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: 1
نویسندگان: Alfio Borzì
سری: Chapman & Hall/CRC Numerical Analysis and Scientific Computing Series
ISBN (شابک) : 0815392613, 9780815392613
ناشر: Chapman and Hall/CRC
سال نشر: 2020
تعداد صفحات: 404
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب مدل سازی با معادلات دیفرانسیل معمولی: یک رویکرد جامع (): ریاضیات، حساب دیفرانسیل و انتگرال، معادلات دیفرانسیل
در صورت تبدیل فایل کتاب Modelling with Ordinary Differential Equations: A Comprehensive Approach (Chapman & Hall/CRC Numerical Analysis and Scientific Computing Series) 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 مدل سازی با معادلات دیفرانسیل معمولی: یک رویکرد جامع () 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.
مدل سازی با معادلات دیفرانسیل معمولی: یک رویکرد جامع با هدف ارائه مقدمه ای گسترده و مستقل از ابزارهای ریاضی لازم برای بررسی و به کارگیری مدل های ODE است. کتاب با تعیین وجود راه حل ها در تنظیمات مختلف و تجزیه و تحلیل ویژگی های پایداری آنها شروع می شود. گام بعدی نشان دادن مسائل مدلسازی است که در محاسبات تغییرات و تئوری کنترل بهینه ایجاد میشوند که در بسیاری از کاربردها مورد توجه هستند. این بحث با مقدمهای بر مسائل معکوس تحت کنترل مدلهای ODE و بازیهای دیفرانسیل ادامه مییابد.
این کتاب با تصویری از معادلات دیفرانسیل تصادفی و توسعه شبکههای عصبی برای حل سیستمهای ODE تکمیل شده است. روشهای عددی بسیاری برای حل کلاسهای مسائل مورد بحث در این کتاب ارائه شدهاند.
ویژگیها:
Modelling with Ordinary Differential Equations: A Comprehensive Approach aims to provide a broad and self-contained introduction to the mathematical tools necessary to investigate and apply ODE models. The book starts by establishing the existence of solutions in various settings and analysing their stability properties. The next step is to illustrate modelling issues arising in the calculus of variation and optimal control theory that are of interest in many applications. This discussion is continued with an introduction to inverse problems governed by ODE models and to differential games.
The book is completed with an illustration of stochastic differential equations and the development of neural networks to solve ODE systems. Many numerical methods are presented to solve the classes of problems discussed in this book.
Features:
Cover Half Title Series Page Title Page Copyright Page Dedication Contents Preface Author 1. Introduction 1.1 Ordinary differential equations 1.2 The modelling process 2. Elementary solution methods for simple ODEs 2.1 Simple ODEs 2.1.1 Simple ODE of 1. type, y\' = f(x) 2.1.2 Simple ODE of 2. type, y\' = f(y) 2.1.3 Simple ODE of 3. type, y\' = f(x) g(y) 2.1.4 Simple ODE of 4. type, y\' = f(ax + by + d) 2.1.5 Simple ODE of 5. type, y\' = f(y/x) 2.2 Linear ODEs 2.3 Method of variation of the constants 2.4 Bernoulli’s differential equation 2.5 Riccati’s differential equation 2.6 Exact differential equations 3. Theory of ordinary differential equations 3.1 The Cauchy problem and existence of solutions 3.2 Euler’s method 3.3 Uniqueness of solutions 3.4 The Carathéodory theorem 4. Systems of ordinary differential equations 4.1 Systems of first-order ODEs 4.2 Dependence of solutions on the initial conditions 4.3 Systems of linear ODEs 4.4 Systems of linear homogeneous ODEs 4.5 The d’Alembert reduction method 4.6 Nonhomogeneous linear systems 4.7 Linear systems with constant coefficients 4.8 The exponential matrix 4.9 Linear systems with periodic coefficients 5. Ordinary differential equations of order n 5.1 Ordinary differential equations of order n in normal form 5.2 Linear differential equations of order n 5.3 The reduction method of d’Alembert 5.4 Linear ODEs of order n with constant coefficients 5.5 Nonhomogeneous ODEs of order n 5.6 Oscillatory solutions 6. Stability of ODE systems 6.1 Local stability of ODE systems 6.2 Stability of linear ODE systems 6.3 Stability of nonlinear ODE systems 6.4 Remarks on the stability of periodic ODE problems 6.5 Autonomous systems in the plane 6.6 The Lyapunov method 6.7 Limit points and limit cycles 6.8 Population dynamics 6.9 The Lorenz model 6.10 Synchronisation 7. Boundary and eigenvalue problems 7.1 Linear boundary-value problems 7.2 Sturm-Liouville eigenvalue problems 8. Numerical solution of ODE problems 8.1 One-step methods 8.2 Motion in special relativity 8.3 The Kepler problem 8.4 Approximation of Sturm-Liouville problems 8.5 The shape of a drop on a flat surface 9. ODEs and the calculus of variations 9.1 Existence of a minimum 9.2 Optimality conditions 9.2.1 First-order optimality conditions 9.2.2 Second-order optimality conditions 9.3 The Euler-Lagrange equations 9.3.1 Direct and indirect numerical methods 9.3.2 Unilateral constraints 9.3.3 Free boundaries 9.3.4 Equality constraints 9.4 The Legendre condition 9.5 The Weierstrass-Erdmann conditions 9.6 Optimality conditions in Hamiltonian form 10. Optimal control of ODE models 10.1 Formulation of ODE optimal control problems 10.2 Existence of optimal controls 10.3 Optimality conditions 10.4 Optimality conditions in Hamiltonian form 10.5 The Pontryagin’s maximum principle 10.6 Numerical solution of ODE optimal control problems 10.7 A class of bilinear optimal control problems 10.8 Linear-quadratic feedback-control problems 11. Inverse problems with ODE models 11.1 Inverse problems with linear models 11.2 Tikhonov regularisation 11.3 Inverse problems with nonlinear models 11.4 Parameter identification with a tumor growth model 12. Differential games 12.1 Finite-dimensional game problems 12.2 Infinite-dimensional differential games 12.3 Linear-quadratic differential Nash games 12.4 Pursuit-evasion games 13. Stochastic differential equations 13.1 Random variables and stochastic processes 13.2 Stochastic differential equations 13.3 The Euler-Maruyama method 13.4 Stability 13.5 Piecewise deterministic processes 14. Neural networks and ODE problems 14.1 The perceptron and a learning scheme 14.2 Approximation properties of neural networks 14.3 The neural network solution of ODE problems 14.4 Parameter identification with neural networks 14.5 Deep neural networks Appendix: Results of analysis A.1 Some function spaces A.1.1 Spaces of continuous functions A.1.2 Spaces of integrable functions A.1.3 Sobolev spaces A.2 The Arzelà-Ascoli theorem A.3 The Gronwall inequality A.4 The implicit function theorem A.5 The Lebesgue dominated convergence theorem Bibliography Index