常微分方程的解析解(方法归纳)以及基于Python的微分方程数值解算例实现

您所在的位置：网站首页 › 差分法求解常微分方程 › 常微分方程的解析解(方法归纳)以及基于Python的微分方程数值解算例实现

常微分方程的解析解(方法归纳)以及基于Python的微分方程数值解算例实现

2023-06-07 20:53| 来源: 网络整理| 查看: 265

本文归纳常见常微分方程的解析解解法以及基于Python的微分方程数值解算例实现。

常微分方程的解析解

考虑常微分方程的解析解法，我们一般可以将其归纳为如下几类：

可分离变量的微分方程（一阶）一阶齐次（非齐次）线性微分方程（一阶）二阶常系数微分方程（二阶）高阶常系数微分方程（ $n$ 阶）可分离变量的微分方程（一阶）

这类微分方程可以变形成如下形式： $f(x)dx=g(y)dy$ 两边同时积分即可解出函数，难点主要在于不定积分，是最简单的微分方程。

某些方程看似不可分离变量，但是经过换元之后，其实还是可分离变量的，不要被这种方程迷惑。

一阶齐次（非齐次）线性微分方程（一阶）

形如 $\frac{dy}{dx}+P(x)y=Q(x)$ 的方程叫做一阶线性微分方程，若 $Q(x)$ 为0，则方程齐次，否则称为非齐次。

解法： (直接套公式) $y(x)=e^{-\int{P(x)}dx}(\int{e^{\int{P(x)dx}}Q(x)}dx+C)$

伯努利方程形如 $\frac{dy}{dx}+P(x)y=Q(x)y^{n},n\in\mathbb{R},n\ne1$ 的方程称为伯努利方程，这种方程可以通过以下步骤化为一阶线性微分方程： $y^{-n}\frac{dy}{dx}+P(x)y^{1-n}=Q(x)$ $\frac{1}{1-n}·\frac{dy^{1-n}}{dx}+P(x)y^{1-n}=Q(x)$ 令 $y^{1-n}=u$ , 方程两边同时乘以 $1−n$ ，得到 $\frac{du}{dx}+(1-n)P(x)u=(1-n)Q(x)$ 即 $\frac{du}{dx}+P'(x)u=Q'(x)$ . 这就将伯努利方程归结为可以套公式的一阶线性微分方程。

二阶常系数微分方程（二阶）

形如 $y''+py'+qy=f(x)$ 的方程称为二阶常系数微分方程，若 $f(x)\equiv0$ ，则方程称为齐次的，反之称为非齐次的。以下默认方程是非齐次的。

求解此类方程分两步：

求出齐次通解求出非齐次特解

原方程的解=齐次通解+非齐次特解

齐次通解的求法

首先假设 $f(x)\equiv0$ .用特征方程法，写出对应的特征方程并且求解： $\lambda^2+p\lambda+q=0$ 解的情况分为以下三种：

情况一：方程有两个不同的实数解

假设两个实数解分别是 $\lambda_1、\lambda_2$ , 此时方程的通解是 $Y(x)=C_{1}e^{\lambda_1x}+C_{2}e^{\lambda_2x}$ 情况二：方程有一个二重解假设该解等于 $\lambda$ ，此时方程的通解是 $Y(x)=(C_{1}+C_{2}x)e^{\lambda x}$ 情况三：方程有一对共轭复解假设这对解是 $\alpha\pm i\beta$ , 此时方程的通解是 $Y(x)=e^{\alpha x}(C_{1}cos(\beta x)+C_{2}sin(\beta x))$

非齐次特解的求法

对于 $f(x)$ 和特征根的情况，对特解的情况做如下归纳：

$f(x)=P_{m}(x)$ ，其中 $P_{m}(x)$ 表示 $x$ 的最高次数为 $m$ 的多项式。

若0不是方程特征解

则方程有特解 $y^{*}=Q_{m}(x)$

若0是方程的单特征解

则方程有特解 $y^{*}=xQ_{m}(x)$

若0是方程的二重特征解

则方程有特解 $y^{*}=x^{2}Q_{m}(x)$

其中 $Q_{m}(x)=b_{0}+b_{1}x+…+b_{m}x^{m}$ , $b_{i}(i = 0,1,…,m)$ 是需要带回原方程来确定的系数。

$f(x)=e^{\alpha x}P_{m}(x)$

若 $\alpha$ 不是方程特征解

则方程有特解 $y^{*}=e^{\alpha x}Q_{m}(x)$

若 $\alpha$ 是方程的单特征解

则方程有特解 $y^{*}=xe^{\alpha x}Q_{m}(x)$

若 $\alpha$ 是方程的二重特征解

则方程有特解 $y^{*}=x^2e^{\alpha x}Q_{m}(x)$

$f(x)=e^{\alpha x}(a_{1}cos(\beta x)+a_{2}sin(\beta x))$

若 $\alpha\pm i\beta$ 不是特征解

则方程有特解 $y^{*}=e^{\alpha x}(A_{1}cos(\beta x)+A_{2}sin(\beta x))$

若 $\alpha\pm i\beta$ 是特征解

则方程有特解 $y^{*}=xe^{\alpha x}(A_{1}cos(\beta x)+A_{2}sin(\beta x))$

其中 $A_{1}、A_{2}$ 是需要带回原方程来确定的系数。

高阶常系数微分方程（n阶）

形如 $y^{(n)}+p_{1}y^{(n-1)}+...+p_{n-1}y'+p_{n}y=f(x)$ 的方程叫做高阶常系数微分方程，若 $f(x)\equiv0$ ，则方程是齐次的，否则是非齐次的。下面默认方程是非齐次的。

求解此类方程分两步：

求出齐次通解求出非齐次特解

原方程的解=齐次通解+非齐次特解

齐次通解的求法(参考二阶常系数微分方程解法) 非齐次特解的求法(参考二阶常系数微分方程解法) 算例

考虑带有第三类边界条件的二阶常系数微分方程边值问题 $\left\{ \begin{aligned} y''(x)+2y'(x)-3y(x) & = 3x+1, & x\in [1,2]\\ y'(1)-y(1) & = 1,\\ y'(2)-y(2) & = -4. \end{aligned} \right.$

求出上述两点边值问题的解析解; 通过有限差分方法算出其数值解;(取 $h=\frac{1}{5}$ )并计算误差、绘图、输出 $1.0,1.2,1.4,1.6,1.8,2.0$ 处的数值解.

问题一:两点边值问题的解析解

由于此方程是非齐次的,故求解此类方程分两步：

求出齐次通解求出非齐次特解

原方程的解=齐次通解+非齐次特解

齐次通解的求法

首先假设 $y''(x)+2y'(x)-3y(x)\equiv0$ . 用特征方程法，写出对应的特征方程 $\lambda^2+2\lambda-3=0$ 求解得到两个不同的实数特征根: $\lambda_1=1,\lambda_2=-3$ .

此时方程的齐次通解是 $y(x)=C_{1}e^{\lambda_1x}+C_{2}e^{\lambda_2x}$

非齐次特解的求法

由于 $\lambda_1\ne0,\lambda_2\ne0$ . 所以非齐次特解形式为 $y^{*}=ax+b$ 将上式代入控制方程有 $2a-3ax-3b=3x+1$ 求解得: $a=b=-1$ , 即非齐次特解为 $y^{*}=-x-1$ .

原方程的解=齐次通解+非齐次特解

于是,原方程的全解为 $y(x)=C_{1}e^{x}+C_{2}e^{-3x}-x-1$ 因为该问题给出的是第三类边界条件,故需要求解的导函数 $y'(x)=C_{1}e^{x}-3C_{2}e^{-3x}-1$ 且有 $\left\{ \begin{aligned} y(1)&=C_1e+C_2e^{-3}-2\\ y'(1)&=C_1e-3C_2e^{-3}-1\\ y(2)&=C_1e^2+C_2e^{-6}-3\\ y'(2)&=C_1e^2-3C_2e^{-6}-1 \end{aligned} \right.$ 将以上各式代入边界条件 $\left\{ \begin{aligned} y'(1)-y(1)&=-4C_2e^{-3}+1=1\\ y'(2)+y(2)&=2C_1e^2-2C_2e^{-6}-4=-4 \end{aligned} \right.$ 解此方程组可得: $C_1=C_2=0$ .

综上所述,原两点边值问题的解为 $y=-x-1$

常微分方程的数值解一般二阶线性常微分方程边值问题的差分法

对一般的二阶微分方程边值问题 $\left\{\begin{array}{l} y^{\prime \prime}(x)+p(x) y^{\prime}(x)+q(x) y(x)=f(x), \quad axb \\ a_{1} y(a)+a_{2} y^{\prime}(a)=a \\ \beta_{1} y(b)+\beta_{2} y^{\prime}(b)=\beta \end{array}\right.$ 假定其解存在唯一, 为求解的近似值, 类似于前面的做法,

把区间 $I=[a, b] N$ 等分, 即得到区间 $I=[a, b]$ 的一个网格剖分: $a=x_{0}x_{1}\cdotsx_{N-1}x_{N}=b$ 其中分点 $x_{i}=a+i h(i=0,1, \cdots, N)$ , 步长 $h=\frac{b-a}{N}$ .

对式中的二阶导数仍用数值微分公式 $y^{\prime \prime}\left(x_{i}\right)=\frac{y\left(x_{i+1}\right)-2 y\left(x_{i}\right)+y\left(x_{i-1}\right)}{h^{2}}-\frac{h^{2}}{12} y^{(4)}\left(\xi_{i}\right), \quad x_{i-1}\xi_{i}x_{i}$ 代替，而对一阶导数，为了保证略去的逼近误差为 $O(h^2)$ ，则用 3 点数值微分公式；另外为了保证内插，在 2 个端点所用的 3 点数值微分公式与内网格点所用的公式不同，即 $\left\{\begin{array}{l} y^{\prime}\left(x_{i}\right)=\frac{y\left(x_{i+1}\right)-y\left(x_{i-1}\right)}{2 h}-\frac{h^{2}}{6} y^{\prime \prime \prime}\left(\xi_{i}\right), \quad x_{i-1}\xi_{i}x_{i}, \quad i=1,2, \cdots, N-1 \\ y^{\prime}\left(x_{0}\right)=\frac{-3 y\left(x_{0}\right)+4 y\left(x_{1}\right)-y\left(x_{2}\right)}{2 h}+\frac{h^{2}}{3} y^{\prime \prime \prime}\left(\xi_{0}\right), \quad x_{0}\xi_{0}x_{2}, \\ y^{\prime}\left(x_{N}\right)=\frac{y\left(x_{N-2}\right)-4 y\left(x_{N-1}\right)+3 y\left(x_{N}\right)}{2 h}+\frac{h^{2}}{3} y^{\prime \prime \prime}\left(\xi_{N}\right), \quad x_{N-2}\xi_{N}x_{N} \end{array}\right.$ 略去误差，并用 $y(x_i)$ 的近似值 $y_i$ 代替 $y(x_i)$ , $p_i=p(x_i),q_i=q(x_i),f_i=f(x_i)$ 便得到差分方程组 $\left\{\begin{array}{l} \frac{1}{h^{2}}\left(y_{i-1}-2 y_{i}+y_{i+1}\right)+\frac{p_{i}}{2 h}\left(y_{i+1}-y_{i-1}\right)+q_{1} y_{i}=f_{i}, \quad i=1,2, \cdots, N-1 \\ a_{1} y_{0}+\frac{a_{2}}{2 h}\left(-3 y_{0}+4 y_{1}-y_{2}\right)=\alpha \\ \beta_{1} y_{N}+\frac{\beta_{2}}{2 h}\left(y_{N-2}-4 y_{N-1}+3 y_{N}\right)=\beta \end{array}\right.$ 其中 $q_{i}=q\left(x_{i}\right), p_{i}=p\left(x_{i}\right), f_{i}=f\left(x_{i}\right), i=1,2, \cdots, N-1, y_{i}$ 是 $y\left(x_{i}\right)$ 的近似值. 整理得 $\left\{\begin{array}{l}\left(2 h \alpha_{1}-3 \alpha_{2}\right) y_{0}+4 \alpha_{2} y_{1}-\alpha_{2} y_{2}=2 h \alpha \\ \left(2-h p_{i}\right) y_{i-1}-2\left(2-h^{2} q_{i}\right) y_{i}+\left(2+h p_{i}\right) y_{i+1}=2 h^{2} f_{i}, \quad i=1,2, \cdots, N-1 \\ \beta_{2} y_{N-2}-4 \beta_{2} y_{N-1}+\left(3 \beta_{2}+2 h \beta_{1}\right) y_{N}=2 h \beta\end{array}\right.$ 特别地, 若 $\alpha_{1}=1, \alpha_{2}=0, \beta_{1}=1, \beta_{2}=0$ , 则原问题中的边界条件是第一类边值条件: $y(a)=\alpha, y(b)=\beta$ ; 此时方程组为 $\left\{\begin{array}{l} -2\left(2-h^{2} q_{1}\right) y_{1}+\left(2+h p_{1}\right) y_{2}=2 h^{2} f_{1}-\left(2-h p_{1}\right) \alpha, \\ \left(2-h p_{i}\right) y_{i-1}-2\left(2-h^{2} q_{1}\right) y_{i}+\left(2+h p_{i}\right) y_{i+1}=2 h^{2} f_{i}, \quad i=2,3, \cdots, N-2 \\ \left(2-h p_{N-1}\right) y_{N-2}-2\left(2-h^{2} q_{N-1}\right) y_{N-1}=2 h^{2} f_{N-1}-\left(2+h p_{N-1}\right) \beta \end{array}\right.$ 以上方程组是三对角方程组，用解三对角方程组的追赶法求解差分方程组，便得边值问题的差分解 .

讨论差分方程组的解是否收敛到原微分方程的解，估计误差. 这里就不再详细介绍.

数值算例

求出上述两点边值问题的解析解; 通过有限差分方法算出其数值解;(取 $h=\frac{1}{5}$ )并计算误差、绘图、输出 $1.0,1.2,1.4,1.6,1.8,2.0$ 处的数值解.

问题二:有限差分方法算出其数值解及误差对于原问题,取步长h=0.2,用有限差分求其近似解,并将结果与精确解y(x)=-x-1进行比较.

解:

因为 $N=\frac{2-1}{h}=5,p(x)=2,q(x)=-3,f(x)=3x+1$ $\alpha_1=-1,\alpha_2=1,\alpha=1$ $\beta_1=1,\beta_2=1,\beta=-4$

代入上述差分方程组公式得到差分格式 $\left\{\begin{array}{l} \left(-2h-3\right) y_{0}+4 y_{1}- y_{2}=2h \\ \left(2-2h\right) y_{i-1}-2\left(2+3h^{2} \right) y_{i}+\left(2+2h\right) y_{i+1}=2h^2f_i, \quad i=1,2, \cdots, N-1 \\ y_{N-2}-4 y_{N-1}+\left(3 + 2h\right) y_{N}=-8h\end{array}\right.$ 化简得 $\left\{\begin{array}{l} \left(-2h-3\right) y_{0}+4 y_{1}+(-1) y_{2}=2h \\ \left(2-2h\right) y_{i-1}+\left(-4-6h^{2} \right) y_{i}+\left(2+2h\right) y_{i+1}=2h^2f_i, \quad i=1,2, \cdots, N-1 \\ y_{N-2}+(-4) y_{N-1}+\left(3 + 2h\right) y_{N}=-8h\end{array}\right.$ 写成矩阵形式 $\left[ \begin{matrix} -2h-3 & 4 & -1 & & & & \\ 2-2h & -4-6h^2 & 2+2h & & & & \\ & 2-2h & -4-6h^2 & 2+2h & & & \\ & & \ddots & \ddots & \ddots & & \\ & & & 2-2h & -4-6h^2 & 2+2h \\ & & & & 2-2h & -4-6h^2 & 2+2h \\ & & & & 1 & -4 & 3+2h \end{matrix} \right] \left[ \begin{matrix} y_0\\ y_1 \\ y_2 \\ \vdots \\ y_{N-2} \\ y_{N-1} \\ y_{N} \end{matrix} \right]=\left[ \begin{matrix} 2h \\ 2h^2f_1 \\ 2h^2f_2 \\ \vdots \\ 2h^2f_{N-2} \\ 2h^2f_{N-1} \\ -8h \end{matrix} \right]$ 令 $A=\left[ \begin{matrix} -2h-3 & 4 & -1 & & & & \\ 2-2h & -4-6h^2 & 2+2h & & & & \\ & 2-2h & -4-6h^2 & 2+2h & & & \\ & & \ddots & \ddots & \ddots & & \\ & & & 2-2h & -4-6h^2 & 2+2h \\ & & & & 2-2h & -4-6h^2 & 2+2h \\ & & & & 1 & -4 & 3+2h \end{matrix} \right] , Y=\left[ \begin{matrix} y_0\\ y_1 \\ y_2 \\ \vdots \\ y_{N-2} \\ y_{N-1} \\ y_{N} \end{matrix}\right] , b=\left[ \begin{matrix} 2h \\ 2h^2f_1 \\ 2h^2f_2 \\ \vdots \\ 2h^2f_{N-2} \\ 2h^2f_{N-1} \\ -8h \end{matrix} \right]$ 得到代数方程 $AY=b$ 使用解三对角方程组的追赶法求解此差分方程组,得到差分解 $Y$ .

二阶线性常系数微分方程边值问题的差分法Python代码

先以将区间划分为5份为例，求出数值解

import numpy as np import matplotlib.pyplot as plt # 准备工作 def initial(L, R, NS): x = np.linspace(L, R, NS + 1) h = (R - L) / NS return x, h # 右端函数f def f(x): return 3 * x + 1 # 解方程 def solve(NS): # 矩阵A A1 = np.array([-2 * h - 3] + [b] * (NS - 1) + [3 + 2 * h]) # print("A1",A1) A2 = np.array([a] * (NS - 1) + [-4]) # print("A2", A2) A3 = np.array([4] + [c] * (NS - 1)) # print("A3", A3) A4 = np.array([-1] + [0] * (NS - 2)) # print("A4", A4) A5 = np.array([0] * (NS - 2) + [1]) # print("A5", A5) A = np.diag(A1) + np.diag(A2, -1) + np.diag(A3, 1) + np.diag(A4, 2) + np.diag(A5, -2) # print("A", A) # 矩阵b br = 2 * h ** 2 * f(x) + np.array( [2 * h - 2 * h ** 2 * f(x[0])] + [0] * (NS - 1) + [-8 * h + 2 * h ** 2 * f(x[NS])]) uh = np.linalg.solve(A, br) return uh L = 1.0 R = 2.0 NS = 5 x, h = initial(L, R, NS) a = 2 - 2 * h b = -4 - 6 * h ** 2 c = 2 + 2 * h uh = solve(NS) print("h=%f时数值解\n" % h, uh)

结果:

h=0.200000时数值解 [-1.48151709 -1.56543883 -1.6245972 -1.6531625 -1.64418896 -1.58929215]

是不是解出数值解就完事了呢？当然不是。我们可以将问题的差分格式解与问题的真解进行比较，以得到解的可靠性。通过数学计算我们得到问题的真解为 $u ( x ) = -x-1$ ，现用范数来衡量误差的大小：

# 真解函数 def ture_u(x): ture_u = -x - 1 return ture_u t_u = ture_u(x) print("h=%f时真解\n" % h, t_u) # 误差范数 def err(ture_u, uh): ee = max(abs(ture_u - uh)) e0 = np.sqrt(sum((ture_u - uh) ** 2) * h) return ee, e0 ee, e0 = err(t_u, uh) print('L_∞(最大模)范数下的误差', ee) print('L_2(平方和)范数下的误差', e0)

结果:

h=0.200000时真解 [-2. -2.2 -2.4 -2.6 -2.8 -3. ] L_∞(最大模)范数下的误差 1.4107078471946164 L_2(平方和)范数下的误差 1.0483548020308784

接下来绘图比较 $h=0.2$ 时数值解与真解的差距：

# 绘图比较 plt.figure() plt.plot(x, uh, label='Numerical solution') plt.plot(x, t_u, label='Exact solution') plt.title("solution") plt.legend() plt.show()

结果:

哎呀呀! 根据输出显示的误差,发现此时数值解的求解效果令人难以接受 $L_∞$ (最大模)范数下的误差高达1.41,从图像也能看出数值解与解析解不仅相差甚远,甚至连曲线走势都不太一致.(数值解为一条曲线,解析解为直线)

此处首先认为解析解或者查分格式计算错了,休息了一晚上起来重新推导了一遍后并未发现明显错误. 后来在玩GTA的时候忽然想起导师之前提到过步长会影响数值解稳定性···,于是重新编写程序,修改步长后发现确实如此.

将区间划分为 $N=1280$ 份, 即 $h=0.000781$ 时.

结果:

h=0.000781时数值解 [-1.99798816 -1.99876784 -1.99954751 ... -2.99297729 -2.99375427 -2.99453125] h=0.000781时真解 [-2. -2.00078125 -2.0015625 ... -2.9984375 -2.99921875 -3. ] L_∞(最大模)范数下的误差 0.005468750663166322 L_2(平方和)范数下的误差 0.0035976563635910903

绘图比较 $h=0.000781$ 时数值解与真解的差距：

可以看到此时已经具有较高精度, 若还未达到需求精度, 可通过缩短步长 $h$ 继续提高精度.

最后，我们还可以从数学的角度分析所采用的差分格式的一些性质。因为差分格式的误差为 $O(h^2)$ ，所以理论上来说网格每加密一倍，与真解的误差大致会缩小到原来的 $\frac{1}{4}$ . 下讨论网格加密时的变化：

# 误差与网格关系讨论 N = [5, 10, 20, 40, 80, 160, 320, 640, 1280, 2560] print("网格密度加倍时误差变化情况") for i in range(len(N)): NS = N[i] x, h = initial(L, R, NS) a = 2 - 2 * h b = -4 - 6 * h ** 2 c = 2 + 2 * h uh = solve(NS) t_u = ture_u(x) ee, e0 = err(t_u, uh) print('步长h=%f' % h, end='\t') print('最大模误差=%f' % ee)

结果：

网格密度加倍时误差变化情况步长h=0.200000 最大模误差=1.410708 步长h=0.100000 最大模误差=0.701417 步长h=0.050000 最大模误差=0.350182 步长h=0.025000 最大模误差=0.175023 步长h=0.012500 最大模误差=0.087503 步长h=0.006250 最大模误差=0.043750 步长h=0.003125 最大模误差=0.021875 步长h=0.001563 最大模误差=0.010938 步长h=0.000781 最大模误差=0.005469 步长h=0.000391 最大模误差=0.002734 完整代码 # 开发者: Leo 刘 # 开发环境: macOs Big Sur # 开发时间: 2021/10/5 6:51 下午 # 邮箱 : [email protected] # @Software: PyCharm # ---------------------------------------------------------------------------------------------------------- import numpy as np import matplotlib.pyplot as plt # 准备工作 def initial(L, R, NS): x = np.linspace(L, R, NS + 1) h = (R - L) / NS return x, h # 右端函数f def f(x): return 3 * x + 1 # 解方程 def solve(NS): # 矩阵A A1 = np.array([-2 * h - 3] + [b] * (NS - 1) + [3 + 2 * h]) # print("A1",A1) A2 = np.array([a] * (NS - 1) + [-4]) # print("A2", A2) A3 = np.array([4] + [c] * (NS - 1)) # print("A3", A3) A4 = np.array([-1] + [0] * (NS - 2)) # print("A4", A4) A5 = np.array([0] * (NS - 2) + [1]) # print("A5", A5) A = np.diag(A1) + np.diag(A2, -1) + np.diag(A3, 1) + np.diag(A4, 2) + np.diag(A5, -2) # print("A", A) # 矩阵b br = 2 * h ** 2 * f(x) + np.array( [2 * h - 2 * h ** 2 * f(x[0])] + [0] * (NS - 1) + [-8 * h + 2 * h ** 2 * f(x[NS])]) uh = np.linalg.solve(A, br) return uh L = 1.0 R = 2.0 NS = 1280 x, h = initial(L, R, NS) a = 2 - 2 * h b = -4 - 6 * h ** 2 c = 2 + 2 * h uh = solve(NS) print("h=%f时数值解\n" % h, uh) # 真解函数 def ture_u(x): ture_u = -x - 1 return ture_u t_u = ture_u(x) print("h=%f时真解\n" % h, t_u) # 误差范数 def err(ture_u, uh): ee = max(abs(ture_u - uh)) e0 = np.sqrt(sum((ture_u - uh) ** 2) * h) return ee, e0 ee, e0 = err(t_u, uh) print('L_∞(最大模)范数下的误差', ee) print('L_2(平方和)范数下的误差', e0) # 绘图比较 plt.figure() plt.plot(x, uh, label='Numerical solution') plt.plot(x, t_u, label='Exact solution') plt.title("solution") plt.legend() plt.show() # 误差与网格关系讨论 N = [5, 10, 20, 40, 80, 160, 320, 640, 1280, 2560] print("网格密度加倍时误差变化情况") for i in range(len(N)): NS = N[i] x, h = initial(L, R, NS) a = 2 - 2 * h b = -4 - 6 * h ** 2 c = 2 + 2 * h uh = solve(NS) t_u = ture_u(x) ee, e0 = err(t_u, uh) print('步长h=%f' % h, end='\t') print('最大模误差=%f' % ee)

数值算例来源: 《微分方程数值解》-M.Ran

【本文地址】

常微分方程的解析解(方法归纳)以及基于Python的微分方程数值解算例实现

常微分方程的解析解(方法归纳)以及基于Python的微分方程数值解算例实现

今日新闻

推荐新闻