- •Оглавление
- •Введение
- •1. Программирование задач на языке basic
- •Программирование линейных вычислительных процессов
- •1.1.2. Справочный материал.
- •1.1.5. Вопросы для самопроверки
- •1.2.3. Пример:
- •20 Input “a b “ ; a , b input “a b “ ; a , b
- •1.2.4. Задание к лабораторной работе.
- •Определённые циклы
- •1.3.4. Задания к лабораторной работе.
- •Определённые циклы. Суммирование членов функционального ряда
- •Input “X, m%, h% “ ; X , m% , h%
- •1.4.4. Задания к лабораторной работе.
- •Файлы прямого и последовательного доступа
- •Input “X m h “ ; X , m% , h
- •Программирование итерационных вычислительных процессов
- •10 Input "Введите значения X,r,k,e" ; X,r,k,e
- •1.6.5. Вопросы для самопроверки
- •1.7.5. Вопросы для самопроверки
- •Формирование и обработка одномерных массивов
- •1.8.5. Вопросы для самопроверки
- •Формирование двумерных массивов и выполнение операций с матричными элементами
- •160 Next I
- •160 Next j
- •150 Next j
- •1.9.5. Вопросы для самопроверки
- •Программирование сложных программ с использованием подпрограмм
- •40 Read X( I ) : next I
- •45 Data 1, 2.1, -3, -4.1, 1.7, 1.8, 1.9, 14.2, -5, -4.3, 11.2, 10.8
- •140 Return
- •90 Read X( I ) : next I
- •100 Data 1, 2.1, -3, -4.1, 1.7, 1.8, 1.9, 14.2, -5, -4.3, 11.2, 10.8
- •1.10.5. Вопросы для самопроверки
- •Программирование цепочек текстовых переменных
- •1.11.5. Вопросы для самопроверки
- •Литература к главе 1
- •2.1.5. Вопросы для самопроверки
- •Решение нелинейного уравнения графическим методом
- •2.2.5. Вопросы для самопроверки
- •Решение НелинейноГо уравнениЯ МетодОм простых итераций
- •2.3.5. Вопросы для самопроверки
- •Решение нелинейного уравнения методом касательных
- •2.4.3. Пример.
- •2.4.5. Вопросы для самопроверки
- •Решение систем Нелинейных уравнений графическим методом
- •2.5.5. Вопросы для самопроверки
- •Решение систем Нелинейных уравнений методом пРостых итераЦиЙ
- •2.6.3. Пример.
- •2.6.5. Вопросы для самопроверки
- •Численное интегрирование:метод прямоугольников и трапеций, формула симпсона
- •2.7.5. Вопросы для самопроверки
- •Численное решение обыкновеНноГо дифференциального уравнениЯ МетодОм эЙлера и рунге-кутта
- •2.8.5. Вопросы для самопроверки
- •Численное решение систем обыкновеНнЫх дифференциальных уравнениЙ МетодОм эЙлера
- •3. Математическое моделирование на пэвм
- •3.1. Системы тел сосредоточенными массами
- •3.1.1. Математическое моделирование теплообмена для тел сосредоточенных масс с окружающей средой
- •3.1.2. Собственные колебания
- •Лабораторная работа № 3.1 исследование автономной линейной системы уравнений
- •Лабораторная работа № 3.2 исследование автономной нелинейной системы уравнений
- •Лабораторная работа № 3.3 решение жестких систем обыкновенных дифференциальных уравнений (оду)
- •3.1.3. Математическая модель стабильности позвоночника
- •Результаты численных расчетов
- •3.2. Системы с распределенными параметрами
- •3.2.1. Математическое моделирование процесса переноса частиц
- •3.2.2. Математическое моделирование процесса прерванного посола рыбы
- •Отметим, что критерий устойчивости счета методом прогонки к ошибкам округления выполнен, так как
- •Как следует из рекуррентных соотношений (3.2.32), для начала расчета необходимо иметь значения e1 и w1, которые определяются с помощью левого граничного условия (3.2.23)
- •3.2.3. Моделирование процесса переноса частиц на основе гиперболической системы уравнений
- •3.2.4. Математическое моделирование нестационарного двумерного процесса переноса частиц (теплопереноса)
- •Система разностных уравнений (3.2.45) дополнялась начальными и граничными условиями (3.2.40 – 3.2.44) и решалась методом обыкновенной прогонки попеременно в двух направлениях.
- •3.3. Повышение порядка точности аппроксимации дифференциальных уравнений
- •3.3.1. Повышение порядка точности аппроксимации обыкновенных дифференциальных уравнений
- •3.3.2. Повышение порядка точности аппроксимации дифференциальных уравнений гиперболического типа
- •3.4. Интерполяция функций
- •3.4.1. Линейная интерполяция
- •3.4.2. Квадратичная интерполяция
- •3.4.3. Интерполяционная формула Лагранжа
- •3.4.4. Сплайны
- •3.4.5. Алгоритм решения обратных задач по заданным показателям качества
- •Литература к главе 3
3.4.4. Сплайны
Сплайном называется интерполяционная функция, которая вместе с производными непрерывна на всем заданном отрезке [a, b], и на каждом частичном отрезке [xi+1, xi] является алгебраическим многочленом.
Максимальная степень многочлена называется степенью сплайна, а разность между степенью сплайна и порядком наивысшей непрерывной на [a, b] производной – дефектом сплайна.
В MATH CAD представлены три вида сплайнов: линейный, параболический и кубический, при этом обращение к ним имеет следующий вид:
а) линейный сплайн Sl(z):=inter(lspline(x,y),x,y,z);
а) параболический сплайн Sp(z):=inter(pspline(x,y),x,y,z);
а) кубический сплайн Sc(z):=inter(cspline(x,y),x,y,z).
Пример. Зададим переменные x,z и функцию y(х) следующим образом и вычислим ее линейную интерполяционную зависимость Sl(z):
а) линейный сплайн Sl(z):=inter(lspline(x,y),x,y,z):
Строим графики функций у(х) (пунктирная кривая) и Sl(z) (сплошная линия)
Рис. 3.29. Графики заданной функции у(х) и ее линейной сплайновой интерполяционной зависимости Sl(z)
Отметим, что если функция у(х) является ломаной прямой, проведенной через четыре точки, то сплайн Sl(z) проведен через сорок точек, т.е. каждый из трех интервалов х разбит на тринадцать точек (см. рис. 3.29).
Задание. По примеру приведенного выше алгоритма задать функцию у(х) и построить интерполяционную зависимость Sl(z), согласно табл. 3.11.
Таблица 3.11
Номер последней цифры зачетной книжки |
Линейная интерполяция |
Параболическая интерполяция |
Кубическая интерполяция |
Сплайны |
0 - 2 |
***** |
|
|
|
3 - 5 |
|
***** |
|
|
6 – 7 |
|
|
***** |
|
8 - 9 |
|
|
|
***** |
3.4.5. Алгоритм решения обратных задач по заданным показателям качества
Моделирование сложных инженерно-технических систем традиционно основано на методах прямого моделирования. Такой подход используется для описания отклика системы на внешние воздействия, если известны значения входных данных модели. Несмотря на относительную доступность и универсальность, метод прямого моделирования при современных достижениях вычислительной математики и технических возможностях не может охватить весь круг поставленных задач моделирования. В большинстве случаев работы носят междисциплинарный характер, когда заранее задаются требования о значениях целевого функционала с конкретными характеристиками и требуемыми свойствами, т.е. ставится цель восстановить параметры моделируемых польдерных систем в зависимости от воздействия. Таким образом, исследователи приходят к постановке решения обратных задач математического моделирования, которые связаны с обращением причинно-следственной связи, т.е. отысканием неизвестных причин по известным следствиям.
Модели процессов выступают в роли связей между функциями состояния, входными параметрами и источниками внешних связей. Такая технология моделирования строится на вариационных принципах в сочетании с методами декомпозиции, расщепления и соединения. Сочетание прямого и обратного методов моделирования успешно применимы при решении следующих задач: верификация математических моделей, обобщение моделей различных масштабов, восстановление состояния моделируемой системы при заданных параметрах, планирование экспериментов с использованием моделей, оценки рисков при введении новых «игроков» в построенную модель. Технология моделирования должна строиться таким образом, чтобы обеспечить сочетание глобального взгляда на проблему в целом с детальным описанием существа изучаемых явлений.
Алгоритм решения обратных задач. Для постановки обратных задач и построения общего алгоритма их решения используются идеи теории оптимизации и вариационного исчисления. В этом случае все аппроксимации получаются с учетом структуры функционала качества и способа нахождения его стационарных значений на множествах значений функций состояния, параметров моделей в дискретной формулировке. Решение обратной задачи управления режимом увлажнения корнеобитаемого слоя почвы ПС, в силу сложности моделирующей системы дифференциальных уравнений в частных производных (см. главу 2), является слишком сложным. Использование общего алгоритма решения обратных задач, приведенного выше, представляется малоэффективным и требует значительных вычислительных затрат.
В данной работе при численном решении эту задачу предлагается заменить на задачу построения обратной аппроксимации параметров ПС. При этом необходимо использовать методы интерполяции и экстраполяции для изучения зависимости одних величин от других. Под обратной интерполяцией понимают следующий вычислительный процесс решения нелинейных уравнений вида f(x) = a (a – заданная величина). Пусть y = f (x) – некоторая монотонная функция, для которой известна лишь таблица ее значений, т. е. известно, что при значениях аргумента x = x0, x1, …, xn функция принимает соответственно значения у0, у1, … , уn:
f (x0) = y0;
f (x1) = y1; (3.4.11)
………….
f (xn) = yn.
Фактически обратная задача отыскания интерполяционной функции F(у) по заданным ее значениям в узлах означает, что мы должны построить кривую, проходящую через точки плоскости с координатами (x0, y0), (x1, y1), … , (xn, yn) (см. рис. 3.30), например, по интерполяционной формуле Лагранжа:
(3.4.12)
Таким образом, решением нелинейного уравнения a = f (x) является значение обратной интерполяционной функции F(а), вычисленной по формуле (3.4.12) в точке у=а, т.е. х = F(а).
Численный пример. Таблично задана функция yn = f (xn), n=0,1,2. При этом критерий качества а = 8, значение аргументов и самой функции задавались равными x0= 10, x1 =11, x2 = 12; y0 = 5, y1 = 7, y2 = 2. Результаты численного решения нелинейного уравнения a = f (x) методом обратной интерполяции приведены на рис. 3.30.
Рис 3.30. График зависимости функции х = F(у)
Графически значение корня нелинейного уравнения (3.4.12) определяется как точка пересечения графиков, приведенных на рис. 3.30. При у = а = 8 значение аргумента будет равно х = F(а) = 12.2.