代程序:(2)式中是ƒ(尣k)的雅可比矩阵,尣0是方程(1)的解尣*的初始近似。
这个程序至少具有2阶收敛速度。
由尣k算到尣k+的步骤为:①由尣k算出ƒ(尣k)及;②用直接法求线性方程组的解Δ尣k;③求。
由此看到迭代一次需计算n个分量函数值和n2个分量偏导数值,并求解一次n阶线性方程组。
非线性微分方程的周期解和极限环

非线性微分方程的周期解和极限环非线性微分方程是数学中的一种重要的研究对象。
在物理学、生物学、经济学等领域中,非线性微分方程也起着不可替代的作用。
其中,周期解和极限环是非线性微分方程的两种重要解法,下面将进行详细介绍。
一、周期解周期解是指在某些非线性微分方程中,存在一种解形式,该解在时间上周期性出现。
周期解的一个经典例子是Van der Pol振荡器模型,该模型描绘了由非线性电感和静电元件组成的电路中的振荡现象。
Van der Pol振荡器的方程可以表示为:$$\frac{d^2x}{dt^2} - \mu (1 - x^2) \frac{dx}{dt} + x = 0$$其中,$x$表示电路中的电荷电流,$\mu$表示系统的某个常数。
该方程的周期解可以表示为:$$x(t) = a \cos(\omega t - \phi)$$其中,$a$、$\omega$和$\phi$为常数。
这种周期解体现了Van der Pol振荡器的周期性特征。
二、极限环不同于周期解的周期性,极限环是指某些非线性微分方程中,解形式不断旋转缩小,最终收敛于一种恒定的形式。
极限环可以解释很多自然现象,例如天体运动、生物进化等。
极限环最早被发现于天体运动中。
开普勒三定律描述了天体间的运动,但是对于多个天体的情况,求解轨道运动并不简单。
在19世纪初,拉普拉斯提出了一个重要的结论,称之为拉普拉斯-杨定理。
该定理认为,只要天体系统具有一些特定的性质,就可以保证其运动形式是稳定的。
这些性质被称为拉普拉斯不变量。
类似地,极限环也可以应用于非线性微分方程的稳定性分析。
对于某些非线性微分方程,如果其极限环是稳定的,那么该方程的解就具有稳定性。
例如,假设存在一个非线性微分方程:$$\frac{d^2x}{dt^2} + \epsilon (1 - x^2) \frac{dx}{dt} + x = 0$$其中,$\epsilon$表示某个常数。
如果该方程的解具有稳定的极限环,那么该方程的解可以表示为:$$x(t) = a \cos(\omega t - \phi) + O(\epsilon^2)$$其中,$a$、$\omega$和$\phi$为常数。
非线性常微分方程边值问题的有限解析法

非线性常微分方程边值问题的有限解析法非线性常微分方程边值问题(NonlinearOrdinaryDifferentialEquationBoundaryValueProblem,简称BVP)是系统动力学,数学物理,流体动力学及控制等多个学科中的重要问题。
自20世纪60年代以来,BVP的研究得到了迅猛的发展,研究的解析方法从精确解析方法到近似解析方法,再到近似解法及混合解法,主要包括:有限元法,采用多项式进行有限差分法,多项式拟合法,幂级数法,变分法,迭代法等。
比较近些年,有限解析法受到越来越多的关注,这项研究不仅有助于深入了解BVP的数学本质,还可以指导现实问题的解决。
有限解析法是一种以数学分析的方法求解BVP边界值问题的方法,主要是利用多项式函数近似解,或是采用多项式多项式拟合法进行离散,最后得出精确的解析解。
这种方法被广泛应用于边界值问题的解决,其优势在于不需要迭代求解,即使求解过程复杂,有限解析法仍能得到快速而准确的结果。
二、原理有限解析法的原理是:将BVP边界值问题转换为一个多项式拟合的问题,首先以离散化的方式将非线性常微分方程边值问题转换为一个线性方程组,然后再用多项式函数近似求解有限结点方程组,并通过一组特定的约束条件使多项式函数唯一确定,最终得出有限的解析解。
三、实例下面以一个实例来说明有限解析法的用法。
假设给定一个BVP如下:y + 3y - 2y = x, y(0)=1, y(1)=5此非线性常微分方程边值问题的解析解可以用有限解析法来解决。
首先,以离散化的形式转换为线性方程组,把解区间[0, 1]选择为 N等分,即为xi=i/N,i=0,1,2…N-1,在节点处yi=yi(xi)。
由于边界已知,所以将节点拆分为 N+1个即yi(0)=1,yi(1)=5,那么有限元可以确定y0,y1,y2…yN-1的值,一共N组值。
现在构造N组多项式拟合,即有yi = a0 + a1xi + a2xi2 + +aN-1xiN-1,i=0,1,2…N-1,将构造出的多项式代入原问题,将原问题转移到下面N组线性方程系:(1) a0 + a1(0) + a2(0)2 + +aN-1(0)N-1 = 1;(2) a0 + a1(1/N) + a2(1/N)2 + +aN-1(1/N)N-1 = f(1/N);(3) a0 + a1(2/N) + a2(2/N)2 + +aN-1(2/N)N-1 = f(2/N);…………(N) a0 + a1(N-1/N) + a2(N-1/N)2 + +aN-1(N-1/N)N-1 =f(N-1/N);最后求解上述N组线性方程组的唯一解,即可得出yi的值,从而得出有限的解析解。
《非线性时间分数阶偏微分方程的几类混合有限元算法分析》范文

《非线性时间分数阶偏微分方程的几类混合有限元算法分析》篇一一、引言随着科学技术的飞速发展,非线性时间分数阶偏微分方程在众多领域中,如物理学、工程学、金融学等,扮演着重要的角色。
这类方程具有复杂的数学结构和实际应用价值,因此,如何高效地求解这一类方程成为众多科研人员关注的焦点。
本文将重点分析非线性时间分数阶偏微分方程的几类混合有限元算法,并对其性能进行深入探讨。
二、非线性时间分数阶偏微分方程概述非线性时间分数阶偏微分方程是一种具有高度复杂性和非线性的数学模型,用于描述现实世界中许多复杂的物理现象。
其独特的分数阶导数项和复杂的非线性关系使得其求解难度大大增加。
为了解决这一问题,科研人员提出了多种数值求解方法,其中混合有限元法因其良好的灵活性和适应性而备受关注。
三、混合有限元算法分析(一)基本原理混合有限元法是一种基于变分原理的数值求解方法,它将未知函数用有限个元素上的近似函数表示,从而将连续问题转化为离散问题。
对于非线性时间分数阶偏微分方程,混合有限元法可以有效地将分数阶导数项和离散单元结合起来,从而实现方程的数值求解。
(二)几类混合有限元算法1. 线性有限元法:线性有限元法是最早的混合有限元算法之一,它以单元为基本单元进行求解,通过线性插值函数逼近未知函数。
然而,对于非线性时间分数阶偏微分方程,其求解精度和效率有待进一步提高。
2. 局部间断Galerkin法:局部间断Galerkin法是一种具有高精度的混合有限元算法,它通过在每个单元上定义间断的基函数来逼近未知函数。
该方法在求解非线性时间分数阶偏微分方程时具有较高的精度和效率。
3. 广义多尺度有限元法:广义多尺度有限元法是一种基于多尺度分析的混合有限元算法,它能够根据问题的特点自适应地选择合适的基函数和求解策略。
该方法在求解非线性时间分数阶偏微分方程时具有较好的稳定性和收敛性。
四、算法性能分析(一)精度分析不同混合有限元算法在求解非线性时间分数阶偏微分方程时具有不同的精度。
分数阶非线性时滞微分方程参数和阶的估计方法

第34卷第2期V o l .34,N o .2滨州学院学报J o u r n a l o f B i n z h o uU n i v e r s i t y2018年4月A pr .,2018ʌ微分方程与动力系统研究ɔ分数阶非线性时滞微分方程参数和阶的估计方法收稿日期:20180125基金项目:防灾科技学院教育研究与教学改革项目(J Y 2017B 10),防灾科技学院研究生课程建设与改革项目(Y J G 2015001)第一作者简介:王福昌(1974 ),男,山东定陶人,教授,硕士,从事应用数学研究.E Gm a i l :f z m a t h @126.c o m王福昌,张丽娟,靳志同(防灾科技学院基础部,河北廊坊065201)㊀㊀摘㊀要:分数阶非线性时滞微分方程具有广泛的应用,因而根据部分观测值估计方程的参数和阶有重要意义.首先通过预估校正法求出方程组的预测值,结合部分观测值建立优化目标函数,再采用鸡群算法给出最优参数和阶的估计值.通过计算机模拟,验证了方法的有效性.㊀㊀关键词:分数阶;非线性时滞微分方程;参数估计;鸡群算法㊀㊀中图分类号:O 175.1㊀㊀文献标识码:A ㊀㊀D O I :10.13486/j .c n k i .16732618.2018.02.006分数阶非线性时滞微分方程是一类重要的微分方程.B h a l e k a rS 和D a f t a r d a r G e j jiV 讨论了时滞的分数阶L i u G系统混沌效应[1],W a n g Z 等研究了时滞分数阶金融系统[2],Y a nY 和K o uC 给出了H I V 病毒传播的时滞分数阶微分模型及其稳定性[3].一般地,在研究分数阶非线性微分方程模型性质时,模型中的参数和阶都假定是已知的,然而在实际应用中,模型参数和阶往往未知.这时,利用部分观测数据来反推模型的参数和阶具有重要的实际意义,这本质上与分数阶非线性微分方程初值问题数值解法和复杂的非线性优化问题相对应.目前,已有一些学者对该问题开展研究,如Z h u W 等使用差分演化(d i f f e r e n Gt i a l e v o l u t i o n )算法求解分数阶系统的识参数别问题[4],L i uF 等使用多选择差分演化算法求解分数阶时滞混沌系统的参数[5],G uWJ 等使用人工蜂群算法(A r t i f i c i a l b e e c o l o n y a l g o r i t h m )进行时滞分数阶混沌系统的参数识别[6].针对一般的分数阶非线性时滞微分方程组初值问题,可以使用预估校正方法求得方程数值解[7].假设已经观测到解的部分值,则可利用这些观测值和数学软件方便地估计模型的参数和阶,从而便于工程师掌握和运用分数阶非线性时滞微分方程这一数学工具.1㊀分数阶时滞微分方程及其预估校正解法在分数阶微积分发展过程中,有很多种函数的分数阶微积分定义,广泛使用的有G r u n w a l d L e t n i k Go v 分数阶微积分定义㊁R i e m a n n L i o u v i l l e 微积分定义和C a p u t o 分数阶微分定义.一般地,C a p u t o 分数阶导数由于具有更易于理解的物理特性而多用于实际建模中.定义1㊀(C a p u t o 分数阶导数)设α>0,f (t )ɪC n +1([t 0,+ɕ),R ),㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀Ct 0D αt[f (t )]=1Γ(n -α)ʏt t 0f (n )(τ)(t -τ)α+1-n d τ,(1)其中,Γ( )为G a m m a 函数,n 为满足n -1<αɤn 的正整数.23第2期王福昌,张丽娟,靳志同㊀分数阶非线性时滞微分方程参数和阶的估计方法1.1㊀分数阶时滞微分方程假设研究的分数阶系统为C 0Dαt y (t )=f (t ,y (t ),y (t -τ);θ),0ɤt ɤT ,y (0)=y 0,y (t )=g (t ),t ɪ[-τ,0).ìîíïïïï(2)其中y (t )=[y 1(t ),y 2(t ), ,y m (t )]T 为待求的函数向量,θ=[θ1,θ2, ,θs ]T为方程组(2)中的估计参数,0<αɤ1为分数阶导数的阶数,这里的分数阶为C a pu t o 定义,τ>0为延迟参数.问题(2)是一个时滞分数阶非线性常微分方程组初值问题,给定方程参数θ和阶α后,就可以讨论它的性质,计算出系统的解y (t)随时间t 的变化并绘图.1.2㊀预估校正解法问题(2)一般没有解析解,B h a l e k a r S 和D a f t a r d a r G e j ji V [7]根据D i e t h e l m K [8]提出的预估校正法而给出一种时滞情形下的预估校正法.考虑均匀分点网格{t n =nh |n =-k ,-k +1, ,-1,0,1, ,N },其中N ,k 满足h =T /N ,k =[τ/h ].如果τ是h 的整数倍,令y h (t j )=g (t j ),j =-k ,-k +1, ,-1,0,则y h (t j -τ)=y h (j h -k h )=y h (t j-k ),j =0,1, ,N .假设已经计算得到近似值y h (t j )ʈy (t j ),(j =-k ,-k +1, ,-1,0,1, ,n ),下面要用公式(3)计算y h (t n +1),y (t n +1)=g (0)+1Γ(α)ʏt n +10(t n +1-ξ)α-1f (ξ,y (ξ),y (ξ-τ);θ)d ξ.(3)由梯形积分公式,可得校正项公式为y h (t n +1)=g (0)+h αΓ(α+2)f (t n +1,y h (t n +1),y h (t n +1-τ);θ)+h αΓ(α+2)ðnj =0αj ,n +1f (t j ,y h (t j ),y h (t j -τ);θ)=g (0)+h αΓ(α+2)f (t n +1,y h (t n +1),y h (t n +1-k );θ)+h αΓ(α+2)ðnj =0αj ,n +1f (t j ,y h (t j ),y h (t j -k );θ),(4)其中αj ,n +1=n α+1-(n -α)(n +1)α,j =0,(n -j +2)α+1+(n -j )α+1-2(n -j +1)α+1,1ɤj ɤn ,1,j =n +1.ìîíïïï(5)由于公式(4)的两边都有y h (t n +1),很难求解,故校正项右边的y h (t n +1)可用预估项y p h (t n +1)代替y ph(t n +1)=g (0)+1Γ(α)ðnj =0b j ,n +1f (t j ,y h (t j ),y h (t j -τ);θ)=g (0)+1Γ(α)ðnj =0b j ,n +1f (t j ,y h (t j ),y h (t j -k );θ),(6)其中b j ,n +1=h αα[(n -j +1)α-(n -j )α],0ɤj ɤn .(7)如果τ不是h 的整数倍,则可以用线性插值来计算y h (t j -τ),即㊀㊀㊀㊀㊀㊀㊀㊀y h (t j -τ)=y h (t j -k )+t j -τ-t j-k t j -k +1-t j-k (y h (t j -k +1)-y h (t j-k )).(8)可以看出,该算法先计算出预测值y p h (t n +1),再代入f (t n +1,y p h (t n +1),y h (t n +1-τ);θ),得到校正值33滨州学院学报第34卷y h (t n +1),从而得到下一步迭代需要的f (t n +1,y h (t n +1),y h (t n +1-τ);θ),故该算法被称为预估校正法,也称作P E C E (P r e d i c tE v a l u a t e ,C o r r e c tE v a l u a t e)法.2㊀时滞分数阶系统参数及阶数估计2.1㊀建立优化目标函数在模型(2)中,假设α,τ和θ是待估的变量,α为待估的系统阶数,统一为待估向量x =[α,τ,θ1,θ2,,θs ]T ɪR s +2,观测时刻t 1,t 2, ,t n 没有误差,y (0)=y 0为精确值(否则还要估计这m 个初值),y 1,y2, ,y n 为在时刻t 1,t 2, ,t n 的观测值,含有观测误差;^y 1(t 1;^x ),^y 2(t 2;^x ), ,^yn (t n ;^x )为在时刻t 1,t 2, ,t n ,初值为y (0)=y 0和参数为^x 时由上面预估校正算法得到的预测值.于是方程参数和阶的估计转化为优化问题m i n x ɪRs +2J (x )=ðni =1y i-^y i(t i;x ) ,(9)其中 为向量的范数,一般取2范数,即欧氏距离,对应参数x 的最小二乘解,具体可写为m i n x ɪRs +2ðni =1ðmj =1(y i j -^y i j (t i ;x ))2.(10)如果观测数据受到污染,离群值较多,可以考虑较为稳健的最小一乘准则m i n x ɪRs +2ðn i =1ðmj =1|y i j -^y i j (t i ;x )|.(11)在给定目标函数(9)后,就可以通过优化方法得到方程参数和阶的估计值.2.2㊀估计系统参数和阶的鸡群方法鸡群算法(C h i c k e nS w a r m O p t i m i z a t i o n ,简称C S O )是由M e n g 等[9]提出的一种基于鸡群搜索行为的群体智能优化算法,它模拟了鸡群等级制度和鸡群行为.整个鸡群分为若干子群,每一个子群都由一只公鸡㊁若干只母鸡和小鸡组成.不同鸡遵循不同的移动规律,在具体的等级制度下,子群之间存在竞争行为,它是一种收敛性好的全局优化算法[10].算法如下.步骤1㊀参数设置.首先,设定鸡群算法参数:最大迭代次数M ,鸡群规模p o p ,解空间维数d i m ,鸡群角色更新次数G ,公鸡和母鸡占整个鸡群规模的比例r p e r c e n t 和h pe r c e n t ㊁可能生育过小鸡的母鸡比例m p e r c e n t .步骤2㊀鸡群初始化.令演化代数t =0,搜索参数空间下界设为l b =[a 1,a 2, ,a s +2]T,上界设为u b =[b 1,b 2, ,b s +2]T,在搜索空间中随机产生p o p 个鸡群粒子x i j (t )=a j +r (b j -a j ),i =1,2, ,p o p ,j =1,2, ,s +2.(12)步骤3㊀计算每个鸡群粒子的适应度函数.这里计算适应度函数就是计算目标函数值(10)或(11),越小越好.将最优适应度函数值及其位置放入公告板.步骤4㊀鸡群角色更新条件的判断.当m o d (t ,G )==0 t ==1时,执行步骤5,否则执行步骤6,其中t 为当前迭代次数.步骤5㊀角色分配.对整个鸡群的适应度函数值进行降序排列,依据适应度函数值对鸡群进行角色分配,总是选择适应度最优的前面p o p ˑr p e r c e n t 只鸡作为公鸡,将剩余的适应度次优的p o p ˑh pe r c e n t 只鸡作为母鸡,剩下的p o p -p o p ˑr p e r c e n t -p o p ˑh pe r c e n t 只鸡为小鸡.步骤6㊀公鸡个体位置更新.公式为x i j (t +1)=x i j (t )ˑ(1+r a n d n (0,σ2)),i =1,2, ,p o p ,j =1,2, ,s +2.(13)其中σ2=1,f i ɤf k ,e x p (f k -f i |f i |+ε),fi >f k ,ìîíïïï43第2期王福昌,张丽娟,靳志同㊀分数阶非线性时滞微分方程参数和阶的估计方法k ɪ[1,r N u m ],k ʂi 为正态分布的方差,ε为一个大于0的极小的数,fk 为不同于第i 只公鸡的其他任意一只公鸡的适应度函数值.步骤7㊀母鸡个体位置更新.公式为x i j (t +1)=x i j (t )+c 1ˑr a n d ˑ(x r 1j (t )-x i j (t ))+c 2ˑr a n d ˑ(x r 2j (t )-x i j (t )),i =1,2, ,p o p ,j =1,2, ,s +2,(14)其中c 1=e x p (f i -f r 1|f i |+ε),c 2=e x p (f r 2-f i ),r a n d 为[0,1]之间的随机数,r 1为第i 只母鸡所在群中的公鸡,r 2为从鸡群中随机选取的不同于第i 只母鸡的任一只鸡,且r 1ʂr 2.步骤8㊀小鸡个体位置更新.公式为x i j (t +1)=x i j (t )+f l ˑ(x m j (t )-x i j (t )),i =1,2, ,p o p ,j =1,2, ,s +2,(15)其中x m j (t )为第i 只小鸡妈妈的位置,f l ɪ(0,2)为小鸡跟随小鸡妈妈寻找食物的跟随系数.步骤9㊀计算鸡群最优值,更新公告板记录.步骤10㊀不断重复执行步骤2~8,直到达到设定的最大迭代次数,输出最优值.3㊀数值试验为了检验算法的有效性,拟使用鸡群算法对时滞分数阶M a c k e y Gl a s s 方程进行研究.此方程最初是用于描述白细胞繁殖的模型,后来成为混沌理论中超混沌系统的典型代表,闵涛等[11]给出了M a c k e yG l a s s 方程参数反演的差分演化算法,刘福才等[5]给出了分数阶M a c k e y Gl a s s 方程的改进差分演化算法.3.1㊀时滞分数阶M a c k e y Gl a s s 混沌系统C 0D αt y (t )=-θ1y (t )-θ2y (t -τ)1+y θ3(t -τ),y (t )=y0,t ɤ0.ìîíïïï(16)其中y (t )代表循环白细胞的浓度,θ1,θ2,θ3是参数,τ为时滞参数,y 0为初始值.若令分数阶α=0.9,参数θ1=1,θ2=2,θ3=10,时滞参数τ=5,步长取为h =0.1.利用前面程序即可绘制分数阶时滞微分方程C0D 0.9t y (t )=-2y (t -5)1+y (t -5)10-y (t ),y (t )=0.6,t ɤ0{在[0,100]上数值解并绘制数值解的图形,见图1.图1㊀时滞分数阶M a c k e yGG l a s s 混沌系统3.2㊀参数和阶估计的数值结果假设分数阶α=0.9,参数θ1=1,θ2=2,θ3=10,时滞参数τ=5,步长取为h =0.1,时间区间取为[0,20],把用预估校正法计算得到的(t i ,y i )(i =1,2, ,200)作为观测值(见图1),下面以这些观测值为基础反演真实参数.参数搜索范围为0.8ɤαɤ1,4ɤτɤ6,0ɤθ1ɤ2,1ɤθ2ɤ3,9ɤθ3ɤ11,由这53滨州学院学报第34卷些参数确定鸡群算法中搜索空间的上界l b =[0.8,4,0,1,9]和下界u b =[1,6,2,3,11].鸡群算法的其他参数设置为种群规模p o p =20,最大迭代次数M =100,解空间维数d i m =5,鸡群角色更新次数G =5,公鸡占整个鸡群规模的比例r p e r c e n t =0.15,母鸡占整个鸡群规模的比例h p e r c e n t =0.7,可能生育过小鸡的母鸡占母鸡规模的比例m p e r c e n t =0.5.图2㊀最优公鸡对应函数值随迭代次数的变化笔者做了很多次试验,其中一次的运行结果为:目标函数值(10)的值为0.0001481,分数阶^α=0.8970,参数^θ1=0.9980,^θ2=2.0033,^θ3=9.9302,时滞参数^τ=5.0012.图2给出了最优的公鸡对应目标函数值随迭代次数增加的变化情况,横轴表示迭代次数,对数坐标纵轴表示目标函数值.当然,由于鸡群算法具有随机性,不是每次都能找到理想的估计.如果最优化目标函数值(10)的值小于0.01,则认为算法成功地找到了参数和阶的估计值.定义成功率(S u c c e s sR a t i o )S R =成功次数试验次数,随机模拟10次,得到的成功率为0.9,平均运行时间为201.3s.4㊀结论在分数阶方程的应用问题中,由部分观测数据反演方程参数和阶的反问题具有重要的实际意义,但由于其理论和计算的复杂性,以往研究文献较少.本文针对一类常见的分数阶非线性时滞常微分方程组初值问题,给出其参数和分数阶估计的鸡群算法求解方法.通过数值模拟发现,该方法可以较好地估计出方程的参数和阶数,为使用分数阶微分方程组解决实际问题提供一种参考.在计算中,可先用鸡群算法得到一个粗略的近似解,作为初始值再使用N e l d e r M e a d 单纯形算法求解往往能得到更加精确的结果[12].由于分数阶的非局部性,当变化范围增大时电脑的计算时间会增加较快,需要改用其他计算方法提高计算速度.虽然吴定会等证明了鸡群算法收敛性[10],但是在实践中也未必能绝对保证找到最优解,该法对搜索的范围也有一定依赖性,需要结合具体问题进行分析,给出参数尽量窄小的搜索范围,以便尽快找到符合实际意义的解.参㊀考㊀文㊀献:[1]㊀R a h i m y M.A p p l i c a t i o n so ff r a c t i o n a ld i f f e r e n t i a le q u a t i o n s [J ].A p p l i e d M a t h e m a t i c a lS c i e n c e ,2010,4(50):24532461.[2]㊀W a n g Z ,H u a n g X ,S h iG D.A n a l y s i s o f n o n l i n e a rd y n a m i c s a n dc h a o s i n f r a c t i o n a l o r d e r f i n a n c i a l s y s t e m w i t h t i m e d e l a y [J ].C o m p u t e r s a n d M a t h e m a t i c sw i t hA p pl i c a t i o n ,2011,62:15311539.[3]㊀Y a nY ,K o uC .S t a b i l i t y a n a l ys i s f o r a f r a c t i o n a l d i f f e r e n t i a lm o d e l o fH I Vi n f e c t i o no fC D 4+T Gc e l l sw i t h t i m e d e l a y [J ].M a t h e m a t i c s a n dC o m p u t e r s i nS i m u l a t i o n ,2012,82(9):15721585.[4]㊀Z h u W ,F a n g J ,T a n g Y ,e t a l .I d e n t i f i c a t i o no f f r a c t i o n a l Go r d e r s y s t e m s v i a a s w i t c h i n g d i f f e r e n t i a l e v o l u t i o n s u b j e c t t on o i s e p e r t u r b a t i o n s [J ].P h y s i c sL e t t e r sA ,2012,376(45):31133120.[5]㊀L i uF ,L iX ,L i uX ,e t a l .P a r a m e t e r i d e n t i f i c a t i o no f f r a c t i o n a l Go r d e r c h a o t i c s y s t e m w i t h t i m e d e l a yv i am u l t i Gs e l e c t i o nd i f f e r e n t i a l e v o l u t i o n [J ].S y s t e mS c i e n c e&C o n t r o l E n g i n e e r i n g ,2017,5(1):4248.[6]㊀G u WJ ,Y uY G ,H u W.A r t i f i c i a l b e e c o l o n y a l g o r i t h m Gb a s e d p a r a m e t e r e s t i m a t i o no f f r a c t i o n a l Go r d e r c h a o t i c s y s t e m w i t h t i m e d e l a y[J ].I E E E /C A AJ o u r n a l o fA u t o m a t i c a S i n i c a ,2017,4(1):10763第2期王福昌,张丽娟,靳志同㊀分数阶非线性时滞微分方程参数和阶的估计方法113.[7]㊀B h a l e k a r S,D a f t a r d a rGG e j j iV.A p r e d i c t o rGc o r r e c t o r s c h e m e f o r s o l v i n g n o n l i n e a r d e l a y d i f f e r e n t i a le q u a t i o n s of f r a c t i o n a l o r d e r[J].J o u r n a l o f F r a c t i o n a l C a l c u l u s a n dA p p l i c a t i o n s,2011,1(5):19.[8]㊀D i e t h e l m K.E f f i c i e n t s o l u t i o no fm u l t iGt e r mf r a c t i o n a l d i f f e r e n t i a l e q u a t i o n s u s i ng P(E C)m E m e t hGo d s[J].C o m p u t i n g,2003,71(4):305319.[9]㊀M e n g X,L i uY,G a oX,e t a l.A n e wb i oGi n s p i r e da l g o r i t h m:c h i c k e ns w a r mo p t i m i z a t i o n[C]//5t hI n t e r n a t i o n a l C o n f e r e n c e o nS w a r mI n t e l l i g e n c e.H e f e i:S p r i n g e r I n t e r n a t i o n a l P u b l i s h i n g,2014:7485.[10]㊀吴定会,孔飞,纪志成.鸡群算法的收敛性分析[J].中南大学学报:自然科学版,2017,48(8):21052112.[11]㊀闵涛,孙瑶,邱李祯.M a c k e yGG l a s s方程参数反演的微分进化算法其灵敏度分析[J].数学杂志,2016,36(4):775781.[12]㊀W a n g L,X uY,L i LP.P a r a m e t e r i d e n t i f i c a t i o n o f c h a o t i c s y s t e m s b y h y b r i dN e l d e rGM e a d s i m p l e x s e a r c ha n dd i f f e r e n t i a l e v o l u t i o na l g o r i t h m[J].E x p e r tS y s t e m sw i t h A p p l i c a t i o n s,2011,38(4):32383245.P a r a m e t e r s a n dO r d e rE s t i m a t i o n M e t h o d s o f F r a c t i o n a lN o n l i n e a rD e l a y D i f f e r e n t i a l E q u a t i o nWA N GF uGc h a n g,Z H A N GL iGj u a n,J I NZ h iGt o n g(D e p a r t m e n t o f B a s i cC o u r s e s,I n s t i t u t e o f D i s a s t e rP r e v e n t i o n,L a n g f a n g065201,C h i n a)A b s t r a c t:F r a c t i o n a lGo r d e r d e l a y n o n l i n e a r d y n a m i c s s y s t e mi s u s e dm o r e a n dm o r ew i d e l y i ns c i e n c e a n d e n g i n e e r i n g.B a s e do n p a r t i a l o b s e r v e dd a t a,f i t t i n g t h e p a r a m e t e r s a n do r d e r p l a y s a n i m p o r t a n t r o l e i n p r a c t i c a l p r o b l e m.G i v e n t h e g u e s s v a l u e s o f p a r a m e t e r s a n do r d e r,t h e p r e d i c t i o nv a l u e s o f d i f f e r e n t i a l e q u a t i o n s s o l u t i o n s c a nb e c o m p u t e db y t h e p r e d i c t o rGc o r r e c t o r s c h e m e a l g o r i t h m,a n d t h eo p t i m i z a t i o n o b j e c t i v e f u n c t i o nw i l l b e c o n s t r u c t e d b y u s i n g d i f f e r e n c e b e t w e e n o b s e r v e d d a t a a n d p r e d i c t i o n v a l u e s.S o t h e o p t i m a l p a r a m e t e r s a n do r d e r a r e s e a r c h e db y c h i c k e ns w a r mo p t i m i z a t i o nm e t h o d.F i n a l l y,b y c o mGp u t e r s i m u l a t i o n,t h e a l g o r i t h mi s p r o v e dv a l i d.K e y w o r d s:f r a c t i o n a lGo r d e r;n o n l i n e a r d e l a y d i f f e r e n t i a le q u a t i o n;p a r a m e t e re s t i m a t i o n;c h i c k e n s w a r mo p t i m i z a t i o na l g o r i t h m(责任编辑:贾晶晶)73。
非线性方程的求解方法

非线性方程的求解方法非线性方程是数学中的基本概念,对于许多科学领域而言,非线性方程的求解具有重要的意义。
然而,与线性方程相比,非线性方程的求解方法较为复杂,因此需要掌握一些有效的解法。
本文将介绍几种非线性方程的求解方法。
一、牛顿迭代法牛顿迭代法也叫牛顿-拉夫逊迭代法,是一种求解非线性方程的有效方法。
该方法的基本思路是,选择一个初始值,通过迭代计算不断逼近非线性方程的根。
牛顿迭代法的公式为:$$x_{n+1}=x_n-\frac{f(x_n)}{f'(x_n)}$$其中,$f(x)$表示非线性方程,$f'(x)$表示$ f(x) $的一阶导数。
牛顿迭代法的优点在于速度快,迭代次数少,但其局限性在于收敛性受初始点选取的影响较大。
二、割线法割线法(Secant method)也是一种求解非线性方程的有效方法。
与牛顿迭代法不同,割线法使用的是两个初始值,并根据两点间的连线与$ x $轴的交点来作为新的近似根。
割线法的公式为:$$x_{n+1}=x_n-\frac{f(x_n)(x_n-x_{n-1})}{f(x_n)-f(x_{n-1})}$$割线法的优势是不需要求解导数,但其缺点在于需要两次迭代才能得到下一个近似根,因此计算量较大。
三、二分法二分法(Bisection method)是求解非线性方程的另一种有效方法。
该方法的基本思路是找到非线性方程的一个区间,使函数值在该区间内的符号相反,然后通过逐步缩小区间,在区间内不断逼近非线性方程的根。
二分法的公式为:$$x_{n+1}=\frac{x_n+x_{n-1}}{2}$$其中,$x_n$和$x_{n-1}$是区间的端点。
二分法的优点在于收敛性稳定,但其缺点在于迭代次数较多,因此计算量也较大。
四、弦截法弦截法(Regula Falsi method)也是一种求解非线性方程的有效方法。
它和二分法类似,都是通过缩小根所在的区间来逼近根。
不同之处在于,弦截法不是以区间中点为迭代点,而是以区间两个端点之间的连线与$ x $轴的交点为迭代点。
非线性方程迭代解法yjs讲解课件

通过改进算法或者采用适当的数值方法,减少误差累积,提高结果 的稳定性。
加速收 敛
研究更有效的迭代算法,提高求解速度和精度。
改进初始值选择
通过改进初始值选择策略,提高算法的收敛性和求解质量。
05 非线性方程迭代解法的 应用实例
一元非线性方程的求解
迭代法求解
对于一元非线性方程,可以使用迭代 法进行求解。迭代法的基本思想是通 过不断逼近方程的解,逐步修正解的 近似值。常用的迭代法有牛顿迭代法、 二分法等。
改进收敛性
研究更有效的迭代算法,提高收敛速度和精度,减少迭代次数。
混合算法
结合多种算法的优点,开发出更高效、更稳定的迭代算法。
应用领域的拓展
科学计算
将非线性方程迭代解法应用于更广泛的科学计算领域, 如流体动力学、材料科学等。
工程领域
在工程领域中,解决复杂的非线性问题,如结构优化、 控制系统等。
金融领域
收敛速度的估计
分析迭代公式的收敛速度,了解迭代过程需要多少次迭代才能达 到满意的精度。
不收敛情况的处理
当迭代公式不收敛时,需要采取适当的策略进行调整,如改变初 值或迭代函数。
迭代公式的误差估计
01
02
03
误差来源分析
分析迭代过程中产生的误 差来源,如舍入误差、截 断误差等。
误差传播规律
研究误差在迭代过程中的 传播规律,了解误差随迭 代次数的变化情况。
迭代解法的历史与发展
早期发展
迭代解法最早可追溯到牛顿迭代法, 随着计算机技术的发展,迭代解法逐 渐成为数值计算领域的重要分支。
现代发展
随着优化算法、并行计算等技术的进 步,迭代解法在理论和应用方面都取 得了长足的进展,广泛应用于科学计 算、工程技术和金融等领域。
非线性偏微分方程数值解法

非线性偏微分方程数值解法非线性偏微分方程是研究自然界中许多现象的重要数学模型,其解析解往往难以获得。
因此,数值解法成为解决非线性偏微分方程问题的一种有效手段。
本文将介绍几种常用的非线性偏微分方程的数值解法。
一、有限差分法有限差分法是求解偏微分方程的一种常见数值方法。
其核心思想是将求解区域离散化为有限个网格点,并利用中心差分公式来近似替代微分运算。
对于非线性偏微分方程,可以采用迭代的方法进行求解。
具体步骤如下:1. 将求解区域离散化为有限个网格点,确定网格的步长。
2. 利用中心差分公式将偏微分方程离散化为差分方程。
3. 将差分方程转化为非线性代数方程组,采用迭代方法求解。
二、有限元法有限元法是求解偏微分方程的一种重要数值方法。
其核心思想是将求解区域划分为无重叠的小单元,通过在每个单元内构造适当的试探函数和加权函数,将问题转化为求解代数方程组。
对于非线性偏微分方程,可以采用Newton-Raphson迭代方法进行求解。
具体步骤如下:1. 将求解区域进行网格剖分,确定单元的形状和大小。
2. 构造试探函数和加权函数,并利用加权残差法将偏微分方程离散化为代数方程组。
3. 对于非线性方程组,采用Newton-Raphson迭代方法求解。
三、有限体积法有限体积法是求解偏微分方程的一种常用数值方法。
其核心思想是将求解区域划分为有限个体积单元,通过对单元内偏微分方程进行积分,将方程转化为守恒形式。
对于非线性偏微分方程,可以采用显式或隐式方法进行求解。
具体步骤如下:1. 将求解区域进行网格剖分,确定体积单元的大小和形状。
2. 对体积单元内的偏微分方程进行积分,建立守恒形式的方程。
3. 将方程离散化为代数方程组,采用显式或隐式方法进行时间步进求解。
四、谱方法谱方法是求解偏微分方程的一种高效数值方法。
其核心思想是采用特定的基函数展开待求解的函数,通过选取合适的基函数,可以有效地提高求解效率。
对于非线性偏微分方程,可以采用谱方法进行求解。
- 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)。
(9)
517
王亚东,张新东
其中 r 是一个任意的非零常数,通过在(7)中使用链式规则,我们可以得到
Dtα u = σ t
du α Dt ξ , dξ
σ t 称为分形指标,我们通常令 σ t = r ,其中 r 是一个常数。
The Exp(-Φ(ξ)) Method for the Nonlinear Time Fractional Differential Equations
Yadong Wang, Xindong Zhang*
College of Mathematics Sciences, Xinjiang Normal University, Urumqi Xinjiang Received: Jun. 29th, 2017; accepted: Jul. 17th, 2017; published: Jul. 20th, 2017
Advances in Applied Mathematics 应用数学进展, 2017, 6(4), 515-522 Published Online July 2017 in Hans. /journal/aam https:///10.12677/aam.2017.64062
2(λ (ξ + c ) + 2) ln − Φ 4 (ξ ) = , λ 2 (ξ + c )
(16)
⑤ 当 λ 2 − 4 µ = 0, µ = 0, λ = 0 时,
Φ 5 (ξ ) = ln (ξ + c ) ,
2. 准备工作
本节我们主要介绍一些文章中将用到的关于分数阶微积分的一些预备知识。 具体请参考文献[15] [16] [17] [18]。 定义 2.1 假设 φ ( x ) 是定义在包含 x0 和 x0 领域内的所有点的区间上的函数,如果对于任意的正常数
ε ,存在正常数 p 、 δ ,当 x − x0 < δ 时,有
Keywords
Time Fractional KdV-ZK Equation, Fractional Derivative, Exact Solutions, Exp(-Φ(x)) Method
非线性时间分数阶微分方程的exp(-Φ(ξ))解法
王亚东,张新东*
新疆师范大学数学科学学院,新疆 乌鲁木齐
dη Eη kxη dxη
( ) = kE
η
( kx ) , k 为常数。
η
这些导数在研究高度不规则和不可微函数的分数阶可微性方面发挥着重要的作用。
3. Exp(-Φ(ξ))方法的基本思想
本节我们考虑非线性分数阶微分方程的一般形式:
F u, Dtα u, u x , u y , uz , u xx , u yy , uzz , u xy , u xz , = 0 ,
Abstract
In this paper, the exp(-Φ(ξ)) method is used to construct the approximate analytical solution of Korteweg-de Vries Zakharov Kuznetsov (KdV-ZK) equation via the (3 + 1)-dimensional. The results of numerical example show that the method is very useful in solving nonlinear time fractional differential equations.
利用方程式(9)将程式(8)转化为下面的非线性常微分方程
Q (U ,U ′,U ′′,) = 0 ,
(10)
其中 ' 表示 U 于 ξ 的导数。下面我们对方程式(10)进行逐项积分。 步骤 2:根据 exp ( −Φ (ξ ) ) 的方法,方程(10)的近似解析解可以用以下的形式表示:
U (ξ ) =
φ ( x ) − φ ( x0 ) < pε η , 0 < η < 1 ,
则称 φ ( x ) 在 x = x0 处局部分数连续,即满 ) = φ ( x0 ) ,
因此,如果
φ ( x ) ∈ Cη ( a, b ) ,
(2)
516
王亚东,张新东
其中 0 < η < 1 是分形维数,则称函数 φ ( x ) 在区间 ( a, b ) 上局部分数阶连续。 定义 2.2 函数 φ ( x ) : R → R, X φ ( X ) 是指数为 η 的不可微函数,并关于指数 η 满足 Hölder 方程,则 当 x, y ∈ X 时,我们有
(5)
其中 ∆η (φ ( x ) − φ ( x0 ) ) ≅ Γ (1 + η ) ∆ (φ ( x ) − φ ( x0 ) ) 。 注:如果 ω ( x ) = (ϕ u )( x ) ,则当 u ( x ) = h ( x ) 时,存在 φ (η ) ( h ( x ) ) , h (1) ( x ) 和 φ (1) ( h ( x ) ) , h (η ) ( x ) 使 得
λ 2 − 4µ − λ 2 − 4 µ tanh ξ + c) − λ ( 2 , Φ1 ( ξ ) = ln µ 2
(13)
② 当 λ 2 − 4 µ < 0, µ ≠ 0 时,
4µ − λ 2 − 4 µ − λ 2 tan ξ + c) − λ ( 2 , Φ 2 (ξ ) = ln 2µ
Copyright © 2017 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
(
)
(8)
其中 Dtα 是在关与 u 关于 x, y , z, t 的局部分数导数, F 是 u = u ( x, y, z , t ,) 和 u 的各阶导数的多项式,其中 包含非线性项和 u 的最高阶导数。寻求分数阶微分方程的近似解析解的主要步骤如下[19]: 步骤 1:考虑下面的非线性分数阶复变换,使用分数阶变量变换[20] [21] [22] [23]:
∑ n = 0 an ( exp ( −Φ (ξ ) ) )
N
n
,
(11)
这里 an ( an ≠ 0 ) 是待定常数, Φ ( x ) 满足下列辅助常微分方程:
Φ′ (ξ ) = exp ( −Φ (ξ ) ) + µ exp ( Φ (ξ ) ) + λ ,
(12)
因此辅助方程式(12)有如下不同形式的解: ① 当 λ 2 − 4 µ > 0, µ ≠ 0 时,
φ ( x ) − φ ( x0 ) =O ( x − x0 ) .
η
(
)
定义 2.4 假设 φ ( x ) ∈ Cη ( a, b ) ,则 φ ( x ) 在 x = x0 处的 η 阶局部分数导数定义如下:
= φ ( x0 ) ∆η (φ ( x ) − φ ( x0 ) ) dηφ ( x ) = lim , 0 <η <1, η dxη x = x x → x0 x − x ( ) 0 0
收稿日期:2017年6月29日;录用日期:2017年7月17日;发布日期:2017年7月20日
摘
要
本文主要研究(3+1)维Korteweg-de Vries Zakharov (KdV-ZK)方程的exp(-Φ(ξ))解法。利用exp(-Φ(ξ)) 方法获得所研究方程的近似解析解。数值算例表明,该方法在求解非线性分数阶微分方程的近似解析解 时非常有效。
(14)
③ 当 λ 2 − 4 µ > 0, µ = 0, λ ≠ 0 时,
λ Φ 3 (ξ ) = − ln , sinh ( λ (ξ + c ) ) + cosh ( λ (ξ + c ) ) − 1
(15)
④ 当 λ 2 − 4 µ > 0, µ ≠ 0, λ ≠ 0 时,
*
通讯作者。
文章引用: 王亚东, 张新东. 非线性时间分数阶微分方程的 exp(-Φ(ξ))解法[J]. 应用数学进展, 2017, 6(4): 515-522. https:///10.12677/aam.2017.64062
王亚东,张新东
关键词
时间分数阶KdV -ZK方程,分数阶导数,精确解,exp(-Φ(ξ))方法
φ ( x ) − φ ( x0 ) < C x − y , 0 < η < 1 .
定义 2.3 如果函数 φ ( x ) : R → R, X φ ( X ) 满足
(3)
φ ( x ) − φ ( x0 ) = O ( x − x0 ) , 0 < η < 1 ,
η
(4)
则称 φ ( x ) 是关于指数 η 局部分数阶连续的。 注:函数 φ ( x ) 在空间 Cη ( a, b ) 中,当且仅当对任意的 x0 ∈ [a, b] , 0 < η < 1 ,满足
dηω ( x ) dx dx
注:
η
= φ(
( (h ( x ) h
η)
(1)
( x ) )) ( x ) ))
η
, .