Numerical Analysis Implementations in Python
  • 数值分析 Python 实现
  • 直接求解线性方程组
    • 1. 顺序高斯消去法(Gaussian Elimination)
    • 2. 列主元高斯消去法(Gaussian Elimination with Partial Pivoting)
    • 3. 直接三角分解法(LU Decomposition)
    • 4. 平方根法(Cholesky Decomposition)
    • 5. 追赶法(Thomas Algorithm)
  • 范数
    • 向量范数
    • 矩阵范数
  • 解线性方程的迭代法
    • Jacobi迭代法
    • Gauss-Seidel 迭代法
    • 逐次超松弛迭代法(SOR 迭代法)
    • 迭代法的收敛性判断
    • 迭代法的误差分析
  • 非线性方程求根
    • 二分法
    • 简单迭代法的收敛条件
    • 迭代法的收敛速度
    • Newton迭代法
    • Newton迭代法的收敛性分析
    • Newton迭代法的变形
  • 插值与逼近
    • Lagrange插值
    • Newton插值
    • Hermite插值
    • 三次样条插值
    • 正交多项式
    • 几种正交多项式
    • 最小二乘法
  • 数值积分与数值微分
    • 数值积分的基本概念
    • 求积公式的代数精度
    • 插值型数值求积公式
    • 复化求积公式
    • Guass型求积公式
    • 几种Guass型求积公式
    • 差商型数值微分
    • 插值型数值微分
  • 常微分方程的数值解法
    • 一阶常微分方程初值问题
    • 改进Euler方法
    • 差分公式的局部截断误差分析
    • Runge-Kutta方法
  • 数值分析的可视化
    • 普通图形
    • 更多图形
  • 数学建模基础
Powered by GitBook
On this page
  1. 常微分方程的数值解法

Runge-Kutta方法

Previous差分公式的局部截断误差分析Next数值分析的可视化