Численные методы решения нелинейных уравнений примеры решения

Численные методы решения нелинейных уравнений

В этом разделе приведены примеры решенных задач по теме нахождения корней нелинейных уравнений численными методами. На первом этапе обычно происходит локализация (отделение) корней (графически или аналитически), на втором — уточнение (поиск) корней разными методами: Ньютона, Стеффенсена, секущих, хорд, касательных, простой итерации.

Примеры приближенных решений нелинейных уравнений онлайн

Задача 1. Методом бисекции найти решение нелинейного уравнения на отрезке $[a;b]$ с точностью $\varepsilon = 10^<-2>$. Выбрав полученное решение в качестве начального приближения, найти решение уравнения методом простой итерации с точностью $\varepsilon=10^<-4>$. Для метода простой итерации обосновать сходимость и оценить достаточное для достижения заданной точности число итераций.

Задача 2. Отделить корни нелинейного уравнения аналитически $2 arcctg x -x+3=0$.

Задача 3. Отделить корни нелинейного уравнения аналитически и уточнить один из них методом проб с точностью до 0,01. $$3x^4-8x^3-18x^2+2=0.$$

Задача 4. Отделить корни нелинейного уравнения графически (например, в среде EXCEL) уточнить один из них методом проб с точностью до 0,01. $$x^2-20 \sin x =0.$$

Задача 5. Отделите корни уравнения графически и уточните один из них методом хорд с точностью до 0,001. Уточните один из корней этого уравнения методом касательных с точностью до 0,001. $$ \sqrt — \cos 0.387 x =0.$$

Задача 6.Отделить корни уравнения графически и уточнить один из них методом итераций с точностью до 0,001. $$\sqrt=\frac<1>.$$

Задача 7. На отрезке $[0;2]$ методом Ньютона найти корень уравнения $-x^3-2x^2-4x+10=0$ с точностью 0,01.

Задача 8. Методом хорд найти отрицательный корень уравнения $x^3-2x^2-4x+7=0$ с точностью 0,0001. Требуется предварительное построение графика функции и отделение корней.

Задача 9. Решить нелинейные уравнения с точностью до 0.001. $$1)\, x^3-12x-5=0\, (x \gt 0), \, 2)\, \tan x -1/x=0. $$

Численные методы решения систем нелинейных уравнений

Введение

Многие прикладные задачи приводят к необходимости нахождения общего решения системы нелинейных уравнений. Общего аналитического решения системы нелинейных уравнений не найдено. Существуют лишь численные методы.

Следует отметить интересный факт о том, что любая система уравнений над действительными числами может быть представлена одним равносильным уравнением, если взять все уравнения в форме , возвести их в квадрат и сложить.

Для численного решения применяются итерационные методы последовательных приближений (простой итерации) и метод Ньютона в различных модификациях. Итерационные процессы естественным образом обобщаются на случай системы нелинейных уравнений вида:

(1)

Обозначим через вектор неизвестных и определим вектор-функцию Тогда система (1) записывается в виде уравнения:

(2)

Теперь вернёмся к всеми любимому Python и отметим его первенство среди языков программирования, которые хотят изучать [1].

Этот факт является дополнительным стимулом рассмотрения числительных методов именно на Python. Однако, среди любителей Python бытует мнение, что специальные библиотечные функции, такие как scipy.optimize.root, spsolve_trianular, newton_krylov, являются самым лучшим выбором для решения задач численными методами.

С этим трудно не согласится хотя бы потому, что в том числе и разнообразие модулей подняло Python на вершину популярности. Однако, существуют случаи, когда даже при поверхностном рассмотрении использование прямых известных методов без применения специальных функций библиотеки SciPy тоже дают неплохие результаты. Иными словами, новое- это хорошо забытое старое.

Так, в публикации [2], на основании проведенных вычислительных экспериментов, доказано, что библиотечная функция newton_krylov, предназначенная для решения больших систем нелинейных уравнений, имеет в два раза меньшее быстродействие, чем алгоритм TSLS+WD
(two-step least squares), реализованный средствами библиотеки NumPy.

Целью настоящей публикации является сравнение по числу итераций, быстродействию, а главное, по результату решения модельной задачи в виде системы из ста нелинейных алгебраических уравнений при помощи библиотечной функции scipy.optimize.root и методом Ньютона, реализованного средствами библиотеки NumPy.

Возможности решателя scipy.optimize.root для численного решения систем алгебраических нелинейных уравнений

Библиотечная функция scipy.optimize.root выбрана в качестве базы сравнения, потому что имеет обширную библиотеку методов, пригодных для сравнительного анализа.

scipy.optimize.root(fun, x0, args=(), method=’hybr’, jac=None, tol=None,callback=None, ptions=None)
fun — Векторная функция для поиска корня.
x0 –Начальные условия поиска корней

method:
hybr -используется модификация Пауэлл гибридный метод;
lm – решает системы нелинейных уравнений методом наименьших квадратов.
Как следует из документации [3] методы broyden1, broyden2, anderson, linearmixing, diagbroyden, excitingmixing, krylov являются точными методами Ньютона. Остальные параметры являются «не обязательными» и с ними можно ознакомится в документации.

Методы решения систем нелинейных уравнений

Приведенный далее материал действительно можно прочитать в литературе, например в [4], но я уважаю своего читателя и для его удобства приведу вывод метода по возможности в сокращенном виде. Те, кто не любит формулы, этот раздел пропускают.

В методе Ньютона новое приближение для решения системы уравнений (2) определяется из решения системы линейных уравнений:

(3)

Определим матрицу Якоби:

(4)

Запишем(3) в виде:

(5)

Многие одношаговые методы для приближенного решения (2) по аналогии с двухслойными итерационными методами для решения систем линейных алгебраических уравнений можно записать в виде:

(6)

где — итерационные параметры, a — квадратная матрица n х n, имеющая обратную.

При использовании записи (6) метод Ньютона (5) соответствует выбору:

Система линейных уравнений (5) для нахождения нового приближения может решаться итерационно. В этом случае мы имеем двухступенчатый итерационный процесс с внешними и внутренними итерациями. Например, внешний итерационный процесс может осуществляться по методу Ньютона, а внутренние итерации — на основе итерационного метода Зейделя

При решении систем нелинейных уравнений можно использовать прямые аналоги стандартных итерационных методов, которые применяются для решения систем линейных уравнений. Нелинейный метод Зейделя применительно к решению (2) дает:

(7)

В этом случае каждую компоненту нового приближения из решения нелинейного уравнения, можно получить на основе метода простой итерации и метода Ньютона в различных модификациях. Тем самым снова приходим к двухступенчатому итерационному методу, в котором внешние итерации проводятся в соответствии с методом Зейделя, а внутренние — с методом Ньютона.

Основные вычислительные сложности применения метода Ньютона для приближенного решения систем нелинейных уравнений связаны с необходимостью решения линейной системы уравнений с матрицей Якоби на каждой итерации, причем от итерации к итерации эта матрица меняется. В модифицированном методе Ньютона матрица Якоби обращается только один раз:

(8)

Выбор модельной функции

Такой выбор не является простой задачей, поскольку при увеличении числа уравнений в системе в соответствии с ростом числа переменных результат решения не должен меняться, поскольку в противном случае невозможно отследить правильность решения системы уравнений при сравнении двух методов. Привожу следующее решение для модельной функции:

Функция f создаёт систему из n нелинейных уравнений, решение которой не зависит от числа уравнений и для каждой из n переменных равно единице.

Программа для тестирования на модельной функции c результатами решения системы алгебраических нелинейных уравнений с помощью библиотечной функции optimize.root для разных методов отыскания корней

Только один из методов, приведенных в документации [3] прошёл тестирование по результату решения модельной функции, это метод ‘krylov’.

Решение для n=100:

Вывод: С увеличением числа уравнений вдвое заметно появление ошибок в решении. При дальнейшем увеличении n решение становится не приемлемым, что возможно из-за автоматической адаптации к шагу, эта же причина резкого падения быстродействия. Но это только моё предположение.

Программа для тестирования на модельной функции c результатами решения системы алгебраических нелинейных уравнений с помощью программы написанной на Python 3 с учётом соотношений (1)-(8) для отыскания корней по модифицированному методу Ньютона

Решение для n=100:

Решение для n=200:

Solution:
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1.]
Newton iteration = 14
Newton method time 1.869 seconds

Чтобы убедиться в том, что программа действительно решает систему, перепишем модельную функцию для ухода от корня со значением 1 в виде:

Получим:
Solution:
[ 0.96472166 0.87777036 0.48175823 -0.26190496 -0.63693762 0.49232062
-1.31649896 0.6865098 0.89609091 0.98509235]
Newton iteration = 16
Newton method time 0.046 seconds

Вывод: Программа работает и при изменении модельной функции.

Теперь вернёмся к начальной модельной функции и проверим более широкий диапазон для n, например в 2 и 500.
n=2
Solution:
[1. 1.]
Newton iteration = 6
Newton method time 0.048 seconds
n=500

1 Численный метод решения нелинейных уравнений

1.1 Область локализации корней

В общем виде любое уравнение одной переменной принято записывать так , при этом корнем (решением) называется такое значение x*, что оказывается верным тождеством. Уравнение может иметь один, несколько (включая бесконечное число) или ни одного корня. Как легко видеть, для действительных корней задача отыскания решения уравнения легко интерпретируется графически: корень есть такое значение независимой переменной, при котором происходит пересечение графика функции, стоящей в левой части уравнения f ( x ), с осью абсцисс.

Например , для уравнения выполним преобразование и приведем его к виду f(x)= 0 т.е. . График этой функции представлен на рисунке 1. Очевидно, что данное уравнение имеет два действительных корня – один на отрезке [-1, 0] , а второй – [1, 2].

Рисунок 1. График функции

Таким образом, можно приблизительно определять область локализации корней уравнения. Заметим, что отделить корень можно не единственным образом: если корень отделён на каком-либо отрезке, то годится и любой меньший отрезок, содержащий этот корень. Вообще говоря, чем меньше отрезок, тем лучше, но при этом не следует забывать о том, что на отделение корня на меньших отрезках также тратятся вычислительные усилия, и, быть может, весьма значительные. Таким образом, часто для начала довольствуются весьма широким отрезком, на котором корень отделён.

Некоторые виды уравнений допускают аналитическое решение. Например, степенные алгебраические уравнения степени n при n ≤ 4. Однако, в общем виде, аналитическое решение, как правило, отсутствует. В этом случае, применяются численные методы. Все численные методы решения уравнений представляют собой итерационные алгоритмы последовательного приближения к корню уравнения. То есть, выбирается начальное приближение к корню x ₀ и затем с помощью итерационной формулы генерируется последовательность x ₁, x ₂, …, x_k сходящаяся к корню уравнения .

1.2 Критерии сходимости при решении уравнений

Ø Абсолютная погрешность — абсолютное изменение приближения на соседних шагах итерации

Ø Относительная погрешность — относительное изменение приближения на соседних шагах итерации

Ø Близость к нулю вычисленного значения левой части уравнения (иногда это значение называют невязкой уравнения, так как для корня невязка равна нулю)

1.3 Метод половинного деления (метод дихотомии)

Метод половинного деления основан на последовательном делении отрезка локализации корня пополам.

Для этого выбирается начальное приближение к отрезку [ a , b ], такое, что f ( a ) × f ( b ) — середине отрезка [ a , b ]. Если он противоположен знаку функции в точке a, то корень локализован на отрезке [ a , c ], если же нет – то на отрезке [ c , b ]. Схема метода дихотомии приведен на рис у нке 2.

Рисунок 2. Последовательное деление отрезка пополам и приближение к корню

Алгоритм метода дихотомии можно записать так:

1. представить решаемое уравнение в виде

2. выбрать a, b и вычислить

3. если f(a) × f( с ) то a=a; b = c иначе a = c; b=b

4. если критерий сходимости не выполнен, то перейти к п. 2

Пример решения уравнения методом дихотомии

Найти решение заданного уравнения методом дихотомии с точностью до 10 -5 .

Пример создания расчетной схемы на основе метода дихотомии на примере уравнения: на отрезке [1, 2]

Данный метод заключается в проверке на каждой итерации условия:

если f ( a ) × f (с) и выбор соответствующего отрезка для следующей итерации.

Рисунок 3. Последовательность итераций метода дихотомии при поиске корня уравнения на отрезке [1, 2]

a ) схема расчета (зависимые ячейки); b) режим отображения формул;

Для нашего примера итерационная последовательность для нахождения решения принимает вид:

Точность до пятой значащей цифры достигается за 20 итераций.

Скорость сходимости этого метода является линейной.

При выполнении начального условия он сходится к решению всегда.

Метод половинного деления удобен при решении физически реальных уравнений, когда заранее известен отрезок локализации решения уравнения.

2 Решение уравнений , используя “Подбор параметра ”

Используя возможности Excel можно находить корни нелинейного уравнения вида f(x)=0 в допустимой области определения переменной. Последовательность операций нахождения корней следующая:

1. Производится табулирование функции в диапазоне вероятного существования корней;

2. По таблице фиксируются ближайшие приближения к значениям корней;

3. Используя средство Excel Подбор параметра, вычисляются корни уравнения с заданной точностью.

При подборе параметра Excel использует итерационный (циклический) процесс. Количество итераций и точность устанавливаются в меню Сервис/Параметры/вкладка Вычисления. Если Excel выполняет сложную задачу подбора параметра, можно нажать кнопку Пауза в окне диалога Результат подбора параметра и прервать вычисление, а затем нажать кнопку Шаг, чтобы выполнить очередную итерацию и просмотреть результат. При решении задачи в пошаговом режиме появляется кнопка П родолжить — для возврата в обычный режим подбора параметра.

2.1 Пример решения уравнения, используя “Подбор параметра”

Например , найдем все корни уравнения 2x 3 -15sin(x)+0,5x-5=0 на отрезке [-3 ; 3].

Для локализации начальных приближений необходимо определить интервалы значений Х, внутри которых значение функции пересекает ось абсцисс, т.е. функция меняет знак. С этой целью табулируем функцию на отрезке [–3; 3] с шагом 0,2, получим табличные значения функции. Из полученной таблицы находим, что значение функции трижды пересекает ось Х, следовательно, исходное уравнение имеет на заданном отрезке все три корня.

Рисунок 4. Поиск приближенных значений корней уравнения

Выполните команду меню Сервис/Параметры, во вкладке Вычисления установите относительную погрешность вычислений E=0,00001, а число итераций N=1000, установите флажок Итерации.

Выполните команду меню Сервис/Подбор параметра. В диалоговом окне (рисунок 9) заполните следующие поля:

þ Установить в ячейке : в поле указывается адрес ячейки, в которой записана формула правой части функции;

þ Значение : в поле указывается значение, которое должен получить полином в результате вычислений, т.е. правая часть уравнения (в нашем случае 0);

þ Изменяя значение : в поле указывается адрес ячейки (где записано начальное приближение), в которой будет вычисляться корень уравнения и на которую ссылается формула.

Рисунок 5. Диалоговое окно Подбор параметра для поиска первого корня

После щелчка на ОК получим значение первого корня -1,65793685 .

Выполняя последовательно операции аналогичные предыдущим, вычислим значения остальных корней: -0,35913476 и 2,05170101 .

3 Решение уравнений и систем уравнений, используя надстройку “Поиск решения”

Для решения уравнений можно также использовать команду Поиск решения, доступ к которой реализуется через пункт меню Сервис/Поиск решения.

Последовательность операций нахождения корней следующая:

1. Найти приближенное значение корня уравнения

2. Открыть диалог Поиск решения и установить следующие параметры (рисунок 10):

þ в поле У становить целевую ячейку ввести адрес ячейки, содержащей формулу (левую часть уравнения);

þ установить переключатель в положение ‘ значению’ и ввести значение 0 (правая часть уравнения);

þ в поле Изменяя ячейки ввести адреса изменяемых ячеек, т.е. аргумента x целевой функции,;

þ в поле Ограничения с помощью кнопки Д обавить ввести все ограничения, которым должен отвечать результат поиска (область поиска корня уравнения);

þ для запуска процесса поиска решения нажать кнопку В ыполнить.

þ Для сохранения полученного решения необходимо использовать переключатель С охранить найденное решение в открывшемся окне диалога Результаты поиска решения.

Рисунок 6. Диалоговое окно Поиск решения

Полученное решение зависит от выбора начального приближения. Поиск начальных приближений рассмотрен выше.

Рассмотрим некоторые Опции, управляющие работой Поиска решения, задаваемые в окне Параметры (окно появляется, если нажать на кнопку Параметры окна Поиск решения):

þ Максимальное время — ограничивает время, отведенное на процесс поиска решения (по умолчанию задано 100 секунд, что достаточно для задач, имеющих около 10 ограничений, если задача большой размерности, то время необходимо увеличить).

þ Относительная погрешность — задает точность, с которой определяется соответствие ячейки целевому значению или приближение к указанным ограничениям (десятичная дробь от 0 до 1).

þ Неотрицательные значения — этим флажком можно задать ограничения на переменные, что позволит искать решения в положительной области значений, не задавая специальных ограничений на их нижнюю границу.

þ Показывать результаты итераций — этот флажок позволяет включить пошаговый процесс поиска, показывая на экране результаты каждой итерации.

þ Метод поиска — служит для выбора алгоритма оптимизации. Метод Ньютона был рассмотрен ранее. В Методе сопряженных градиентов запрашивается меньше памяти, но выполняется больше итераций, чем в методе Ньютона. Данный метод следует использовать, если задача достаточно велика и если итерации дают слишком малое отличие в последовательных приближениях.

Рисунок 7. Вкладка Параметры окна Поиск решения

3.1 Пример решения уравнения, используя надстройку “Поиск решения”

Например , найдем все корни уравнения 2x 3 -15sin(x)+0,5x-5=0 на отрезке [-3 ; 3]. Для локализации начальных приближений необходимо определить интервалы значений Х, внутри которых значение функции пересекает ось абсцисс, т.е. функция меняет знак. С этой целью табулируем функцию на отрезке [–3;3] с шагом 0,2, получим табличные значения функции. Из полученной таблицы находим, что значение функции трижды пересекает ось Х, следовательно, исходное уравнение имеет на заданном отрезке все три корня. На рисунке 12 представлен пример заполнения окна Поиск решения для нахождения первого корня на отрезке [-2; -1].

Рисунок 8. Пример решения уравнения при помощи надстройки Поиск решения

Задание 1. Решение уравнений численным методом

На листе 1 (название листа: Численные методы) для заданного уравнения вида f(x)=0 (Таблица 1. Индивидуальные задания ) реализовать итерационные расчетные схемы методов, указанных в Таблице 1 для нахождения хотя бы одного корня на заданном интервале. Количество итераций просчитать, оценивая , .

Задания 2. Решение уравнений встроенными средствами “Подбор параметра” и “Поиск решения”

На листе 2 (название листа: Подбор Поиск) для заданного уравнения вида f(x)=0 (Таблица 1. Индивидуальные задания) на заданном интервале и с некоторым шагом (шаг выбрать самостоятельно) построить таблицу значений функции f(x) и определить количество корней уравнения и выделить интервалы, на которых находятся корни. Построить график функции. Уточнить на заданных интервалах с точностью до 10 -6 корни уравнения с помощью встроенных средств: Подбор параметра, Поиск решения

источники:

http://habr.com/ru/post/419453/

http://zf.bsut.by/it/fbo/zda/t5.htm