function [alpha,N,U]=youxianchafen2(r1,r2,up,under,num,deta) %[alpha,N,U]=youxianchafen2(a,r1,r2,up,under,num,deta) %該函數用有限差分法求解有兩種介質的正方形區域的二維拉普拉斯方程的數值解 %函數返回迭代因子、迭代次數以及迭代完成后所求區域內網格節點處的值 %a為正方形求解區域的邊長 %r1,r2分別表示兩種介質的電導率 %up,under分別為上下邊界值 %num表示將區域每邊的網格剖分個數 %deta為迭代過程中所允許的相對誤差限 n=num+1; %每邊節點數 U(n,n)=0; %節點處數值矩陣 N=0; %迭代次數初值 alpha=2/(1+sin(pi/num));%超松弛迭代因子 k=r1/r2; %兩介質電導率之比 U(1,1:n)=up; %求解區域上邊界第一類邊界條件 U(n,1:n)=under; %求解區域下邊界第一類邊界條件 U(2:num,1)=0;U(2:num,n)=0; for i=2:num U(i,2:num)=up-(up-under)/num*(i-1);%采用線性賦值對上下邊界之間的節點賦迭代初值 end G=1; while G>0 %迭代條件：不滿足相對誤差限要求的節點數目G不為零 Un=U; %完成第n次迭代后所有節點處的值 G=0; %每完成一次迭代將不滿足相對誤差限要求的節點數目歸零 for j=1:n for i=2:num U1=U(i,j); %第n次迭代時網格節點處的值 if j==1 %第n+1次迭代左邊界第二類邊界條件 U(i,j)=1/4*(2*U(i,j+1)+U(i-1,j)+U(i+1,j)); end if (j>1)&&(j U2=1/4*(U(i,j+1)+ U(i-1,j)+ U(i,j-1)+ U(i+1,j)); U(i,j)=U1+alpha*(U2-U1); %引入超松弛迭代因子后的網格節點處的值 end if i==n+1-j %第n+1次迭代兩介質分界面（與網格對角線重合）第二類邊界條件 U(i,j)=1/4*(2/(1+k)*(U(i,j+1)+U(i+1,j))+2*k/(1+k)*(U(i-1,j)+U(i,j-1))); end if j==n %第n+1次迭代右邊界第二類邊界條件 U(i,n)=1/4*(2*U(i,j-1)+U(i-1,j)+U(i+1,j)); end end end N=N+1 %顯示迭代次數 Un1=U; %完成第n+1次迭代后所有節點處的值 err=abs((Un1-Un)./Un1);%第n+1次迭代與第n次迭代所有節點值的相對誤差 err(1,1:n)=0; %上邊界節點相對誤差置零 err(n,1:n)=0; %下邊界節點相對誤差置零 G=sum(sum(err>deta))%顯示每次迭代后不滿足相對誤差限要求的節點數目G end
標簽： 有限差分
上傳時間： 2018-07-13
上傳用戶：Kemin
function y=lagr(x0,y0,x) %x0,y0為節點 %x是插值點 n=length(x0); m=length(x); for i=1:m z=x(i); s=0.0; for k=1:n p=1.0; for j=1:n if j~=k p=p*(z-x0(j))/(x0(k)-x0(j)); end end s=p*y0(k)+s; end y(i)=s; end
標簽： lagr
上傳時間： 2020-06-09
上傳用戶：shiyc2020
大型電子製造業后臺數據庫的詳細設計!絕對好東西!(部分刪減)
上傳時間： 2015-05-17
上傳用戶：aa54
SAP R/3 企業系統 數據字典 ABAP programming 必要參考檔
標簽： programming ABAP SAP 系統
上傳時間： 2016-09-24
上傳用戶：zl5712176
概率理論與數理統計實驗系統matlab代碼，含gui
上傳時間： 2016-10-17
上傳用戶：大三三
機率統計作業平均數曲的越多 平均值越接近
標簽： 平均值
上傳時間： 2013-12-31
上傳用戶：zhliu007
PDA計算汽車平均油耗程式,使用C#程式及SQL CE 數據庫應用
上傳時間： 2014-01-09
上傳用戶：manking0408
自動計算兩個正態分佈的數據的重疊部分, 一般用來預估不良率
上傳時間： 2017-03-30
上傳用戶：refent
SaleManage.rar 源碼 附詳盡使用說明及數據庫 進銷存管理系統
標簽： SaleManage 系統
上傳時間： 2013-12-14
上傳用戶：CHENKAI
最小平方近似法 (least-squares approximation) 是用來求出一組離散 (discrete) 數據點的近似函數 (approximating function)，作實驗所得的數據亦常使用最小平方近似法來達成曲線密合 (curve fitting)。以下所介紹的最小平方近似法是使用多項式作為近似函數，除了多項式之外，指數、對數方程式亦可作為近似函數。關於最小平方近似法的計算原理，請參閱市面上的數值分析書籍
標簽： least-squares approximation approximating discrete
上傳時間： 2015-06-21
上傳用戶：SimonQQ
