- •Г.Г КАШЕВАРОВА, Т.Б. ПЕРМЯКОВА
- •Предисловие
- •Введение
- •Общие сведения о математическом моделировании.
- •Численные методы
- •Элементы теории погрешности
- •Понятия мастера и надстройки
- •Глава 1. Основные понятия матричного исчисления. Матрицы в расчетах строительных объектов
- •1.1. Матрицы и векторы. Определения
- •1.2. Матрицы специального вида
- •1.3. Действия над матрицами
- •1.4. Нормы матрицы и вектора
- •1.5. Матрицы в задачах строительной механики
- •1.5.1. Матрицы влияния внутренних сил
- •1.5.2. Матричная форма расчета статически определимых ферм
- •1.5.3, Матричная форма метода сил
- •1.5.4. Матричная форма метода перемещений
- •1.6. Матрицы в расчетах инженерных сетей
- •1.7. Функции Excel для операций над матрицами
- •Категория: математические. Функции:
- •2.1. Системы линейных алгебраических уравнений
- •2.2.1. Метод Гаусса
- •2.2.2. Метод Гаусса для СЛАУ с ленточными матрицами
- •2.2.3. Метод прогонки
- •2.2.4. Метод (схема) Холецкого
- •2.3. Итерационные методы решения систем линейных алгебраических уравнений
- •2.3.1. Метод Якоби (простых итераций)
- •2.3.2. Метод Гаусса - Зейделя.
- •2.3.3. Условия сходимости итерационного процесса
- •2.5. Обусловленность задач и вычислений, или как узнать, что получены правильные ответы
- •2.6. Вычисление определителя
- •2.7. Вычисление обратной матрицы
- •2.8. Нахождение собственных значений и собственных векторов матриц
- •2.8.1. Вводные замечания
- •2.8.2. Методы развертывания вековых определителей
- •2.8.3. Итерационные методы определения максимального по модулю собственного значения
- •2.9.1. Реализация метода Гаусса средствами приложения Excel
- •Последовательность действий:
- •2.9.4. Реализация метода Зейделя средствами приложения Excel
- •Последовательность действий:
- •3.1. Отделение корней
- •3.2. Этап уточнения корня
- •3.2.1. Метод половинного деления (бисекций)
- •3.2.2.Метод хорд
- •3.2.3. Метод Ньютона (метод касательных)
- •3.2.4. Модифицированный метод Ньютона
- •3.3. Системы нелинейных уравнений
- •3.4. Реализация численных методов решения нелинейных уравнений средствами приложения Excel
- •3.4.1. Решение нелинейных уравнений
- •Последовательность действий
- •4.2.3. Интерполяционный полином Эрмита
- •4.2.4. Сплайн-интерполяция
- •Глава 4. Аппроксимация
- •4.1. Задача и способы аппроксимации
- •4.2. Интерполирование функций
- •4.2.1. Постановка задачи интерполирования
- •4.2.2. Интерполяционная формула Лагранжа
- •4.3. Среднеквадратичное приближение функций
- •4.3.1. Метод наименьших квадратов
- •4.3.4. Квадратичное (параболическое) приближение
- •4.3.4. Эмпирические формулы с двумя параметрами. Метод выравнивания
- •4.4. Решение задач аппроксимации с помощью электронных таблиц Excel
- •4.4.1. Построение линейной эмпирической формулы методом наименьших квадратов
- •Последовательность действий
- •Последовательность действий
- •5.1. Квадратурные формулы прямоугольников
- •5.2. Квадратурная формула трапеций
- •5.3. Квадратурная формула Симпсона
- •5.4. Реализация методов численного интегрирования средствами приложения Excel
- •Глава 6. Численные методы решения дифференциальных уравнений с начальными и краевыми условиями
- •6.1.1. Задачи Коши и краевые задачи
- •6.2.1.Классификация уравнений и типы задач
- •6.3. Численные методы решения задач Коши
- •6.3.1. Метод Эйлера
- •(геометрический метод решения задачи Коши)
- •6.4. Численные методы решения краевых задач
- •Разностная схема краевой задачи для обыкновенного дифференциального уравнения 2-го порядка
- •Конечно-разностная аппроксимация функций двух переменных
- •Сходимость метода конечных разностей
- •6.5. Вариационный подход к решению краевых задач
- •6.5.1. Основные понятия вариационного исчисления
- •6.5.2. Связь решения краевой задачи с нахождением минимума функционала
- •6.5.3. Метод Ритца
- •6.6.1. Решение задачи Коши методом Эйлера
- •Построение второй итерации
- •Последовательность действий.
- •Порядок построения графиков приближенных решений краевой задачи
- •Глава 7. Метод конечных элементов
- •7.1. Основные положения МКЭ
- •Построение расчетной модели
- •Аппроксимация искомой функции
- •Составление разрешающих уравнений
- •Решение системы линейных алгебраических уравнений
- •7.2.1. Классификация конечных элементов
- •Одномерный конечный элемент
- •Двухмерные конечные элементы.
- •элемента
- •Одномерный симплекс-элемент
- •Двухмерный треугольный симплекс-элемент
- •7.2.3. Интерполирование векторных величин
- •7.2.4. Разбиение области на конечные элементы
- •7.2.5 Нумерация узлов и элементов
- •7. 3. Основные соотношения МКЭ
- •7.3.1. Получение разрешающих уравнений на примере плоской задачи теории упругости
- •7.3.2. Примеры разрешающих уравнений в задачах расчета строительных объектов
- •7.4. Другие типы конечных элементов
- •7.4.1. Элементы Эрмита
- •7.5. Теоретическая и практическая сходимость МКЭ
- •7.6.1. Специализированные программные комплексы
- •7.6.2. Универсальные программные комплексы
- •8.1.1. Математическая модель задачи оптимизации
- •8.1. Общие сведения
- •8.1.2. Необходимые и достаточные условия экстремума функции
- •8.1.3. Классификация задач математического программирования
- •8.2. Постановка задачи оптимального проектирования
- •8.2.1. Определение входных и выходных параметров
- •8.2.2. Выбор целевой функции
- •8.2.3. Назначение ограничений
- •8.2.4. Нормирование управляемых и выходных параметров
- •8.2.5. Примеры постановок задач оптимального проектирования
- •8.3. Задачи линейного программирования
- •8.3.1. Общая постановка задачи ЛП
- •8.3.2. Геометрический смысл системы линейных неравенств с двумя неизвестными
- •8.3.4. Симплекс-метод решения задач линейного программирования
- •Задача об оптимальном плане выпуска продукции
- •Задача об оптимальном раскрое материалов (о минимизации отходов)
- •Задача о планировании смен на предприятии
- •Задача о покрытии местности при строительстве объектов
- •Транспортная задача
- •Задача о назначениях (проблема выбора)
- •8.3.6. Двойственные задачи в линейном программировании
- •8.4. Нелинейные задачи оптимизации
- •8.4.1. Выпуклые множества и выпуклые функции
- •8.4.2. Классификация численных методов решения нелинейных задач оптимизации
- •Основные этапы поиска экстремума
- •8.4.3. Численные методы одномерного поиска
- •Метод перебора или равномерного поиска
- •Метод дихотомии (или половинного деления)
- •Метод квадратичной интерполяции
- •Метод покоординатного спуска
- •Метод градиентного спуска
- •Метод наискорейшего спуска
- •Метод сопряженных градиентов
- •Метод Ньютона
- •Метод штрафных функций
- •8.5. Решение задач оптимизации с помощью электронных таблиц Excel
- •Литература
- •Оглавление
- •Численные методы решения задач строительства на ЭВМ
Кубическому сплайну (4.11) соответствует простая механическая аналогия - уравнение изогнутой оси стержня, проходящего под воздействием сосредоточенных сил через заданные точки.
4.3. Среднеквадратичное приближение функций
Среднеквадратичное приближение функций - это другой подход к получению аналитических выражений функций. Особенностью таких задач является тот факт, что исходные данные для построения тех или иных закономерностей имеют заведомо приближенный характер. Эти данные содержат погрешности измерительной аппаратуры, погрешности условий эксперимента, случайные ошибки и пр.
Предположим, что при обработке результатов какого-либо эксперимента обнаружена некая функциональная зависимость у=/(х) между независимой переменной х и зависимой переменной у. Эта зависимость представлена в виде табл. 4.1 значений у, ( 7 = 1 , 2 , полученных в ходе эксперимента.
Таблица 4.1
X i |
X i |
х 2 |
Х„ |
У. |
У\ |
У2 |
Ун |
Если аналитическое выражение функции y=f(x) неизвестно или весьма сложно, то возникает задача найти функцию у=<р(х), значения которой при x=xh возможно, мало отличалось бы от опытных данных у и ( / = 1 , Таким образом, исследуемая зависимость аппроксимируется функцией у=(р(х) на отрезке [льл,,]:
f(x)= ф ) . |
(4.17) |
Аппроксимирующая функция у=ср(х) называется
эмпирической формулой или уравнением регрессии.
Эмпирические формулы не претендует на роль законов природы, а являются лишь гипотезами, более или менее адекватно описывающими опытные данные. Однако значение их весьма
велико. В истории науки известны случаи, когда полученная удачная эмпирическая формула приводила к большим научным открытиям.
Для чего же нужна эта зависимость?
Если приближение (4.17) найдено, то можно:
просчитать значение у для любого х е [х,, х п]
(интерполяция); сделать прогноз о поведении исследуемого объекта вне
отрезка [ * | , х„ ] (экстраполяция); выбрать оптимальное направление развития исследуемого процесса.
Уравнение регрессии может иметь различный вид и различный уровень сложности в зависимости от особенностей исследуемого объекта и необходимой точности представления.
Геометрически задача построения уравнения регрессии состоит в проведении кривой L: у~Ц>(х) «возможно ближе» примыкающей к системе экспериментальных точек М, (х„ yj, 1=1,2,..,п, заданной табл. 4.1 (рис.4.3).
Рис. 4.3. Геометрический смысл задачи среднеквадратичного приближения.
При нахождении уравнения регрессии интерполяционный подход заведомо является неудачным, т.к. не требуется, чтобы значения эмпирической функции (pfo) совпадали с
экспериментальными значениями у, .Достаточно, чтобы разность их [ф(xt)-yi\ » была мала в известном смысле.
Построение уравнения регрессии (эмпирической функции) состоит из 2 этапов:
1)выбора общего вида уравнения регрессии,
2)определения его параметров.
Удачный выбор уравнения регрессии во многом зависит от опыта экспериментатора, исследующего какой-либо процесс, явление.
Часто в качестве уравнения регрессии выбирают полином
м |
|
ф(х) = а0 + atx + a2x2 +... + атха' = |
(4.18) |
к=0 |
|
Вторая задача, нахождение параметров уравнения регрессии |
|
- более легкая и решается регулярными методами, |
например, |
методом наименьших квадратов (МНК), который широко используется при изучении какой-либо закономерности на основе наблюдений или экспериментов.
Разработка этого метода связана с именами математиков прошлого - К.Гаусса и АЛежандра.
4.3.1. Метод наименьших квадратов
Допустим, что результаты эксперимента представлены в виде табл. 4.1. И уравнение регрессии записывается в виде (4.18), т.е. зависит от (/п+1) параметра а0, а ,, а2,..., ат:
т |
|
Ф(х,вг0,а „ в 2,...,ли) = £ акхк |
(4.19) |
Аг=0
Эти параметры и определяют расположение графика эмпирической формулы относительно экспериментальных точек М, (xh yj, /=1,2,..,и (рис.4.3). Однако эти параметры определяются не однозначно. Требуется подобрать параметры так, чтобы график
уравнения регрессии был расположен как можно ближе к системе экспериментальных точек.
Введем понятие отклонения значения уравнения регрессии (4.19) от табличного значения у, для дс,-
О j “ ф ( XI , С1 о, о 1 , а 2 V |
& т) |
У i ? / |
— 1,2,... |
п .(4.20) |
||
Рассмотрим сумму квадратов отклонений |
|
|
||||
|
п |
|
|
|
п |
|
S (п01а| а |
ш) = |
[ф(я, > |
, я j а |
—у t |
, сг ,• |
(4.21) |
|
/=1 |
|
|
|
/=1 |
|
Согласно МНК [9,12] наилучшими коэффициентами а, |
||||||
(/=0,1,..,ш) |
являются |
те, |
которые |
минимизирует |
функцию |
S { а О > а 1 1 а 2 >” • й ш )
Используя необходимые условия экстремума функции
нескольких переменных, получим так называемую нормальную систему для определения неизвестных коэффициентов
д S |
д S |
= |
Л |
д S |
(4.22) |
0 |
--------д а | |
0 |
------д а |
||
д а о |
|
|
|
Для аппроксимирующей функции (4.19) система (4.22) является системой линейных алгебраических уравнений относительно неизвестных а0, ах, а 2,..., а т
Если т>п, то существует бесконечно много многочленов (4.19), минимизирующих функцию (4.21). Если т=п-1, то существует только один многочлен (4.19), минимизирующий функцию (4.21). Будем считать, что т<п—1.
Чем меньше т, тем проще эмпирическая формула, но это не всегда лучше.
4.3.2. Линейная эмпирическая формула
Самой простой и популярной является аппроксимация (приближение) прямой линией, так называемой линейной регрессией. Рассмотрим МНК для такого случая, когда
эмпирическая формула (уравнение регрессии) имеет вид |
|
у = у(х, а, Ь) = а + Ъх. |
(4.23). |
Согласно МНК наилучшими параметрами функции <р(х,а,Ь) считаются те, для которых сумма квадратов отклонений S(a. Ь) является минимальной:
$(а,Ь) = '£ (ф ,,а ,Ь )-у ,)2 = Y jfi+ bx,- у ,) 2 (4.24)
/и I =I
Для минимизации функции S=S(a,b) достаточно продифференцировать ее по параметрам я и А и приравнять производные нулю.
Врезультате чего получим систему линейных
алгебраических уравнений, из которой определим параметры а и А. |
||||
г |
/I |
П |
|
|
|
n a + bj^x, |
|
|
|
• |
„ |
,=’ . |
'=1 „ |
(4-25) |
. |
/=| |
/=1 |
/=1 |
|
Решив эту систему относительно неизвестных а й в , получим:
_ |
ы |
/-1 /=| |
ь= |
|
|
(4.26)
/=I /=1____ /=]____ /=1
" b i - b .b . |
|
ыI |
/=| I»1 |
Подставив значения а и в в линейную формулу (4.23), получим математическую модель исследуемого процесса, которую можно использовать для определения значения у для любого значения х.
Степень точности аппроксимации исследуемого процесса с помощью полученной функциональной зависимости может быть оценена по значению среднего квадратичного отклонения.
Под средним квадратичным отклонением функций y-f(x)
и y=iр(х) на множестве точек {х^,хг,..,хп}с.\а,Ь\ |
понимается |
число |
|
Д |
(4.27) |
где У/ - экспериментальное значение, <р (хtj - значение, вычисленное по формуле (4.23) для х,. ( i= 1, 2,..,п).
В численных методах анализа [13] доказывается, что если среднее квадратичное отклонение Д „ мало для “подавляющего
большинства” значений хе[а, 6] (т.е. в “среднем” на [а, |
6]), то |
абсолютная величина Дх)-<р(х) также мала на отрезке [а, |
Ь], т.е. |
I/ (х) - ф(лс)| <s для х е[а, Ъ] (рис.4.4). |
|
У
Ц |
. ___________ |
i J L |
О |
а |
Ь |
Рис.4.4. Геометрический смысл степени точности аппроксимации