数值分析线性多步法
线性多步法
多步法应用于常微分方程的数值解。
从概念上讲，数值方法从初始点开始，然后在时间上向前迈出一小步，以找到下一个求解点。
该过程的下一步是绘制解决方案。
一步法（例如Euler方法）仅引用前一点及其导数来确定当前值。
诸如Runge Kutta之类的方法采取一些中间步骤（例如，半个步骤）来获得高阶方法，但是在进行第二步之前会丢弃所有先前的信息。
多步尝试通过保留和使用先前步骤中的信息而不是丢弃信息来提高效率。
因此，多步法涉及前几个要点和导数。
在多步的情况下，使用先前点和导数的线性组合。
简单的介绍多步法应用于常微分方程的数值解。
从概念上讲，数值方法从初始点开始，然后在时间上向前迈出一小步，以找到下一个求解点。
该过程的下一步是绘制解决方案。
一步法（例如Euler方法）仅引用前一点及其导数来确定当前值。
诸如Runge Kutta之类的方法采取一些中间步骤（例如，半个步骤）来获得高阶方法，但是在进行第二步之前会丢弃所有先前的信息。
多步尝试通过保留和使用先前步骤中的信息而不是丢弃信息来提高效率。
因此，多步法涉及前几个要点和导数。
在多步的情况下，使用先前点和导数的线性组合。
[1-3]具体定义常微分方程的数值方法近似地解决了形式初值问题结果是离散时间的Ti的Y（T）的近似值其中h是时间步长，而I是整数。
Multistep使用上一步中的信息来计算下一个值。
特别地，多步法使用Yi和f（Ti，Yi）来计算所需当前步长的Y值。
因此，多步方法是以下形式的方法：确定系数AI和Bi。
该方法的设计者选择系数平衡了对实际解决方案的需求，以便获得一种易于使用的方法。
通常，许多系数为零以简化该方法。
显式和隐式方法可以区分。
如果Bi = 0，则该方法称为“显式”，因为它可以直接计算yn + s。
如果Bi≠0，则该方法称为“隐式”，因为YN + s的值取决于f（TN + s，yn + s），并且必须为yn + s。
迭代方法（例如牛顿法）通常用于求解隐式公式。
数值分析复习资料
数值分析复习资料一、重点公式第一章 非线性方程和方程组的数值解法 1）二分法的基本原理，误差：~12k b ax α+--<2）迭代法收敛阶：1lim0i pi ic εε+→∞=≠，若1p =则要求01c <<3）单点迭代收敛定理：定理一：若当[],x a b ∈时，[](),x a b ϕ∈且'()1x l ϕ≤<，[],x a b ∀∈，则迭代格式收敛于唯一的根；定理二：设()x ϕ满足：①[],x a b ∈时，[](),x a b ϕ∈， ②[]121212,,, ()(),01x x a b x x l x x l ϕϕ∀∈-≤-<<有 则对任意初值[]0,x a b ∈迭代收敛，且：110111i i iii x x x llx x x lαα+-≤---≤-- 定理三：设()x ϕ在α的邻域内具有连续的一阶导数，且'()1ϕα<，则迭代格式具有局部收敛性；定理四：假设()x ϕ在根α的邻域内充分可导，则迭代格式1()i i x x ϕ+=是P 阶收敛的 ()()()0,1,,1,()0j P j P ϕαϕα==-≠ （Taylor 展开证明）4）Newton 迭代法：1'()()i i i i f x x x f x +=-，平方收敛 5）Newton 迭代法收敛定理：设()f x 在有根区间[],a b 上有二阶导数，且满足： ①：()()0f a f b <； ②：[]'()0,,f x x a b ≠∈；③：[]'',,f x a b ∈不变号④：初值[]0,x a b ∈使得''()()0f x f x <；则Newton 迭代法收敛于根α。
6）多点迭代法：1111111()()()()()()()()()i i i i i i i i i i i i i i i f x f x f x x x x x f x f x f x f x f x f x x x -+-----=-=+----收敛阶：P =7）Newton 迭代法求重根（收敛仍为线性收敛），对Newton 法进行修改 ①：已知根的重数r ，1'()()i i i i f x x x rf x +=-（平方收敛） ②：未知根的重数：1''()(),()()()i i i i u x f x x x u x u x f x +=-=，α为()f x 的重根，则α为()u x 的单根。
期末数值分析重点总结
期末数值分析重点总结第一部分：数值逼近（Approximation）数值逼近是数值分析的基础，主要研究如何利用有限的计算资源得到逼近数学问题的有效算法。
数值逼近的主要内容包括多项式逼近、插值和最小二乘等。
1. 多项式逼近多项式逼近是指用一个多项式函数来逼近给定函数的值。
通过选择合适的多项式次数和插值点，可以使得多项式逼近误差最小化。
其中最常用的方法是最小二乘法，它可以通过最小化残差来得到最佳的多项式逼近。
多项式逼近在信号处理、图像处理和计算机图形学等领域中有广泛的应用。
2. 插值插值是指通过已知数据点的函数值来估计在其他点的函数值。
常用的插值方法有拉格朗日插值和牛顿插值。
拉格朗日插值通过构造一个满足插值条件的多项式来逼近给定函数。
牛顿插值则利用差商的概念来构造插值多项式。
插值方法在数值微分和数值积分中有广泛的应用。
3. 最小二乘最小二乘是一种在一组离散数据点上拟合曲线的方法。
通过最小化数据点与拟合曲线之间的欧几里得距离，可以得到最佳拟合曲线。
最小二乘法可以用于曲线拟合、参数估计和数据关联等问题。
第二部分：数值解方程（Numerical Solution of Equations）数值解方程是数值分析的重要内容之一，研究如何通过数值计算来求解非线性方程组和线性方程组。
数值解方程的主要方法有迭代法、常微分方程数值解和偏微分方程数值解等。
1. 迭代法迭代法是求解非线性方程组的常用方法之一。
通过不断迭代逼近方程的根，可以得到方程组的数值解。
常用的迭代法有牛顿迭代法和弦截法。
迭代法在计算机辅助设计、优化和数据分析等领域中有广泛的应用。
2. 常微分方程数值解常微分方程数值解研究如何通过数值计算来求解常微分方程。
常微分方程数值解的主要方法有Euler方法、Runge-Kutta方法和线性多步法等。
常微分方程数值解在物理学、工程学和生物学等领域中有广泛的应用。
3. 偏微分方程数值解偏微分方程数值解研究如何通过数值方法来求解偏微分方程。
数值分析(26)线性多步法
其局部截断误差为
Rn1
19 720
h5
yn(5) (
)
xn2 xn1
由于积分区间在插值区间[ xn2 , xn1 ]内，故Adams隐式
公式又称为Adams内插公式
数值分析
数值分析
（3）米尔尼( Miline )公式
4 yn1 yn3 3 h(2 fn fn1 2 fn2 ) 称为Miline公式，其局部截断误差为
这就是四阶Adams显式公式。由于积分区间在插值
区间[ xn3 , xn ]外面，又称为四阶Adams外插公式。
由插值余项公式可得其局部截断误差为
Rn1
xn1 xn
F (4) ( x )
4!
3 j0
(x
xn j )dx
xn1 xn
y(5) ( x )
4!
3
(x
j0
xn j )dx
数值分析
2!
h2
y(4) n
3!
h3
y(5) n
4!
h4 O(h(5) )
数值分析
数值分析
将以上各公式代入并整理，得
yn1 (0 1 ) yn (1 1 0 1 ) yn' h
(1
2
1
1 ) yn''h2
( 1
6
1
2
1
2
) yn'''h3
(1
24
1
6
1
6
)
y(4) n
h4
(
1
120
5!
yn1 (0 1 ) yn (1 1 0 1 ) yn' h
(1
数值计算方法 线性多步法 - 线性多步法
由四阶Adams隐示公式有
h yn1 yn 24 (9 fn1 19 fn 5 fn1 fn2 )
1
典
24 (0.9 yn1 22.1 yn 0.5 yn1 0.1 yn2 0.24n 0.12)
型
例
由上式可解出
题
1
yn1 24.9 (22.1 yn 0.5 yn1 0.1 yn2 0.24n 0.12)
式公式对预测值进行校正，求出 y( xn1)的近似值 yn1.
思 考 题
线性多步法的构造基于泰勒展开或数值积分， 从数值积分出发，如何推导出线性多步法？ 如何估计误差？
的数值解.
典
y x y 0 x 1
y(0)
0
取h 0.1
型 例
根据题意， xn nh 0.1n, fn xn yn,
题
由四阶Adams显示公式有
h yn1 yn 24 (55 fn 59 fn1 37 fn2 9 fn3 )
1 24 (18.5 yn 5.9 yn1 3.7 yn2 0.9 yn3 0.24n 0.12)
一 般 公
Rn k
L[
y(
xn
);
h]
k 1
k
y( xnk ) i y( xni ) h i y( xni )
式
i0
i0
若Rn+k=O(hp+1)，则称方法是 p阶的.
对Rn+k在xn处泰勒展开，由于
线
y( xn
ih)
y( xn ) ihy(xn )
(ih)2 2!
y(xn )
式
其中 c0 1 (0 1 k1 ),
c1 k [1 22 (k 1)k1] (0 1 k ),
常微分方程数值解法2线性多步法
03
常见的线性多步法
欧拉方法
总结词
欧拉方法是常微分方程数值解法中最简单的一种方法，它基于线性近似，通过已知的函 数值来估计新的函数值。
详细描述
欧拉方法的基本思想是利用已知的函数值来估计下一个点的函数值。具体来说，假设我 们有一个函数 (y = f(x))，在已知 (x_0) 处的函数值 (y_0 = f(x_0)) 的情况下，欧拉方法 通过线性插值来估计 (x_1) 处的函数值 (y_1)，即 (y_1 = y_0 + h f(x_0))，其中 (h) 是
05
线性多步法的优缺点
优点
稳定性好
线性多步法在处理常微分方程时具有较好的数值稳定性， 能够有效地抑制数值振荡，提高计算结果的精度。
01
易于实现
线性多步法的计算过程相对简单，易于 编程实现，适合于大规模数值计算。
02
03
精度可调
通过选择不同的步长和线性多步法公 式，可以灵活地调整计算结果的精度， 满足不同的数值模拟需求。
改进方法的收敛性
研究收敛性条件
深入研究线性多步法的收敛性条件，了解哪些情况下方法可能不收 敛，并寻找改进措施。
优化迭代算法
通过优化迭代算法，提高方法的收敛速度和精度，减少迭代次数， 提高计算效率。
引入预处理技术
利用预处理技术对线性系统进行预处理，改善系统的条件数，提高方 法的收敛性。
拓展应用领域
在工程问题中的应用
控制系统设计
在工程领域中，线性多步法可以用于控制系统设计，通过 建立控制系统的数学模型，设计控制算法和控制器，实现 系统的稳定性和性能优化。
8.4-8.5线性多步法及收敛性与稳定性分析
f x ( x0 , y0 )
]
在平移一下,即化成检验方程形式.
y' y y ( x0 ) y0
--------------(2)
y y0e
当 Re 0时, 当 Re 0时,
其关系式为
( x x0 )
( y0 0)
y ( x) | (as x ); y ( x) | 0 (as x ), 此时, 试验方程是稳定的.
(5) Simpson 2步4阶隐式公式
h yn 1 y n 1 ( f n 1 4 f n 2 f n 1 ) 3
1 5 (5) Tn 1 h y ( xn ) O (h 6 ) 90
多步方法的特点： (1)、 因初始条件只有一个，多步方法的启动要借助 高阶的单步方法来开始. (2)、多步方法比较简单，只要在这几个点的函数 值的线性组合, 而且每步中所用函数值, 有些下一 步还可使用。
要使 |1 h | 1,
即 |1 h | 1 给出了绝对稳定区域 {z | z 1| 1|},
这是复平面上以 (1,0)为圆心的单位圆, 绝对稳定区间为(-2,0).
2. 隐式Euler公式
yn1 yn hf ( xn1, yn1 ) yn hyn1
2. 一个方法的整体截断误差比局部截断误差低一阶.
若某些引入的误差, 在以后的传播中被压缩, 衰减或增长 可以控制, 就认为数值方法 (1) 是数值稳定的, 反之, 若在传 播中被放大而无法控制, 就认为是数值不稳定.其中, 若误 差的传播可以被压缩, 衰减, 则称绝对稳定.
y ' =f ( x, y ), x D 定义8.5.2 对初值问题 对于固定的 y ( x0 ) y 0 , 步长 h,在数值计算中, 节点值 yi 产生一扰动 i (包括初值y 0 ), 而仅由这一个扰动引起的以后各节点值 y j ( j i ) 的变化 j 都不超过 i , 即 | j || i |, 就称这个数值方法是稳定的.
线性多步法
常微分方程数值解的多步法。
从概念上讲，一种数值方法是从一个初始点开始的，然后在时间上向前迈出一小步，以找到下一个求解点。
以下过程绘制解决方案。
单步方法（例如欧拉方法）仅参考前一点及其导数来确定当前值。
诸如Runge-Kutta之类的方法采取了一些中间步骤（例如，半步骤）来获得高阶方法，但是在进行第二步之前会丢弃所有先前的信息。
多步方法试图通过保留和使用先前步骤的信息而不是丢弃信息来提高效率。
因此，多步法是指前几个点和导数值。
在多步法的情况下，使用先前点和导数值的线性组合。
常微分方程数值解的多步法。
从概念上讲，一种数值方法是从一个初始点开始的，然后在时间上向前迈出一小步，以找到下一个求解点。
以下过程绘制解决方案。
单步方法（例如欧拉方法）仅参考前一点及其导数来确定当前值。
诸如Runge-Kutta之类的方法采取了一些中间步骤（例如，半步骤）来获得高阶方法，但是在进行第二步之前会丢弃所有先前的信息。
多步方法试图通过保留和使用先前步骤的信息而不是丢弃信息来提高效率。
因此，多步法是指前几个点和导数值。
在多步法的情况下，使用先前点和导数值的线性组合。
具体定义常微分方程的数值方法近似地解决了形式初值的问题结果是离散时间ti处y（t）的近似值：其中h是时间步长，而i是整数。
多步方法使用上一个S步骤的信息来计算下一个值。
特别地，多步方法使用yi和f（ti，yi）来计算当前步骤所需的y值。
因此，多步方法是一种具有以下形式的方法：确定系数ai和bi的方法。
该方法的设计者选择系数来平衡对实际解决方案的需求，从而获得一种易于使用的方法。
通常，许多系数为零以简化方法。
可以区分显式和隐式方法。
如果bi = 0，则此方法称为“显式”，因为此公式可以直接计算yn + s。
如果bi≠0，则此方法称为“隐式”，因为yn + s的值取决于f（tn + s，yn + s），并且必须为yn + s。
迭代方法（例如牛顿法）通常用于求解隐式公式。
线性多步法
y ( k +1) (ξ ) ( x − xn )"( x − xn−k +1 )dx xn k! xn+1 1 = y ( k +1) (η) ( x − xn )"( x − xn−k +1 )dx xn k! =
∫
xn+1
∫
= β k h k +1 y ( k +1) (η )
定义1 设y(x)是初值问题(1).(2）的精确解， y ′ =f(x,y) y(a)=α
k
a≤x≤b (1) (2)
k
记 fi =f(xi ,yi ), yi≈wi ,过k个点 (xi ,fi )(i=n,n-1,…,n-k+1)，作 f(x ,y )的插值多项式Pk-1(x):
多步法（11）在xi+1 (i=k,…,n-1)处的局部截断误差为
所给2步法是2阶方法。
5 3 (3) h yi + O(h4 ) 12
单步法:计算yn+1时，只用到前一步yn 的结果，提高方法的 精度，需要增加函数 f(x,y) 的计算次数。 多步法: 尽可能利用已得到的信息： y1 ,y2 ,…,yn ，提高 方法的精度。 对于初值问题 a≤x≤b y ′ =f(x,y) y(a)=α 设已求得近似解 y1 ,y2 ,…,yn ，现求yn+1 。
10.4 单步法的误差与稳定性
数值方法的误差
误差 局部截断误差(Local truncation error) 总体截断误差(Global truncation error)
定义2：若一种数值方法的局部截断误差Ti+1(h)= O(hp+1)，则称 相应数值方法是 p 阶方法，其中p为正整数。 定义3：若一个p阶方法的局部截断误差为， Ti+1(h)=g(xi ,y(xi ))hp+1+ O(hp+2) 则第一个非零项：g(xi,y(xi))hp+1,称为该方法的局部截断误差主项。 Euler’s method是一阶方法。 梯形公式与改进Euler’s method均是2阶方法。
第六章 第四节 线性多步法
上式中右端的 y ( xi ) 用 y i 代替，就有
1 y n 1 y ( xn ) h[9 f ( x n1 , y n 1 ) 19 f ( xn , y n ) 24 5 f ( xn 1 , y ( x n 1 )) f ( xn 2 , y ( xn 2 )
.9
1 .0
三、小结
1、多步法的基本思想 2、线性多步法
Adams内插公式
1 h[9 f ( x n1 , y n 1 ) 19 f ( xn , y n ) 24 5 f ( xn 1 , y ( x n 1 )) f ( xn 2 , y ( xn 2 ) y n 1 y ( xn )
( x x n )( x x n 2 )( x x n 3 ) f ( x n 1 , y ( x n 1 )) ( x n 1 x n )( x n 1 x n 2 )( x n 1 x n 3 )
( x x n )( x x n 1 )( x x n 2 ) f ( x n 2 , y ( x n 2 )) ( x n 2 x n )( x n 2 x n 1 )( x n 2 x n 3 )
( x xn )( x xn1 )( x xn2 ) f ( xn3 , y( xn3 )) ( xn3 xn )( xn3 xn1 )( xn3 xn2 )
用上式代替（4.1）式右端积分中的 得到 y ( x n 的近似值 1)
f ( x, y( x)) ，也将
y n 1 y ( x n )
xn 1 xn
Hale Waihona Puke P3 ( x)dx令 x xn uh ，并注意到
- 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)。
19 5 (5) Rh y ( xn ) 720
© 2009, Henan Polytechnic University §5 线性多步法
1111
第五章 常微分方程数值解法
5.5.4 亚当姆斯预测-校正系统 Step 1: 用Runge-Kutta 法计算前 i 个初值； Step 2: 用Adams 显式计算预测值；
xn+1 xn
f ( x, y ( x)) dx =
1
x = xn + th
1 0
N r ( xn + th) h dt + Rr ( xn + th) h dt
0
1
-t j yn +1 = yn + h N r (xn + th) dt = yn + h -1 f n - j dt 0 0 j =0 j r r 1 j -t = yn + h -1 dt j f n - j = yn + h a j j f n - j 0 j =0 j =0 j
r * j j * j j 0
j
a* j
0 1
1 -1/2 2 -1/12
yn +1 = yn + h b f
i =0
r
* ri n +1-i
j * , b = -1 a j j =i i
* ri i r
3 -1/24
r + 2 ( r + 2) R = y ( x ) y = B h y (n ) 局部截断误差为： r n +1 n +1 r
© 2009, Henan Polytechnic University §5 线性多步法
1515
第五章 常微分方程数值解法 当 b-10 时，为隐式公 f j = f (xj , yj ) 式; b-1=0 则为显式公式。 5.5.5 基于泰勒展开的构造法
yn+1 = a0 yn + a1 yn-1 + ... + ar yn-r + h(b-1 fn+1 + b0 fn + b1 fn-1 + ... + br fn-r )
2 2
第五章 常微分方程数值解法
5.5.1 基于数值积分的构造法
将 y = f ( x , y ) 在 [ xk , xk +1 ] 上积分，得到
y( xk +1 ) - y( xk ) =
xk +1
xk
f ( x, y( x ))dx
xk +1
k
只要近似地算出右边的积分 I f ( x, y( x))dx ， x 则可通过 yk +1 = yk + I 近似y(xk+1) 。而选用不同近 似式 I，可得到不同的计算公式。例如利用左矩形 积分公式得到欧拉公式；梯形积分公式得到梯形公 式。
因此改用通过r+1个节点 xn+1, fn+1 , xn , fn , , xn-r +1, fn-r +1
的插值多项式Nr(x)近似f(x,y(x))，由于xn+1是其中一 个插值点，因此是内插多项式，但导出的公式是隐 式的。
© 2009, Henan Polytechnic University §5 线性多步法
r 1 j
a j为不依赖于n和r的系数，
- t a j = ( -1) dt 0 j
j 1
Adams 显式公式
aj 1
j 0
1
2 3
1/2
5/12 3/8
6 6
© 2009, Henan Polytechnic University §5 线性多步法
第五章 常微分方程数值解法
j yn+1 = yn + h b ri f n-i 其中：b = (-1)i aj ri i =0 j=i i
r
ห้องสมุดไป่ตู้
r
© 2009, Henan Polytechnic University §5 线性多步法
7 7
第五章 常微分方程数值解法
Rr = y ( xn +1 ) - yn +1 = h Rr ( xn + th) dt 局部截断误差为： 0 = h
h r = 1, yn +1 = yn + (3 f n - f n -1 ) R 5 h3 y ( xn ) 2 12 常用的是 r = 3 的4阶亚当姆斯显式公式
y i +1 h = yi + (55 f i - 59 f i -1 + 37 f i - 2 - 9 f i - 3 ) 24
19 5 ( 5 ) ei + 1 = y( x i + 1 ) - yi + 1 = h f ( ) 720
y ( xn +1 ) - yn +1 19 y ( xn +1 ) - yn +1 251
© 2009, Henan Polytechnic University §5 线性多步法
Step 3: 用同阶Adams 隐式计算校正值。
注意：三步所用公式的精度必须相同。通常 用经典Runge-Kutta 法配合4阶Adams 公式。
h y i +1 = yi + [55 f i - 59 f i -1 + 37 f i - 2 - 9 f i - 3 ] 24 y = y + h [9 f ( x , y ) + 19 f - 5 f + f ] i +1 i i +1 i i -1 i -2 i +1 24
R
251 5 (5) h y ( xn ) 720
8 8
© 2009, Henan Polytechnic University §5 线性多步法
第五章 常微分方程数值解法
Adams显式公式用 xn , fn , xn-1, fn-1 , , xn-r , fn-r 作为插值 节点，在求积区间[xn, xn+1]上用插值函数Nr(x)近似 f(x,y(x))，而xn+1不在插值节点内，因此是一个外推的 过程。虽然公式是显式的，便于计算，但效果并不 理想，比如稳定性较差等。
实际计算时，将差分展开
f n- j
j r
j = -1 f n -i i =0 i
j i r j i
j a j f n- j j =0
r r r j j i = a j -1 f n -i = -1 a j f n -i = b ri f n j =0 i =0 i =0 j =i i i =0 i
r j
xn+1 xn
f ( x, y ( x)) dx =
x = xn + th
1 0
N r ( xn + th) h dt + Rr ( xn + th) h dt
0
1
Newton 插值余项
© 2009, Henan Polytechnic University §5 线性多步法
5 5
第五章 常微分方程数值解法
xk +1
xk
f ( x, y( x ))dx
xk +1
xk
Pr ( x )dx
y k + 1 = yk +
xk +1
xk
Pr ( x )dx
© 2009, Henan Polytechnic University §5 线性多步法
4 4
第五章 常微分方程数值解法
5.5.2 亚当姆斯显式公式
251 改进：mi +1 = pi +1 + (ci - pi ) 270 h 校正：ci +1 = yi + (9 f ( xi +1 , mi +1 ) + 19 f i - 5 f i -1 + f i - 2 ) 24
19 改进：yi +1 = ci +1 (ci +1 - pi +1 ) 270
1313
第五章 常微分方程数值解法
y ( xn +1 ) - yn +1
251 ( yn +1 - yn +1 ) 270
y ( xn +1 ) - yn +1
19 ( yn +1 - yn +1 ) 270
预测值与校正 值的事后误差 估计
251 y ( xn +1 ) yn +1 ( yn +1 - yn +1 ) 270
1 0
1
y ( r + 2) n r +1 t dt = Br h r + 2 y ( r + 2) ( n ) r + 1!
1 2 R h y( xn ) 2
例：
Br h r + 2 y ( r + 2) ( xn )
r = 0, yn +1 = yn + hf n ,
第五节 线性多步法
1
第五章 常微分方程数值解法