دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Arioli. Mario, Orban. Dominique سری: SIAM spotlights 03. ISBN (شابک) : 9781611974737, 1611974739 ناشر: Society for Industrial and Applied Mathematics سال نشر: 2017 تعداد صفحات: 101 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب حل تکراری سیستم های خطی شبه معین متقارن: تجزیه و تحلیل سیستم، روش های تکراری (ریاضی)، معادلات دیفرانسیل، خطی، سیستم های خطی، سیستم های نقطه زینی، سیستم های شبه معین، حداقل مربعات خطی، روش های تکراری، روش های کریلوف
در صورت تبدیل فایل کتاب Iterative solution of symmetric quasi-definite linear systems به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب حل تکراری سیستم های خطی شبه معین متقارن نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
کاربردهای متعدد، از جمله بهینهسازی محاسباتی و دینامیک سیالات، باعث ایجاد سیستمهای خطی بلوکی از معادلات میشوند که گفته میشود ساختار شبه معینی دارند. در موقعیتهای عملی، اندازه یا چگالی آن سیستمها میتواند مانع از رویکرد فاکتورسازی شود و تنها روشهای تکراری را به عنوان تکنیک حل باقی بگذارد. با این حال، روشهای تکراری شناخته شده، بهطور خاص برای استفاده از ساختار شبه معین طراحی نشدهاند. این کتاب ارتباط بین سیستمهای شبه معین و مسائل حداقل مربعات خطی، رایجترین و بهترین مسائل قابل درک در ریاضیات کاربردی را مورد بحث قرار میدهد و توضیح میدهد که چگونه سیستمهای شبه معین را میتوان با استفاده از روشهای تکراری مناسب برای حداقل مربعات خطی (با نصف کلی کار!). برای تشویق محققان و دانشجویان به استفاده از نرم افزار، این نرم افزار در MATLAB، Python و Julia ارائه شده است. نویسندگان شرح مختصری از شناختهشدهترین روشها برای سیستمهای متقارن و مسائل حداقل مربعات، پیشرفتهای سطح تحقیق در حل مسائل با تصاویر خاص در بهینهسازی و دینامیک سیال، و وبسایتی که میزبان نرمافزار به سه زبان است، ارائه میکنند. بیشتر بخوانید...
Numerous applications, including computational optimization and fluid dynamics, give rise to block linear systems of equations said to have the quasi-definite structure. In practical situations, the size or density of those systems can preclude a factorization approach, leaving only iterative methods as the solution technique. Known iterative methods, however, are not specifically designed to take advantage of the quasi-definite structure. This book discusses the connection between quasi-definite systems and linear least-squares problems, the most common and best understood problems in applied mathematics, and explains how quasi-definite systems can be solved using tailored iterative methods for linear least squares (with half as much work!). To encourage researchers and students to use the software, it is provided in MATLAB, Python, and Julia. The authors provide a concise account of the most well-known methods for symmetric systems and least-squares problems, research-level advances in the solution of problems with specific illustrations in optimization and fluid dynamics, and a website that hosts software in three languages. Read more...
Contents List of Algorithms List of Theorems Preface Background Audience Software Acknowledgments Chapter 1 Introduction Notation Related Work Chapter 2 Preliminaries 2.1 Important Note about Notation 2.2 Linear Least-Squares Problems 2.3 Hilbert Space Setting 2.4 Properties of SQD Matrices and Their Krylov Spaces Chapter 3 Overview of Existing Direct and Iterative Methods 3.1 Inverse of a SQD Matrix 3.2 Strong Factorizability 3.3 Stability and Pivoting 3.4 Iterative Strategies Chapter 4 Fundamental Processes 4.1 The Lanczos Process 4.2 The Generalized Golub–Kahan Bidiagonalization Process 4.3 Relation between the Lanczos and Golub–Kahan Processes Chapter 5 Iterative Methods Based on Reduced Equations 5.1 Generalized L 5.2 Generalized L 5.3 Generalized C 5.4 Generalized C 5.5 Generalized L 5.6 Generalized L 5.7 Generalized C 5.8 Generalized C 5.9 Upper-Bound Error Estimates Chapter 6 Full-Space Iterative Methods 6.1 Full-Space Lanczos Process: I 6.2 Relation with the Direct Lanczos Method 6.3 Full-Space Lanczos Process: II 6.4 Relation with the Minimum Residual Method Chapter 7 Software and Numerical Experiments 7.1 General Principle 7.2 Software Design 7.3 Numerical Experiments Chapter 8 Discussion and Open Questions Bibliography Index