数值分析算法 MATLAB 实践 非线性方程(组)求解

本文涉及的产品
函数计算FC,每月15万CU 3个月
简介: 数值分析算法 MATLAB 实践 非线性方程(组)求解

数值分析算法 MATLAB 实践 非线性方程(组)求解

4.1 二分法

在这里插入图片描述

function [c,err,yc]=bisectmethod(fun,a,b,delta)
% 二分法function [c,err,yc]= bisectmethod (fun,a,b,delta)
%a为左区间,b为右区间,delta为区间误差限 
%c求解的值,err误差,yc:c在f(x)处的值
    ya=feval('fun',a);
    yb=feval('fun',b);
    if yb==0
        c=b;
        return;
    end
    if(ya*yb)>0
        disp('(a,b)不是有根区间');
        return;
    end
    max1=1+round((log(b-a)-log(delta))/log(2));
    for k=1:max1
        c=(a+b)/2;
        yc=feval('fun',c);
        if yc==0
            a=c;
            b=c;
            return;
        elseif(yb*yc)>0
                b=c;
                yb=yc;
        else
                a=c;
                ya=yc;
        end
        if(b-a)<delta
            break;
        end
    end
    c=(a+b)/2;
    err=abs(b-a);
    yc=feval('fun',c);
end
% 二分法function [c,err,yc]=bisectmethod(fun,a,b,delta)
%a为左区间,b为右区间,delta为区间误差限 
%c求解的值,err误差,yc:c在f(x)处的值
eps = 1e-4;
[x0,err,y_x0]=bisectmethod(@fun,-2,-1,eps);
disp(['方程组的解:x0= ']);
disp(x0)
function [xc,k_cnt] = bisect(f,a,b,tol)
% 二分法function [xc,k_cnt] = bisect(f,a,b,tol)
%a为左区间,b为右区间,tol为区间误差限 
%xc求解的值
    if sign(f(a))*sign(f(b))>=0
        error('f(a)f(b)<0 not satisfied!') % 停止运行
    end
    fa = f(a);
    fb = f(b);
    k_cnt=0;
    while (b-a)/2 > tol
        c = (a+b)/2;
        fc = f(c);
        if fc == 0
            break
        end
  if sign(fc)*sign(fa) < 0 
% [a,c]是新的区间
           b = c;
          fb = fc;
        else     % [b,c]是新的区间
            a = c;
            fa = fc;
        end
        k_cnt=k_cnt+1;
    end
xc = (a+b)/2; 
 % 新的中点就是最优估计
end
% 二分法function [xc,k_cnt] = bisect(f,a,b,tol)
%a为左区间,b为右区间,tol为区间误差限 
%xc求解的值
[x1,k1_cnt] = bisect(@fun,-2,-1,eps);
disp(['迭代次数:k1_cnt= ']);
disp(k1_cnt)
disp(['方程组的解:x1= ']);
disp(x1)

function y=fun(x)
    y=x.^3-3*x-1;
end

4.2 牛顿迭代法

在这里插入图片描述

function[p1,err,k,y]=NewtonFunmethod(fun,dfun,p0,delta,max1)
%fun是给定的非线性函数  %p0为初始值  %delta为给定误差界
%max1迭代次数的上限  %p1为所求得的方程的近似解  %err为p1-p0的绝对值
%k为所需要的迭代次数  %y=fun(p1)
for k=1:max1
p1 = p0-fun(p0)/dfun(p0);
%一定要有fun,dfun .m文件
%p1=p0feval('fun',p0)/feval('dfun',p0);
 err=abs(p1-p0);
  p0=p1;
  %y=feval('fun',p1);
    y= fun(p1);
   if(err<delta)|(y==0)
       break;
     end
end
end
%function [p1,err,k,y]=NewtonFunmethod(fun,dfun,p0,delta,max1)
%NewtonFunmethod对于初值比较敏感,选择不好,出现不收敛情况
delta = 1e-7;
p0 = 1.2;
it_max = 100;
[x2,err,k2_cnt,y]=NewtonFunmethod(@fun1,@dfun1,p0,delta,it_max);
disp(['迭代次数:k2_cnt= ']);
disp(k2_cnt)
disp(['方程组的解:x2= ']);
disp(x2)

function y=fun1(x)
    y=x.^3-3*x+2;
end
function y=dfun1(x)
    y=3*x.^2-3;
end

4.3 割线法

在这里插入图片描述

function[p1,err,k,y]=secantFunmethod(fun,p0,p1,delta,max1)
%割线法fun是给定的非线性函数  %p0,p1为初始值  %delta为给定误差界
%max1迭代次数的上限  %p1为所求得的方程的近似解  %err为p1-p0的绝对值
%k为所需要的迭代次数  %y=fun(p1)
for  k=1:max1
    p2 = p1-fun(p1)*(p1-p0)/(fun(p1)-fun(p0));
    err=abs(p2-p1);
    p0=p1;
    p1=p2;
    y = fun(p1);
    if(err<delta)||(abs(y)<0.00001)
          break;
    end
end
delta = 1e-6;
p0 = 1.0;
p1 = 1.5;
it_max = 100;
[x3,err,k3_cnt,y]=secantFunmethod(@fun2,p0,p1,delta,it_max);
disp(['迭代次数:k3_cnt= ']);
disp(k3_cnt)
disp(['方程组的解:x3= ']);
disp(x3)

function y=fun2(x)
    y=x.^3+4*x.^2-10;
end

4.4 非线性方程组-牛顿法

%牛顿迭代法 计算非线性方程组
%输入 x0 为迭代初值
%tol 为误差容限 如果缺省 默认为 10 的-10 次方
%data 用来存放计算的中间数据便于计算收敛情况分析
function [x,n,data]=new_ton(x0,tol)
    if nargin==1
         tol=1e-10;
    end
    x1=x0-f1(x0)/df1(x0);
    n=1;
    %迭代过程
    while (norm(x1-x0)>tol)
        x0=x1;
        x1=x0-f1(x0)/df1(x0);
        n=n+1;
        %data 用来存放中间数据
        data(:,n)=x1;
    end
    x=x1;
end
%牛顿迭代法的 方程函数
function f=f1(x0)
x=x0(1);
y=x0(2);
f1=x^2-2*x-y+0.5;
f2=x^2+4*y^2-4;
%最后方程函数 以行向量输出
f=[f1 f2];
end
% 求解非线性方程表达式的雅可比矩阵
function f=df1(x0)
    x=x0(1);
    y=x0(2);
    f=[2*x-2 -1
2*x 8*y];
end
x1=[1 1];
[x_1,k1_cnt,data]=new_ton(x1);
disp(['迭代次数:k1_cnt= ']);
disp(k1_cnt)
disp(['方程组的解:x_1= ']);
disp(x_1)
%抽取 data1 中第一个变量数据 画出曲线
subplot(2,1,1)
plot(data(1,:)),title('x 在迭代中的变化')
%抽取 data 中的第二个变量数据 画出其变化曲线
subplot(2,1,2)
plot(data(2,:)),title('y 在迭代中的变化')

在这里插入图片描述

function [allx,ally,r,n]=MultiNewton(F,x0,eps)
% allx是用来记录每一步迭代的点的矩阵,ally是用来记录迭代点对应计算出来的函数值的,
% r是满足精度要求的最终迭代点 n迭代次数
  if nargin==2
    eps=1.0e-4;
  end
  x0 = transpose(x0);
  Fx = subs(F,transpose(symvar(F)),x0);
  var = transpose(symvar(F));
  dF = jacobian(F,var);
  dFx = subs(dF,transpose(symvar(F)),x0);
  n=dFx;
  r=x0-inv(dFx)*Fx';
  n=1;
  tol=1;
  N=100;
  symx=length(x0);
  ally=zeros(symx,N);
  allx=zeros(symx,N);
  while tol>eps
    x0=r;
    Fx = subs(F,transpose(symvar(F)),x0);
    dFx = subs(dF,transpose(symvar(F)),x0);
    r=vpa(x0-inv(dFx)*Fx');
    tol=norm(r-x0)
    if(n>N)
disp('迭代步数太多,可能不收敛!');break;
    end
    allx(:,n)=x0;
    ally(:,n)=Fx;
    n=n+1;
end
function f = Multifun(x)


% 只需要将fun.m文件中的 k更改为所需维数,文件中的方程替换为你自己所需的方程
% x(1)->x x(2)->y x(3)->z
%{
    f(1)=3*x(1)-cos(x(1)*x(2))-1/2;
    f(2)=x(1)^2-81*(x(2)+0.1)^2+sin(x(3))+1.06;
    f(3)= exp(-1*x(1)*x(2))+20*x(3)+(10*pi-3)/3;
%}
     k=3;
    for i=1:k
      x(i)=sym (['x',num2str(i)]);
    end 

  f(1)=3*x(1)-cos(x(1)*x(2))-1/2;
  f(2)=x(1)^2-81*(x(2)+0.1)^2+sin(x(3))+1.06;
  f(3)= exp(-1*x(1)*x(2))+20*x(3)+(10*pi-3)/3;
end
allx0 = [1,1,1];
[allx,ally,r,k_cnt]=MultiNewton(Multifun,allx0);
disp(['迭代次数:k_cnt= ']);
disp(k_cnt)
disp(['方程组的解:allx= ']);
disp(allx)
相关实践学习
【文生图】一键部署Stable Diffusion基于函数计算
本实验教你如何在函数计算FC上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。函数计算提供一定的免费额度供用户使用。本实验答疑钉钉群:29290019867
建立 Serverless 思维
本课程包括: Serverless 应用引擎的概念, 为开发者带来的实际价值, 以及让您了解常见的 Serverless 架构模式
目录
相关文章
|
8天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
本研究基于MATLAB 2022a,使用GRU网络对QAM调制信号进行检测。QAM是一种高效调制技术,广泛应用于现代通信系统。传统方法在复杂环境下性能下降,而GRU通过门控机制有效提取时间序列特征,实现16QAM、32QAM、64QAM、128QAM的准确检测。仿真结果显示,GRU在低SNR下表现优异,且训练速度快,参数少。核心程序包括模型预测、误检率和漏检率计算,并绘制准确率图。
80 65
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
|
16天前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。
|
13天前
|
算法
基于遗传优化算法的风力机位置布局matlab仿真
本项目基于遗传优化算法(GA)进行风力机位置布局的MATLAB仿真,旨在最大化风场发电效率。使用MATLAB2022A版本运行,核心代码通过迭代选择、交叉、变异等操作优化风力机布局。输出包括优化收敛曲线和最佳布局图。遗传算法模拟生物进化机制,通过初始化、选择、交叉、变异和精英保留等步骤,在复杂约束条件下找到最优布局方案,提升风场整体能源产出效率。
|
13天前
|
算法 安全 机器人
基于包围盒的机械臂防碰撞算法matlab仿真
基于包围盒的机械臂防碰撞算法通过构建包围盒来近似表示机械臂及其环境中各实体的空间占用,检测包围盒是否相交以预判并规避潜在碰撞风险。该算法适用于复杂结构对象,通过细分目标对象并逐级检测,确保操作安全。系统采用MATLAB2022a开发,仿真结果显示其有效性。此技术广泛应用于机器人运动规划与控制领域,确保机器人在复杂环境中的安全作业。
|
13天前
|
机器学习/深度学习 数据采集 算法
基于WOA鲸鱼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB 2022a实现时间序列预测,采用CNN-GRU-SAM网络结构,结合鲸鱼优化算法(WOA)优化网络参数。核心代码含操作视频,运行效果无水印。算法通过卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征,全连接层整合输出。数据预处理后,使用WOA迭代优化,最终输出最优预测结果。
|
16天前
|
算法
基于SOA海鸥优化算法的三维曲面最高点搜索matlab仿真
本程序基于海鸥优化算法(SOA)进行三维曲面最高点搜索的MATLAB仿真,输出收敛曲线和搜索结果。使用MATLAB2022A版本运行,核心代码实现种群初始化、适应度计算、交叉变异等操作。SOA模拟海鸥觅食行为,通过搜索飞行、跟随飞行和掠食飞行三种策略高效探索解空间,找到全局最优解。
|
7天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于机器学习的人脸识别算法matlab仿真,对比GRNN,PNN,DNN以及BP四种网络
本项目展示了人脸识别算法的运行效果(无水印),基于MATLAB2022A开发。核心程序包含详细中文注释及操作视频。理论部分介绍了广义回归神经网络(GRNN)、概率神经网络(PNN)、深度神经网络(DNN)和反向传播(BP)神经网络在人脸识别中的应用,涵盖各算法的结构特点与性能比较。
|
5天前
|
编解码 算法 数据安全/隐私保护
一维信号的小波变换与重构算法matlab仿真
本程序使用MATLAB2022A实现一维信号的小波变换与重构,对正弦测试信号进行小波分解和重构,并计算重构信号与原信号的误差。核心步骤包括:绘制分解系数图像、上抽取与滤波重构、对比原始与重构信号及误差分析。小波变换通过多分辨率分析捕捉信号的局部特征,适用于非平稳信号处理,在信号去噪、压缩等领域有广泛应用。
|
7天前
|
算法 图形学 数据安全/隐私保护
基于NURBS曲线的数据拟合算法matlab仿真
本程序基于NURBS曲线实现数据拟合,适用于计算机图形学、CAD/CAM等领域。通过控制顶点和权重,精确表示复杂形状,特别适合真实对象建模和数据点光滑拟合。程序在MATLAB2022A上运行,展示了T1至T7的测试结果,无水印输出。核心算法采用梯度下降等优化技术调整参数,最小化误差函数E,确保迭代收敛,提供高质量的拟合效果。
|
5天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-LSTM-SAM网络时间序列回归预测算法matlab仿真
本项目使用MATLAB 2022a实现时间序列预测算法,完整程序无水印。核心代码包含详细中文注释和操作视频。算法基于CNN-LSTM-SAM网络,融合卷积层、LSTM层与自注意力机制,适用于金融市场、气象预报等领域。通过数据归一化、种群初始化、适应度计算及参数优化等步骤,有效处理非线性时间序列,输出精准预测结果。

热门文章

最新文章