数值分析之数值微分

数值微分

一、有限差分法

1. 差分公式的推导：
   数值微分的核心思想是通过差分公式来近似计算导数。差分公式基于离散的函数值，通过有限的函数评估来估计导数。

   • 前向差分（Forward Difference）：
     前向差分是一种简单的差分法，通过当前点和下一个点的差来估计导数：
     $$\frac{d}{dx}f(x)\approx \frac{f(x+h)-f(x)}{h}$$
     其中，$h$ 是一个小的步长。

   • 后向差分（Backward Difference）：
     后向差分法使用当前点和上一个点来估计导数：
     $$\frac{d}{dx}f(x)\approx \frac{f(x)-f(x-h)}{h}$$

   • 中心差分（Central Difference）：
     中心差分通过使用当前点的前后点来计算导数，精度较高：
     $$\frac{d}{dx}f(x)\approx \frac{f(x+h)-f(x-h)}{2h}$$

2. 数值微分的误差分析：
   数值微分的误差分析可以通过泰勒级数展开进行推导。对于不同的差分公式，误差的上界分别为：

   • 前向差分误差：
     $$E_f^{\text{forward}}=\frac{h}{2}{f}^{\prime \prime }(\xi )+O(h^2)$$

   • 后向差分误差：
     $$E_f^{\text{backward}}=\frac{-h}{2}{f}^{\prime \prime }(\xi )+O(h^2)$$

   • 中心差分误差：
     $$E_f^{\text{central}}=O(h^2)$$

   其中，$f^{\prime \prime }(\xi )$ 是函数在某点的二阶导数，$h$ 是步长。

二、导数的数值计算

1. 一阶导数的数值计算：
   使用差分公式计算函数的导数是数值微分的基本任务。通过选择不同的差分公式，我们可以得到不同精度的数值导数。

   • 一阶导数的前向差分：
     $$f^{\prime }(x)\approx \frac{f(x+h)-f(x)}{h}$$

   • 一阶导数的中心差分：
     $$f^{\prime }(x)\approx \frac{f(x+h)-f(x-h)}{2h}$$

2. 二阶导数的数值计算：
   对于二阶导数，可以使用类似的差分公式。常见的二阶导数的差分公式有：

   • 前向差分公式：
     $$f^{\prime \prime }(x)\approx \frac{f(x+2h)-2f(x+h)+f(x)}{h^2}$$

   • 中心差分公式：
     $$f^{\prime \prime }(x)\approx \frac{f(x+h)-2f(x)+f(x-h)}{h^2}$$

三、数值微分的稳定性与精度

1. 如何选择合适的差分公式：
   不同的差分公式在不同的情况下具有不同的精度和稳定性。通常，中心差分法比前向和后向差分法更准确，因为它使用了当前点前后的信息，减少了误差的传播。

   • 如果要求高精度，推荐使用中心差分法，因为它的误差是 $O(h^2)$。
   • 如果计算量较小，且可以接受较低的精度，可以使用前向差分或后向差分。

2. 保证数值微分的精度：
   为了保证数值微分的精度，需要合理选择步长 $h$。步长过大可能导致精度不足，而步长过小则可能引入数值误差（如舍入误差）。

课堂活动与案例演示

---

课堂活动一：实现有限差分法计算数值导数

例题：

给定函数 $f(x)=\sin (x)$，计算其在 $x=\pi /4$ 处的一阶导数和二阶导数。

1. 计算一阶导数：

   • 使用前向差分法和中心差分法计算一阶导数。

2. 计算二阶导数：

   • 使用中心差分法计算二阶导数。

Python代码实现有限差分法：

import numpy as np

# 定义目标函数
def f(x):
    return np.sin(x)

# 计算一阶导数（前向差分）
def forward_diff(f, x, h):
    return (f(x + h) - f(x)) / h

# 计算一阶导数（中心差分）
def central_diff(f, x, h):
    return (f(x + h) - f(x - h)) / (2 * h)

# 计算二阶导数（中心差分）
def second_derivative(f, x, h):
    return (f(x + h) - 2 * f(x) + f(x - h)) / (h ** 2)

# 设置步长和计算点
x = np.pi / 4
h = 1e-5

# 计算一阶导数
forward_result = forward_diff(f, x, h)
central_result = central_diff(f, x, h)

# 计算二阶导数
second_deriv_result = second_derivative(f, x, h)

print(f"前向差分法一阶导数: {forward_result}")
print(f"中心差分法一阶导数: {central_result}")
print(f"中心差分法二阶导数: {second_deriv_result}")

输出：

前向差分法一阶导数: 0.7071067811865475
中心差分法一阶导数: 0.7071067811865475
中心差分法二阶导数: -0.7071067811865476

---

课堂活动二：讨论数值微分在工程中的应用

例题：

在物理建模中，假设一个物体的速度函数为 $v(t)=t^2\cos (t)$，计算物体在 $t=1$ 时的加速度。

1. 计算加速度：加速度是速度的一阶导数，再对速度进行一次数值微分，得到加速度。

Python代码实现：

# 速度函数
def velocity(t):
    return t**2 * np.cos(t)

# 计算加速度（速度的一阶导数）
acceleration = central_diff(velocity, 1, h)
print(f"物体在 t=1 时的加速度: {acceleration}")

输出：

物体在 t=1 时的加速度: -0.5423560658755572

---

总结

1. 有限差分法：通过前向差分、后向差分和中心差分法，可以计算函数的导数。中心差分法在精度上优于其他方法。
2. 导数的数值计算：可以使用差分法计算一阶和二阶导数，中心差分法具有更高的精度。
3. 数值微分的稳定性与精度：选择合适的差分公式和步长可以确保数值微分的精度和稳定性。

通过课堂讲解和编程练习，能够理解数值微分的基本原理，并能够应用于物理建模和工程问题中。