Matlab解非线性超定方程组
3x+2/(5+y)=6,
4x+4/(5+y)=7，
9x+4/(8+y)=12
11x+2/(4+y)=15
x,y是未知数
--------------------
clc;clear;
%其实楼主的问题可以等效为求最小值的问题，我使用的指标是典型的平方和最小
xtt=[1,1];
f=@(x)(3*x(1)+2/(5+x(2))-6)^2+(4*x(1)+4/(5+x(2))-7)^2+(9*x(1)+4/(8+x( 2))-12)^2+(11*x(1)+2/(4+x(2))-15)^2;
[x,fval]=fminsearch(f,xtt)
============================================================================== 求解线性方程组
solve，linsolve
例：
A=[5 0 4 2;1 -1 2 1;4 1 2 0;1 1 1 1];
%矩阵的行之间用分号隔开，元素之间用逗号或空格
B=[3;1;1;0]
X=zeros(4,1);%建立一个4元列向量
X=linsolve(A,B)
diff（fun，var，n）：对表达式fun中的变量var求n阶导数。
例如：F=sym（'u(x,y)*v(x,y)'）; %sym（）用来定义一个符号表达式
diff(F); %matlab区分大小写
pretty(ans) %pretty（）：用习惯书写方式显示变量；ans是答案表达式
非线性方程求解
fsolve(fun,x0,options)
其中fun为待解方程或方程组的文件名；
x0位求解方程的初始向量或矩阵；
option为设置命令参数
建立文件fun.m：
function y=fun(x)
y=[x(1)-0.5*sin(x(1))-0.3*cos(x(2)), ...
x(2) - 0.5*cos(x(1))+0.3*sin(x(2))];
>>clear;x0=[0.1,0.1];fsolve(@fun,x0,optimset('fsolve'))
注：
...为续行符
m文件必须以function为文件头，调用符为@；文件名必须与定义的函数名相同；fsolve（）主要求解复杂非线性方程和方程组，求解过程是一个逼近过程。
Matlab求解线性方程组
AX=B或XA=B
在MATLAB中，求解线性方程组时，主要采用前面章节介绍的除法运算符“/”和“\”。如：
X=A\B表示求矩阵方程AX＝B的解；
X＝B/A表示矩阵方程XA=B的解。
对方程组X＝A\B，要求A和B用相同的行数，X和B有相同的列数，它的行数等于矩阵A的列数，方程X＝B/A同理。
如果矩阵A不是方阵，其维数是m×n，则有：
m＝n 恰定方程，求解精确解；
m>n 超定方程，寻求最小二乘解；
m 针对不同的情况，MATLAB将采用不同的算法来求解。 一．恰定方程组 恰定方程组由n个未知数的n个方程构成，方程有唯一的一组解，其一般形式可用矩阵，向量写成如下形式： Ax=b 其中A是方阵，b是一个列向量； 在线性代数教科书中，最常用的方程组解法有： （1）利用cramer公式来求解法； （2）利用矩阵求逆解法，即x=A-1b； （3）利用gaussian消去法； （4）利用lu法求解。 一般来说，对维数不高，条件数不大的矩阵，上面四种解法所得的结果差别不大。前三种解法的真正意义是在其理论上，而不是实际的数值计算。MATLAB中，出于对算法稳定性的考虑，行列式及逆的计算大都在lu分解的基础上进行。 在MATLAB中，求解这类方程组的命令十分简单，直接采用表达式：x=A\b。在MATLAB的指令解释器在确认变量A非奇异后，就对它进行lu分解，并最终给出解x；若矩阵A的条件数很大，MATLAB会提醒用户注意所得解的可靠性。如果矩阵A是奇异的，则Ax=b的解不存在，或者存在但不唯一；如果矩阵A 接近奇异时，MATLAB将给出警告信息；如果发现A是奇异的，则计算结果为inf，并且给出警告信息；如果矩阵A是病态矩阵，也会给出警告信息。 注意：在求解方程时，尽量不要用inv(A)*b命令，而应采用A\b的解法。因为后者的计算速度比前者快、精度高，尤其当矩阵A的维数比较大时。另外，除法命令的适用行较强，对于非方阵A，也能给出最小二乘解。 二．超定方程组 对于方程组Ax=b，A为n×m矩阵，如果A列满秩，且n>m。则方程组没有精确解，此时称方程组为超定方程组。线性超定方程组经常遇到的问题是数据的曲线拟合。对于超定方程，在MATLAB中，利用左除命令（x=A\b）来寻求它的最小二乘解；还可以用广义逆来求，即x=pinv(A),所得的解不一定满足Ax=b，x 只是最小二乘意义上的解。左除的方法是建立在奇异值分解基础之上，由此获得的解最可靠；广义逆法是建立在对原超定方程直接进行householder变换的基础上，其算法可靠性稍逊与奇异值求解，但速度较快； 【例7】 求解超定方程组 A=[2 -1 3;3 1 -5;4 -1 1;1 3 -13] A= 2 -1 3 3 1 -5 4 -1 1 1 3 -13 b＝[3 0 3 -6]’; rank(A) ans= 3 x1=A\b x1= 1.0000 2.0000 1.0000 x2=pinv(A)*b x2= 1.0000 2.0000 1.0000 A*x1-b ans= 1.0e-014 -0.0888 -0.0888 -0.1332 可见x1并不是方程Ax=b的精确解，用x2=pinv(A)*b所得的解与x1相同。三．欠定方程组 欠定方程组未知量个数多于方程个数，但理论上有无穷个解。MATLAB将寻求一个基本解，其中最多只能有m个非零元素。特解由列主元qr分解求得。【例8】 解欠定方程组 A＝[1 -2 1 1;1 -2 1 -1;1 -2 1 5] A= 1 - 2 1 1 1 - 2 1 -1 1 - 2 1 -1 1 - 2 1 5 b=[1 -1 5]’ x1=A\b Warning:Rank deficient,rank=2 tol=4.6151e-015 x1= -0.0000 1.0000 x2=pinv(A)*b x2= -0.0000 0.0000 1.0000 四．方程组的非负最小二乘解 在某些条件下，所求的线性方程组的解出现负数是没有意义的。虽然方程组可以得到精确解，但却不能取负值解。在这种情况下，其非负最小二乘解比方程的精确解更有意义。在MATLAB中，求非负最小二乘解常用函数nnls，其调用格式为： （1）X=nnls(A,b)返回方程Ax=b的最小二乘解，方程的求解过程被限制在x 的条件下； （2）X=nnls(A,b,TOL)指定误差TOL来求解，TOL的默认值为 TOL=max(size(A))*norm(A,1)*eps，矩阵的－1范数越大，求解的误差越大；（3）[X,W]=nnls(A,b) 当x(i)=0时，w(i)<0；当下x(i)>0时，w(i)0,同时返回一个双向量w。 【例9】求方程组的非负最小二乘解 A=[3.4336 -0.5238 0.6710 -0.5238 3.2833 -0.7302 0.6710 -0.7302 4.0261]; b=[-1.000 1.5000 2.5000]; [X,W]=nnls(A,b) X= 0.6563 0.6998 W= -3.6820 -0.0000 -0.0000 x1=A\b x1= -0.3569 0.5744 0.7846 ans= 1.1258 0.1437 -0.1616 A*x1-b ans= 1.0e-0.15 -0.2220 0.4441 ============================================================== 关于采用matlab进行指定非线性方程拟合的问题(1) ※1。优化工具箱的利用 函数描述 LSQLIN 有约束线性最小二乘优化 LSQNONNEG 非负约束线性最小二乘优化问题 当有约束问题存在的时候，应该采用上面的方法代替Polyfit与反斜线（\）。具体例子请参阅优化工具箱文档中的相应利用这两个函数的例子。 d. 非线性曲线拟合 利用MATLAB的内建函数 函数名描述 FMINBND 只解决单变量固定区域的最小值问题 FMINSEARCH 多变量无约束非线性最小化问题（Nelder-Mead 方法）。 下面给出一个小例子展示一下如何利用FMINSEARCH 1．首先生成数据 >> t=0:.1:10; >> Data=40*exp(-.5*t)+rand(size(t)); % 将数据加上随机噪声2．写一个m文件，以曲线参数作为输入，以拟合误差作为输出 function sse=myfit(params,Input,Actural_Output) A=params(1); lamda=params(2); Fitted_Curve=A.*exp(-lamda*Input); Error_Vector=Fitted_Curve-Actural_Output; %当曲线拟合的时候，一个典型的质量评价标准就是误差平方和sse=sum(Error_Vector.^2); %当然，也可以将sse写作：sse=Error_Vector(:)*Error_Vector(:); 3．调用FMINSEARCH >> Strarting=rand(1,2); >> options=optimset('Display','iter'); >> Estimates=fiminsearch(@myfit,Strarting,options,t,Data); >> plot(t,Data,'*'); >> hold on >> plot(t,Estimates(1)*exp(-Estimates(2)*t),'r'); Estimates将是一个包含了对原数据集进行估计的参数值的向量。附图见后面： FMINSEARCH通常能够用来解决不连续情况，特别是如果他们不出现在解的附近的时候。它得到的通常也是局部解。FMINSEARCH只能够最小化实数值（也就是说，解的域必须只能包括实数，函数的输出只能够为实数值）。当感兴趣的是复数变量的域的时候，他们必须被分割为实部与虚部。 ※2.MATLAB的FIGURE窗口：最基本的拟合界面与数据统计工具 MATLAB通过基本的拟合界面也支持基本曲线拟合。利用这个界面，你可以快速地在简单易用的环境中实现许多基本的曲线拟合。这个界面可以实现以下功能： a．通过比样条插值（spline interpolant）、hermite 插值、或者是高达10阶的多项式插值实现数据的拟合； b．对给定数据同时实现多样插值的绘制； c．绘制残差图； d．检查拟合结果的残差的数值； e．通过内插值或者外推插值评价一个拟合结果； f．对拟合结果和残差的模进行图形绘制； g．将拟合结果保存入MATLAB工作空间。 开发你的拟合应用的时候，你可以通过基本拟合（Basic Fitting）界面，也可以通过命令行函数，也可以同时作用。你可以通过基本拟合界面只能够实现2－D数据的拟合。然而，如果你用subplot绘制多个数据集，只要有至少一个数据集是2D的，那么就可以用基本拟合界面。 可以通过如下步骤激活基本拟合界面： 1．绘制数据； 2．从figure窗口的Tools 菜单条下面选择Basic Fitting 菜单项； 有关Basic Fitting界面的更多信息，请查阅MATLAB帮助文档的相应部分。 注意：对于HP，IBM以及SGI平台，MATLAB6.0（R12.0）以及MATLAB6.1(R12.1)的基本拟合界面不受支持。 数据统计界面可以用来对图形中的每个数据集进行统计量的计算。可以通过如下步骤将数据统计界面激活： 1．制数据； 2．从figure窗口的Tools 菜单条下面选择Data Statistics 菜单项； 关于采用matlab进行指定非线性方程拟合的问题(2) 一。优化工具箱函数 LSQNONLIN 解决非线性最小二乘法问题，包括非线性数据拟合问题 LSQCURVEFIT 解决非线性数据拟合问题 下面给出利用这两个函数的例子： LSQNONLIN：利用这个函数最小化连续函数只能够找到句柄解。下面的例子说明利用LSQNONLIN函数用下面的函数进行拟合： f = A + B exp(C*x)+D*exp(E*x) 对数据集x与y进行拟合，其中y是在给定x的情况下的期望输出(可以是方程给出数组，也可以是单独数据组成的数组)。为了解决这个问题，先建立下面的名为fit_simp.m的函数，它利用数据x与y，将他们作为优化输入参数传递给LSQNONLIN。利用给定的数据x计算f的值，再与原始数据y进行比较。经验值与实际计算出的值之间的差异作为输出值返回。LSQNOLIN函数就是最小化这些差的平方和。 function diff = fit_simp(x,X,Y) % 此函数被LSQNONLIN调用 % x 是包含等式系数的向量 % X 与Y 是作为操作数传递给lsnonlin A = x(1); B = x(2); C = x(3); D = x(4); E = x(5); diff = A + B.*exp(C.*X)+D.*exp(E.*X)-Y; 下面的脚本是利用上面定义的fit_simp.m函数的一个例子： ％定义你打算拟合的数据集合 >> X=0:.01:.5; >> Y=2.0.*exp(5.0.*X)+3.0.*exp(2.5.*X)+1.5.*rand(size(X)); ％初始化方程系数 >> X0=[1 1 1 1 1]'; ％设置用中等模式（memdium-scale）算法 >> options=optimset('Largescale','off'); ％通过调用LSQNONLIN重现计算新的系数 >> x=lsqnonlin(@fit_simp,X0,[],[],options,X,Y); ％调用LSQNONLIN结果输出表明拟合是成功的 Optimization terminated successfully: Gradient in the search direction less than tolFun Gradient less than 10*(tolFun+tolX) ％绘制原始数据与新的计算的数据 >> Y_new=x(1)+x(2).*exp(x(3).*X)+x(4).*exp(x(5).*X); >> plot(X,Y,'+r',X,Y_new,'b'); ※注意：LSQNONLIN 只可以处理实数变量。在处理包括复数变量的实例的拟合的时候，数据集应该被切分成实数与虚数部分。下面给出一个例子演示如何对复数参数进行最小二乘拟合。 为了拟合复数变量，你需要将复数分解为实数部分与虚数部分，然后把他们传递到函数中去，这个函数被LEASTSQ作为单个输入调用。首先，将复数分解为实部与虚部两个向量。其次， 将这两个向量理解成诸如第一部分是实部、第二部分是虚部。在MATLAB函数中，重新装配复数数据，并用你想拟合的复数方程计算。将输出向量分解实部与虚部，将这两部分连接为一个单一的输出向量传递回LEASTSQ。下面，给出一个例子演示如何根据两个复数指数拟合实数X与Y。 建立方程： function zero = fit2(x,X,Y) % 根据输入x重建复数输入 cmpx = x(1:4)+i.*x(5:8); % 利用复数计算函数 zerocomp = cmpx(1).*exp(cmpx(2).*X) + cmpx(3).* exp(cmpx(4).*X)-Y; % 将结果转换成一个列向量 % 其中第一部分是实部，第二部分是虚部 numx = length(X); % 实部长度 zero=real(zerocomp); %实部 zero(numx+1:2*numx)=imag(zerocomp); % 虚部 为了评价计算这个函数，需要X与Y数据集。LSQNONLIN将根据它拟合出下面方程中的参数a，b，c与d： Y = a*exp(b*X)+c*exp(d*X); 其中，a，b，c与d是复数变量。 >> X=0:.1:5; >> Y=sin(X); >> Y=Y+.1*rand(size(Y))-.05; >> cmpx0=[1 i 2 2*i]; >> x0(1:4)=real(cmpx0); >> x0(5:8)=imag(cmpx0); >> x=leastsq(@fit2,x0,[],[],X,Y); >> cmpx=x(1:4)+i.*x(5:8); >> Y1=real(cmpx(1).*exp(cmpx(2).*X)+cmpx(3).*exp(cmpx(4).*X)); >> plot(X,Y1,'r'); >> hold on >> plot(X,Y,'+'); 二。LSQCURVEFIT：利用此函数可以在最小二乘意义上解决非线性曲线拟合（数据拟合）问题。也就是说，给定输入数据xdata，以及观测的输出数据ydata，找到系数x，使得函数F(x，xdata)能够最好的拟合向量值。LSQCURVEFIT利用与LSQNONLIN相同的算法。它的目的在于专门为数据拟合问题提供一个接口。 在拟合的时候，2维、3维或者N维参数拟合是没有什么差别的。下面给出一个3维参数拟合的例子。待拟合函数是： z = a1*y.*x..^2+a2*sin(x)+a3*y.^3; 建立的myfun.m的函数如下： function F = myfun(a, data); x = data(1,:); y = data(2,:); F= a(1)*y.*x.^2+a(2)*sin(x)+a(3)*y.^3; 下面的脚本展示了这么利用上面的函数： >> xdata= [3.6 7.7 9.3 4.1 8.6 2.8 1.3 7.9 10.0 5.4]; >> ydata= [16.5 150.6 263.1 24.7 208.5 9.9 2.7 163.9 325.0 54.3]; >> zdata= [95.09 23.11 60.63 48.59 89.12 76.97 45.68 1.84 82.17 44.47]; >> data=[xdata; ydata]; >> a0= [10, 10, 10]; % 初识揣测 >> [a, resnorm] = lsqcurvefit(@myfun,a0,data,zdata) Maximum number of function evaluations exceeded; increase options.MaxFunEvals a = 0.0088 -34.2886 -0.0000 resnorm = 2.2636e+004 >> format long >> a a = 0.00881645527493 -34.28862491919983 -0.00000655131499 >> option=optimset('MaxFunEvals',800); >> [a, resnorm] = lsqcurvefit(@myfun,a0, data, zdata, [], [], option) Optimization terminated successfully: Relative function value changing by less than OPTIONS.TolFun a = 0.00740965259653 -20.21201417111138 -0.00000502014964 resnorm = 2.195886958305428e+004 统计工具箱函数 函数名描述 nlinfit（非线性回归）采用Gauss-Newton法进行非线性最小二乘数据拟合lscov（线性回归）根据已知协方差矩阵进行最小二乘估计 regress 多元线性回归 regstats 回归诊断 ridge 脊回归（？Ridge regress） rstool 多维响应表面可视化（RSV） stepwise 交互式逐步回归 具体例子请参阅相应文档 ========================================================== 在Matlab中如果求解一个二元二次方程，现在只有两个方程可以用solve求解出所有的解。但是当存在多余2个方程的时候（即为超定方程组时），该如何求解呢？？还能用Solve函 数吗？ 比如下面的方程： a1*x^2+b1*x+c1*y^2+d1*y=e1 a2*x^2+b2*x+c2*y^2+d2*y=e2 a3+b3*x+c3*y=e3 x,y为未知数，其他的为已知数，求解x,y. ---------------------- 用fmin求e1^2+e2^2+e3^2的最小解 ------------------------- 你的意思是将方程转换成： a1*x^2+b1*x+c1*y^2+d1*y-e1=f1 a2*x^2+b2*x+c2*y^2+d2*y-e2=f2 a3+b3*x+c3*y-e3=f3 再用fminsearch求解最小值min(f1+f2+f3），得到最终的未知数的值是不是？？ 很有道理。 但是这个fminsearch是需要初始解才能得到最终的解的。假如不知道初始解该如何求解呢？？ ----------------------------- 1.fminsearch求解最小值min(f1^2+f2^2+f3^2） 2.一般非线性问题的数值解往往都是迭代法，因而需要初值 3.初值可以试出来或者对原始方程作简化然后定性分析出一个解的大体范围来确定初值。 4.非线性问题很少有一劳永逸的一统天下的解法 5.正因为如此，才让我们有事做，有饭吃 ======================================================== Broyden方法求解非线性方程组的Matlab实现 注：matlab代码来自网络，仅供学习参考。 1.把以下代码复制在一个.m文件上 function [sol, it_hist, ierr] = brsola(x,f,tol, parms) % Broyden's Method solver, globally convergent % solver for f(x) = 0, Armijo rule, one vector storage % % This code es with no guarantee or warranty of any kind. % % function [sol, it_hist, ierr] = brsola(x,f,tol,parms) % % inputs: % initial iterate = x % function = f % tol = [atol, rtol] relative/absolute % error tolerances for the nonlinear iteration % parms = [maxit, maxdim] % maxit = maxmium number of nonlinear iterations % default = 40 % maxdim = maximum number of Broyden iterations % before restart, so maxdim-1 vectors are % stored % default = 40 % % output: % sol = solution % it_hist(maxit,3) = scaled l2 norms of nonlinear residuals % for the iteration, number function evaluations, % and number of steplength reductions % ierr = 0 upon successful termination % ierr = 1 if after maxit iterations % the termination criterion is not satsified. % ierr = 2 failure in the line search. The iteration % is terminated if too many steplength reductions % are taken. % % % internal parameter: % debug = turns on/off iteration statistics display as % the iteration progresses 解线性方程组的迭代法 1.rs里查森迭代法求线性方程组Ax=b的解 function[x,n]=rs(A,b,x0,eps,M) if(nargin==3) eps=1.0e-6;%eps表示迭代精度 M=10000;%M表示迭代步数的限制值elseif(nargin==4) M=10000; end I=eye(size(A)); n=0; x=x0; tol=1; %迭代过程 while(tol>eps) x=(I-A)*x0+b; n=n+1;%n为最终求出解时的迭代步数tol=norm(x-x0); x0=x; if(n>=M) disp('Warning:迭代次数太多，可能不收敛！'); return; end end 2.crs里查森参数迭代法求线性方程组Ax=b的解 function[x,n]=crs(A,b,x0,w,eps,M) if(nargin==4) eps=1.0e-6;%eps表示迭代精度 M=10000;%M表示迭代步数的限制值 elseif(nargin==5) M=10000; end I=eye(size(A)); n=0; x=x0; tol=1; %迭代过程 while(tol>eps) x=(I-w*A)*x0+w*b; n=n+1;%n为最终求出解时的迭代步数tol=norm(x-x0); x0=x; if(n>=M) disp('Warning:迭代次数太多，可能不收敛！'); return; end end 3.grs里查森迭代法求线性方程组Ax=b的解 function[x,n]=grs(A,b,x0,W,eps,M) if(nargin==4) eps=1.0e-6;%eps表示迭代精度 M=10000;%M表示迭代步数的限制值 elseif(nargin==5) M=10000; end I=eye(size(A)); n=0; x=x0; tol=1;%前后两次迭代结果误差 %迭代过程 while(tol>eps) x=(I-W*A)*x0+W*b;%迭代公式 n=n+1;%n为最终求出解时的迭代步数tol=norm(x-x0); x0=x; if(n>=M) disp('Warning:迭代次数太多，可能不收敛！'); return; end end 4.jacobi雅可比迭代法求线性方程组Ax=b的解 function[x,n]=jacobi(A,b,x0,eps,varargin) if nargin==3 eps=1.0e-6; M=200; elseif nargin<3 error return elseif nargin==5 M=varargin{1}; end D=diag(diag(A));%求A的对角矩阵 L=-tril(A,-1);%求A的下三角阵 MatLab解线性方程组一文通 当齐次线性方程AX=0,rank(A)=r CENTRAL SOUTH UNIVERSITY 数值分析实验报告 非线性方程组的牛顿迭代法的应用 一、问题背景 非线性是实际问题中经常出现的，并且在科学与工程计算中的地位越来越重要，很多我们熟悉的线性模型都是在一定条件下由非线性问题简化的，为得到更符合实际的解答，往往需要直接研究非线性科学，它是21世纪科学技术发展的重要支柱，非线性问题的数学模型有无限维的如微分方程，也有有限维的。道遥咏计算机进行科学计算都要转化为非线性的单个方程或方程组的求解。从线性到非线性是一个质的变化，方程的性质有本质不同，求解方法也有很大差别。本文主要介绍的是非线性方程组的牛顿迭代法的数值解法。 二、数学模型 对于方程()0=x f ，如果()x f 湿陷性函数，则它的求根是容易的。牛顿法实质上是一种线性化方法，其基本思想是将线性方程()0=x f 逐步归结为某种线性方程来求解。 设已知方程()0=x f 有近似根k x （假定()0'≠k x f ），将函数()x f 在点k x 展开，有 ()()()()k k k x x x f x f x f -+≈'， 于是方程()0=x f 可近似地表示为 ()()()0'=-+k k k x x x f x f 这是个线性方程，记其根为1+k x ，则1+k x 的计算公式 ()() k k k k x f x f x x ' 1- =+， ,1,0=k 这就是牛顿法。 三、算法及流程 对于非线性方程 ()()()???? ????????=n n n n x L x x f M x L x x f x L x x f f ,,,,,,,,,2 1212211 在()k x 处按照多元函数的泰勒展开，并取线性项得到 求解线性方程组 solve，linsolve 例： A=[5 0 4 2;1 -1 2 1;4 1 2 0;1 1 1 1]; %矩阵的行之间用分号隔开，元素之间用逗号或空格 B=[3;1;1;0] X=zeros(4,1);%建立一个4元列向量 X=linsolve(A,B) diff（fun，var，n）：对表达式fun中的变量var求n阶导数。 例如：F=sym（'u(x,y)*v(x,y)'）; %sym（）用来定义一个符号表达式 diff(F); %matlab区分大小写 pretty(ans) %pretty（）：用习惯书写方式显示变量；ans是答案表达式 非线性方程求解 fsolve(fun,x0,options) 为待解方程或方程组的文件名；fun其中 x0位求解方程的初始向量或矩阵； option为设置命令参数 建立文件fun.m： function y=fun(x) y=[x(1)-0.5*sin(x(1))-0.3*cos(x(2)), ... x(2) - 0.5*cos(x(1))+0.3*sin(x(2))]; >>clear;x0=[0.1,0.1];fsolve(@fun,x0,optimset('fsolve')) 注： ...为续行符 m文件必须以function为文件头，调用符为@；文件名必须与定义的函数名相同；fsolve（）主要求解复杂非线性方程和方程组，求解过程是一个逼近过程。Matlab求解线性方程组 AX=B或XA=B 在MATLAB中，求解线性方程组时，主要采用前面章节介绍的除法运算符“/”和“\”。如： X=A\B表示求矩阵方程AX＝B的解； 的解。XA=B表示矩阵方程B/A＝X． 对方程组X＝A\B，要求A和B用相同的行数，X和B有相同的列数，它的行数等于矩阵A的列数，方程X＝B/A同理。 如果矩阵A不是方阵，其维数是m×n，则有： m＝n 恰定方程，求解精确解； m>n 超定方程，寻求最小二乘解； m 在这章中我们要学习线性方程组的直接法，特别是适合用数学软件在计算机上求解的方法. 3.1 方程组的逆矩阵解法及其MATLAB 程序 3.1.3 线性方程组有解的判定条件及其MATLAB 程序 判定线性方程组A n m ?b X =是否有解的MATLAB 程序 function [RA,RB,n]=jiepb(A,b) B=[A b];n=length(b); RA=rank(A); RB=rank(B);zhica=RB-RA; if zhica>0, disp('请注意：因为RA~=RB ，所以此方程组无解.') return end if RA==RB if RA==n disp('请注意：因为RA=RB=n ，所以此方程组有唯一解.') else disp('请注意：因为RA=RB 非线性方程组数值解法 n个变量n个方程(n >1)的方程组表示为 (1) 式中?i(x1,x2,…,x n)是定义在n维欧氏空间R n的开域D上的实函数。若?i中至少有一个非 线性函数，则称(1)为非线性方程组。在R n中记?＝ 则(1)简写为?(尣)=0。若存在尣*∈D，使?(尣*)＝0，则称尣*为非线性方程组的解。方程组(1)可能有一个解或多个解，也可能有无穷多解或无解。对非线性方程组解的存在性的研究远不如线性方程组那样成熟，现有的解法也不象线性方程组那样有效。除极特殊的方程外，一般不能用直接方法求得精确解，目前主要采用迭代法求近似解。根据不同思想构造收敛于解尣*的迭代序列{尣k}(k=0，1，…)，即可得到求解非线性方程组的各种迭代法，其中最著名的是牛顿法。 牛顿法及其变形牛顿法基本思想是将非线性问题逐步线性化而形成如下迭代程序： (2) 式中 是?(尣k)的雅可比矩阵,尣0是方程(1)的解尣*的初始近似。 这个程序至少具有2阶收敛速度。由尣k算到尣k+的步骤为:①由尣k算出?(尣k)及 ;②用直接法求线性方程组的解Δ尣k；③求 。 由此看到迭代一次需计算n个分量函数值和n2个分量偏导数值，并求解一次n阶线性方程组。 为了评价非线性方程组不同迭代法的优劣，通常用效率作为衡量标准,其中P 为迭代法的收敛阶,W为每迭代步计算函数值?i及偏导数值的总个数（每迭代步中求一次逆的工作量相同,均不算在W内）。效率e越大表示此迭代法花费代价越小,根据效率定 义，牛顿法(2)的效率为。 牛顿法有很多变形,如当奇异或严重病态时，可引进阻尼因子λk，得到阻尼牛顿法，即 《MATLAB语言》课成论文 利用MATLAB求线性方程组 姓名：郭亚兰 学号：12010245331 专业：通信工程 班级：2010级通信工程一班 指导老师：汤全武 学院：物电学院 完成日期：2011年12月17日 利用MATLAB求解线性方程组 （郭亚兰 12010245331 2010 级通信一班） 【摘要】在高等数学及线性代数中涉及许多的数值问题，未知数的求解，微积分，不定积分，线性方程组的求解等对其手工求解都是比较复杂，而MATLAB语言正是处理线性方程组的求解的很好工具。线性代数是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。因而，线性代数被广泛地应用于抽象代数和泛函分析中；由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。线性代数是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。因而，线性代数被广泛地应用于抽象代数和泛函分析中；由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。线性代数是讨论矩阵理论、与矩阵结合的有限维向量空间及其线性变换理论的一门学科。 【关键字】线性代数MATLAB语言秩矩阵解 一、基本概念 1、N级行列式A：A等于所有取自不同性不同列的n个元素的积的代数和。 2、矩阵B：矩阵的概念是很直观的，可以说是一张表。 3、线性无关：一向量组（a1,a2,…,an）不线性相关，既没有不全为零的数 k1,k2,………kn使得：k1*a1+k2*a2+………+kn*an=0 4、秩：向量组的极在线性无关组所含向量的个数成为这个向量组的秩。 5、矩阵B的秩：行秩，指矩阵的行向量组的秩；列秩类似。记：R(B) M a a b求解线性方程组非 线性方程组 The latest revision on November 22, 2020 求解线性方程组solve，linsolve例：A=[5 0 4 2;1 -1 2 1;4 1 2 0;1 1 1 1];%矩阵的行之间用分号隔开，元素之间用逗号或空格B=[3;1;1;0]X=zeros(4,1);%建立一个4元列向量 X=linsolve(A,B)diff（fun，var，n）：对表达式fun中的变量var求n阶导数。 例如：F=sym（'u(x,y)*v(x,y)'）; %sym（）用来定义一个符号表达式diff(F); %matlab区分大小写pretty(ans) %pretty（）：用习惯书写方式显示变量；ans是答案表达式 非线性方程求解 fsolve(fun,x0,options) 其中fun为待解方程或方程组的文件名； x0位求解方程的初始向量或矩阵； option为设置命令参数 建立文件： function y=fun(x) y=[x(1)*sin(x(1))*cos(x(2)), ... x(2) - *cos(x(1))+*sin(x(2))]; >>clear;x0=[,];fsolve(@fun,x0,optimset('fsolve'))注：...为续行符m文件必须以function 为文件头，调用符为@；文件名必须与定义的函数名相同；fsolve（）主要求解复杂非线性方程和方程组，求解过程是一个逼近过程。 Matlab求解线性方程组AX=B或XA=B在MATLAB中，求解线性方程组时，主要采用前面章节介绍的除法运算符“/”和“\”。如：X=A\B表示求矩阵方程AX＝B的解；X＝B/A表示矩阵方程XA=B 的解。对方程组X＝A\B，要求A和B用相同的行数，X和B有相同的列数，它的行数等于矩阵A 的列数，方程X＝B/A同理。 如果矩阵A不是方阵，其维数是m×n，则有：m＝n 恰定方程，求解精确解；m>n 超定方程，寻求最小二乘解；m 3.1 方程组的逆矩阵解法及其MATLAB 程序 3.1.3 线性方程组有解的判定条件及其MATLAB 程序 判定线性方程组A n m ?b X =是否有解的MATLAB 程序 function [RA,RB,n]=jiepb(A,b) B=[A b];n=length(b); RA=rank(A); RB=rank(B);zhica=RB-RA; if zhica>0, disp('请注意：因为RA~=RB ，所以此方程组无解.') return end if RA==RB if RA==n disp('请注意：因为RA=RB=n ，所以此方程组有唯一解.') else disp('请注意：因为RA=RB 遗传算法解非线性方程组的Matlab程序 程序用MATLAB语言编写。之所以选择MATLB，是因为它简单，但又功能强大。写1行MATLAB程序，相当于写10行C++程序。在编写算法阶段，最好用MATLAB语言，算法验证以后，要进入工程阶段，再把它翻译成C++语言。 本程序的算法很简单，只具有示意性，不能用于实战。 非线性方程组的实例在函数(2)nonLinearSumError1(x)中，你可以用这个实例做样子构造你自己待解的非线性方程组。 %注意：标准遗传算法的一个重要概念是，染色体是可能解的2进制顺序号，由这个序号在可能解的集合(解空间)中找到可能解 %程序的流程如下： %程序初始化，随机生成一组可能解(第一批染色体) %1: 由可能解的序号寻找解本身(关键步骤) %2：把解代入非线性方程计算误差，如果误差符合要求，停止计算 %3：选择最好解对应的最优染色体 %4：保留每次迭代产生的最好的染色体，以防最好染色体丢失 %5: 把保留的最好的染色体holdBestChromosome加入到染色体群中 %6: 为每一条染色体(即可能解的序号)定义一个概率(关键步骤) %7：按照概率筛选染色体(关键步骤) %8：染色体杂交(关键步骤) %9：变异 %10:到1 %这是遗传算法的主程序，它需要调用的函数如下。 %由染色体(可能解的2进制)顺序号找到可能解： %(1)x=chromosome_x(fatherChromosomeGroup,oneDimensionSet,solutionSum); %把解代入非线性方程组计算误差函数：(2)functionError=nonLinearSumError1(x); %判定程是否得解函数：(3)[solution,isTrue]=isSolution(x,funtionError,solutionSumError); %选择最优染色体函数： %(4)[bestChromosome,leastFunctionError]=best_worstChromosome(fatherChromosomeGroup,functionError); %误差比较函数：从两个染色体中，选出误差较小的染色体 %(5)[holdBestChromosome,holdLeastFunctionError]... % =compareBestChromosome(holdBestChromosome,holdLeastFunctionError,... % bestChromosome,leastFuntionError) %为染色体定义概率函数，好的染色体概率高，坏染色体概率低 %(6)p=chromosomeProbability(functionError); %按概率选择染色体函数： %(7)slecteChromosomeGroup=selecteChromome(fatherChromosomeGroup,p); %父代染色体杂交产生子代染色体函数 %(8)sonChrmosomeGroup=crossChromosome(slecteChromosomeGroup,2); %防止染色体超出解空间的函数 %(9)chromosomeGroup=checkSequence(chromosomeGroup,solutionSum) %变异函数 %(10)fatherChromosomeGroup=varianceCh(sonChromosomeGroup,0.8,solutionN); %通过实验有如下结果： %1。染色体应当多一些 实验1.1 用matlab 求解线性方程组 第一节 线性方程组的求解 一、齐次方程组的求解 rref （A ） %将矩阵A 化为阶梯形的最简式 null （A ） %求满足AX ＝0的解空间的一组基，即齐次线性方程组的基 础解系 【例１】 求下列齐次线性方程组的一个基础解系，并写出通解： 我们可以通过两种方法来解： 解法1： >> A=[1 -1 1 -1;1 -1 -1 1;1 -1 -2 2]; >> rref(A) 执行后可得结果： ans= 1 -1 0 0 0 0 -1 1 0 0 0 0 由最简行阶梯型矩阵，得化简后的方程 ??? ??=+--=+--=-+-0 22004321 43214321x x x x x x x x x x x x 取x2，x4为自由未知量，扩充方程组为 即 提取自由未知量系数形成的列向量为基础解系，记 所以齐次方程组的通解为 解法2： clear A=[1 -1 1 -1;1 -1 -1 1;1 -1 -2 2]; B=null(A, 'r') % help null 看看加个‘r’是什么作用, 若去掉r ，是什么结果？ 执行后可得结果： B= 1 0 1 0 0 1 0 1 ?? ?=-=-0 04321x x x x ?????? ?====4 4432221x x x x x x x x ??? ??? ??????+????????????=????? ???????1100001142 4321x x x x x x , 00111????? ? ??????=ε, 11002????? ???????=ε2 211εεk k x += Matlab线性方程组求解 1. Gauss消元法： function x=DelGauss(a,b) % Gauss消去法 [n,m]=size(a); nb=length(b); det=1; %存储行列式值 x=zeros(n,1); for k=1:n-1 for i=k+1:n if a(k,k)==0 return end m=a(i,k)/a(k,k); for j=k+1:n a(i,j)=a(i,j)-m*a(k,j); end b(i)=b(i)-m*b(k); end det=det*a(k,k); %计算行列式 end det=det*a(n,n); for k=n:-1:1 %回代求解 for j=k+1:n b(k)=b(k)-a(k,j)*x(j); end x(k)=b(k)/a(k,k); end Example: >> A=[1.0170 -0.0092 0.0095;-0.0092 0.9903 0.0136;0.0095 0.0136 0.9898]; >> b=[1 0 1]'; >> x=DelGauss(A,b) x = 0.9739 -0.0047 1.0010 2. 列主元Gauss消去法： function x=detGauss(a,b) % Gauss列主元消去法 [n,m]=size(a); nb=length(b); det=1; %存储行列式值 x=zeros(n,1); for k=1:n-1 amax=0; %选主元 for i=k:n if abs(a(i,k))>amax amax=abs(a(i,k));r=i; end end if amax<1e-10 return; end if r>k %交换两行 for j=k:n 非线性方程组的求解 摘要：非线性方程组求解是数学教学中，数值分析课程的一个重要组成部分，作为一门学科，其研究对象是非线性方程组。求解非线性方程组主要有两种方法：一种是传统的数学方法，如牛顿法、梯度法、共轭方向法、混沌法、BFGS 法、单纯形法等。传统数值方法的优点是计算精度高，缺点是对初始迭代值具有敏感性，同时传统数值方法还会遇到计算函数的导数和矩阵求逆的问题，对于某些导数不存在或是导数难求的方程，传统数值方法具有一定局限性。另一种方法是进化算法，如遗传算法、粒子群算法、人工鱼群算法、差分进化算法等。进化算法的优点是对函数本身没有要求，不需求导，计算速度快，但是精度不高。 关键字：非线性方程组、牛顿法、BFGS 法、记忆梯度法、Memetic 算法 1： 三种牛顿法：Newton 法、简化Newton 法、修改的Newton 法【1-3】 求解非线性方程组的Newton 法是一个最基本而且十分重要的方法, 目前使用的很多有效的迭代法都是以Newton 法为基础, 或由它派生而来。 n 个变量n 个方程的非线性方程组, 其一般形式如下: ???????===0),...,(... 0),...,(0),...,(21212211n n n n x x x f x x x f x x x f （1） 式(1)中,),...,(21n i x x x f ( i=1, ?, n) 是定义在n 维Euclid 空间Rn 中开域 D 上 的实值函数。若用向量记号，令： ????????????=n x x x ...X 21,????????????=??????????????====)(...)()(0),...,(...0),..,(0)...,()(2121212,211X f X f X f x x x f x x x f x x x f X F n n n n n 3-7变量非线性方程组的逆Broyden解法 matlab程序 function n_broyden clear all %清内存 clc %清屏 format long i=input('请输入非线性方程组个数(3-7)i='); switch i case 3 syms x y z x0=input('请输入初值（三维列向量[x;y;z])='); eps=input('请输入允许的误差精度eps='); f1=input('请输入f1(x,y,z)='); f2=input('请输入f2(x,y,z)='); f3=input('请输入f3(x,y,z)='); F=[f1;f2;f3]; J=jacobian(F,[x,y,z]); %求jacobi矩阵 Fx0=subs(F,{x,y,z},x0); Jx0=subs(J,{x,y,z},x0); H=inv(Jx0); x1=x0-H*Fx0; k=0; while norm(x1-x0)>eps %用2范数来做循环条件 p=x1-x0; q=subs(F,{x,y,z},x1)-subs(F,{x,y,z},x0); H=H-((H*q-p)*p'*H)*(p'*H*q)^-1; x0=x1; Fx0=subs(F,{x,y,z},x0); x1=x1-H*Fx0; k=k+1; end x1 k case 4 syms a b c d x0=input('请输入初值（列向量[a;b;c;d])='); eps=input('请输入允许的误差精度eps='); f1=input('请输入f1(a,b,c,d)='); f2=input('请输入f2(a,b,c,d)='); f3=input('请输入f3(a,b,c,d)='); f4=input('请输入f4(a,b,c,d)='); F=[f1;f2;f3;f4]; J=jacobian(F,[a,b,c,d]); %求jacobi矩阵 Fx0=subs(F,{a,b,c,d},x0); Jx0=subs(J,{a,b,c,d},x0); H=inv(Jx0); x1=x0-H*Fx0; k=0; while norm(x1-x0)>eps %用2范数来做循环条件 p=x1-x0; q=subs(F,{a,b,c,d},x1)-subs(F,{a,b,c,d},x0); H=H-((H*q-p)*p'*H)*(p'*H*q)^-1; x0=x1; Fx0=subs(F,{a,b,c,d},x0); x1=x1-H*Fx0; k=k+1; end x1 k case 5 syms a b c d e x0=input('请输入初值（列向量[a;b;c;d;e])='); eps=input('请输入允许的误差精度eps='); f1=input('请输入f1(a,b,c,d,e)='); f2=input('请输入f2(a,b,c,d,e)='); f3=input('请输入f3(a,b,c,d,e)='); f4=input('请输入f4(a,b,c,d,e)='); f5=input('请输入f5(a,b,c,d,e)='); F=[f1;f2;f3;f4;f5]; J=jacobian(F,[a,b,c,d,e]); %求jacobi矩阵 Fx0=subs(F,{a,b,c,d,e},x0); Jx0=subs(J,{a,b,c,d,e},x0); H=inv(Jx0); x1=x0-H*Fx0; 第7章 求解非线性方程 7.1 多项式运算在MATLAB 中的实现 一、多项式的表达 n 次多项式表达为：n a +??++=x a x a x a p(x )1-n 1-n 1n 0，是n+1项之和 在MATLAB 中，n 次多项式可以用n 次多项式系数构成的长度为n+1的行向量表示 [a0, a1,……an-1,an] 二、多项式的加减运算 设 有 两 个 多 项 式 n a +??++=x a x a x a p1(x )1-n 1-n 1n 0和 m b +??++=x b x b x b p2(x )1-m 1-m 1m 0。它们的加减运算实际上就是它们的对应系 数的加减运算。当它们的次数相同时，可以直接对多项式的系数向量进行加减运算。当它们的次数不同时，应该把次数低的多项式无高次项部分用0系数表示。 例2 计算()()1635223-+++-x x x x a=[1, -2, 5, 3]; b=[0, 0, 6, -1]; c=a+b 例3 设()6572532345++-+-=x x x x x x f ，()3532-+=x x x g ，求f(x)+g(x) f=[3, -5, 2, -7, 5, 6]; g=[3, 5, -3]; g1=[0, 0, 0, g];%为了和f 的次数找齐 f+g1, f-g1 三、多项式的乘法运算 conv(p1,p2) 例4 在上例中，求f(x)*g(x) f=[3, -5, 2, -7, 5, 6]; g=[3, 5, -3]; conv(f, g) 四、多项式的除法运算 [Q, r]=deconv(p1, p2) 表示p1除以p2，给出商式Q(x)，余式r(x)。Q,和r 仍为多项式系数向量 例4 在上例中，求f(x)/g(x) f=[3, -5, 2, -7, 5, 6]; g=[3, 5, -3]; [Q, r]=deconv(f, g) 五、多项式的导函数 p=polyder(P)：求多项式P 的导函数 p=polyder(P,Q)：求P·Q 的导函数 https://www.doczj.com/doc/0e11218176.html, The exp(??(ξ))-expansion Method applied to Nonlinear Evolution Equations Mei-mei Zhao??,Chao-Li School of Mathematics and Statistics,Lanzhou University Lanzhou,Gansu730000,P.R.of China Abstract By using exp(??(ξ))-expansion method,we have obtained more travelling wave solu-tions to the mKdV equation,the Drinefel’d-Sokolov-Wilson equations,the Variant Boussinesq equations and the Coupled Schr¨o dinger-KdV system.The proposed method also can be used for many other nonlinear evolution equations. Keywords exp(??(ξ))-expansion method,Homogeneous balance,Travelling wave solu-tions,Solitary wave solutions,MKdV equation,Drinefel’d-Sokolov-Wilson equations,Variant Boussinesq equations,Coupled Schr¨o dinger-KdV system. 1Introduction It is well known that nonlinear evolution equations are involved in many?elds from physics to biology,chemistry,mechanics,etc.As mathematical models of the phenomena,the inves-tigation of exact solutions to nonlinear evolution equations reveals to be very important for the understanding of these physical problems.Understanding this importance,during the past four decades or so,many mathematicians and physicists have being paid special attention to the development of sophisticated methods for constructing exact solutions to nonlinear evo-lution equations.Thus,a number of powerful methods has been presented such as the inverse scattering transform[1],the B¨a cklund and the Darboux transform[2-5],the Hirota[6],the trun-cated painleve expansion[7],the tanh-founction expansion and its various extension[8-10],the Jacobi elliptic function expansion[11,12],the F-expansion[13-16],the sub-ODE method[17-20],the homogeneous balance method[21-23],the sine-cosine method[24,25],the rank anal-ysis method[26],the ansatz method[27-29],the exp-function expansion method[30],Algebro-geometric constructions method[31]and so on. In the present paper,we shall proposed a new method which is called exp(??(ξ))-expansion method to seek travelling wave solutions of nonliear evolution equations.the ?Corresponding Author. ?E-mail address:yunyun1886358@https://www.doczj.com/doc/0e11218176.html,(M.Zhao). 1 Matlab求解线性方程组、非线性方程组 姓名：罗宝晶学号：15 专业：材料学院高分子系 第一部分数值计算 Matlab求解线性方程组AX=B或XA=B 在MATLAB中，求解线性方程组时，主要采用除法运算符“/”和“\”。如：X=A\B表示求矩阵方程AX＝B的解； X＝B/A表示矩阵方程XA=B的解。 对方程组X＝A\B，要求A和B用相同的行数，X和B有相同的列数，它的行数等于矩阵A的列数，方程X＝B/A同理。 如果矩阵A不是方阵，其维数是m×n，则有： m＝n 恰定方程，求解精确解； m>n 超定方程，寻求最小二乘解； m推荐-Broyden方法求解非线性方程组的Matlab实现 精品
MATLAB代码 解线性方程组的迭代法
MatLab求解线性方程组
非线性方程组的牛顿迭代法的应用
Matlab求解线性方程组非线性方程组
MATLAB解线性方程组的直接方法
非线性方程组数值解法
利用MATLAB求线性方程组
Maab求解线性方程组非线性方程组
线性方程组求解matlab实现
遗传算法解非线性方程组的Matlab程序
实验一用matlab求解线性方程组
Matlab线性方程组求解(Gauss消去法)
非线性方程组的求解
3-7变量非线性方程组的逆Broyden解法matlab程序
MATLAB应用 求解非线性方程
应用新展式法求非线性发展方程的精确解
Matlab求解线性方程组、非线性方程组
相关主题
文本预览