在数学和科学领域，数值分析是一个至关重要的分支，它专注于如何用数值方法来解决实际问题。李庆扬的笔记深入浅出地讲解了数值分析的核心要点，以下是对这些要点的深度解读。
1. 数值稳定性与误差分析
1.1 数值稳定性
数值稳定性是数值计算中的一个关键概念，它描述了数值算法在计算过程中的误差增长情况。一个数值稳定的算法能够在计算过程中控制误差，使得结果尽可能接近真实值。
1.2 误差分析
误差分析是数值分析的基础，它涉及到如何量化计算过程中的误差。误差可以分为舍入误差和截断误差。舍入误差是由于计算机使用有限位表示浮点数而引起的，截断误差则是由于数值算法本身的不精确性造成的。
2. 解线性方程组
解线性方程组是数值分析中的一个重要问题。李庆扬的笔记详细介绍了高斯消元法、LU分解、迭代法等多种解线性方程组的方法。
2.1 高斯消元法
高斯消元法是一种经典的解线性方程组的方法，它通过行变换将方程组转化为上三角或下三角形式，从而容易求解。
import numpy as np
def gauss_elimination(A, b):
"""
高斯消元法求解线性方程组
A: 系数矩阵
b: 常数项
"""
n = len(b)
for i in range(n):
# 寻找主元
max_row = np.argmax(np.abs(A[i:, i])) + i
A[[i, max_row]] = A[[max_row, i]]
b[[i, max_row]] = b[[max_row, i]]
# 消元
for j in range(i + 1, n):
factor = A[j, i] / A[i, i]
A[j, i:] -= factor * A[i, i:]
b[j] -= factor * b[i]
# 回代求解
x = np.zeros(n)
for i in range(n - 1, -1, -1):
x[i] = (b[i] - np.dot(A[i, i + 1:], x[i + 1:])) / A[i, i]
return x
2.2 迭代法
迭代法是一种通过不断迭代逼近方程组解的方法。常见的迭代法包括雅可比迭代法、高斯-赛德尔迭代法等。
3. 解非线性方程
非线性方程组的求解比线性方程组更为复杂，李庆扬的笔记介绍了牛顿法、不动点迭代法等求解非线性方程的方法。
3.1 牛顿法
牛顿法是一种基于函数局部线性化原理的迭代法，它通过计算函数的导数来逼近方程的根。
def newton_method(f, df, x0, tol=1e-5, max_iter=100):
"""
牛顿法求解非线性方程
f: 非线性方程
df: 方程的导数
x0: 初始值
tol: 容差
max_iter: 最大迭代次数
"""
x = x0
for i in range(max_iter):
x_new = x - f(x) / df(x)
if abs(x_new - x) < tol:
return x_new
x = x_new
return None
3.2 不动点迭代法
不动点迭代法是一种通过迭代逼近方程不动点的方法。它适用于具有不动点的非线性方程。
4. 微分方程数值解法
微分方程是描述自然界和工程领域许多现象的数学模型。李庆扬的笔记介绍了欧拉法、龙格-库塔法等求解微分方程的方法。
4.1 欧拉法
欧拉法是一种最简单的微分方程数值解法，它通过在时间轴上离散化方程来求解微分方程。
4.2 龙格-库塔法
龙格-库塔法是一种更为精确的微分方程数值解法，它通过计算函数在不同时间点的斜率来逼近微分方程的解。
def runge_kutta(f, y0, t0, tf, dt):
"""
龙格-库塔法求解微分方程
f: 微分方程的导数
y0: 初始值
t0: 初始时间
tf: 终止时间
dt: 时间步长
"""
t = t0
y = y0
while t < tf:
k1 = dt * f(t, y)
k2 = dt * f(t + 0.5 * dt, y + 0.5 * k1)
k3 = dt * f(t + 0.5 * dt, y + 0.5 * k2)
k4 = dt * f(t + dt, y + k3)
y += (k1 + 2 * k2 + 2 * k3 + k4) / 6
t += dt
return y
5. 结论
数值分析是一门重要的数学分支，它为解决实际问题提供了强大的工具。李庆扬的笔记深入浅出地讲解了数值分析的核心要点，对于学习和研究数值分析具有重要的参考价值。