- •Часть 1
- •Оглавление
- •Введение
- •1. Источники и причины погрешностей математической модели
- •Погрешность математической модели
- •Погрешность исходных данных
- •Погрешность численного метода
- •Погрешность проведения расчетов на вычислительных машинах
- •Погрешности округления чисел в эвм
- •Погрешность результатов вычисления арифметических операций
- •“Потеря порядка” и “переполнение” при проведении вычислений на эвм
- •Машинная реализация вычислений
- •Контрольные вопросы и задания
- •2. Системы линейных алгебраических уравнений
- •Прямые методы решения
- •Метод Гаусса
- •Определение числа операций алгоритма метода Гаусса
- •Вычисление определителя матрицы
- •Построение обратной матрицы
- •Метод квадратного корня
- •Определение числа операций алгоритма метода квадратного корня
- •Устойчивость системы линейных алгебраических уравнений
- •Итерационные методы решения
- •Метод Якоби1
- •Метод Зейделя1
- •Сходимость итерационных методов
- •Скорость сходимости
- •Полиномы Чебышёва1
- •Итерационный метод с чебышёвским набором параметров
- •Неявный метод с чебышёвским набором параметров
- •Метод минимальных невязок
- •Метод минимальных поправок
- •Метод скорейшего спуска
- •Неявный метод скорейшего спуска
- •Контрольные вопросы и задания
- •3.НелинейныЕ уравнения
- •Методы вычисления корней нелинейного уравнения1 Метод половинного деления2
- •Метод простых итераций
- •Метод Ньютона2
- •Модификации метода Ньютона
- •Системы нелинейных уравнений
- •Метод простых итераций
- •Метод релаксации
- •Метод Ньютона
- •Нелинейный вариант метода Якоби
- •Нелинейный вариант метода Зейделя
- •Контрольные вопросы и задания
- •Интерполяция степенными функциями
- •Интерполяционный многочлен Ньютона
- •Интерполяционная формула Лагранжа
- •Погрешность полинома Ньютона (Лагранжа)
- •Сходимость интерполяционного процесса
- •Интерполяционный многочлен Эрмита1
- •Интерполяция сплайнами
- •Построение кубического сплайна
- •Сходимость процесса интерполяции кубическими сплайнами
- •Наилучшее приближение в гильбертовом пространстве
- •Метод наименьших квадратов
- •Контрольные вопросы и задания
- •5. Алгебраическая проблема собственных значений
- •Устойчивость собственных значений и векторов
- •Определение собственных значений и векторов Метод интерполяции
- •Трехдиагональные матрицы
- •Поиск собственных векторов
- •Частичная проблема собственных значений
- •Метод линеаризации
- •Степенной метод
- •Метод обратных итераций
- •Контрольные вопросы и задания
- •6.Численное дифференцирование Конечно-разностная аппроксимация
- •Применение интерполяционных формул
- •Контрольные вопросы и задания
- •7.Численное интегрирование
- •Формула прямоугольников
- •Формула трапеций
- •Формула Симпсона1
- •Формула Эйлера1
- •Оценка погрешности методом Рунге2
Погрешность математической модели
Точность математической модели определяется степенью правильности принятых гипотез и упрощений, описывающих исследуемый объект. Оценка точности в этом случае может производиться только проверкой степени выполнения принятых гипотез при натурном наблюдении. Так, например, для моделирования поведения металла в процессах пластического деформирования, как правило, используют модели вязкой жидкости. Однако такое предположение может быть использовано лишь в процессах, проводящихся при достаточно высоких температурах.
Понятно, что погрешности этого рода являются неустранимыми в рамках принятых допущений и предположений. Повышение точности модели возможно при уточнении гипотез и законов, описывающих поведение исследуемого объекта: увеличение степеней свободы механизмов, повышение размерности задачи, отказ от грубых допущений. Это, как правило, приводит к повышению сложности систем уравнений и алгоритмов решения поставленной задачи.
Погрешность исходных данных
Любая математическая модель использует для проведения расчетов некоторые данные, получаемые с помощью натурных измерений. В силу погрешности измерительных инструментов, ошибок при снятии размеров, нестабильности свойств и размеров тел практичеси все исходные данные содержат погрешности, влияющие в большей или меньшей степени на результаты расчетов. Точность определения параметров в промышленных условиях, как правило, составляет 1 - 10 % . Точные иследования при наличии достаточной инструментальной базы и специальных условий позволяют достичь 0,001 - 0,0001% погрешности. Прецизионные измерения обеспечивают погрешность в пределах 10-8 - 10-10 %. Как и в предыдущем случае, погрешности измерения вносят неустранимые искажения в результаты решения задач. В связи с этим имеет смысл накладывать ограничения и на точность выполнения математических вычислений: погрешность вычислений должна быть меньше погрешности измерения примерно в 10 раз. Более высокая точность вычислений является бессмысленной из-за наличия погрешностей представления исходных данных.
Погрешность численного метода
Погрешность метода решения задачи на вычислительной машине определяется неточностью замены алгебраического, дифференциального или интегрального оператора в исходном уравнении поставленной задачи приближенным (линейным или разностным). Например, при замене интеграла конечной суммой:
,
где N - число разбиений отрезка [a, b], h - шаг интегрирования, точное значение площади под графиком заменяется суммой площадей соответствующих прямоугольников (рис 1.2).
Очевидно, что при приближенном определении значения интеграла появляется погрешность, определяемая величиной “лишних” частей взятых прямоугольников. Чем меньше шаг интегрирования h, тем выше точность вычисления значения интеграла.
a b
Рис. 1.2. Схема численного интегрирования
Аналогичная ситуация имеет место при замене производной разностным аналогом (рис. 1.3):
.
Понятно, что в этом случае погрешность замены производной разностным аналогом также уменьшается с уменьшением величины шага h. Иначе говоря, при использовании численных методов погрешность решения является регулируемой: при корректном построении разностной аппроксимации исходного уравнения всегда имеется некоторый параметр, варьированием которого можно регулировать величину погрешности получаемого результата.
x x+h
Рис. 1.3. Схема численного дифференцирования
Вместе с тем следует иметь в виду, что повышение точности решения модели приводит к ощутимому повышению затрат ресурсов ЭВМ (времени проведения вычислений и оперативной памяти). Поэтому необходимо придерживаться “золотой середины”: достижение приемлемых затрат ресурсов при получении удовлетворительной точности.