简单迭代法、牛顿迭代法、Aitken加速迭代法 C++代码参考

Aitken加速法对收敛性的影响 在前文——“不动点迭代法计算三元一次方程及不同迭代函数对收敛性的影响”中,对于函数f(x)=x^3-2*x-1,用不动点迭代法求根,当选取迭代函数x=(x^3-1)/2时,计算结果不收敛。下面用Aitken加速法尝试,看看会发生什么: 题: 用不动点迭代法求方程f(x)=x^3-2*x-1=0的根,用Aitken加速法按等价方程x=(x^3-1)/2实现。要求输出每次的迭代结果并统计所用的迭代次数,取精度c=0.5*10^(-5),x0=2. 迭代公式如下(迭代公式参考 计算方法——江西高校出版社): 阅读详情

1、简单迭代法:

参考代码:

#include<stdio.h>
#include<math.h>
#define x0 3//初值
#define MAXREPT 1000//迭代次数
#define EPS 0.5E-6//精度
#define G(x) pow(sin(x)+12*x-1,1.0/3)//你的迭代函数;将原方程化为x=G(x)。
int main()
{
	int i;
	double x_k=x0,x_k1=x0;
	printf("	k	xk\n");
	for(i=0;i<MAXREPT;i++)
	{
		printf("	%d	%g\n",i,x_k1);
		x_k1=G(x_k);
		if(fabs(x_k1-x_k)<EPS)
		{
			printf("The Root is x=%g,k=%d\n",x_k1,i);
			return 0;
		}
		x_k=x_k1;
	}
	printf("After %d repeate,no solved.\n",MAXREPT);
	return 0;
}

样例:f(x)=x3−sinx−12x+1f(x)=x^3-sinx-12x+1f(x)=x3−sinx−12x+1

样例结果:
简单迭代法结果
2、牛顿迭代法:

参考代码:

#include<stdio.h>
#include<math.h>
#define G(x) x-(x*x*x-sin(x)-12*x+1)/(3*x*x-cos(x)-12) // 迭代函数,G(x)=x-f(x)/f'(x)
#define MAXREPT 1000// 迭代次数
#define EPS 0.5E-6// 精度
#define x0 3// 初值
int main()
{
	int i;
	double x_k=x0,x_k1=x0;
	printf("	k	xk\n");
	for(int i=0;i<MAXREPT;i++)
	{
		printf("	%d	%g\n",i,x_k1);
		x_k1=G(x_k);
		if(fabs(x_k1-x_k)<EPS)
		{
			printf("The Root is x=%g,k=%d\n",x_k1,i);
			double ans=f(x_k1);
			printf("%g\n",ans);
			return 0;
		}
		x_k=x_k1;
	}
	printf("After %d repeate,no solved.\n",MAXREPT);
	
	return 0;
}

样例:f(x)=x3−sinx−12x+1f(x)=x^3-sinx-12x+1f(x)=x3−sinx−12x+1

样例结果:
牛顿迭代法结果
3、Aitken加速迭代法

参考代码:

#include<stdio.h>
#include<math.h>
#define x0 3// 初值
#define MAXREPT 1000// 迭代次数
#define EPS 0.5E-6// 精度
#define G(x) pow(sin(x)+12*x-1,1.0/3)// 迭代函数,将原方程化为x=G(x)
int main()
{
	int i;
	double x1=x0,x2=x0;
	double y,z;
	printf("	k	xk\n");
	for(i=0;i<MAXREPT;i++)
	{
		printf("	%d	%g\n",i,x2);
		y=G(x1);
		z=G(y);
		x2=z-((z-y)*(z-y))/(z-2*y+x1);
		if(fabs(x2-x1)<EPS)
		{
			printf("The Root is x=%g,k=%d\n",x2,i);
			return 0;
		}
		x1=x2;
	}
	printf("After %d repeate,no solved.\n",MAXREPT);
	return 0;
}

样例:f(x)=x3−sinx−12x+1f(x)=x^3-sinx-12x+1f(x)=x3−sinx−12x+1

样例结果:
Aitken迭代法结果

Newton迭代法的改进 | Newton下山法 + 简化Newton法 + 弦截法 Newton迭代法的改进 1. Newton下山法 Newton法的收敛性与初值x0x_0x0​的选取由很大关系,如果x0x_0x0​偏离方程的根x∗x^*x∗太远,则Newton法可能发散或迭代次数增加,因此,有必要对迭代法加以改进。 例1:用Newton法求x3−x−1=0x^3-x-1=0x3−x−1=0在x0=1.5x_0=1.5x0​=1.5附近的一个根。 解:原方程的Newton迭代格式为xk+1=xk−xk2−x−12xk2−1x_{k+1}=x_k-\frac{x_k^2-x-1}{2x_k 阅读详情

相关推荐

斯特芬森加速迭代法(Steffensen)-埃特金方法(Aitken) 一元非线性方程求根 C语言实现

斯特芬森加速迭代法(Steffensen)/埃特金方法(Aitken) 一元非线性方程求根 C语言实现

李典金 2万+

[计算机数值分析]埃特金算法加速迭代法求根过程

埃特金方法(Aitken method,亦称z加速法),一种提高迭代法收敛速度的有效算法。

春天熊的技术博客 1万+

埃特金算法C++源代码

埃特金算法C++源代码,计算方法的程序~~~

解非线性方程python实现埃特肯Aitken加速迭代法

Aitken加速法(Aitken's method)是一种针对迭代序列加速收敛的方法,旨在提高迭代过程的收敛速度。它通过使用当前近似解的差分来构造一个更快收敛的序列。求方程 x^3-x-1=0在x=1.5附近的一个根(用六位有效数字计算)

anxinbuxinan的博客 1482

二分法,简单迭代法,牛顿迭代法,埃特金加速收敛法求根

二分法,简单迭代法,牛顿迭代法,埃特金加速收敛法求根,(也就是数值计算中的实验)全是C/C++程序,可以直接复制,粘贴到VC中运行

【UE5_蓝图】实时音频采集与动态WAV文件保存实战指南

本文详细介绍了在UE5中使用蓝图实现实时音频采集与动态WAV文件保存的完整流程。从插件配置、录音框架搭建到动态文件名生成和音频参数优化,提供了实用技巧和常见问题解决方案,特别适合需要快速实现音频采集功能的开发者。

weixin_29009669的博客 407

一般迭代法(二)| 迭代法的收敛速度(收敛阶)+收敛过程的加速(Aitken加速法)

1. 迭代法的收敛速度 迭代过程的收敛速度,是指迭代误差的下降速度。迭代法的收敛速度一般用收敛阶来描述。 定义2:对于收敛的迭代法xk+1=φ(xk),(k=1,2,⋯ )x_{k+1}=\varphi(x_k),(k=1,2,\cdots)xk+1​=φ(xk​),(k=1,2,⋯),如果存在常数p≥1,c>0p\geq 1,c>0p≥1,c>0,使得 limk→∞ek+1ekp=C lim_{k\to\infty}\frac{e_{k+1}}{e^p_k}=C limk→∞​ekp​e

用途:中英文学习笔记,如有侵权,可评论留言,及时清理;学历:NUS计算机硕士;SYSU地球物理学士 3万+

Proteus仿真——电压比较器

电压比较器是一种对输入信号进行鉴别与比较的电路,是组成非正弦波发生电路的基本单元电路。常用电压比较器有如下几种:单限比较器、滞回比较器、窗口比较器、集成电压比较器等。

weixin_58745307的博客 3375

数值分析——关于非线性方程求根的迭代法

在函数的主体中,我们使用Steffensen算法的核心公式来迭代计算,直到收敛或达到最大迭代次数为止。Aitken算法是一种加速级数收敛的方法,适用于递推计算和迭代解法,其核心思想是通过利用级数中的部分和之间的线性关系来加速收敛。Steffensen算法是一种用于数值解的迭代方法,用于求解非线性方程,其核心思想是通过利用连续迭代的信息来加速收敛。表示最大迭代次数,如果算法无法在指定的迭代次数内收敛,它会引发一个ValueError异常。表示算法的收敛容差,即算法停止迭代的条件。在函数的主体中,我们首先从。

weixin_62773441的博客 4781

数字IC后端PPA优化实战:Innovus中Timing一致性策略与Module Region布局技巧

本文深入探讨了数字IC后端设计中PPA优化的核心挑战,重点解析了Innovus与PrimeTime之间Timing不一致的根本原因。通过实战案例,详细介绍了在Innovus中设置Timing Margin、Derate以及RC Scale Factor等关键策略,以校准时序视图。同时,文章分享了利用Module Region进行物理布局规划的技巧,将关键模块约束在最优区域,并结合Group Path等进阶方法,有效提升时序收敛效率与PPA结果的可预测性。

f9g0h的博客 2686

HTML入门(详细教程),前端入门从这里开始

HTML基础教程,网页框架搭建,表单制作,了解HTML标签的基本用法,每个标签具备哪些属性。

wandertp的博客 1283

Aitken加速收敛法和牛顿法

Aitken法基本思路: 当与相差不大时,,因此有比例式: 有:

玉兔捣药 1万+

嵌入式工程师成长之路(3)——PCB设计

带有目的的学:要知道,PCB板子做出来需要我们给厂家哪些东西,我们设计板子的时候,需要遵循哪些设计规范,防止画好也是块废板子。然后再逐步开始学习画板。

云轩阁 8万+

简单迭代法、牛顿迭代法和割补法的使用及收敛和收敛速度的比较

本次实验中我深刻了解了迭代法和牛顿法的方法、思路过程,最后还额外深入的了解了割补法的解题思路,并且只到了他们的问题,或者说是局限性,比如初值选取对牛顿法很重要,通过这次实验我也知道了如何去比较他们之间的收敛速度,对我日后的学习有很大帮助,这些方法运用的场景有很多,希望继续加油。(2)使x_(k+1)=G(x)=x_k-f(x_k)/f’(x_k)(2)使x_(k+1)=G(x)=x_k-f(x_k)/f’(x_k)(3)开始迭代,当fabs(x_k1-x_k)

qq_63462564的博客 4459

ubuntu下安装多版本cuda及版本切换教程

首先,从官网下载所需版本的cuda安装包,下载链接。选择对应版本后,会跳转到该版本的配置信息页面。比如我是ubuntu20.04系统,已经安装好了cuda10.0,但是现在还需要用到cuda9.0。那么,在选定版本后,配置信息如下图所示(由于Version选项中没有20.04,因此我们随便选一个即可,这里选的16.04,这一选项不会影响后面的安装),Installer Type选择为runfile(因为使用deb文件进行安装的话,可能会将已经安装的较新的显卡驱动给替换掉),选择好之后点击Base Insta

zeeq的博客 3万+

埃特肯Aitken加速方法(C++版)

本程序为本人参考一些资料后编写,在visual c++6.0下调试通过。[@more@]////////////////////加速迭代法:埃特肯Aitken加速方法/////原理:f(x)=0改写成x=g(x),x_(k+1)...

congkang9533的博客 1391

宇树G1开发实践--PPT汇报(遥控版)

本文介绍了一种基于遥控器交互的机器人演示控制系统。系统通过DDS中间件接收遥控器信号,采用位掩码边沿检测技术实现按键精准响应,将不同按键映射为播放控制命令(暂停/重播、跳转、跳过等)。核心交互逻辑包含主播放循环、命令处理和暂停机制,支持播放过程中的实时控制。与自动顺序播放版相比,该系统显著提升了演示灵活性,适用于需要人机互动的演讲场景。使用前需确保网络连接和设备安全,并熟悉按键功能映射。该系统实现了专业级的人机协同演示体验。

m0_47999117的博客 680

Python 简单迭代法/Newton迭代法/弦截法 求方程的根

Python 简单迭代法/Newton迭代法/弦截法 求方程的根模块导入直接上代码 模块导入 import math 直接上代码 """ 迭代方程为:e^x-x^2+3*x-2=0 构建函数方程 fun = math.exp(x)-x**2+3*x-2 方程导数 fun_dc = math.exp(x)-2*x+3 迭代初值 x = 0 """ import math """简单迭代法""" def easy_iteration(x): x_next = (x ** 2 - math.exp(

weixin_45779228的博客 7323

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

*2.5 迭代法的收敛阶与加速收敛方法

在数值计算中,迭代法是一种重要的求解数值逼近问题的方法。在使用迭代法求解数值逼近问题时,我们通常需要关注迭代的收敛性能,而收敛阶就是评估迭代算法收敛性能的一种指标。收敛阶是一个描述迭代算法收敛速度的概念。它是一个正整数或无穷大,通常用符号 p 表示。收敛阶的含义是:在每次迭代中,误差的大小至少缩小到前一次迭代误差的 p 倍。如果收敛阶 p 越大,则说明迭代算法的收敛速度越快。具体来说,假设我们使用一个迭代算法求解一个方程的近似解 x。在第 k 次迭代后,我们得到的近似解为 x_k,真实解为 x。

tang7mj的博客 8748

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

matlab非线性数值解法,Matlab非线性方程数值解法(2)

实验目的用Matlab实现非线性方程的Aitken加速法、牛顿法、简化牛顿法和牛顿下山法。实验要求给出Aitken加速法、牛顿法、简化牛顿法和牛顿下山法算法。用Matlab实现Aitken加速法、牛顿法、简化牛顿法和牛顿下山法。实验内容实验步骤(1)Aitken加速算法,MATLAB编程,1 %Aitken算法2 %迭代函数fun,初始值x,精度ep,最大迭代次数Nmax。3 %满足精度(或已达到...

weixin_39878688的博客 1113

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Matlab实现 牛顿迭代法&&埃特金加速法 求方程的数值解

不是所有方程都可以用纸、笔以中小学生姿势解出来的,于是就有了计算机实现下的迭代方法(当然,中小学生也可以用纸笔迭代出来) 问题:解较难的方程f(x)=0 解决思路:构造迭代格式,用迭代法解出数值解 迭代格式:f(x)=0 等价于 x=f(x)+x        ~~~~~~~    &nb...

萝卜丝儿皮尔 9954

迭代加速——逐次超松弛迭代法(Python实现)

目录 1、概述 2、代码 3、结果 1、概述 逐次超松弛迭代法是在高斯赛德尔迭代法的基础上发展而来的,高斯赛德尔迭代法上一节我们已经讲过了,可以对比起来看。然后逐次超松弛迭代法中有一个很重要的思想:权重思想。我们下面直接上代码: 2、代码 import numpy as np ##超松弛迭代法 def SOR(n, A, B, x0, x, eps, k, w): times = 0 while times < k: for i in ...

weixin_46039719的博客 2248

c语言迭代埃特金加速算法,5-埃特金加速迭代算法

#include "stdio.h"#include "conio.h"#include "math.h"#define MaxK 100 /*最大迭代次数*/#define EPS 0.5e-3double g(double x){ return x*x*x-1;} /*迭代函数*/int aitken(double (*g)(double), double &x, double eps...

weixin_39783633的博客 921

牛顿迭代法及其实际应用(附C++代码)

本文主要介绍牛顿迭代法的基本原理,实际使用方法。附C++程序代码,方便读者可以快速理解牛顿迭代法的使用。

qq_60811855的博客 9643

雅可比高斯迭代法原理及其实际用法介绍举例(附C++代码)

雅可比迭代法与高斯迭代法主要用于求解线性方程组,经过n次迭代收敛于精确值达到求解近似解的目的。本文忽视了复杂的证明过程,使读者可以更加有效的了解雅可比与高斯迭代算法的实际应用。...

qq_60811855的博客 8042
上一篇: 在自己的网站上设置一个下载文件的链接
下一篇: 求程序流图中的环形复杂度
焚天&无夜
博客等级 码龄7年 59粉丝 68原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值