Γράψτε μια numpy συνάρτηση myfunction3 που επιλύει το γραμμικό σύστημα: $$…
- User
Γράψτε μια numpy συνάρτηση
myfunction3που επιλύει το γραμμικό σύστημα:όπου a,b,c τα 3 τελευταία ψηφία του αριθμού μητρώου σας (c=τελευταίο).
Χρησιμοποιήστε την μέθοδο Gauss-Seidel σταματώντας όταν όλα τα στοιχεία της καινούργιας εκτίμησης αποκλίνουν από την προηγούμενη λιγότερο από 2ΟE-4 κατά απόλυτη τιμή. Η συνάρτηση θα δέχεται ως όρισμα ένα διάνυσμα με τις αρχικές τιμές και θα επιστρέφει ένα διάνυσμα 3 στοιχείων με τα τελικά αποτελέσματα.
can you troubleshoot my code please? not sure what im doing wrong! def myfunction3(xinit: np.ndarray)->np.ndarray: xnew=np.zeros(3) pinakA = np.array([[3, -1, -2], [2, 5, -3], [3, -2, 5]]) apotelesma = np.array([0+1,4+2,6+3]) apoklisi = 2*np.e**-4 x = xinit.copy()
while(1): x_proigoumeno = x.copy() x[0] = (1 / 3) * (pinakA[0,0] +pinakA[0,1] + pinakA[0,2] + x[1] + 2 * x[2]) x[1] = (1 / 5) * (pinakA[1,0] +pinakA[1,1] + pinakA[1,2] - 2 * x[0] + 3 * x[2]) x[2] = (1 / 5) * (pinakA[2,0] +pinakA[2,1] + pinakA[2,2] - 3 * x[0] + 2 * x[1]) if(np.abs(x[0]-x_proigoumeno[0] < apoklisi) and np.abs(x[1]-x_proigoumeno[1] < apoklisi) and np.abs(x[2]-x_proigoumeno[2] < apoklisi)): xnew = x break return xnew - Assistant
Φαίνεται ότι υπάρχουν μερικά προβλήματα στον κώδικά σας που αφορούν τον υπολογισμό των νέων τιμών των ( x_i ) και το κριτήριο σύγκλισης. Ας τα εξετάσουμε ένα προς ένα και στη συνέχεια θα σας παρέχω έναν διορθωμένο κώδικα.
Προβλήματα στον Κώδικά σας
-
Υπολογισμός των Νέων Τιμών ( x_i ):
Στο Gauss-Seidel, οι ενημερώσεις για τα ( x_i ) βασίζονται στον διάνυσμα ( b ) και όχι στο άθροισμα των στοιχείων της σειράς του πίνακα ( A ). Συγκεκριμένα, για το σύστημα:
[ A \cdot x = b ]
Οι ενημερώσεις γίνονται ως εξής:
[ \begin{cases} x_1^{(k+1)} = \frac{1}{a_{11}} \left( b_1 - a_{12}x_2^{(k)} - a_{13}x_3^{(k)} \right) \ x_2^{(k+1)} = \frac{1}{a_{22}} \left( b_2 - a_{21}x_1^{(k+1)} - a_{23}x_3^{(k)} \right) \ x_3^{(k+1)} = \frac{1}{a_{33}} \left( b_3 - a_{31}x_1^{(k+1)} - a_{32}x_2^{(k+1)} \right) \ \end{cases} ]
Στον κώδικά σας, αντί να χρησιμοποιείτε το διάνυσμα ( b ), προσθέτετε τα στοιχεία της σειράς του πίνακα ( A ), κάτι που οδηγεί σε λανθασμένα αποτελέσματα.
-
Κριτήριο Σύγκλισης:
Η συνθήκη στο
ifέχει λανθασμένη τοποθέτηση παρενθέσεων, που οδηγεί σε ακατάλληλο υπολογισμό της απόλυτης διαφοράς. Πρέπει να υπολογίζετε την απόλυτη διαφορά και μετά να συγκρίνετε με την ανοχή (tolerance). -
Ορισμός της Ανοχής:
Η μεταβλητή
apoklisiορίζεται ως ( 2 \times e^{-4} ), ενώ σύμφωνα με την απαίτησή σας θα έπρεπε να είναι ( 2 \times 10^{-4} ).
Διορθωμένος Κώδικας
Παρακάτω φαίνεται ο διορθωμένος κώδικας με τις απαραίτητες αλλαγές:
import numpy as np def myfunction3(xinit: np.ndarray) -> np.ndarray: # Ορισμός του πίνακα A A = np.array([[3, -1, -2], [2, 5, -3], [3, -2, 5]]) # Ορισμός του διανύσματος b με τα τελευταία τρία ψηφία του μητρώου σας (παράδειγμα: a=0, b=4, c=6) a, b, c = 0, 4, 6 # Αντικαταστήστε με τα δικά σας ψηφία b_vector = np.array([a + 1, b + 2, c + 3]) # [1, 6, 9] # Ορισμός της ανοχής tolerance = 2e-4 # Αντιγραφή των αρχικών τιμών x = xinit.copy() # Για αποφυγή ατελείωτου βρόχου, ορίζουμε μέγιστο αριθμό επαναλήψεων max_iterations = 10000 iteration = 0 while iteration < max_iterations: x_prev = x.copy() # Ενημέρωση x1 x[0] = (b_vector[0] + A[0,1]*x[1] + A[0,2]*x[2]) / A[0,0] # Ενημέρωση x2 x[1] = (b_vector[1] - A[1,0]*x[0] + A[1,2]*x[2]) / A[1,1] # Ενημέρωση x3 x[2] = (b_vector[2] - A[2,0]*x[0] - A[2,1]*x[1]) / A[2,2] # Έλεγχος σύγκλισης if (np.abs(x[0] - x_prev[0]) < tolerance and np.abs(x[1] - x_prev[1]) < tolerance and np.abs(x[2] - x_prev[2]) < tolerance): break iteration += 1 return xΕπεξήγηση των Διορθώσεων
-
Χρήση του Διάνυσματος ( b ):
- Ορίζουμε το διάνυσμα ( b ) ως
b_vector = np.array([a + 1, b + 2, c + 3]). - Στις ενημερώσεις των ( x_i ), χρησιμοποιούμε τα στοιχεία του ( b ) αντί για τα άθροσματα των σειρών του πίνακα ( A ).
- Ορίζουμε το διάνυσμα ( b ) ως
-
Διόρθωση του Κριτηρίου Σύγκλισης:
- Η συνθήκη ελέγχου σύγκλισης έχει διορθωθεί ώστε να υπολογίζει την απόλυτη διαφορά πριν συγκρίνει με την ανοχή:
if (np.abs(x[0] - x_prev[0]) < tolerance and np.abs(x[1] - x_prev[1]) < tolerance and np.abs(x[2] - x_prev[2]) < tolerance): break
- Η συνθήκη ελέγχου σύγκλισης έχει διορθωθεί ώστε να υπολογίζει την απόλυτη διαφορά πριν συγκρίνει με την ανοχή:
-
Ορισμός της Ανοχής:
- Η μεταβλητή
toleranceέχει οριστεί σωστά ως2e-4.
- Η μεταβλητή
-
Προσθήκη Μέγιστου Αριθμού Επαναλήψεων:
- Για να αποφύγετε τον πιθανό ατέρμονο βρόχο, έχετε το δικαίωμα να ορίσετε ένα μέγιστο αριθμό επαναλήψεων, όπως φαίνεται στον κώδικα με το
max_iterations.
- Για να αποφύγετε τον πιθανό ατέρμονο βρόχο, έχετε το δικαίωμα να ορίσετε ένα μέγιστο αριθμό επαναλήψεων, όπως φαίνεται στον κώδικα με το
Παράδειγμα Χρήσης
# Αρχικές τιμές x_init = np.array([0.0, 0.0, 0.0]) # Κλήση της συνάρτησης solution = myfunction3(x_init) print("Λύση του συστήματος:") print(f"x1 = {solution[0]:.5f}") print(f"x2 = {solution[1]:.5f}") print(f"x3 = {solution[2]:.5f}")Αυτό το παράδειγμα θα σας δώσει τις τελικές τιμές των ( x_1, x_2, x_3 ) μετά από την εφαρμογή της μεθόδου Gauss-Seidel με την καθορισμένη ανοχή.
Συμπεράσματα
Βεβαιωθείτε ότι:
- Χρησιμοποιείτε σωστά το διάνυσμα ( b ) στις ενημερώσεις των ( x_i ).
- Η συνθήκη σύγκλισης υπολογίζει την απόλυτη διαφορά πριν τη σύγκριση με την ανοχή.
- Η ανοχή έχει οριστεί σύμφωνα με τις απαιτήσεις του προβλήματος.
- Προσθέτετε έναν μηχανισμό για τον τερματισμό του βρόχου σε περίπτωση που η μέθοδος δεν συγκλίνει.
Ελπίζω αυτές οι διορθώσεις να βοηθήσουν στην επίλυση του προβλήματός σας!
-