1 Arithmetische Grundlagen

Transkript

1 1 Arithmetische Grundlagen Am 4. Juni 1996 explodierte kurz nach dem Start die erste Ariane 5 Rakete durch einen Softwarefehler. Die Horizontalgeschwindigkeit wurde durch eine Gleitkommazahl v [ , ] {0} [10 308, ] dargestellt. Innerhalb der Rechnung wurde die Zahl versehentlich in eine ganzzahlige Darstellung i {0,1,2,...,32767} konvertiert. Als die Geschwindigkeit v > erreichte, verlor die Software die Geschwindigkeitsinformation und damit schließlich die Orientierung. huckle/bugse.html C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 1

2 1 Arithmetische Grundlagen Am 25. Februar 1991 während des ersten Golfkriegs in Dharan, Saudi Arabien, verfehlte eine amerikanische Patriot Rakete eine anfliegende irakische Scud Rakete durch eine falsche Zeitberechnung. Eine 1/10 Sekunde wurde ungenau dargestellt (durch Rundungsfehler wurde die periodische Dualentwicklung in der Computerdarstellung zu abgeschnitten), so dass nach 100 Stunden Betriebszeit eine Zeitdifferenz von ca. 0.3 Sekunden entstand. Dieser Fehler wurde nicht in allen Teilen des Betriebsprogramms korrigiert. huckle/bugse.html C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 2

3 1 Arithmetische Grundlagen (1.3) a) Eine Gleitkommazahlen zur Basis B {2, 3,...} der Mantissenlänge M und Exponentenlänge E ist die Menge { FL = ± B e M m=1 a m B m : e = e E 1 + k=0 } c k B k, a m,c k {0,1,...,B 1} b) Eine Gleitkommaarithmetik wird durch eine Abbildung fl: R FL mit fl(x) = x für x FL definiert. Sei bestimmt die Rundung: x y = fl(x + y), x y = fl(x y), etc. Die zugehörige Maschinengenauigkeit ist { } x fl(x) eps := sup ; 0 < x < M. x (1.2) a) Ein Problem heißt sachgemäß gestellt, wenn es eindeutig lösbar ist und die Lösung stetig von den Daten abhängt. b) Die Kondition eines Problems ist eine Maß dafür, wie stark die Abhängigkeit der Lösung von den Daten ist. c) Die Stabilität eines numerischen Algorithmus ist eine Maß dafür, wie stark die Daten-Abhängigkeit der numerischen Lösung im Vergeich zu der tatsächlichen Lösung ist. (1.3) Sei f : R N R K eine differenzierbare Funktion und x R N. Dann heißt a) κabs kn = x n f k (x) absolute Konditionszahl. b) κrel kn = x n f k (x) xn f k (x) relative Konditionszahl. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 3

4 1 Arithmetische Grundlagen Sei eine Vektornorm, und sei eine zugeordete Matrixnorm, d. h., Ax A x, x R N, A R M N. Wir verwenden für x R N und A R M N N x 1 = x n x 2 = x T x x = max x n n=1 n=1,...,n Ax und die zugeordnete Operatornorm A p = sup p x 0N x p, d.h. M N A 1 = max a mn, A 2 = ρ(a T A), A = max a mn n=1,...,n m=1 m=1,...,m n=1 mit Spekralradius ρ(a) = max{ λ : λ Eigenwert von A}. (1.4) Sei A R N N invertierbar. Dann heißt κ p (A) = A p A 1 p die Kondition von A. Sei b R N, b 0 N, b R N eine kleine Störung und b = b + b. Sei x R N Lösung von Ax = b, x R N Lösung von A x = b, und x = x x der Fehler. Dann gilt für den relativen Fehler x p x p κ p (A) b p b p. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 4

5 Auslöschung bei Nullstellenberechnung Wir betrachten die Gleichung x 2 2px + q = 0, deren Nullstellen durch x = p ± p 2 q gegeben sind. Diese Berechnungsvorschrift ist aber für p q nicht zu empfehlen, da dann Auslöschung bei der betragsmäßig kleineren Nullstelle auftritt. Wählt man beispielsweise p = 10 8 und q = 1, so berechnet Matlab x 1 = , x 2 = 0. Die Auslöschung bei x 2 kann man umgehen, indem man zuerst die größere Nullstelle durch x 1 = p + sign(p) p 2 q berechnet und dann (mit dem Satz von Vieta) die zweite Nullstelle durch x 2 = q x 1 erhält. Mit dieser Vorschrift berechnet Matlab die bessere Lösung x 1 = , x 2 = C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 5

6 2 Direkte Lösungsverfahren für lineare Gleichungen (2.1) Sei L R N N eine normierte untere Dreiecksmatrix und b R N. Dann ist L invertierbar und das Lineare Gleichungssystem (LGS) Ly = b ist mit O(N 2 ) Operationen lösbar. Entsprechend ist für eine invertierbare obere Dreiecksmatrix R R N N das LGS Rx = y in O(N 2 ) Operationen lösbar. (2.2) Wenn eine Matrix A R N N eine LR-Zerlegung A = LR mit einer normierten untere Dreiecksmatrix L und einer invertierbaren obere Dreiecksmatrix R besitzt, dann ist A invertierbar und das LGS Ax = b ist mit O(N 2 ) Operationen lösbar. (2.3) Eine Matrix A R N N besitzt genau dann eine LR-Zerlegung von A, wenn alle Hauptuntermatrizen A[1 : n, 1 : n] invertierbar sind. Die LR-Zerlegung ist eindeutig und lässt sich mit O(N 3 ) Operationen berechnen. (2.5) Eine Matrix A R N N heißt strikt diagonal-dominant, falls A[n,n] > N A[n, k]. k=1 k n Sie heißt positiv definit, wenn x T Ax > 0 für x R N, x 0. In beiden Fällen existiert eine LR-Zerlegung. (2.6) Sei A R N N symmetrisch und positiv definit. Dann existiert genau eine Cholesky-Zerlegung A = LL T mit einer unteren Dreiecksmatrix L. Software: C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 6

7 2 Direkte Lösungsverfahren für lineare Gleichungen (2.7) a) Eine bijektive Abbildung π : {1,...,N} {1,...,N} heißt Permutation. b) Sie ist eindeutig durch einen Permutationsvektor p R N mit p[n] = π(n) bestimmt. c) Die zugehörige Permutationsmatrix ist P = (e π(1) e π(n) ) R N N. (2.8) Sei A R N N invertierbar. Dann existiert eine Permutationsmatrix P, so dass PA eine LR-Zerlegung PA = LR besitzt, so dass L[m,n] 1 gilt. (2.9) a) Zu v R N und k n mit v[k] 2 + v[n] 2 > 0 existiert eine Givens-Rotation G R N N mit ( ) ( ) G[k,k] G[k,n] c s =, c G[n, k] G[n, n] s c 2 + s 2 = 1, und G[j][j] = 1 für j k,n und G[i][j] = 0 sonst, so dass für w = Gv gilt: w[n] = 0. Für v[n] > v[k] setze τ = v[k] v[n], s = 1+τ 1 v[n], c = sτ, sonst setze τ = 2 v[k], c = 1+τ 1, s = cτ. 2 b) Zu v R N, v 0, existiert eine Householder-Spiegelung H = I N 2 w T w ww T R N N mit w R N, w[1] = 1, sodass Hv = σe 1 mit σ R. Falls v[1] > 0, setze σ = v 2, sonst setze σ = v 2. Dann definierte w = 1 v[1] σ (v σe1 ). Rotationen und Spiegelungen Q sind orthogonale Matrizen, d.h. Q T Q = I N, Q 1 = Q T, Q 2 = 1 und κ 2 (Q) = 1. (2.10)Zu A R K N existiert eine QR-Zerlegung A = QR mit einer orthogonalen Matrix Q R K K und eine oberen Dreiecksmatrixmatrix R R M N. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 7

8 LR-Zerlegung (ohne Vektorisierung) N = size(a,1); for n=1:n-1 % Berechnung der n-ten Spalte von L for m=n+1:n A(m,n) = A(m,n)/A(n,n); % keine Berechnung der n-ten Zeile von R erforderlich % Berechnung der Restmatrix for m=n+1:n for k=n+1:n A(m,k) = A(m,k) - A(m,n) * A(n,k); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 8

9 LR-Zerlegung N = size(a,1); for n=1:n-1 A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n) * A(n,n+1:N); x = b; for n=2:n x(n) = x(n) - A(n,1:n-1) * x(1:n-1); for n=n:-1:1 x(n) = (x(n) - A(n,n+1:N)*x(n+1:N))/A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 9

10 Cholesky-Zerlegung N = size(a,1); for n=1:n A(n:N,n) = A(n:N,n) - A(n:N,1:n-1) * A(n,1:n-1) ; A(n:N,n) = A(n:N,n) / sqrt(a(n,n)); x = b; for n=1:n x(n) = (x(n) - A(n,1:n-1) * x(1:n-1))/ A(n,n); for n=n:-1:1 x(n) = (x(n) - A(n+1:N,n) * x(n+1:n))/ A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 10

11 LR-Zerlegung mit Pivotsuche N = size(a,1); p = (1:N) ; for n = 1:N-1 [r,m] = max(abs(a(n:n,n))); m = m+n-1; if abs(a(m,n))<eps error( *** ERROR *** LR-Zerlegung existiert nicht ); if (m ~= n) A([n m],:) = A([m n],:); p([n m]) = p([m n]); A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n)*A(n,n+1:N); x = b(p); for n=2:n x(n) = x(n) - A(n,1:n-1)*x(1:n-1); for n=n:-1:1 x(n) = (x(n) - A(n,n+1:N)*x(n+1:N))/A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 11

12 Berechnung der Householder-Vektoren function [v,beta] = householder(y) N = length(y); s = y(2:n) * y(2:n); if N == 1 s = 0; v = [1;y(2:N)]; if s == 0 beta = 0; else mu = sqrt(y(1)^2 + s); if y(1) <= 0 v(1) = y(1) - mu; else v(1) = -s/(y(1) + mu); beta = 2*v(1)^2/(s + v(1)^2); v = v / v(1); return; C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 12

13 QR-Zerlegung [M,N] = size(a); for m = 1:min(N,M-1) [v,beta] = householder(a(m:m,m)); if beta ~= 0 w = beta * v * A(m:M,m:N); A(m:M,m:N) = A(m:M,m:N) - v * w; A(m+1:M,m) = v(2:m-m+1); for m = 1:min(N,M-1) v = [1;A(m+1:M,m)]; beta = 2 / (v * v); if beta ~= 2 b(m:m) = b(m:m) - beta*(v *b(m:m)) * v; for n=min(n,m):-1:1 x(n) = (b(n) - A(n,n+1:N) * x(n+1:n)) / A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 13

14 3 Lineare Ausgleichsrechnung (3.1) Sei A R K N und b R K. Dann gilt: x R N minimiert Ax b 2 A T Ax = A T b. (3.2) Zu A R K N mit R = rang(a) existieren Singulärwerte σ 1,...,σ R > 0 und eine Singulärwertzerlegung A = V ΣU T mit V R K K, U R N N orthogonal und Σ R K N mit Σ[r,r] = σ r für r = 1,...,R und Σ[k,n] = 0 sonst. (3.3) A + = UΣ + V T ist die Pseudo-Inverse mit Σ + R N K mit Σ + [r,r] = 1/σ r für r = 1,...,R und Σ + [n,k] = 0 sonst. (3.4) x = A + b löst die Normalengleichung A T Ax = A T b. (3.5) Sei A R K N und b R K. Dann gilt für die Tikhonov-Regularisierung mit α > 0: x R N minimiert Ax b α x 2 2 (A T A + αi N )x = A T b. (3.6) Es gilt lim α 0 (AT A + αi N ) 1 A T b = A + b. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 14

15 Ein schlecht konditioniertes Gleichungssystem Wir betrachten das lineare Gleichungssystem Ax = b mit der Hilbertmatrix ( 1 ) A = m + n + 1 m,n=0,...,n RN+1 N+1 ( und der rechten Seite b = ( 1) n( n log(2) + ( 1) m)) n=0,...,n RN+1. m=1 Die exakte Lösung lautet: N x 0 x 1 x 2 x 3 x 4 x 5 x (Beispiel aus Kress: Numerical Analysis) C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 15

16 Ein schlecht konditioniertes Gleichungssystem Stören wir nun aber die rechte Seite geringfügig, indem wir log(2) nur bis auf 5 Nachkommastellen auswerten, so erhalten wir folgende Lösung: N x 0 x 1 x 2 x 3 x 4 x 5 x Also: Eine geringfügige Störung der Daten führt zu einer großen Störung des Ergebnisses. Der Grund dafür liegt in der schlechten Kondition der Hilbertmatrix. Diese ist in der Spektralnorm: N κ 2 (A) e e e + 07 (Beispiel aus Kress: Numerical Analysis) C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 16

17 Invertierung der Hilbert-Matrix (Matlab) >> H = hilb(3); IH = inv(h); IH(1,1:3) ans = >> H = hilb(5); IH = inv(h); IH(1,1:3) ans = >> H = hilb(7); IH = inv(h); IH(1,1:3) ans = >> H = hilb(9); IH = inv(h); IH(1,1:3) ans = >> H = hilb(11); IH = inv(h); IH(1,1:3) ans = C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 17

18 Ein schlecht konditioniertes Gleichungssystem Wir können die Kondition verbessern, indem wir die Tikhonov-Regularisierung auf die Hilbertmatrix anwenden, d.h. x α = (A T A + αi N ) 1 A T b. Regularisieren wir mit einem Parameter α = 10 10, so erhalten wir N x 0 x 1 x 2 x 3 x 4 x 5 x C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 18

19 4 Eigenwertberechung (4.1) Eine Matrix H R N N heißt Hessenberg-Matrix, wenn H[n + 2 : N,n] = 0 N n 1 für n = 1,...,N 2. (4.2) Sei A R N N. Dann existiert eine orthogonale Matrix Q R N N, so dass H = QAQ T eine Hessenberg-Matrix ist. Die Berechnung benötigt O(N 3 ) Operationen. Wenn A symmetrisch ist, dann ist H eine Tridiagonalmatrix. (4.3) Sei A R N N symmetrisch, tridiagonal, und irreduzibel, d.h. A[n + 2 : N,n] = A[n,n + 2 : N] T = 0 N n 1 und A[n 1,n] = A[n,n 1] 0. Dann hat A paarweise verschiedene reele Eigenwerte λ 1 < λ 2 < < λ N. (4.4) Inverse Iteration mit variablem Shift S0) Wähle z 0 R N, z 0 0 N, ε 0. Setze k = 0. S1) Setze w k = 1 z k 2 z k, µ k = r(a,w k ). S2) Falls Aw k µ k w k 2 ε STOP. S3) Berechne z k+1 = (A µ k I N ) 1 w k. S4) Setze k := k + 1, gehe zu S1). Wenn der Startvektor z 0 hinreichend nahe bei einem Eigenvektor v m mit isoliertem Eigenwert λ = λ m liegt, konvergiert die Iteration kubisch, d.h. µ k λ C µ k λ 3. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 19

20 4 Eigenwertberechnung: QR-Iteration mit Shift Sei A R N N symmetrisch. S0) Berechne A 0 = QAQ T tridiagonal (Hessenberg-Transformation). Wähle ε 0. Setze k = 0. S1) Falls A k [n + 1,n] ε für ein n: getrennte Eigenwertberechnung für A k [1 : n,1 : n] und A k [n + 1 : N,n + 1 : N]. S2) Berechne d k = 1 2 (A k [N 1,N 1] A k [N,N]) und s k = A k [N,N] + d k sgn(d k ) dk 2 + A k [N 1,N] 2. S3) Berechne QR-Zerlegung Q k R k = A k s k I N und setze A k+1 = R k Q k + s k I N. S4) Setze k := k + 1, gehe zu S1). Es gilt A k+1 = Q T k A k Q k. Also haben A k+1 und A k disselben Eigenwerte. Falls der shift s k = A k [N,N] gewählt wird, entspricht die QR-Iteration der Inversen Iteration mit variablem Shift und Startvektor z 0 = e N. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 20

21 Impliziter QR-Algorithmus mit Wilkinson-Shift Für symmetrische Matrizen (o.b.d.a. Hessenbergform) lässt sich der QR-Algorithmus so modifizieren, dass die QR-Zerlegung in jedem Iterationsschritt nur implizit durch N 1 Transformationen mit Givensrotationen durchgeführt werden muss. Durch den Wilkinson-Shift (siehe Golub, van Loan) erhalten wir außerdem kubische Konvergenz, im Gegensatz zur linearen Konvergenz des QR-Algorithmus ohne Shift. Dabei können wir eine Toleranz für die verschwindenden Nebendiagonalelemente vorgeben. Wir betrachten A = tridiag( 1,2, 1) R N N. Für die Toleranz tol = ε braucht der Algorithmus die folgende Anzahl von Iterationen: N Iterationen Das sind im Schnitt weniger als 3 Iterationen pro Eigenwert. Der maximale Fehler bei diesen Berechnungen beträgt zwischen und C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 21

22 5 Iterationsverfahren für lineare Gleichungen (5.1) S0) Wähle x 0 R N und ε > 0. Berechne r 0 = b Ax 0. Setze k = 0. S1) Falls r 0 ε STOP. S2) Berechne w k = Br k 1 x k+1 = x k + w k r k+1 = r k Aw k Setze k := k + 1 und gehe zu S1). Sei A = L + D + R. Dann gilt B = D 1 für das Jacobi-Verfahren und B = ( L + D ) 1 für das Gauß-Seidel-Verfahren. (5.2) Sei A,B R N N mit ρ(i N BA) < 1. Dann ist A invertierbar, und es gilt für alle b R N und alle Startvektoren x 0 R N konvergiert die Iteration x k+1 = x k + B(b Ax k ), k = 0,1,2,... gegen lim k x k = A 1 b. Dann exisitiert eine Vektor-Norm und dazu eine Matrix-Norm mit I N BA < 1. Damit ergibt sich x x k I N BA k x x 0 (lineare Konvergenz). Software: z.b. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 22

23 5 Iterative Lösungsverfahren: Krylov-Verfahren Sei, V ein Skalarprodukt in V = R N. S0) Wähle x 0 R N. Berechne r 0 = b Ax 0, z 1 = Br 0, h 10 = z 1 V und v 1 = 1 h 10 z 1. Setze k = 1. S1) Berechne w k = BAv k z k+1 = w k k h jk v j mit h jk = v j,w k V j=1 v k+1 = 1 h k+1,k z k+1 mit h k+1,k = z k+1 V S2) Setzte k := k + 1 und gehe zu S1). Dann ist v 1,...,v k eine Orthonormalbasis von dem Krylov-Raum V k = span{br 0,BABr 0,...,(BA) k 1 Br 0 } = {Q k y : y R k }, Q k = ( v 1... v k ). Es gilt BAv k = k+1 h jk v j, also BAQ k = Q k+1 H k mit H k = (h jm ) R k+1,k. j=1 GMRES-Verfahren: Wähle v,w V = v T w. cg-verfahren (A,B symmetrisch positiv definit): Wähle v,w V = v T Aw. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 23

24 5 Iterative Lösungsverfahren: GMRES-Verfahren S0) Wähle x 0 R N, ε > 0. Berechne r 0 = b Ax 0, z 1 = Br 0, h 10 = z 1 2 und v 1 = 1 h 10 z 1. Setze k = 1. S1) Berechne w k = BAv k z k+1 = w k k h jk v j mit h jk = (v j ) T w k j=1 v k+1 = 1 h k+1,k z k+1 mit h k+1,k = z k+1 2 S2) Berechne y k R k mit ρ k = H k y k h 10 e 1 2 = min! Dabei ist H k = (h jm ) j=1,...,k+1, m=1,...,k R k+1,k. S3) Wenn ρ k < ε, setze x k = x 0 + k yj k v j j=1 STOP. S4) Setze k := k + 1 und gehe zu S1). (4.4) Es gilt ρ k = min z x 0 +V k B(b Az) 2. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 24

25 5 Iterative Lösungsverfahren: cg-verfahren Seien A,B R N N symmetrisch und positiv definit. S0) Wähle x 0 R N, ε > 0. Berechne r 0 = b Ax 0, w 0 = Br 0, ρ 0 = (w 0 ) T r 0 und d 1 = w 0. Setze k = 0. S1) Falls ρ k ε STOP S2) Setze k := k + 1 und berechne u k = Ad k ρ α k = k 1 (u k ) T d k x k = x k 1 + α k d k r k = r k 1 α k u k w k = Br k ρ k = (w k ) T r k d k+1 = w k + ρ k ρ k 1 d k Gehe zu S1). ( (4.5) Es gilt x k κ(ba) 1 ) k x A 2 x 0 x A. κ(ba) + 1 C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 25

26 6 Iterationsverfahren für nichtlineare Gleichungen Sei F : R N R N differenzierbar. Sei x R N eine Nullstelle von F ( ), d.h. F (x ) = 0. Dann gilt 0 = F (x) + DF (x)(x x) + o(x x). Falls DF(x) invertierbar ist, gilt x = x DF (x) 1 F (x) + o(x x). Falls DF (x ) invertierbar ist, ist x Fixpunkt von Φ F (x) = x DF (x) 1 F (x), d.h. Φ F (x ) = x. Newton-Verfahren: Wähle x 0 R N und definiere x k+1 = Φ F (x k ) für k = 0,1,2,... (6.1) Sei DF (x ) invertierbar. Dann ist das Newton-Verfahren für alle x 0 hinreichend nahe bei x wohldefiniert, und x k konvergiert gegen x. Wenn zusätzlich F ( ) glatt genug ist, ist die Konvergenz quadratisch, d.h. es existiert C > 0 mit x k+1 x C x k x 2. Wenn DF (x) 1 durch B R N N approximiert wird, erhalten wir eine einfache Fixpunktiteration mit Φ F,B (x) = x BF(x). (6.2) Sei ρ(i N B DF(x )) < 1. Dann gilt: Für alle x 0 hinreichend nahe bei x konvergiert die einfache Fixpunkt-Iteration x k+1 = Φ F,B (x k ) linear gegen x. (6.3) Iterationsverfahren für nichtlineare Gleichungen mit Dämpfungsstrategie S0) Wähle x 0 R N, θ (0,1), s max N und ε > 0. Setze k = 0. S1) Falls F (x k ) ε STOP (Konvergenz) S2) Wähle B k DF (x k ) 1 und berechne c k = B k F (x k ). S3) Wähle t k {1,θ,θ 2,...,θ smax } mit F (x k + t k c k ) < F (x k ). Falls F (x k + t k c k ) F (x k ) für t k = θ smax STOP (keine Konvergenz) S4) Setze x k+1 = x k + t k c k, k := k + 1 und gehe zu S1). C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 26

27 7 Polynom-Interpolation (7.1) Lagrange-Interpolation Zu Stützstellen t 0 < t 1 < < t N und Werten f 0,f 1,...,f N R existiert genau ein Polynom P P N mit P(t n ) = f n. N t t Konstruktion: Definiere die Lagrange-Basis L n (t) = k t n t, setze P(t) = N k=0, k n k f n L n (t). n=0 (7.2) Hermite-Interpolation Zu t 0 t 1 t N definiere d n = max{n k : t k = = t n }. Zu Werten f 0,f 1,...,f N R existiert genau ein Polynom P P N mit 1 dn! ( ddt ) dn P(tn ) = f n. Konstruktion: Zu t 0 t 1 t N definiere die Newton-Basis durch ω 0 1, ω 1 (t) = t t 0, ω k (t) = (t t k 1 )ω k 1 (t) P k, k = 1,...,N. Nun definiere f [t n ] = f n und f [t k,...,t n ] = f n falls t k = t k+1 = = t n. Dann berechne rekursiv f [t k,...,t n ] = f [t k+1,...,t n] f [t k,...,t n 1 ] t n t k. Dann ist P(t) = N f [t 0,...,t k ]ω k (t) das Interpolationspolynom. k=0 Neville-Schema: Sei P 0 P n k 1 Interpolation zu f k,...,f n 1 an t k t n 1, und sei P 1 P n k 1 Interpolation zu f k+1,...,f n an t k+1 t n. Dann ist P(t) = t t k t n t P k 1 (t) + tn t t n t P k 0 (t) Interpolation zu f k,...,f n an t k t n. (7.3) Sei f C N+1 (a,b), t,t n (a,b), und f n = 1 d n! ( ddt ) dn f (tn ). Dann gilt für den Interpolationsfehler f (t) P N (t) = 1 (N+1)! ( ddt ) N+1f (τ) ωn+1 (t) mit τ (a,b). C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 27

28 Runge-Phänomen bei Interpolation Wir betrachten das Interpolationsproblem für äquidistant verteilte Stützstellen. Wir würden erwarten, dass für eine genügend glatte Funktion die Folge der Interpolationspolynome, gehörig zu immer kleinerem Stützstellenabstand, in der Maximumsnorm gegen die Funktion konvergiert. Dass dem nicht so ist zeigt zum Beispiel das sogenannte Runge- Phänomen für die Funktion f : [ 5,5] R, f (x) := x 2. Der maximale Fehler wird hier sogar immer größer, je höher der Grad des Interpolationspolynoms ist. Für den Grad 10 ist das zugehörige Interpolationspolynom eingezeichnet. Der Fehler wird offenbar durch die starke Oszillation verursacht, dies verschlimmert sich noch mit steigendem Polynomgrad. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 28

29 Das Neville-Schema Berechnung der Koeffizienten function f = coeff(t,f) N = length(t); for k=1:n-1 for n=n:(-1):k+1 if t(n) ~= t(n-k) f(n) = (f(n) - f(n-1)) / (t(n) - t(n-k)); end end end return function y = eval_newton(t,b,x) N = length(t); y = b(1); p = 1; for n=2:n p = p * (x - t(n-1)); y = y + b(n) * p; end return C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 29

30 Neville-Schema Auswertung des Polynoms function y = eval_neville(t,f,x) N = length(t); for k=1:n-1 for n=n:(-1):k+1 if t(n) ~= t(n-k) f(n) = ((x-t(n-k))*f(n)+(t(n)-x)*f(n-1)) / (t(n)-t(n-k)); end end end y = f(n); return C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 30

31 8 Spline-Interpolation (8.1) a) Zu einer Zerlegung : a = t 0 < t 1 < < t N = b von [a,b] definiere den kubischen Spline-Raum S 3 ( ) = { S C 2 [a,b]: S n := S [tn 1,t n] P 3, n = 1,...,N }. b) S S 3 ( ) heißt interpolierender Spline zu f C 0 [a,b] wenn S(t n ) = f (t n ). (8.2) Es gilt dims 3 ( ) = 3 + N. Mit einer der Randbedingungen (I) Natürliche Randbedingung S (a) = 0 und S (b) = 0 (II) Hermite-Randbedingung zu f C 1 [a,b] S (a) = f (a) und S (b) = f (b) (III) Periodische Randbedingungen S (a) = S (b) und S (a) = S (b) ist die Spline-Interpolation S S 3 ( ) zu f eindeutig lösbar. (8.3) Die Momente M n = S (t n ) von S S 3 ( ) zu f sind eindeutig durch und µ n = µ n M n 1 + M n + λ n M n+1 = 3f [t n 1,t n,t n+1 ] h n 2(h n + h n+1 ), λ h n = n+1 bestimmt und es gilt 2(h n + h n+1 ) S n (t) = M n(t t n 1 ) 3 + M n 1 (t n t) 3 + f (t n) + f (t n 1 ) h2 n 6h n 2 12 (M n + M n 1 ) ( f (tn ) f (t + n 1 ) h )( n h n 6 (M n M n 1 ) t t n + t ) n 1. 2 (8.4) Sei f C 4 [a,b]. Dann gilt für die Spline-Interpolation S f h 4 f. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 31

32 Spline-Interpolation mit Matlab n = 7; x = rand(n,1); y = rand(n,1); plot(x,y,. ) axis([ ]); t = 1:n; ts = 1:1/10:n; xs = spline(t,x,ts); ys = spline(t,y,ts); hold on; plot(xs,ys, r ); hold off; C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 32

33 9 Trigonometrische Interpolation und FFT (9.1) Sei f : R C eine 2π-periodische stetige Funktion und N = 2 P. Sei t n = n 2π N und f n = f (t n ). Dann existiert genau ein trigonometrisches Interpolationspolynom N 1 T N (t) = c n exp(int), n=0 c n C mit T N (t n ) = f n für n = 0,...,N 1. Es gilt c k = 1 N N 1 f n ω kn, n=0 ω = exp(i2π/n). Die Koeffizienten lassen sich rekursiv mit O(N logn) Operationen berechnen: N 1 f n ω kn = n=0 N/2 1 m=0 N/2 1 f 2m ξ km + ω 1 f 2m+1 ξ km, ξ = ω 2. m=0 Für s-mal stetig differenzierbare Funktionen konvergieren die Koeffizienten c n gegen die Fourier-Koeffizienten ˆfk = 1 2π f (t)exp(ikt)dt, 2π 0 und es existiert eine Konstante C s > 0 mit ( d ) ( sf 2π 1/2 f T N L2 (0,2π) C s N s L2(0,2π), g dt L2(0,2π) = g(t) dt) 2. 0 C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 33

34 FFT mit Matlab Fs = 1000; % Sampling frequency T = 1/Fs; % Sample time L = 1000; % Length of signal t = (0:L-1)*T; % Time vector % Sum of a 50 Hz sinusoid and % a 120 Hz sinusoid x = 0.7*sin(2*pi*50*t)+sin(2*pi*120*t); y = x+2*randn(size(t)); % plus noise plot(fs*t(1:50),y(1:50)) title( Signal Corrupted Random Noise ) xlabel( time (milliseconds) ) NFFT = 2^nextpow2(L); % Next power of 2 from length of y Y = fft(y,nfft)/l; f = Fs/2*linspace(0,1,NFFT/2+1); % Plot single-sided amplitude spectrum. plot(f,2*abs(y(1:nfft/2+1))) title( Single-Sided Amplitude Spectrum of y(t) ) xlabel( Frequency (Hz) ) ylabel( Y(f) ) C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 34

35 10 Numerische Integration (10.1)Sei [a,b] R ein Intervall, und sei Ξ [a,b] eine endliche Menge mit #Ξ = N. Dann existiert genau eine Quadratur Q Ξ : C[a,b] R, Q Ξ (f ) = ω ξ f (ξ ) ξ Ξ mit Gewichten ω ξ R zu den Stützstellen ξ Ξ, die für Polynome vom Grad N 1 exakt ist: b Q Ξ (P) = P(t)dt, P P N 1. a t η Konstruktion: Sei L ξ (t) = η Ξ\{ξ } ξ η. Dann gilt ω ξ = b a L ξ (t)dt. (10.2)Es gibt keine Quadratur Q Ξ mit #Ξ = N, die für Polynome P P 2N exakt ist. Es gibt genau eine Quadratur G N mit N Stützstellen, die für Polynome P P 2N 1 exakt ist. Wähle dazu die Nullstellen des Orthogonalpolynoms L N P N bzgl. (f,g) = b a f (t)g(t)dt. (10.3)Sei Q Ξ eine Quadratur, die für Polynome P P K 1 exakt ist. Dann existiert C > 0 mit b ( d ) K Q Ξ (f ) f (t)dt C f a dt (10.4) Für die summierte Trapezregel ( 1 M 1 T M (f ) = h 2 f (a) + f (a + mh) + 1 ) 2 f (b) m=1 gilt TM (f ) b a f (t)dt C h 2 f. mit h = b a M C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 35

36 10 Extropolierte Trapezsummen (Romberg) Die Trapezsummen lassen sich extrapolieren: Setze T k0 = T 2 k M (f ) und definiere rekursiv T ki = T k,i i 1 (T k,i 1 T k 1,i 1 ), i = 1,...,m und k = i,...,m. Dann ist T mk ist für Polynome P P 2k+1 exakt. 1 1 Beispiel: Approximiere t 2 dt = π 4 Neville-Schema zur Extrapolation von T k0 = T 2 k+4 T 00 = T 01 = T 11 = T 02 = T 12 = T 22 = T 03 = T 13 = T 23 = T 33 = Konvergenzabschätzung durch Vergleich von Trapezsummen T 01 T 00 = T 02 T 01 = T 12 T 11 = T 03 T 02 = T 22 T 12 = Fehler T 00 π 4 = T 01 π 4 = T 11 π 4 = e 12 T 02 π 4 = T 12 π 4 = e 13 T 22 π 4 = e 13 T 03 π 4 = T 13 π 4 = e 15 T 23 π 4 = e 15 T 33 π 4 = e 16 C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 36

37 11 Numerische Integration von Differentialgleichungen (11.1)Sei t 0 R und T > 0. Zu einem Anfangswert u 0 R M und f C([t 0,t 0 + T ] R M,R M ) suchen wir eine Lösung u C 1 ([t 0,t 0 + T ],R M ) der Anfangswertaufgabe u(t) = f ( t,u(t) ) für t [t 0,t 0 + T ] und dem Anfangswert u(t 0 ) = u 0. (11.2)Wenn L > 0 existiert mit f (t,w) f (t,z) L w z, dann gilt für zwei Lösungen u(t) = f ( t,u(t) ) und v(t) = f ( t,v(t) ) u(t) v(t) exp(l(t t 0 )) u(t 0 v(t 0 ) für t t 0. Daher ist die Lösung der Anfangswertaufgabe eindeutig. (11.3)Klassisches Runge-Kutta-Verfahren: Sei t n = t 0 + nτ, u 0 = u 0 und setze k 1 = f (t n 1,u n 1 ) k 2 = f (t n 1 + τ 2,un 1 + τ 2 k 1) k 3 = f (t n 1 + τ 2,un 1 + τ 2 k 2) k 4 = f (t n 1 + τ,u n 1 + τk 3 ) u n = u n τ 6 (k 1 + 2k 2 + 2k 3 + k 4 ). Dann gilt u(t n ) u n C exp(l(t n t 0 )τ 4. (11.3)Implizites Euler-Verfahren: In jedem Schritt bestimme u n als Lösung der nichtlinearen Gleichung u n = u n 1 + τf (t n,u n ). Dann gilt u(t n ) u n C exp(l(t n t 0 )τ. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 37

38 11 Simulation: Radioaktiver Zerfall u = λ u N exakt explizites Eulerverfahren implizites Eulerverfahren Mittelpunktsregel u n = u n 1 + τf (u n 1 ) u n = u n 1 + τf (u n ) u n = u n 2 + 2τf (u n 1 ) O(1/N) O(1/N) O(1/N 2 ) Table: Vergleich der Konvergenzordnung c(t n ) c n = O(N β ) = O(h β N ) im Zeitintervall [0,5730]. N = 5 N = 100 Figure: Stabilität der numerischen Approximation. Vergleich im Zeitintervall [0,57300] für N = 5,100. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 38

39 ODE mit Matlab function vdpode(mu) tspan = [0; max(20,3*mu)]; y0 = [2; 0]; options = odeset( Jacobian,@J); [t,y] = ode15s(@f,tspan,y0,options); figure; plot(t,y(:,1)); title([ Solution of van der Pol Equation, \mu = num2str(mu)]); xlabel( time t ); ylabel( solution y_1 ); axis([tspan(1) tspan(end) ]); function dydt = f(t,y) dydt = [ y(2) MU*(1-y(1)^2)*y(2)-y(1) ]; end function dfdy = J(t,y) dfdy = [ 0 1-2*MU*y(1)*y(2)-1 MU*(1-y(1)^2)]; end end C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 39