Программа дисциплины Компьютерные технологии в научных исследованиях для направления подготовки 222900 - «Нанотехнологии и микросистемная техника», Магистерские специализации «Инженерно - физические технологии в наноиндустрии» (стр. 7 )

Будем использовать следующие обозначения для элементов матриц L = (lij), U = (uij), ; причём диагональные элементы матрицы L: lii = 1, . Тогда, если известно LU-разложение матрицы, её определитель можно вычислить по формуле det(A) = det(LU) = det(L)det(U) = det(U)= произведению эементов на диагонали матрицы U.

Найти матрицы Lи Uможно следующим образом(выполнять шаги следует строго по порядку, так как следующие элементы находятся с использованием предыдущих):

1.

2.

Для

1.

2.

В итоге мы получим матрицы — Lи U. В программной реализации данного метода (компактная схема Гаусса) для представления матриц Lи Uможно обойтись всего одним массивом, в котором совмещаются матрицы Lи U. Например вот так(для матрицы размером ):

М

Математическая модель— это модель, созданная с помощью математических понятий. Математическое моделирование — процесс построения и изучения математических моделей. Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его моделью и затем изучают последнюю. Как и в случае любого моделирования, математическая модель не описывает полностью изучаемое явление, и вопросы о применимости полученных таким образом результатов являются весьма содержательными.

Жесткие и мягкие модели

Гармонический осциллятор — пример так называемой «жесткой» модели. Как уже было сказано, она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жесткой». Она может задаваться, например, следующим уравнением:

Здесь — некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жесткости пружины от степени её растяжения, — некоторый малый параметр. Явный вид функции fнас в данный момент не интересует~. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жесткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жесткой модели. В противном случае применение результатов, полученных при изучении жесткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида , то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания. Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор — пример структурно-неустойчивой системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Существует два основных класса задач, связанных с математическими моделями: прямые и обратные. В первом случае все параметры модели считаются известными, и нам остается только исследовать её поведение. Например, определение частоты колебаний гармонического осциллятора при известном значении параметра k-- прямая задача математического моделирования.

Порой требуется решить обратную задачу: какие-то параметры модели неизвестны (например, не могут быть измерены явно), и требуется их найти, сопоставляя поведение реальной системы с её моделью. Ещё одна обратная задача: подобрать параметры модели таким образом, чтобы она удовлетворяла каким-то заданным условиям — такие задачи требуется решать при проектировании систем.

Метод конечных элементов

Этот метод возник из строительной механики и теории упругости, а уже затем было получено его математическое обоснование. Существенный толчок в своём развитии МКЭ получил в 1963 году после того, как было доказано то, что его можно рассматривать как один из вариантов распространённого в строительной механике метода Рэлея-Ритца, который путём минимизации потенциальной энергии сводит задачу к системе линейных уравнений равновесия. После того, как была установлена связь МКЭ с процедурой минимизации, он стал применяться к задачам, описываемым уравнениями Лапласа или Пуассона. Область применения МКЭ значительно расширилась, когда было установлено (в 1968 году), что уравнения, определяющие элементы в задачах, могут быть легко получены с помощью вариантов метода взвешенных невязок, таких как метод Галёркина или метод наименьших квадратов. Это сыграло важную роль в теоретическом обосновании МКЭ, так как позволило применять его при решении многих типов дифференциальных уравнений. Таким образом, метод конечных элементов превратился в общий метод численного решения дифференциальных уравнений или систем дифференциальных уравнений.

Метод наименьших квадратов— один из методов теории ошибок для оценки неизвестных величин по результатам измерений, содержащим случайные ошибки.

Метод наименьших квадратов применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при обработке наблюдений.

До начала XIX в. учёные не имели опредёленных правил для решения системы уравнений, в которой число неизвестных менее числа уравнений. Лежандру (1805—06) и Гауссу (1794—95) принадлежит первое применение к решению указанной системы уравнений теории вероятности. Этот способ распространён и усовершенствован дальнейшими изысканиями Лапласа, Энке, Бесселя, Ганзена и др. и получил название метода наименьших квадратов, потому что после подстановки в начальные уравнения неизвестных величин, выведенных этим способом, в правых частях уравнений получаются если и не нули, то небольшие величины, сумма квадратов которых оказывается меньшей, чем сумма квадратов подобных же остатков, после подстановки каких бы то ни было других значений неизвестных.

Строгое обоснование и установление границ содержательной применимости метода даны и .

Метод Нелдера — Мида, также известный как метод деформируемого многогранника и симплекс-метод, — метод безусловной оптимизации функции от нескольких переменных, не использующий производной (точнее — градиентов) функции, а поэтому легко применим к негладким функциям.

Суть метода заключается в последовательном перемещении и деформировании симплекса вокруг точки экстремума.

Метод находит локальный экстремум и может «застрять» в одном из них. Если всё же требуется найти глобальный экстремум, можно пробовать выбирать другой начальный симплекс. Более развитый подход к исключению локальных экстремумов предлагается в генетическом методе отжига.

Алгоритм: Пусть требуется найти безусловный минимум функции n переменных . Предполагается, что серьёзных ограничений на область определения функции нет, то есть функция определена во всех встречающихся точках.

Параметрами метода являются:

· коэффициент отражения α > 0, обычно выбирается равным 1.

· коэффициент сжатия β > 0, обычно выбирается равным 0,5.

· коэффициент растяжения γ > 0, обычно выбирается равным 2.

Подготовка. Вначале выбирается n + 1точка , образующие симплекс n-мерного пространства. В этих точках вычисляются значения функции: .

Дальнейший план действий:

1. Сортировка. Из вершин симплекса выбираем три точки: xh с наибольшим (из выбранных) значением функции fh, xg со следующим по величине значением fg и xl с наименьшим значением функции fl. Целью дальнейших манипуляций будет уменьшение по крайней мере fh.

2. Найдём центр тяжести всех точек, за исключением xh: . Вычислять fc = f(xc)не обязательно.

3. Отражение. Отразим точку xhотносительно xcс коэффициентом α(при α = 1это будет центральная симметрия, в общем случае — гомотетия), получим точку xrи вычислим в ней функцию: fr = f(xr). Координаты новой точки вычисляются по формуле:

xr= (1 + α)xc − αxh

4. Далее смотрим, насколько нам удалось уменьшить функцию, ищем место frв ряду fh, fg, fl:

4а Если fr < fl, то направление выбрано удачное и можно попробовать увеличить шаг — производим растяжение. Новая точка xe = (1 − γ)xc + γxrи значение функции fe = f(xe).

· Если fe < fl, то можно расширить симплекс до этой точки: заменяем точку xhна xeи заканчиваем итерацию (на шаг 8).

Если fe > fl, то переместились слишком далеко: в набор берём xr(опять вместо xh) и заканчиваем итерацию (на шаг 8).

4b Если fl < fr < fg, то выбор точки уже неплохой (новая лучше двух прежних). Заменяем точку xhна xrи переходим на шаг 8.