Файл: М.А. Тынкевич Система Matlab Справочное пособие к курсу Численные методы анализа.pdf

ВУЗ: Не указан

Категория: Не указан

Дисциплина: Не указана

Добавлен: 01.06.2024

Просмотров: 106

Скачиваний: 0

ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.

30

8.5. Нули и экстремумы функций

Как известно, решение уравнений и поиск экстремумов функций

– родственные задачи. Так решение системы fi(X)=0, i=1,...,n можно

заменить поиском минимума F( X ) = n fi 2 ( X ) , заведомо равного ну-

i =1

лю, если система имеет решение. С другой стороны, поиск экстремумов функции можно свести к решению системы уравнений относительно нулевых значений ее производных.

Для некоторых классов функций имеются вполне универсальные методы решения: так для полиномов поиск корней реализуется без каких-то условий обобщенным методом Ньютона - функцией roots(...) . В общем случае при великом многообразии методов решение подобных задач отнюдь нетроивиально. В системе реализованы функции лишь для простейших задач без гарантий получения решения.

xmin=fmin(‘имя’,a,b), xmin=fmin(‘имя’,a,b,<опции>), xmin= fmin (‘имя’, a,b,<опции>, p1,...,p10), [xmin,options]=fmin(...) – поиск минимума функции одной переменной на интервале [a,b]; в списке <опции> можно указать option(1)=1 (вывод промежуточных результатов), option(2)- погрешность итераций для аргумента (разница между смежными приближениями; по умолчанию 10-4) и option(14)- максимальное число итераций (по умолчанию 500). Используется метод золотого сечения и параболической интерполяции.

function r=m1(x)

 

 

r=x^2-x-3;

 

 

 

» xm=fmin(‘m1’,-2,3,[1, 1e-6])

 

Func

evals x

f(x)

Procedure

1

-0.0901699

-2.9017

initial

2

1.09017

-2.9017

golden

3

1.81966

-1.5085

golden

4

0.5

-3.25

parabolic

5

0.5

-3.25

parabolic

6

0.5

-3.25

parabolic

xm =

 

 

 

0.5000

xmin=fmins(‘имя’,x0), xmin=fmins(‘имя’,x0,<опции>), xmin= fmins (‘имя’, x0,<опции> или [], p1,...,p10), [xmin,options]=fmins(...)

поиск минимума функции нескольких переменных: x0 – начальное приближение; p1,...,p10 – дополнительные параметры; в списке <опции> можно указать option(1)=1 (вывод промежуточных результа-


31

тов), option(2)- погрешность итераций для аргумента (разница между смежными приближениями; по умолчанию 10-4), option(3)- итерационная погрешность для функции и option(14)- максимальное число итераций (по умолчанию 200×n).

function r=m2(x)

 

 

 

 

 

 

 

 

r=(x(1)-1)^2+(x(2)-3)^2;

 

 

 

 

 

 

 

» [xmin,opt]=fmins(‘m2’,[0.5 2.5])

 

 

 

 

 

 

xmin =

 

 

 

 

 

 

 

 

 

1.0000

3.0000

 

 

 

 

 

 

 

 

opt =

 

 

 

 

 

 

 

 

 

0

0.0001

0.0001

0.0000

0

0

0

0.0000

0

 

 

72

0

0

0

400

0

0.0000

0.1000

0

(возвращаемые здесь опции 8 и 10 определяют минимум функции и число итераций). Используется метод Нелдера-Мида (строится симплекс из n+1 вершины в n –мерном пространстве, берется новая точка внутри или вблизи симплекса и может заменить одну из вершин; процесс повторяется до малого диаметра симплекса).

fzero(‘имя’,x0), fzero(‘имя’,x0,eps), fzero (‘имя’, x0, eps , trace), fzero (‘имя’, x0, eps, trace,p1,...,p10) – поиск действительных корней функции одной переменной при начальном приближении х0 (можно взять и в форме [a,b] при условии f(a)×f(b)<0) с заданной относительной погрешностью; trace=1 – вывод промежуточных результатов. Используется метод дихотомии, хорд и обратной квадратической интерполяции. При поиске корней полинома см. roots.

Процесс поиска корня виден из примера:

» fzero(‘sin’,6,[],1)

 

 

 

 

Func evals

x

f(x)

Procedure

 

1

6

-0.279415

 

initial

 

2

5.83029

-0.437567

 

search

 

3

6.16971

-0.113236

 

search

 

4

5.76

-0.499642

 

search

 

5

6.24

-0.0431719

search

 

6

5.66059

-0.583146

 

search

 

7

6.33941

0.0561963

search

Looking for a zero in the interval [5.6606, 6.3394]

 

8

6.27974

-0.00344052

interpolation

 

9

6.28319

1.70244e-006

interpolation

 

10

6.28319

-3.35667e-012

interpolation

 

11

6.28319

-2.44921e-016 interpolation

 

12

6.28319

2.41961e-015

interpolation

ans =

6.28318530717959

 

 

» 2*pi

 

 

 

 

 

ans =

6.28318530717959

 

 


32

Заметим, что в случае двух переменных существенную помощь для выбора начального приближения может оказать функция gradient (cм. 8.2) и contour(...), которая будет рассмотрена при ознакомлении с функциями графики.

8.6.Обыкновенные дифференциальные уравнения

Всистеме MatLab предусмотрены специальные средства решения задачи Коши для системобыкновенных дифференциальных урав-

нений, заданных как в явной форме dxdt

= F( t, x ), так и в неявной

M dxdt = F( t,x ) , где М- матрица, - т.н. решатель ОДУ (solver ODE),

обеспечивающий пользователю возможность выбора метода, задания начальных условий и др.

В простейшем варианте достаточно воспользоваться командой

[T,X]=solver(‘F’, [DT], X0, ...), где DT - диапазон интегрирования, X0

– вектор начальных значений, F – имя функции вычисления правых частей системы, solver – имя используемой функции (ode45 - метод Рунге-Кутта 4 и 5-го порядков, ode23 – тот же метод 2 и 3-го порядков, ode113 – метод Адамса - для нежестких систем, ode23s, ode15s – для жестких систем и др.). Версии решателя различаются используемыми методами (по умолчанию относительная погрешность 10-3 и абсолютная 10-6) и соответственно временем и успешностью решения. Под жесткостью здесь понимается повышенное требование к точности – использование минимального шага во всей области интегрирования. При отсутствии информации о жесткости рекомендуется попытаться получить решение посредством ode45 и затем ode15s. Если диапазон DT задан начальным и конечным значением [to , tk], то количество элементов в массиве Т (и в массиве решений Х) определяется необходимым для обеспечения точности шагом; при задании DT в виде [to , t1, t2, ... , tk] или [to :t: tk] - указанными значениями.

Например, в простейшем варианте решение уравнения dxdt = t et в интервале t [0, 0.5] с начальным условием x(t=0)=1 :

 

function

f =odu1(t,x)

 

 

 

 

 

 

 

f=t*exp(-t);

 

 

 

 

 

 

» [T,X]=ode45 (‘odu1’, [0, 0.5], 1)

 

 

 

 

T =

0

0.0125

0.0250

0.0375

0.0500

0.0625

0.0750

0.0875

 

0.1000

0.1125

0.1250

0.1375

0.1500

0.1625

0.1750

X =

1.0000

1.0000

1.0003

1.0006

1.0012

1.0018

1.0027

1.0036

 

1.0046

1.0058

1.0072

1.0086

1.0102

1.0118

1.0136

….


33

Для иллюстрации решения системы и ряда нестандартных возможностей рассмотрим задачу выравнивания цен по уровню актива в следующей постановке.

Предположим, что изменение уровня актива у пропорционально разности между предложением s и спросом р, т.е. y’=k(s-d), k>0, и что изменение цены z пропорционально отклонению актива у от некоторого уровня y0, т.е. z’=-m(y-y0), m>0. Естественно, что предложение и спрос зависят от цены, например, s(z)=az+s0, d(z)= d0 - cz. Соответственно возникает система дифференциальных уравнений

y’ = k (s(z)-d(z))

z’ = - m (y-y0) .

Вычисление правых частей оформляем функцией:

function f=odu2(t,X)

 

y=X(1);

z=X(2);

 

a=20; c=10;

 

s0=10; d0=50; k=0.3; m=0.1;

s=a*z+s0; d=

d0-c*z;

y0=19;

f(1)=k*(s-d)

; f(2)=-m*(y-y0);

f=f';

 

% вектор-столбец

Если выполнить решение при y0= 19, z0=2

»[T,Y]=ode45('odu2', [0:0.3:9],[19 2]);

»[T Y]

»plot(T,Y)

будет выведена таблица значений искомых функций: ans = 0 19.0000 2.0000

0.3000 20.7757 1.9731

0.6000 22.4101 1.8949

0.9000 23.7686 1.7714

1.2000 24.7427 1.6126

1.5000 25.2569 1.4313 ...

и их графики (рис. 8.6).

Эта система уравнений относится к числу т.н. автономных (или динамических), ибо независимая переменная в нее явно не входит; соответственно может быть установлена связь между найденными решениями: в параметрическом задании линия y=y(t), z=z(t) определяет фазовую кривую (траекторию) системы - гладкую кривую без самопересечений, замкнутую кривую или точку, которая позволяет судить об устойчивости системы.

Так, установив опции к построению двумерного фазового портрета (функция odephas2)и номера переменных состояния :

»opt=odeset('OutputSel',[1 2], 'OutputFcn','odephas2');

»[T,Y]=ode45('odu2', [0:0.3:9],[19 2],opt);