1.简介
在科学技术的许多应用中,一个经常讨论的问题是寻找非线性方程组的实零点,其中,,和是平滑的贴图D类是一个开凸集,其中我们假设是系统的零,并且最初的猜测是否足够接近α例如,在求解微分方程边值问题时会出现上述类型的问题。将微分方程简化为非线性方程组,然后用常见的收敛阶为2的牛顿迭代法求解[1]. 牛顿法(2第NM公司)由提供 霍米耶[2]提出了求解单个非线性方程的三阶迭代法,称为调和平均牛顿法。与此方法类似[2],我们考虑以下扩展来求解非线性方程组,此后称为: 我们注意到是两个雅可比数的倒数的平均值。一般来说,这种三阶方法不需要方程之类的二阶导数(2)可用于求解非线性方程组。这些方法需要一个函数评估和两个一阶Fréchet导数评估。使用吸引点理论对几种此类方法的收敛性分析可以在[三]. 这个该方法比哈雷方法更有效,因为它不需要计算值,同时查找函数求值的数量。 此外这些方法的效率低于两步四阶牛顿法()努尔最近发现的等。[4]使用变分迭代技术。最近的Sharma等。[5]开发了四阶方法,该方法由 最近,在中发现了求解单个非线性方程的三阶方法的改进四阶版本[7]. 在当前的论文中,类似于[7]提出了一种具有四阶收敛性的多元模型。本文的其余部分组织如下。在第2节,我们提出了一种新的算法(最优算法),该算法仅使用三个函数求值和一个带阶的多步骤版本就具有四阶收敛性,其中第页是一个正整数,并且用于求解非线性方程组。在第3节,我们利用吸引点理论研究了新方法的收敛性分析。第4节给出了数值例子,并与现有的一些方法进行了比较。此外,我们还研究了一个应用问题,即,一维Bratu问题[8]. 简要结论如下第5节. 2.方法的发展
巴巴吉语[7]最近改进了单方程四阶方法的求法 该方法是Babajee求解单个非线性方程基于幂平均的高阶多点迭代方法家族中的一员等. [9]. 接下来,我们将上述思想扩展到多元情况。对于方程式中给出的方法(2),我们提出了一种改进的四阶调和平均牛顿法()用于求解非线性方程组,如下所示:哪里我是单位矩阵。我们进一步改进了方法,通过附加函数求值获得多步骤版本HM公司方法由给出 请注意,此多步骤版本具有顺序,其中第页是一个正整数,并且.案例是方法。
3.收敛性分析
主要定理将通过所涉及函数的n维泰勒展开来证明。在下文中,我们使用了中的某些符号和结果[10]: 让在中充分Fréchet可微D类。假设q个的th导数F类在,,是q个-线性函数这样的话.给定,位于解决方案附近α非线性系统的,可以应用泰勒展开式(假设雅可比矩阵非奇异)以获得哪里,。值得注意的是自从和。此外,我们可以扩展泰勒级数哪里我是单位矩阵。还应注意.表示,因此在第次迭代为,其中L(左)是一个第页-线性函数被称为误差方程和第页是收敛阶.请注意是. 为了证明方程(6)的收敛阶,我们需要回顾吸引点理论的一些重要定义和结果。
定义(吸引点)。 [11]让 .那么α是迭代的吸引点如果α有一个开邻域S,定义为这样的话 并且,对于任何 ,迭代 由方程(10)定义,均位于D并收敛于α. 定理1(奥斯特罗斯基定理)。 [11]假设 有一个固定点 和 Fréchet在α上是可微的。如果那么α是一个吸引点 . 我们现在证明一个一般结果α是一般迭代函数的吸引点.
定理2。 让 在的开凸邻域D的每一点上都是充分Fréchet可微的 ,这是系统的解决方案 。假设 是否足够Fréchet可微泛函(取决于F类)在D类具有 , 和 然后,有一个球在其中映射定义明确;此外,G在α处是Fréchet可微的,因此 自在中是可微的α和,我们可以假设δ被选得足够小,以至于为所有人具有取决于δ和万一. 自P(P),问和R(右)是连续可微函数,那么,和有界: 结合起来,我们有这表明在中是可微的α自从δ和ϵ武断且,,和是常量。因此. 定理3。 让 在的开凸邻域D的每一点上都是充分Fréchet可微的 这是系统的解决方案 让我们假设一下 和 在α中是连续且非奇异的,并且 与α足够接近。那么α是序列的吸引点 使用迭代表达式方程式(6)获得。此外,序列收敛到4阶α,其中得到的误差方程为 证明:我们首先展示α是利用定理2得出的吸引点。在这种情况下, 现在,因为,我们有以便根据奥斯特洛夫斯基定理,α是方程(6)的吸引点。 接下来我们建立了该方法的四阶收敛性。根据方程(8)和方程(9),我们得出和哪里. 我们有哪里,和. 然后和的表达式是 雅可比矩阵的泰勒展开是 哪里
另一方面,使用方程式(14)和方程式(16),谐波平均值可以表示为 最后,通过使用方程式(13)和方程式(18)在方程式中(6)经过一些简化,误差方程可以表示为: 因此,根据方程式(19),可以得出以下结论:方法是四。☐ 对于这个案例我们陈述并证明了以下定理。
定理4。 让 在的开凸邻域D的每一点上都是充分Fréchet可微的 这是系统的解决方案 让我们假设一下 和 在α中是连续且非奇异的,并且 与α足够接近。那么α是序列的吸引点 使用迭代表达式方程式获得(7). 此外,序列收敛到阶α ,其中r是一个正整数,并且 . 所以根据奥斯特洛夫斯基定理,α是方程式的吸引点(7). 泰勒展开式关于α产量 通过归纳方程式继续(23)并使用方程式(12),我们有⏹ 4.数值示例
在本节中,我们比较了提供的方程式的性能(6)和方程式(7)方程(1)-(5)中给出了不同的方法。数值实验已使用MATLAB 7.6软件下面给出的测试问题的软件。使用可变精度算法计算近似解,精确到1000位。我们对迭代使用以下停止标准: 我们使用了近似的计算收敛阶由给出(参见[12]) 让M(M)是达到最小残差所需的迭代次数.
4.1. 测试问题
测试问题1(TP1)我们考虑以下系统[13]:,其中和 雅可比矩阵如下所示起始矢量为精确的解是.
解决方案是。我们选择起始向量雅可比矩阵有7个非零元素,由下式给出 我们用初始近似解这个系统。该系统的解决方案是具有12个非零元素的雅可比矩阵如下所示
表1。非线性方程组不同方法的比较。
方法 | TP1公司 | 第2页 | TP3公司 |
---|
| M(M) | | | M(M) | | | M(M) | | |
方程式(1) | 7 | 4.6e−114 | 2 | 9 | 1.7e−107 | 2 | 8 | 3.9e−145 | 2.02 |
方程式(2) | 5 | 1.4e−174 | 2.99 | 6 | 4.5e−139 | 3 | 5 | 2.9e−291 | 4.10 |
方程式(三) | 4 | 4.6e−114 | 4.02 | 5 | 1.7e−107 | 4 | 5 | 2.9e−291 | 4.11 |
方程式(4) | 4 | 7.1−108 | 3.99 | 6 | 0 | 3.99 | 5 | 8.8电子-257 | 4.03 |
方程式(6) | 4 | 1.4e−105 | 3.99 | 6 | 0 | 4 | 5 | 5.5e−247 | 4.12 |
方程式(5) | 4 | 0 | 5.91 | 5 | 0 | 5.98 | 4 | 4.6e−199 | 6.12 |
方程式(7) | 4 | 0 | 5.90 | 5 | 0 | 5.98 | 4 | 6.1e−194 | 6.13 |
方程式(7) | 4 | 0 | 7.90 | 4 | 1.9e−133 | 7.99 | 4 | 0 | 8.64 |
方程式(7) | 三 | 1.1e−154 | 9.90 | 4 | 2.2e−248英寸 | 9.99 | 4 | 0 | 10.76 |
表1显示了测试问题(TP1、TP2、TP3)的结果,从中我们得出结论:方法是最有效的方法,具有最少的迭代次数和残余误差。
表2。CPU时间比较。
方法 | 第1页 | TP2型 | TP3公司 |
---|
| 1.161405 | 1.734549 | 1.758380 |
| 0.950678 | 2.445676 | 1.969176 |
| 0.808851 | 1.569021 | 1.452089 |
| 1.052950 | 2.649530 | 2.571427 |
| 1.001148 | 2.170088 | 2.456138 |
| 1.132364 | 2.117847 | 2.405149 |
| 0.944062 | 2.137319 | 2.528262 |
| 0.986300 | 2.328460 | 2.071641 |
| 1.029707 | 2.482167 | 2.213744 |
在表2,我们已经为提出的方法和一些现有方法提供了CPU时间。 接下来,我们考虑HM公司求最小值的方法族第页因此第页为了得到迭代次数和。为了实现这一点,TP1需要(),TP2需要()TP3要求(). 此外,还观察到收敛阶第页取决于测试问题及其起始向量。
4.2. 一维Bratu问题
一维Bratu问题[8]由提供具有边界条件一维平面Bratu问题有两个已知的分叉精确解,一个解决方案没有解决方案. 临界值很简单,其中η是双曲余切函数的不动点.方程的精确解(26)已知,可以在此处表示为哪里θ是一个待确定的常数,它满足边界条件,并且经过仔细选择并假设为微分方程的解(26). 使用与中类似的程序[14],我们展示了如何获得λ.替换方程(27)在方程式中(26)、简化和搭配因为它是区间的中点。可以选择另一个点,但如果配置点在整个区域内均匀分布,则低阶近似可能更好。那么,我们有 微分方程(28)关于θ和设置,临界值满足 通过消除λ来自方程式(28)和方程式(29),我们有价值对于关键令人满意的对于其中可以使用迭代方法获得。然后我们得到来自方程式(28).图1说明了λ的临界值。
使用标准有限差分格式的有限维问题由下式给出具有离散边界条件和步长。有未知数(). 雅可比矩阵是一个稀疏矩阵,每行非零的典型数是三。众所周知,有限差分格式使用起始向量收敛到一维Bratu的下解. 我们使用()并测试350λ的在间隔中(间隔宽度=0.01)。对于每个λ,我们让是其中的最小迭代次数,其中近似值计算精确到小数点后14位。让是350的迭代次数的平均值λ的。
表3。数量比较λ对于一维Bratu问题,有不同的方法。
表3。数量比较λ对于一维Bratu问题,有不同的方法。
方法 | | | | | | |
---|
| 0 | 12 | 114 | 143 | 81 | 4.92 |
| 0 | 140 | 206 | 2 | 2 | 3.62 |
| 4 | 237 | 100 | 8 | 1 | 3.33 |
| 4 | 234 | 103 | 7 | 2 | 3.35 |
| 三 | 213 | 124 | 8 | 2 | 3.42 |
| 35 | 281 | 32 | 1 | 1 | 3 |
图2和表3给出一维Bratu问题的结果,其中M(M)表示收敛的迭代次数。可以从中考虑的六种方法中观察到表3作为λ增加到临界值时,收敛所需的迭代次数增加。然而,随着方法阶数的增加,迭代次数的平均值减小。这个是六种方法中最有效的方法,因为它的平均迭代次数最低λ在2次迭代中收敛。
图2。迭代次数的变化λ对于,,和方法。
图2。迭代次数的变化λ对于,,和方法。
对于每个λ,我们找到了HM公司族,以便我们在2次迭代中达到收敛,结果如所示图3可以观察到,作为λ增加,价值第页在2次迭代中收敛所需的时间也会增加。对于,我们需要(). 对于,我们需要(). 对于,我们需要(). 对于,我们需要(). 对于,我们需要(). 对于,我们需要(). 对于,我们需要(). 对于,我们需要(). 对于,我们需要(). 对于,我们需要()等等。我们注意到间隔的宽度减小了,并且族的顺序非常高λ趋于其临界值。最后,对于,我们需要在2次迭代中达到收敛。
图3。的顺序HM公司每个家庭λ.
图3。的顺序HM公司每个家庭λ.
5.结论
在这项工作中,我们提出了一种四阶方法及其多步版本,使用权函数求解非线性方程组,具有更高阶的收敛性。所提出的方案不需要计算二阶或更高阶Fréchet导数即可达到四阶或更高级收敛。我们用所提出的方案对几个例子进行了测试,并与一些已知方案进行了比较,这说明了新方案的优越性。最后,将提出的新方法应用于一个称为一维Bratu问题的实际问题。所得结果对新方法来说是有趣和令人鼓舞的。因此,可以认为所提出的方法足以胜任某些现有方法。