
matlab中常用的求函数的数值积分方法,可以用以下函数来求解:
1、对于一重积分,有quad【自适应步长Simpson数值积分】、quadl【高精度Lobatto数值积分】、quadgk【自适应Gauss-Kronrod数值积分】、trapz【梯形数值积分】,上述函数调用格式分别为
quad(fun,a,b)%fun—被积函数,a—积分下限,b—积分上限
quadl(fun,a,b)%fun—被积函数,a—积分下限,b—积分上限
quadgk(fun,a,b)%fun—被积函数,a—积分下限,b—积分上限
trapz(X,Y)%X—自变量【a,b】区间的等差向量,Y—对应于X的被积函数值
2、对于二重积分,有quad2d【平面区域的数值积分】,dblquad【矩形区域的数值积分】,其调用格式分别为
quad2d(fun,xmin,xmax,ymin,ymax)
dblquad(fun,xmin,xmax,ymin,ymax)
3、对于三重积分,有triplequad【三维矩形区域的数值积分】,其调用格式为
triplequadfun,xmin,xmax,ymin,ymax,zmin,zmax)
1、使用int函数,函数由integrate缩写而来,int 函数表达式,变量,积分上限,积分下限。
2、比如求一个Fx = a*x^2,在区间(m,n)对x进行积分,
首先要将 m,x,a,b 这四个变量定义为符号变量
syms m x a b
Fx = a*x^2
int(Fx,x,m,n)
3、通过上面这个方法,就能够求得任意一个函数在给定区间的积分,如果想看到书写的格式,可以用pretty命令,这样显示更接近平常的表示方法。
1、在matlab中,积分运算有多种方式,为了便于查看不同方式处理异同,以下面这个积分为例:
2、梯形积分法
第一种,采用最简单的方式,以函数trapz为例,z = trapz(x,y) 其中x表示积分区间的离散化向量,y是与x同维数的向量,表示被积函数,z是返回的积分近似值。
clc,clear。
% 梯形积分法
x = -1:0.001:1,
y = exp(-x.^2),
s = trapz(x,y)
% 计算结果: s = 1.4936
3、高精度数值积分(1)
为了克服梯形积分法精度低的问题,可以采用高精度积分方式,第一种可以采用 z = quad(Fun,a,b) 该方式是自适应步长Simpson计分法求得函数Fun在区间[a,b]上定积分,如下:
clcclear
% 梯形积分法
s = quad(inline('exp(-x.^2)'),-1,1)
% 计算结果: s = 1.4936
4、高精度数据积分(2)
采用高精度Lobatto积分法,格式: z = quadl(Fun,a,b)
clcclear
% 梯形积分法
s = quadl(inline('exp(-x.^2)'),-1,1)
% 计算结果: s = 1.4936
用matlab可以如下数值积分法,来求解定积分、二重积分、三重积分的数值解问题。1、梯形数值积分计算 trapz()
X = 0:pi/100:pi
Y = sin(X)
Z = pi/100*trapz(Y)
2、自适应辛普森数值积分计算 quad()
F = @(x)1./(x.^3-2*x-5)
Q = quad(F,0,2)
3、自适应Lobatto积分计算 quadl()
function y = myfun(x)
y = 1./(x.^3-2*x-5)
end
Q = quadl(@myfun,0,2)
4、自适应Gauss Kronrod quadrature积分计算 quadgk()
function y = myfun(x)
y = exp(-x.^2).*log(x).^2
end
Q = quadgk(@myfun,0,Inf)
5、平面区域的二重积分的数值计算 quad2d()
fun = @(x,y) 1./( sqrt(x + y) .* (1 + x + y).^2 )
ymax = @(x) 1 - x
Q = quad2d(fun,0,1,0,ymax)
6、矩形区域的的二重积分数值计算 dblquad()
function z = integrnd(x, y)
z = y*sin(x)+x*cos(y)
end
Q = dblquad(@integrnd, pi, 2*pi, 0, pi)
7、三重积分数值计算 triplequad()
function f = integrnd(x, y, z)
f = y*sin(x)+z*cos(x)
end
Q = triplequad(@integrnd, 0, pi, 0, 1, -1, 1)
以上是最基本的求解数值积分方法。
欢迎分享,转载请注明来源:内存溢出
微信扫一扫
支付宝扫一扫
评论列表(0条)