高等数值分析常用GMRES算法，可以进行大规模方程迭代求解
标签： GMRES
上传时间： 2016-12-31
上传用户：跑啦啦泡
用迭代法求方程 x3-x2-1=0 在[1.3, 1.6]内的一个实根,选初值x0 =1.3,迭代一步。
标签： gggggg
上传时间： 2017-05-09
上传用户：mic0000
简单求解比例时滞微分方程的迭代程序, matlab编程
上传时间： 2017-05-18
上传用户：824719569
function [alpha,N,U]=youxianchafen2(r1,r2,up,under,num,deta) %[alpha,N,U]=youxianchafen2(a,r1,r2,up,under,num,deta) %该函数用有限差分法求解有两种介质的正方形区域的二维拉普拉斯方程的数值解 %函数返回迭代因子、迭代次数以及迭代完成后所求区域内网格节点处的值 %a为正方形求解区域的边长 %r1,r2分别表示两种介质的电导率 %up,under分别为上下边界值 %num表示将区域每边的网格剖分个数 %deta为迭代过程中所允许的相对误差限 n=num+1; %每边节点数 U(n,n)=0; %节点处数值矩阵 N=0; %迭代次数初值 alpha=2/(1+sin(pi/num));%超松弛迭代因子 k=r1/r2; %两介质电导率之比 U(1,1:n)=up; %求解区域上边界第一类边界条件 U(n,1:n)=under; %求解区域下边界第一类边界条件 U(2:num,1)=0;U(2:num,n)=0; for i=2:num U(i,2:num)=up-(up-under)/num*(i-1);%采用线性赋值对上下边界之间的节点赋迭代初值 end G=1; while G>0 %迭代条件：不满足相对误差限要求的节点数目G不为零 Un=U; %完成第n次迭代后所有节点处的值 G=0; %每完成一次迭代将不满足相对误差限要求的节点数目归零 for j=1:n for i=2:num U1=U(i,j); %第n次迭代时网格节点处的值 if j==1 %第n+1次迭代左边界第二类边界条件 U(i,j)=1/4*(2*U(i,j+1)+U(i-1,j)+U(i+1,j)); end if (j>1)&&(j U2=1/4*(U(i,j+1)+ U(i-1,j)+ U(i,j-1)+ U(i+1,j)); U(i,j)=U1+alpha*(U2-U1); %引入超松弛迭代因子后的网格节点处的值 end if i==n+1-j %第n+1次迭代两介质分界面（与网格对角线重合）第二类边界条件 U(i,j)=1/4*(2/(1+k)*(U(i,j+1)+U(i+1,j))+2*k/(1+k)*(U(i-1,j)+U(i,j-1))); end if j==n %第n+1次迭代右边界第二类边界条件 U(i,n)=1/4*(2*U(i,j-1)+U(i-1,j)+U(i+1,j)); end end end N=N+1 %显示迭代次数 Un1=U; %完成第n+1次迭代后所有节点处的值 err=abs((Un1-Un)./Un1);%第n+1次迭代与第n次迭代所有节点值的相对误差 err(1,1:n)=0; %上边界节点相对误差置零 err(n,1:n)=0; %下边界节点相对误差置零 G=sum(sum(err>deta))%显示每次迭代后不满足相对误差限要求的节点数目G end
标签： 有限差分
上传时间： 2018-07-13
上传用户：Kemin
分析给出浮点、定点的基本运算舍入误差问题，以及在基本变换、线性方程组、稀疏矩阵还有不断试错，快速迭代过程中必须注意避免的舍入误差问题。
标签： 误差分析
上传时间： 2018-11-23
上传用户：milo
K-Means算法是最古老也是应用最广泛的聚类算法，它使用质心定义原型，质心是一组点的均值，通常该算法用于n维连续空间中的对象。 K-Means算法流程 step1：选择K个点作为初始质心 step2：repeat 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 until 质心不在变化 例如下图的样本集，初始选择是三个质心比较集中，但是迭代3次之后，质心趋于稳定，并将样本集分为3部分 我们对每一个步骤都进行分析 step1：选择K个点作为初始质心 这一步首先要知道K的值，也就是说K是手动设置的，而不是像EM算法那样自动聚类成n个簇 其次，如何选择初始质心 最简单的方式无异于，随机选取质心了，然后多次运行，取效果最好的那个结果。这个方法，简单但不见得有效，有很大的可能是得到局部最优。 另一种复杂的方式是，随机选取一个质心，然后计算离这个质心最远的样本点，对于每个后继质心都选取已经选取过的质心的最远点。使用这种方式，可以确保质心是随机的，并且是散开的。 step2：repeat 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 until 质心不在变化 如何定义最近的概念，对于欧式空间中的点，可以使用欧式空间，对于文档可以用余弦相似性等等。对于给定的数据，可能适应与多种合适的邻近性度量。
上传时间： 2018-11-27
上传用户：1159474180
粒子群标准算法。迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest，gbest)来更新自己。在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。
上传时间： 2019-03-26
上传用户：威震天牛逼
在微电网调度过程中综合考虑经济、环境、蓄电池的 循环电量，建立多目标优化数学模型。针对传统多目标粒子 群算法(multi-objective particle swarm optimization，MOPSO) 的不足，提出引入模糊聚类分析的多目标粒子群算法 (multi-objective particle swarm optimization algorithm based on fuzzy clustering，FCMOPSO)，在迭代过程中引入模糊聚 类分析来寻找每代的集群最优解。与 MOPSO 相比， FCMOPSO 增强了算法的稳定性与全局搜索能力，同时使优 化结果中 Pareto 前沿分布更均匀。在求得 Pareto 最优解集 后，再根据各目标的重要程度，用模糊模型识别从最优解集 中找出不同情况下的最优方案。最后以一欧洲典型微电网为 例，验证算法的有效性和可行性。
上传时间： 2019-11-11
上传用户：Dr.赵劲帅
近年来，随着互联网的飞速发展以及人们生活水平的不断提高，网上购物逐渐成为人们日常生活中不可或缺的一部分，电子商务市场也随之经历着高速的发展。伴随着业务扩展和需求迭代，电商平台往往需要为越来越多的功能提供支持。对于传统单体架构电商平台的开发实现，随着需求不断增多，功能之间耦合严重、代码臃肿维护困难、上线成本高、业务伸缩性差等问题将会变得越来越严重。针对单体架构电商平台的这些问题，本论文设计并实现了一个基于微服务架构的电商平台。
上传时间： 2020-04-26
上传用户：小小小白.
本书介绍：涉及LQ最优控制、LQ随机控制和随机鲁棒控制的Riccati矩阵微分方程的迭代法的新成果，最优控制的一些新方法。
标签： 最优控制中的数学方法
上传时间： 2021-11-03
上传用户：nhhrzh
