超级会员免费看
数值方法与算法分析：从导数计算到排序算法的全面解析
数值方法中的导数计算与积分运算
在数值方法里，导数和积分的计算是重要的基础内容。导数计算有多种方式，以中心差分法为例，它假设在 $x_k$ 处的导数是通过计算 $f(x_{k - 1})$ 和 $f(x_{k + 1})$ 之间直线的斜率来估计的。导数计算的质量取决于用于估计导数的点之间的距离，两点间距离越小，导数的估计就越精确。
在 MATLAB 中，为了便于进行微分运算，定义了
diff(...)
函数。该函数用于计算向量中相邻值之间的差值，生成一个比原向量少一个值的新向量，其具体形式为：
dv = diff(V)
返回
[V(2)-V(1), V(3)-V(2), ..., V(n)-V(n-1)]
。通过
diff(y)./diff(x)
可以计算近似导数 $dy/dx$，根据不同的应用场景，它可用于计算前向、后向或中心差分近似。
以下是一个使用 MATLAB 进行函数微分的示例代码：
x = -7:0.1:9;
f = polyval([0.0333,-0.3,-1.3333,16,0,-187.2,0], x);
plot(x, f)
hold on
df = diff(f)./diff(x);
plot(x(2:end), df, 'g')
plot(x(1:end-1), df, 'r')
xm = (x(2:end)+x(2:end)) / 2
plot(xm, df, 'c')
grid on
legend({ 'f(x)', 'forward', 'backward', 'central'})
在这个代码中，前 4 行代码用于建立并绘制函数 $f(x)$，第 5 行代码计算差值表达式，返回一个比原向量短一个元素的向量，6 - 11 行代码用于绘制前向、后向和中心差分。
对于积分运算，当我们用多项式 $f(x) = a_0x^n + a_1x^{n - 1} + a_2x^{n - 2} + a_3x^{n - 3} + … + a_{n - 1}x + a_n$ 来拟合原始数据时，即使部分或全部系数是复数，也可以对其进行积分和微分运算。积分的表达式为：$F(x) = a_0x^{n + 1}/(n + 1) + a_1x^n/n + a_2x^{n - 1}/(n - 1) + a_3x^{n - 2}/(n - 2) + … + a_{n - 1}x^2/2 + a_nx + K$，其中 $K$ 是一个任意常数，代表起始值 $F(0)$。微分的表达式为：$f’(x) = na_0x^{n - 1} + (n - 1)a_1x^{n - 2} + (n - 2)a_2x^{n - 3} + (n - 3)a_3x^{n - 4} + … + a_{n - 1}$。
音乐合成中的应用
在音乐合成领域，我们可以通过选择能量谱中的适当系数，将每个系数乘以适当的正弦或余弦波并求和，来合成乐器的频率内容。但对于像钢琴这样的乐器，其音符具有非常非线性的时间轮廓。为了塑造合成器音符，我们可以采取以下步骤：
1. 读取乐器声音文件，例如
'instr_piano.wav'
。
2. 绘制声音的时间历程图。
3. 选择一个合适的时间样本增量，以获得少量但具有代表性的振幅样本。
4. 通过循环计算并存储振幅样本及其对应的时间索引，每个步骤计算其时间窗口内的最大振幅，并将其与窗口位置一起保存。
5. 绘制样本位置。
6. 计算并绘制对振幅进行八阶多项式拟合的结果。
7. 通过将合成的钢琴声音乘以在脚本中确定的振幅轮廓来修改声音。
以下是实现上述步骤的 MATLAB 代码：
figure
plot(snd)
hold on
incr = 1000;
at = 1;
samples = [];
tm = [];
while at < (N - incr)
val = max(snd(at:at+incr-1));
samples = [samples val];
tm = [tm at+incr/2];
at = at + incr;
end
plot(tm, samples,'r*')
coeff = polyfit(tm, samples, 8);
samp = polyval(coeff, tm);
plot(tm, samp, 'c')
amult = polyval(coeff, 1:length(f));
f = f .* amult;
sf = f ./ max(f);
sound(sf, Fs)
常见数值技术总结
在数值方法中，有四种常见的技术：
1.
插值
：可以使用线性（
interp1 / 2 / 3
）或样条插值来估计给定数据值之间的数据点。
2.
曲线拟合
：通过拟合适当阶数的多项式曲线来平滑噪声数据。
3.
积分
：给定物体随时间的速度等信息，可以使用
cumtrapz(...)
或
cumsum(...)
进行积分来确定其位置。
4.
微分
：通过微分生成物体的加速度。
以下是相关特殊字符、保留字和函数的说明表格：
| 特殊字符、保留字和函数 | 描述 |
| — | — |
|
NaN
| 非数字 |
|
cumsum(y)
| 假设 $\Delta x$ 为 1，计算函数 $y(x)$ 的积分 |
|
cumtrapz(x,y)
| 使用梯形法则计算函数 $y(x)$ 的积分 |
|
diff(v)
| 计算向量中相邻值之间的差值 |
|
interp1(x, y, nx)
| 计算线性和三次插值 |
|
interp2(x, y, z, nx, ny)
| 计算线性和三次插值 |
|
interp3(x, y, z, v, nx, ny, nz)
| 计算线性和三次插值 |
|
polyfit(x, y, n)
| 计算最小二乘多项式 |
|
polyval(c, x)
| 计算多项式的值 |
|
spline(x, y)
| 样条插值 |
算法成本的衡量与 Big O 表示法
在算法设计中，我们常常需要考虑算法的性能。随着问题复杂度和数据量的增加，选择高效的算法变得至关重要。Big O 是一种用于表达解决问题所做的工作量与处理的数据量之间关系的代数方法，它是对算法最坏情况性能的一种估计。
我们用 $O(<表达式关于 N>)$ 来表示算法的 Big O。例如：
- $O(1)$：表示算法或逻辑步骤的工作量与数据量无关，如访问或修改向量中的一个条目。
- $O(N)$：表示算法的性能与 $N$ 呈线性关系，如复制一个大小为 $N$ 的单元数组或在其中搜索特定数据。
- $O(logN)$：以二分搜索为例，在一个排序的向量中搜索一个数字时，通过不断将搜索范围缩小一半，其工作量与 $logN$ 相关。
以下是二分搜索的步骤：
1. 大致找到向量的中间元素，并将其与要搜索的数字进行比较。
2. 如果该元素是所需的值，则返回结果。
3. 如果要搜索的数字小于该元素，由于数据是有序的，可以排除该元素及其右侧的一半数组。
4. 同理，如果要搜索的数字大于该元素，可以排除该元素及其左侧的一半数组。
5. 重复上述步骤，直到找到数字或剩余一半数组的大小为零。
其工作流程可以用以下 mermaid 流程图表示：
graph TD;
A[开始] --> B[找到向量中间元素];
B --> C{中间元素是否为目标值};
C -- 是 --> D[返回结果];
C -- 否 --> E{目标值是否小于中间元素};
E -- 是 --> F[排除右侧一半数组];
E -- 否 --> G[排除左侧一半数组];
F --> H[在剩余数组中重复步骤];
G --> H;
H --> B;
常见 Big O 示例分析
下面详细分析几种常见的 Big O 情况：
1.
$O(1)$
：这种情况代表算法的工作量与数据量无关，是最理想的情况。例如，在向量中访问或修改一个元素，无论向量的大小如何，这些操作的工作量都是固定的。因为大多数编程语言都支持直接访问向量元素，所以这些简单操作的工作量不受向量大小的影响。
2.
$O(N)$
：该算法的性能与数据量 $N$ 呈线性关系。以复制一个大小为 $N$ 的单元数组为例，需要对数组中的每个元素进行复制操作，操作次数与数组大小成正比。在搜索特定数据时，虽然有时可能在第一个元素就找到目标，但也有可能在最后一个元素才找到，平均而言，搜索的性能为 $(N + 1) / 2$。根据 Big O 的简化规则，忽略常数项和常数乘数，最终该搜索算法的 Big O 为 $O(N)$。
3.
$O(logN)$
：以二分搜索为例，在一个排序的向量中搜索一个数字时，每次比较都能将搜索范围缩小一半。假设向量的大小为 $N$，经过 $W$ 次比较后，搜索范围缩小到 1 个元素，此时满足 $N = 2^W$，即 $W = log_2N$。因此，二分搜索的工作量与 $logN$ 相关，其 Big O 为 $O(logN)$。
通过对这些常见 Big O 情况的分析，我们可以更好地理解算法的性能特点，从而在实际应用中选择合适的算法。在面对大规模数据时，选择具有较低 Big O 复杂度的算法可以显著提高程序的运行效率。例如，在搜索操作中，如果数据是有序的，二分搜索（$O(logN)$）比线性搜索（$O(N)$）更高效。
数值方法与算法分析：从导数计算到排序算法的全面解析
常见排序算法介绍
排序算法在数据处理中起着至关重要的作用，以下将介绍几种常见的排序算法：
1.
插入排序（Insertion Sort）
：将未排序数据插入到已排序序列的合适位置。它的基本思想是将数组分为已排序和未排序两部分，每次从未排序部分取出一个元素，插入到已排序部分的正确位置。
2.
冒泡排序（Bubble Sort）
：重复比较相邻元素，如果顺序错误就把它们交换过来，直到整个数组有序。每一轮比较都会将最大（或最小）的元素“浮”到数组的末尾。
3.
快速排序（Quick Sort）
：选择一个基准值，将数组分为两部分，小于基准值的元素放在左边，大于基准值的元素放在右边，然后分别对左右两部分进行排序。
4.
归并排序（Merge Sort）
：采用分治法，将数组分成两个子数组，分别对两个子数组进行排序，然后将排好序的子数组合并成一个有序的数组。
5.
基数排序（Radix Sort）
：根据数字的每一位进行排序，从最低位开始，依次对每一位进行排序，直到最高位。
排序算法的性能分析
不同的排序算法在不同的数据规模和数据特征下表现不同，以下是几种排序算法的性能比较：
| 排序算法 | 时间复杂度（平均） | 时间复杂度（最坏） | 空间复杂度 | 稳定性 |
| — | — | — | — | — |
| 插入排序 | $O(N^2)$ | $O(N^2)$ | $O(1)$ | 稳定 |
| 冒泡排序 | $O(N^2)$ | $O(N^2)$ | $O(1)$ | 稳定 |
| 快速排序 | $O(NlogN)$ | $O(N^2)$ | $O(logN)$ | 不稳定 |
| 归并排序 | $O(NlogN)$ | $O(NlogN)$ | $O(N)$ | 稳定 |
| 基数排序 | $O(d(N + k))$ | $O(d(N + k))$ | $O(N + k)$ | 稳定 |
其中，$N$ 表示数据的数量，$d$ 表示数字的位数，$k$ 表示基数。
排序算法的应用场景
不同的排序算法适用于不同的应用场景，以下是一些常见的应用场景及推荐的排序算法：
1.
数据量较小
：插入排序和冒泡排序的实现简单，对于小规模数据，它们的性能可以接受。当数据量较小时，$O(N^2)$ 的时间复杂度不会带来太大的性能问题。
2.
数据基本有序
：插入排序在数据基本有序的情况下，性能会接近 $O(N)$，因为大部分元素只需要移动很少的位置。
3.
大规模数据
：快速排序、归并排序和基数排序在大规模数据上表现较好。快速排序的平均时间复杂度为 $O(NlogN)$，但最坏情况下会达到 $O(N^2)$；归并排序的时间复杂度始终为 $O(NlogN)$，但需要额外的 $O(N)$ 空间；基数排序适用于整数排序，其时间复杂度为 $O(d(N + k))$。
4.
需要稳定排序
：如果排序过程中需要保持相等元素的相对顺序不变，那么可以选择插入排序、冒泡排序、归并排序或基数排序，因为它们都是稳定的排序算法。
编程项目实践
以下是一些编程项目，通过实践可以更好地掌握数值方法和排序算法：
1.
数值方法基础练习
- 定义两个长度相同的向量
xi
和
yi
，其中
xi
的值单调递增，
yi
的值与
xi
相关。然后定义一个新的向量
x
，其间距比
xi
更小，并且范围超出
xi
。通过线性插值找到与
x
对应的
y
值，并在同一图中绘制原始的
yi
与
xi
作为红色圆圈，
y
与
x
作为黑色线。
- 使用
spline(...)
函数重复上述练习，解释结果中
y
与
x
图的范围差异。
- 使用
polyfit(...)
找到最适合由向量
xi
和
yi
表示的点的三阶多项式的系数，然后使用
polyval(...)
在
x
点评估该曲线。
- 使用
diff(...)
函数近似计算向量
xi
和
yi
的导数
dxy = dy/dx
，并绘制
yi
与
xi
。由于
diff(...)
会使向量长度减少一个，因此需要绘制
dxy
与
xi(1:end - 1)
、
xi(2:end)
或计算
xi
的中点
xm
。
- 找到
dxy
元素的累积和
yp
，并将其添加到上一步的图中。除了一个常数偏移外，该曲线应该跟踪原始的
yi
与
xi
图。
- 使用
cumtrapz
用梯形法近似计算
yp
与
xi
所代表曲线下的面积，并将结果与
yp
曲线的最终值进行比较。
2.
编写
bestFit
函数
：该函数接受
x
坐标向量和
y
坐标向量作为输入，拟合一个多项式曲线到数据。多项式的阶数应该是平均误差（新
y
坐标与原始
y
坐标的差值的绝对值的平均值）小于 2 的最小阶数。函数应返回多项式的系数向量、在原始
x
坐标处评估的多项式的新
y
坐标向量以及多项式的误差幅度向量。编写一个测试程序，为函数提供合理的数据，并在一个图中绘制原始数据（蓝色）、曲线拟合数据（绿色）和误差（红色），并为图添加标题和轴标签，包括图例。
3.
测试汽车性能
：给定一个向量
d
，其中包含汽车在每个秒的位移，编写一个名为
testWreck
的脚本，显示测试运行期间汽车速度随时间的变化图。
4.
插值应用
：在热力学中，当气体的两个属性固定时，可以知道其其他属性。给定在压力为 0.10 MPa 下测量的表格数据，编写一个名为
lookup
的函数，该函数接受表格数组、一个数值
value
和一个逻辑控制值
getTemp
。如果
getTemp
为
true
，则将
value
作为比容进行插值，并返回相应的温度；否则，将
value
作为温度进行插值，并返回相应的比容。函数不得对数据进行外推，如果用户尝试获取表格值范围之外的值，应返回
NaN
。
5.
查找局部极值点
：编写一个名为
find_points
的函数，该函数接受
x
和
y
值的向量作为输入，返回两个向量。第一个向量包含局部最小值点的
x
值，第二个向量包含局部最大值点的
x
值。例如：
x = linspace(-8, 2, 1000);
y = x.^2 + 6 * x + 3;
[min_p, max_p] = find_points(x, y);
% 此时 min_p = -3, max_p = []
-
计算积分
：编写一个名为
find_integral的函数，该函数接受x和y值的向量作为输入，绘制积分图并返回函数下的总面积。使用梯形法则计算积分。例如：
x = linspace(0, 5, 1000);
y = 2 * x + 5;
find_integral(x, y);
% 此时应返回 50.0000
通过这些编程项目，可以加深对数值方法和排序算法的理解，提高编程能力和解决实际问题的能力。在实际应用中，根据具体需求选择合适的算法和方法，可以提高程序的性能和效率。
扫一扫
198
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
