椭圆型方程差分法
关于解二维椭圆型高精度差分方程的交替方向迭代法
关于解二维椭圆型高精度差分方程的交替方向迭代法交替方向迭代法是一种常用于解二维椭圆型差分方程的方法。
在许多实际应用中，需要对这种方程进行高精度的求解。
交替方向迭代法可以有效地解决这个问题，并且在计算效率和内存利用方面都具有优势。
交替方向迭代法的基本思想是将二维椭圆型差分方程化为两个一维的差分方程，然后分别对其进行迭代求解。
具体地，将二维椭圆型差分方程表示为：$-\frac{\partial^2 u}{\partial 某^2}-\frac{\partial^2u}{\partial y^2}=f(某,y)$。
其中，$u(某,y)$是要求解的未知函数，$f(某,y)$是已知的函数。
接下来，我们可以将上式分别用某轴和y轴方向进行差分，得到两个一维的差分方程：$-\frac{u_{i-1,j}-2u_{i,j}+u_{i+1,j}}{\Delta 某^2}-\frac{u_{i,j-1}-2u_{i,j}+u_{i,j+1}}{\Delta y^2}=f_{i,j}$。
$-\frac{u_{i-1,j}-2u_{i,j}+u_{i+1,j}}{\Delta 某^2}-\frac{u_{i,j-1}-2u_{i,j}+u_{i,j+1}}{\Delta y^2}=f_{i,j}$。
其中，$u_{i,j}$表示在坐标$(i,j)$处的未知函数值，$\Delta 某$和$\Delta y$分别表示在某轴和y轴方向的差分间隔。
接下来就是交替方向迭代法的核心部分。
首先，我们需要对第一个方程中的某方向进行求解，可以通过迭代求解来不断逼近最终的解。
假设我们用$u^{k}_{i,j}$表示在第k次迭代时，在坐标$(i,j)$处的近似解。
那么对于每个坐标$(i,j)$，我们可以通过以下公式来更新近似解：$u^{k+1}_{i,j}=\frac{1}{2}(\frac{u^{k}_{i-1,j}+u^{k}_{i+1,j}}{\Delta 某^2}+\frac{u^{k}_{i,j-1}+u^{k+1}_{i,j+1}}{\Delta y^2}-f_{i,j})$。
椭圆型方程的差分方法
椭圆型方程的差分方法差分方法是一种数值计算方法，使用近似的差商来表示微分方程。
椭圆型方程是一类常见的偏微分方程，具有重要的数学和物理应用。
在本文中，我们将介绍椭圆型方程的差分方法，并讨论其优点和缺点。
一、椭圆型方程的差分近似L[u]=-∂(p∂u/∂x)/∂x-∂(q∂u/∂y)/∂y+r(x,y)u=f(x,y)其中，L[u]是一个偏微分算子，u(x,y)是未知函数，p(x,y)，q(x,y)，r(x,y)，f(x,y)是已知函数。
椭圆型方程的解通常在一个区域Ω上求解。
差分方法的主要思想是用网格来离散化区域Ω，将连续的偏微分方程转化为离散的代数方程。
对于椭圆型方程，我们可以选择矩形网格，其中Ω可以被划分为N*M个小矩形，并且网格的步长为Δx和Δy。
假设我们要在网格点(xi, yj)处求解未知函数的值uij，其中i和j分别表示网格的行索引和列索引。
我们可以使用中心差分法来近似x和y方向的偏导数，从而得到离散形式的椭圆型方程:L[u] ≈ -(p(xi+1/2, yj)(ui+1,j - ui-1,j)/Δx^2 + p(xi,yj+1/2)(ui,j+1 - ui,j-1)/Δy^2) + q(xi,yj)uij = f(xi,yj)其中，p(xi+1/2, yj)和p(xi, yj+1/2)分别表示在(xi+1/2, yj)和(xi, yj+1/2)处的系数。
可以通过有限差分方式计算出这些系数。
将上述公式在每个网格点(xi, yj)处形成一个方程，从而得到一个线性方程组。
通过求解这个线性方程组，我们可以得到网格点上的未知函数值。
二、椭圆型方程差分方法的优点和缺点差分方法是一种简单有效的数值计算方法，具有以下优点：1.可以处理任意形状的区域Ω：差分方法可以适应不规则网格和复杂区域，因此适用于各种几何形状的椭圆型方程求解。
2.数值稳定性：差分方法可以确保数值解的稳定性，避免数值上的不稳定问题。
3.线性时间复杂度：差分方法的计算复杂度通常是线性的，即解方程的时间随着网格点数的增加而线性增加。
椭圆型方程
§1
差分逼近的基本概念
考虑二阶微分方程边值问题
d 2u Lu 2 qu f , a x b, dx u (a) , u (b) , (1.1) (1.2)
其中 q，f 为 [ a , b ] 上的连续函数， q 0, , 为给定常数. 将其分成等分，分点为
称
uh 收敛到边值问题的解 u .
对于差分方程
Lhvi fi , i 1, 2,3,L , N 1,
定义1.3
v0 vN 0 , 如果存在与网格 I h 及右端 fh 无关的常数
数 M 和 h0 , 使 || vh || M || f h ||R ,
0 h h0
称差分方程关于右端稳定.
第二章
椭圆形方程的有限差分法
有限差分法和有限元方法是解偏微分方程的两种主要数值
方法.
有限差分法：从定解问题的微分或积分形式出发，用数值 微商或数值积分导出相应的线性代数方程组. 有限元方法：从定解问题的変分形式出发，用RitzGalerkin 方法导出相应的线性代数方程组，但基函数要按
特定方式选取.
取 x(1) x0 a, x(2) x1 , 得
2
(2.9) (2.10)
W (a) W ( x1 ) 2 qudx
d2 du hi 1 hi dx 2 ( p dx ) 12 i
d 3u 2 p O ( h ) dx 3 i
于是得逼近方程 (2.1)~(2.2) 的差分方程：
ui 1 ui ui ui 1 2 p 1 Lhui pi 1 i h h h h i i 1 i 1 i 2 2 i i 1, 2,, N 1 ui 1 ui qiui fi , hi hi 1 u0 , uN
五点差分格式
《微分方程数值解》大作业（一）——椭圆型方程编程计算：采用五点差分格式求如下椭圆型方程2222uu x y f (x,y),(x,y);∂∂∂∂--=∈Ω其中f (x,y)、Ω及边条件为：1． f (x,y)0,= (1,2)(0,1)Ω=⨯， 且边条件如下：222u(x,0)2ln x,u(x,1)ln(x 1)1x 2;u(1,y)ln(1y ),u(2,y)ln(4y ),0y 1.⎧==+<<⎪⎨=+=+<<⎪⎩， 问题存在精确解为： 22(,)ln()u x y x y =+2．f (x,y)4,=- (0,1)(0,2)Ω=⨯，且边条件如下：2222u(x,0)x ,u(x,2)(x 2)0x 1;u(0,y)y ,u(1,y)(y 1),0y 2.⎧==-<<⎪⎨==-<<⎪⎩， 问题存在精确解为： 2(,)()u x y x y =-3．f (x,y)cos(x y)cos(x y),=++- (0,)(0,)2πΩ=π⨯，且边条件如下：u(x,0)cos x,u(x,)00x ;2u(0,y)cos y,u(,y)cos y,0y .2π⎧==<<π⎪⎪⎨π⎪=π=-<<⎪⎩， 问题存在精确解为： (,)cos cos u x y x y =.代码：主函数1，差分解function g=fivepoints(x1,x2,y1,y2,M,N)%变步长法h=(x2-x1)/M; %横轴步长k=(y2-y21/N; %纵轴步长m=M-1;n=N-1;h1=h^2;r=h1/k^2; %五点中的上下两个点的系数t=2+2*r; %五点中的中心点的系数x=x1+(x2-x1)*(0:M)/M; %x，y向量表示横纵坐标y=y1+(y2-y1)*(0:N)/N;a=zeros(m*n,m*n);b=zeros(m*n,1);%初始化a，b矩阵，a为系数矩阵%内部的（m-2）*（n-2）个点for i=2:m-1for j=2:n-1a(i+(j-1)*m,:)=[zeros(1,i-1+(j-2)*m) -r zeros(1,m-2) -1 t -1 zeros(1,m-2) -r zeros(1,(n-j)*m-i)];b(i+(j-1)*m)=h1*f(x(i+1),y(j+1));endend%下边缘j=1;for i=2:m-1a(i+(j-1)*m,:)=[zeros(1,i-2) -1 t -1 zeros(1,m-2) -r zeros(1,(n-j)*m-i)];b(i+(j-1)*m)=h1*f(x(i+1),y(j+1))+r*bottom(x(i+1));end;%右边缘i=m;for j=2:n-1a(i+(j-1)*m,:)=[zeros(1,(j-1)*m-1) -r zeros(1,m-2) -1 t zeros(1,m-1) -r zeros(1,(n-j)*m-i)];b(i+(j-1)*m)=h1*f(x(i+1),y(j+1))+right(y(j+1));end%上边缘j=n;for i=2:m-1a(i+(j-1)*m,:)=[zeros(1,i-1+(j-2)*m) -r zeros(1,m-2) -1 t -1 zeros(1,m-i-1)];b(i+(j-1)*m)=h1*f(x(i+1),y(j+1))+r*top(x(i+1));end%左边缘i=1;for j=2:n-1a(i+(j-1)*m,:)=[zeros(1,i-1+(j-2)*m) -r zeros(1,m-1) t -1 zeros(1,m-2) -rzeros(1,(n-j)*m-i)];b(i+(j-1)*m)=h1*f(x(i+1),y(j+1))+left(y(j+1));end;%左下角的那个点i=1;j=1;a(1,:)=[t -1 zeros(1,m-2) -r zeros(1,(n-1)*m-1)];b(1)=h1*f(x(2),y(2))+r*bottom(x(2))+left(y(2));%右下角的那个点i=m;j=1;a(i+(j-1)*m,:)=[zeros(1,m-2) -1 t zeros(1,m-1) -r zeros(1,(n-2)*m)]; b(i+(j-1)*m)=h1*f(x(i+1),y(j+1))+r*bottom(x(i+1))+right(y(j+1)); %左上角的那个点i=1;j=n;a(i+(j-1)*m,:)=[zeros(1,(n-2)*m) -r zeros(1,m-1) t -1 zeros(1,m-2)]; b(i+(j-1)*m)=h1*f(x(i+1),y(j+1))+r*top(x(i+1))+left(y(j+1));%右上角的那个点i=m;j=n;a(i+(j-1)*m,:)=[zeros(1,(n-1)*m-1) -r zeros(1,m-2) -1 t];b(i+(j-1)*m)=h1*f(x(i+1),y(j+1))+r*top(x(i+1))+right(y(j+1));u=a\bab2，精确解：function g=ni(x1,x2,y1,y2,M,N)m=M-1;n=N-1;x=x1+(x2-x1)*(0:M)/M;y=y1+(y2-y1)*(0:N)/N;for i=1:mfor j=1:nu1(i+(j-1)*m)=f1(x(i+1),y(j+1))endend（1）辅助函数function g=f(x,y)g=0;function g=bottom(x)g=2*log(x);function g=right(y)g=log(4+y^2);function g=top(x)g=log(x^2+1);function g=left(y)g=log(1+y^2);function g=f1(x,y)g=log(x^2+y^2);运行fivepoints(1,2,0,1,4,4)u =数值解0.4847467147016780.8376456266975491.1390195099193150.5944295076643080.9158860659528741.1974022894530100.7539416986884711.0340668399966291.287784599003526a =4 -1 0 -1 0 0 0 0 0 -1 4 -1 0 -1 0 0 0 0 0 -1 4 0 0 -1 0 0 0 -1 0 0 4 -1 0 -1 0 0 0 -1 0 -1 4 -1 0 -1 0 0 0 -1 0 -1 4 0 0 -1 0 0 0 -1 0 0 4 -1 0 0 0 0 0 -1 0 -1 4 -1 0 0 0 0 0 -1 0 -1 4b =0.5069117244448540.8109302162163292.5210301235267010.2231435513142101.4469189829363251.3872704470929461.1786549963416462.919669266564466运行ni(1,2,0,1,4,4)u1 =精确解Columns 1 through 30.485507815781701 0.838329190404443 1.139434283188365 Columns 4 through 60.594707107746693 0.916290731874155 1.197703191312341 Columns 7 through 90.753771802376380 1.034073767530539 1.287854288306638 误差很小（2）辅助函数function g=f(x,y)g=-4;function g=bottom(x)g=x^2;function g=right(y)g=(y-1)^2;function g=top(x)g=(x-2)^2;function g=left(y)g=y^2;function g=f1(x,y)g=(x-y)^2;fivepoints(1,2,0,1,4,4)fivepoints(0,1,0,2,4,4)u =0.062500000000000-0.0000000000000000.0625000000000000.5625000000000000.2500000000000000.0625000000000001.5625000000000001.0000000000000000.562500000000000a =Columns 1 through 32.500000000000000 -1.000000000000000 0 -1.000000000000000 2.500000000000000-1.0000000000000000 -1.000000000000000 2.500000000000000 -0.250000000000000 0 00 -0.250000000000000 00 0 -0.2500000000000000 0 00 0 00 0 0Columns 4 through 6-0.250000000000000 0 00 -0.250000000000000 00 0 -0.2500000000000002.500000000000000 -1.000000000000000 0 -1.000000000000000 2.500000000000000-1.0000000000000000 -1.000000000000000 2.500000000000000 -0.250000000000000 0 00 -0.250000000000000 00 0 -0.250000000000000Columns 7 through 90 0 00 0 00 0 0-0.250000000000000 0 00 -0.250000000000000 00 0 -0.2500000000000002.500000000000000 -1.000000000000000 0 -1.000000000000000 2.500000000000000-1.0000000000000000 -1.000000000000000 2.500000000000000b =0.015625000000000-0.1875000000000000.1406250000000000.750000000000000-0.250000000000000-0.2500000000000002.7656250000000000.3125000000000000.390625000000000精确解ni(0,1,0,2,4,4)u1 =u1 =Columns 1 through 30.062500000000000 0 0.062500000000000 Columns 4 through 60.562500000000000 0.2500000000000000.062500000000000Columns 7 through 91.562500000000000 1.0000000000000000.562500000000000误差很小（3）辅助函数function g=f(x,y)g=cosd(x+y)+cosd(x-y);function g=bottom(x)g=cosd(x);function g=right(y)g=-cosd(y);function g=top(x)g=0;function g=left(y)g=cosd(y);function g=f1(x,y)g=cosd(x)*cosd(y);数值解Pi=3.1415926fivepoints(0,pi,0,pi/2,4,4)u =0.6578183624886530.000000024999241-0.6578183271343870.5049807980892560.000000019229497-0.5049807708946410.2736443626241530.000000010432161-0.273644347870850a =10 -1 0 -4 0 0 0 0 0 -1 10 -1 0 -4 0 0 0 0 0 -1 10 0 0 -4 0 0 0 -4 0 0 10 -1 0 -4 0 0 0 -4 0 -1 10 -1 0 -4 0 0 0 -4 0 -1 10 0 0 -4 0 0 0 -4 0 0 10 -1 0 0 0 0 0 -4 0 -1 10 -1 0 0 0 0 0 -4 0 -1 10b =4.5582604075302670.000000137720159-4.5582602127645491.323957*********0.000000023374742-1.3239570281549570.7165204234523470.000000012650320-0.716520405562093精确解ni(0,pi,0,pi/2,4,4)u1 =Columns 1 through 30.653281493003155 0.000000024755257-0.653281457993935Columns 4 through 60.500000013397448 0.000000018946853-0.499999986602551Columns 7 through 90.270598066826879 0.000000010253963-0.270598052325585误差很小注：（1）需要对数值解与精确解作比较，以及不同步长选取下的误差比较。
关于解二维椭圆型高精度差分方程的交替方向迭代法
关于解二维椭圆型高精度差分方程的交替方向迭代法交替方向迭代法（alternating direction iterative method，简称ADI法）是一种常用于解二维椭圆型高精度差分方程的数值方法。
它的基本思想是将二维问题拆分为两个一维问题，然后依次迭代求解，从而达到解二维问题的目的。
一、AD方法的原理二维椭圆型方程可以表示为：>(A1u(i+1,j)+B1u(i,j+1)-(2A1+B1+C1)u(i,j)+B1u(i,j-1)+A1u(i-1,j))/Δx^2+(D1Δy^2)u(i,j)=f(i,j)，式中i,j分别为空间坐标，f(i,j)为已知的外力场，D1为系数。
对于前一半时间步，我们考虑j方向上的一维问题，可将上述方程改写为：>(A1+B1)u(i+1,j)+(C1-2A1-B1)u(i,j)+A1u(i-1,j)=f1(i,j)，式中f1(i,j)为已知。
对于后一半时间步，我们考虑i方向上的一维问题，可将上述方程改写为：>(A2+B2)u(i,j+1)+(C2-2A2-B2)u(i,j)+A2u(i,j-1)=f2(i,j)，式中f2(i,j)为已知。
通过交替迭代这两个方程，逐步逼近真实解。
二、AD方法的步骤1.选取初始解u0(i,j)，以及参数Δx，Δy和迭代终止准则ε。
2.开始迭代，设定初始误差e0=ε+1，n=0。
3. 使用前一半时间步的方程求解每个i所对应的j方向的一维问题，得到一个临时解ut(i,j)。
4.使用后一半时间步的方程求解每个j所对应的i方向的一维问题，得到一个新的解u(n+1)(i,j)。
5. 计算误差en=，u(n+1)-u(n)，2，n=n+16. 如果en ≤ ε，迭代结束，得到近似解u(n+1)；否则返回第3步。
7.算法结束。
三、AD方法的优势1.AD方法是一种分离的迭代方法，当网格较大时其计算量相对较小。
2.AD方法是一种隐式迭代方法，对稳定性和收敛性有较好的保证。
椭圆型方程的差分方法
通过实验验证理论分析的正确性。
参数调整
根据误差分析结果调整差分方法的参数。
稳定性分析的实例和结果
结果1
通过误差分析和数值实验，验证了差分方 法的数值稳定性和精度。
A 实例1
一维椭圆型方程的差分方法稳定性 分析。
B
C
D
结果2
通过误差分析和数值实验，验证了差分方 法的数值稳定性和精度，并比较了一维和 二维情况下的误差传播特性。
差分方法在椭圆型方程求解中的优势和局限性
优势
差分方法是求解偏微分方程的一种有效 数值方法，特别适用于大规模计算和并 行计算。它能够模拟偏微分方程的解， 并且具有较高的计算效率和精度。
VS
局限性
差分方法在处理边界条件和复杂几何形状 时可能遇到困难，有时需要引入额外的近 似和假设。此外，差分方法对于某些特殊 类型的偏微分方程可能不适用，或者需要 特殊的处理技巧。
04
差分方法的稳定性分析
稳定性分析的基本概念
数值稳定性
差分方法求解偏微分方程时，数值解对初值 和参数的敏感性。
误差传播
差分方法求解过程中误差的累积和扩散现象。
数值解的精度
差分方法得到的数值解与真实解之间的误差 大小。
稳定性分析的方法和步骤
建立数学模型
将偏微分方程转化为差分方程。
误差分析
计算差分方程的截断误差和全局误差。
差分方法的数学基础
离散化
将连续的函数或过程转换为离散的形式，以便于用数 值方法进行计分方程转化为差分 方程。
稳定性
差分方法的稳定性是指当时间步长趋于无穷小时，差 分方法的解收敛于微分方程的解。
差分方法的实现步骤
建立差分方程
根据微分方程和初边值条件，建立离散化的差 分方程。
课程大纲-西安建筑科技大学研究生院
课程大纲课程编号（理学院）课程名称随机规划学时40基本预备知识 1. 概率统计2. 最优化理论与算法3. 随机过程授课方式讲授、研讨基本要求掌握随机规划模型的类型。
（3TKH 主要类型），了解分布问题中参数LP 及其最优值得表达式，了解Z（3 ）的可测性及其概率分布，掌握简单分布问题的计算方法，了解逼近方法和最优值的数学期望的估计，掌握有补偿的二阶段问题和二阶段问题的数值解法，了解概率约束规划和随机拟次梯度法，了解上图收敛性。
教材及参考书《随机规划》，王全德编著，南京大学出版社，1990 年。
《随机线性规划》，Kall 著，王金德译，南京大学出版社。
讲授的主要内容：（每章后附学时数）1.随机规划的模型（6 学时）1.1分布问题，二阶段有补偿问题，概率约束问题；1.2多阶段有补偿问题和多阶段概率约束计划；1.3各类问题的统一形式与相互关系。
2.分布问题：（6 学时）2.1参数LP；2.2Z（3）的可测性；2.3最优化Z（3 ）的概率分布；2.4简单分布问题的计算方法；2.5逼近方法与最优值的数学期望的估计。
3.有补偿二阶段问题（8 学时）3.1一般有补偿二阶段的问题；3.2具有固定补偿矩阵的情形；3.3具有完备和简单补偿矩阵的二阶段问题。
4.二阶段问题的数值解法（8 学时）4.1具有离散随机变量的二阶段问题的解法；4.2简单补偿问题的解法。
5.概率约束规划（6 学时）可行解集合的特性，约束函数的分析性质，数值解法，逼近方法。
6.随机拟次梯度法（* ）（2 学时）7. 应用举例（2 学时）8. 上图收敛性（2 学时）注：（*）只做了解课程名称学时基本预备知识值代数601. 数学分析2. 线性代数3. 矩阵论4. 计算方法授课方式讲授基本要求1. 知道矩阵计算的基本工具，熟悉Vandermonde、Toeplitz 等方程组的解法及某些迭代法的收敛性，了解多项式加速技巧。
2.掌握不完全分解预先共轭梯度法，广义共轭剩余法，Lanczos 方法，求解特征值问题的同伦方法和分而治之法以及求解Jacobi 矩阵特征值反问题的正交约化法。
第二章椭圆型方程的有限差分法
.
差分方程(1.6)当i 1,2, N 1,时成立，加上边值条件 就得到关于的线性代方数程组：
Lhui
ui1
2ui h2
ui1
qiui
fi ,i
1,2,
N 1,(1.8)
u0 , uN . (1.9)
它的解ui是u(x)于x xi的近似。称(1.8),(1.9)为逼近(1.1) (1.2)的差分方程或差分格。式
立 差 分 方 程 的 稳 定检性验。相 容 条 件 并 不。困我难们 曾
用Taylo展 r 式证明它都满足条相件容，并且估计了截
误 差 的 阶 。 因 此 我主们要的任 务 去 建 立 差式分的格稳
定 性 ， 即 建 立 形 (1.1如7)的 估 计 式 ， 称 之 为差关分于方
程解的先验估计。 .
的解u，由Taylo展 r 式可得
u(xi1)2u(xi )u(xi1) h2
d2u(x) [ dx2 ]i
1h22[h2dux(2x)]o(h3),(1.3)
其中[ ]i表示括号内函xi点 数取值。 于 是 在 可 (1.1)写 将成 方 程
u(xi1)2uh(2xi)u(xi1)q(xi)u(xi)f(xi)Ri(u)(, 其 中 Ri(u)1 h22 [h2du(2 xx)]o(h3), (1.5)
)
u(
xi1
)
q(
xi
)u(
xi
)
f (xi ) Ri (u) fi Ri (u)
与Lhui
ui1
2ui h2
ui1
qiui
fi
相减，得 Lh(u(xi ) ui ). Ri (u)
引进误差
ei u( xi ) ui , 则误差函数 eh( xi ) ei满足下列差分方程；
- 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)。
(11)
这里 max i 。
1i N 1
设 yi Ei Ei* ，则由(9)和(10)知
l ( yi ) l ( Ei ) l ( Ei* ) 0, y0 yN 0 由离散极值原理有 yi 0 ，即
Ei Ei* , i 0,1, , N
同理可知
T(xi1) 2T(xi ) T(xi1) 1 1 1 T ''(xi ) h2 * {T(4) (i1) T (4) (i2 )} T '' (xi ) h2T (4) (i ) 2 12 2 12 h
'' 2 (4) 2 (4) (5) = {T (xi ) f (xi )} h T (i ) h T (i )
2
由（6）可知微分方程之解恰精确满足差分 方程， Ei* ( xi ) xi ( xi 1) 2
14
故知
Ei
2
max x (1 x)
0 x 1
8
换言之，
1 i N 1
（13） 这说明方法是稳定的，不会出现“差之毫 厘，缪以千里”的现象。
返回
max Ti * Ti
1 max i 8 1i N 1
d. 收敛性 问题： Ti 是 T(xi ) 的近似值， 究竟相差多少？
T ( xi 1 ) 2T ( xi ) T ( xi 1 ) 1 2 (4) f h T ( i ) i 2 12 h
15
由稳定性结果知
1 N 1
1 1 huij h2 ui1, j 2uij ui1, j k2 ui, j1 2uij ui, j1 fij f (xi , yj ) uij i, j (xi , yj )
1
K ( x, s ) x (1 s ) [0, x ] ( s )( x s )
则知 T ( x) K ( x, s ) f ( s )ds 0 其中
s(1 x ), 0 s x, x(1 s ), x s 1
4
• 数值计算是必要的； • 如果已知 T ( x ) ，欲求 f ( x ) ，这是一 个反问题（源问题），是一个典型的病 态问题。
从而得到迭代法：
Mxk 1 Nxk b
xk 1 M 1Nxk M 1b Sxk Tb
(*1)
18
阻尼迭代法 (Damped Iterative Method)
k1 Sxk M1b x k1 (1)xk [M1N(1)I]xk M1b (*2) xk1 x
(2)
T '(0) x ( x s) f ( s)ds
0
3
由 T (1) 0
可知
1 0
T '(0) (1 s) f ( s)ds
代入（2）得
T ( x) x(1 s) f ( s)ds ( x s) f ( s)ds
0 0
1
x
引入特征函数 1, 0 s x, [0, x ] ( s ) 0, x s 1
[ I D 1 A ] xk D 1b
Gauss-Seidel迭代法：
a11 a a 21 22 M L a31 a32 a33 an1 an2 an,n1 ann
20
b.对于由问题（1）离散而得的线性代数方 程组（4）用阻尼Jacobi迭代法求解。 考察取什么范围的值的时候是收敛的， 何时收敛速度最快？从理论上对所得的 数值结果进行理论分析。
返回
2
1） 数值计算是否必要？
T '( x) T '(0) f (u )du
x 0
x
T ( x) T '(0) f ( s )ds du
0
0
u
T '(0) x
T '(0) x
x 0 x
x
x
0
u
0
f ( s)dsdu
s
f ( s )duds
0 x 1,
(1)
1
(kT '( x)) ' f ( x), T (0) T (1) 0
0 x 1,
1. 数值计算是否必要？ 2. 数值求解思路（微分方程差分法） 3. 可靠性，有效性分析
a.离散后问题之解是否唯一？ b.从局部看，这种近似是否可靠截断误差分析？ c.稳定性 d.收敛性 e.离散后问题的求解
§2 椭圆型方程的差分方法
1. 从一个简单例子谈起 2. Poisson方程五点差分格式 3. 差分格式的性质 4.差分方程的求解 5. Poisson方程九点差分格式
1. 从一个简单的例子谈起
研究一维椭圆型方程：
d 2T 2 f ( x), dx T (0) T (1) 0
Ei Ei , i 0,1, , N
13
而 Ei Ei* ，故知
Ei Ei*
（12）
这个结果用物理直观来理解是自然的， 热源大(小)对应的温度场自然应大(小)。
Step 2 Ei* 的计算
( x) (0) (1) 0
( x) x( x 1)
的特征值。(i 2 cos
k 2, k 1, 2, N 1) N
返回
b. 从局部看，这种近似是否可靠 (截断误差分析)？
设 T ( x )是微分方程（1）的充分光滑解, 取 Ti T ( xi ) , 代入差分方程看效果如何.
T ( xi 1 ) 2T ( xi ) T ( xi 1 ) f ( xi ) 2 h
• 连续情形: y '' 0 ，易知结果的直观合理性；
• 可以用反证法简单证明。
12
构造两个辅助序列
Ei*1 2 Ei* Ei*1 , h2 E * E * 0, N 0
(10)
Ei 1 2 Ei Ei 1 , h2 E E 0 N 0
x
2． Poisson方程五点差分格式
u f u in
其中
(0, a ) (0, b )
建立目标点： a b y h k x 一方向步长： I 1 ； 一方向步长： J 1
21
得
( xi , y j )
1 i I,1 j J
xi ih, y j jk
1．物理定律数学模型 2．数学模型离散化 3．离散化上机计算 （解析化） （代数化） （算术化）
求解微分方程的另一种典型方法为有限元法，将 在后文中给出。
17
数值实验一
a.阻尼Jacobi迭代法 将A作矩阵分裂：
Ax b
(*)
AM N
其中A是非奇异矩阵。则（*）改写为：
Mx Nx b
5
在
xi 点 1 i N 1
d 2T f x ( ) dx 2 0 xi
问题：如何用目标点的信息描述所有连续 量？
中心差商： T ( xi 1 ) 2T ( xi ) T ( xi 1 ) d 2T x T x ( ) ''( ) i i dx 2 h2
这里是阻尼参数。（*1）和（*2）都可 视为基于矩阵分裂的迭代法。应该取 M 使得它的求逆是方便的且算法收敛。
常用的方法有： 1) Jacobi迭代法： 如果取
M D diag (aii )
则(*2)即阻尼Jacobi迭代法。
19
xk1 [D1(DA) (1)I]xk D1b
(5)
9
简记 x xi ， 由Taylor展开知
1 1 1 T ( xi 1 ) T ( x h) T ( x) T ' ( x)h T '' ( x)h2 T ''' ( x)h3 T (4) (i1 )h4 2 3! 4! 1 1 1 T ( xi 1 ) T ( x h) T ( x) T ' ( x)h T '' ( x)h2 T ''' ( x)h3 T (4) (i2 )h4 2 3! 4!
(3)
直观上，由（3）决定的 Ti 应为 T ( xi ) 的近 似值。
返回
3）可靠性，有效性分析
a.离散后问题之解是否唯一？ b.从局部看，这种近似是否可靠截断误差分析？ c.稳定性 d.收敛性 e.离散后问题的求解
返回
7
a.离散后问题之解是否唯一？
(3)为三对角方程组：
T1 f1 2 1 T f 1 2 1 2 2 1 2 h 1 1 2 ( N 1)( N 1) TN 1 f N 1
Step1 问题转化 离散极值原理： 对于一组不全相等的实数 { yi }iN 0 ,记 l ( yi ) ( yi 1 2 yi yi 1 ) / h 2 , 若 l ( yi ) 0, 1 i N 1 y y , 则 { yi }iN 0 的最大值只能为 0 或 N ; 若 l ( yi ) 0, 1 i N 1, 则 { yi }iN 0 的最小值 只能为 y0 或 yN 。
(4)
令
2 1 1 2 1 A 1 1 2 ( N 1)( N 1)