二分法求解；
.牛顿法求解；
高斯消去法求解；
雅可比迭代法求解；
拉格朗日插值；
牛顿插值；
最小二乘法拟合；
龙贝格方式盘算积分；
欧拉方式求解初值下场；
.牛顿法求解；
高斯消去法求解；
雅可比迭代法求解；
拉格朗日插值；
牛顿插值；
最小二乘法拟合；
龙贝格方式盘算积分；
欧拉方式求解初值下场；
2023/5/1 18:54:40
928KB
1
经由本次试验，熟练的操作方程求根的最底子、罕用的运算方式以及实际。
首要有二分法、牛顿法、弦截法，并体味它们各自不合的特色及收敛速率。
求方程f(x)=x-2sin(x)=0的非零根。
按安妥的比例在屏幕上画出f(x)的函数曲线以及根在x轴上的迫近进程。
matlab7.0及以上版本图像界面试验报告
首要有二分法、牛顿法、弦截法，并体味它们各自不合的特色及收敛速率。
求方程f(x)=x-2sin(x)=0的非零根。
按安妥的比例在屏幕上画出f(x)的函数曲线以及根在x轴上的迫近进程。
matlab7.0及以上版本图像界面试验报告
2023/4/28 20:20:15
226KB
1
在数学上是多元非线性方程组的求解下场，求解的方式有许多种。
牛顿—拉夫逊法是数学上解非线性方程式的实用方式，有较好的收敛性。
将牛顿法用于潮水盘算因此导纳矩阵为底子的，由于行使了导纳矩阵的对于称性、怪异性及节点编号秩序优化等本领，使牛顿法在收敛性、占用内存、盘算速率等方面都抵达了未必的申请。
本文以一个具格款式阐发潮水盘算的详尽方式，并使用牛顿—拉夫逊算法求解线性方程
牛顿—拉夫逊法是数学上解非线性方程式的实用方式，有较好的收敛性。
将牛顿法用于潮水盘算因此导纳矩阵为底子的，由于行使了导纳矩阵的对于称性、怪异性及节点编号秩序优化等本领，使牛顿法在收敛性、占用内存、盘算速率等方面都抵达了未必的申请。
本文以一个具格款式阐发潮水盘算的详尽方式，并使用牛顿—拉夫逊算法求解线性方程
2023/4/8 5:28:21
3.78MB
1
此代码为在matlab中使用牛顿-拉夫迅方式举行潮水盘算。
法度圭表标准中每一步的运行都有评释，对于潮水盘算方面有需要的用户能够下载。
法度圭表标准中每一步的运行都有评释，对于潮水盘算方面有需要的用户能够下载。
2023/4/4 2:13:54
12KB
1
拟牛顿法只需求每一步迭代时知道目标函数的梯度。
通过测量梯度的变化，构造一个目标函数的模型使之足以产生超线性收敛性。
这类方法大大优于最速下降法，尤其对于困难的问题。
另外，因为拟牛顿法不需要二阶导数的信息，所以有时比牛顿法(Newton'sMethod)更为有效。
通过测量梯度的变化，构造一个目标函数的模型使之足以产生超线性收敛性。
这类方法大大优于最速下降法，尤其对于困难的问题。
另外，因为拟牛顿法不需要二阶导数的信息，所以有时比牛顿法(Newton'sMethod)更为有效。
2023/2/16 17:40:43
1KB
1
采用下述方法计算115的平方根，精确到小数点后六位。
(1)二分法。
选取求根区间为[10,11]。
(2)牛顿法。
(3)简化牛顿法。
(4)弦截法。
绘出横坐标分别为计算时间、迭代步数时的收敛精度曲线。
(1)二分法。
选取求根区间为[10,11]。
(2)牛顿法。
(3)简化牛顿法。
(4)弦截法。
绘出横坐标分别为计算时间、迭代步数时的收敛精度曲线。
2023/1/12 15:38:49
2KB
1
《最优化方法与程序设计》一书作者为倪勤，本书系统地介绍了非线性优化基本理论、方法与程序设计。
主要内容有：线搜索与信赖域法，最速下降法与牛顿法，共轭梯度法，拟牛顿法，非线性最小二乘问题的解法，罚函数法，可行方向法，二次规划问题的解法，序列二次规划法等。
本书的主要阅读对象是数学专业的本科生与研究生，非数学专业的研究生，对优化方法感兴味的教师与科学技术人员。
读者需要具备微积分、线性代数和Matlab语言方面的初步知识。
主要内容有：线搜索与信赖域法，最速下降法与牛顿法，共轭梯度法，拟牛顿法，非线性最小二乘问题的解法，罚函数法，可行方向法，二次规划问题的解法，序列二次规划法等。
本书的主要阅读对象是数学专业的本科生与研究生，非数学专业的研究生，对优化方法感兴味的教师与科学技术人员。
读者需要具备微积分、线性代数和Matlab语言方面的初步知识。
2017/2/21 22:55:53
25.28MB
1
我的思路是这样的：最速下降法能找出全局最优点，但在接近最优点的区域内就会陷入“齿型”迭代中，使其每进行一步迭代都要花掉非常久的时间，这样长久的等待是无法忍耐的，不信你就在我那个程序的第一步迭代中把精度取得很小如：0.000000001等，其实我等过一个钟都没有什么结果出来。
再者我们考究一下牛顿迭代法求最优问题，牛顿法相对最速下降法的速度就快得多了，而且还有一个好处就是能高度逼近最优值，而不会出现死等待的现象。
如后面的精度，你可以取如：0.0000000000001等。
但是牛顿法也有缺点，就是要求的初始值非常严格，如果取不好，逼近的最优解将不收敛，甚至不是最优解。
就算收敛也不能保证那个结就是全局最优解，所以我们的出发点应该是：为牛顿法找到一个好的初始点，而且这个初始点应该是在全局最优点附近，这个初始点就能保证牛顿法高精度收敛到最优点，而且速度还很快。
思路概括如下：1。
用最速下降法在大范围找到一个好的初始点给牛顿法：（最速下降法在精度不是很高的情况下逼近速度也是蛮快的）2。
在最优点附近改用牛顿法，用最速下降法找到的点为牛顿法的初始点，提高逼近速度与精度。
3。
这样两种方法相结合，既能提高逼近的精度，还能提高逼近的速度，而且还能保证是全局最优点。
这就充分吸收各自的优点，扬长避短。
得到理想的结果了。
再者我们考究一下牛顿迭代法求最优问题，牛顿法相对最速下降法的速度就快得多了，而且还有一个好处就是能高度逼近最优值，而不会出现死等待的现象。
如后面的精度，你可以取如：0.0000000000001等。
但是牛顿法也有缺点，就是要求的初始值非常严格，如果取不好，逼近的最优解将不收敛，甚至不是最优解。
就算收敛也不能保证那个结就是全局最优解，所以我们的出发点应该是：为牛顿法找到一个好的初始点，而且这个初始点应该是在全局最优点附近，这个初始点就能保证牛顿法高精度收敛到最优点，而且速度还很快。
思路概括如下：1。
用最速下降法在大范围找到一个好的初始点给牛顿法：（最速下降法在精度不是很高的情况下逼近速度也是蛮快的）2。
在最优点附近改用牛顿法，用最速下降法找到的点为牛顿法的初始点，提高逼近速度与精度。
3。
这样两种方法相结合，既能提高逼近的精度，还能提高逼近的速度，而且还能保证是全局最优点。
这就充分吸收各自的优点，扬长避短。
得到理想的结果了。
2021/8/24 8:13:46
3KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB