基于离散差分法的复杂微分方程组求解matlab数值仿真

本文涉及的产品
实时计算 Flink 版,1000CU*H 3个月
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
实时数仓Hologres,5000CU*H 100GB 3个月
简介: 本程序使用离散差分法求解复杂微分方程组,将连续微分方程转化为差分方程,采用一阶显式时间格式和一阶偏心空间格式。经MATLAB2022a测试验证有效。

1.程序功能描述
基于离散差分法的复杂微分方程组求解.“连续微分方程”到“离散微分方程”到“差分方程”,离散微分方程,变成差分方程。建立差分方程时,时间采用一阶显格式,空间采用一阶偏心差分格式。

1.png

2.测试软件版本以及运行结果展示
MATLAB2022a版本运行

2.jpeg
3.jpeg
4.jpeg
5.jpeg
7.jpeg
8.jpeg
9.jpeg
10.jpeg
11.jpeg

3.核心程序

```% ʼ
L = 0.05; % ռ䳤
time = 1e-8; %ʱ 䳤
Nz = 10; % ռ
Nt = 10; %ʱ
dt = time/Nt;%t΢ ֵ ۼ
dz = L/Nz;%z΢ ֵ ۼ

N1 = zeros(Nz,Nt);
N2 = zeros(Nz,Nt);
N3 = zeros(Nz,Nt);
N4 = zeros(Nz,Nt);
N1_Yb = zeros(Nz,Nt);
N2_Yb = zeros(Nz,Nt);
Ps = zeros(Nz,Nt);

PASE_plus = zeros(M,Nz,Nt);
PASE_minus = zeros(M,Nz,Nt);
Pp_plus = zeros(Nz,Nt);
Pp_minus = zeros(Nz,Nt);

G = zeros(Nz,Nt);
NF = zeros(Nz,Nt);

% 1 ʽ 1 ϵ IJ ʾ
W11 = FpO13_vp/(AchVp);
W12 = Fs
O12_vs/(AchVs);
for i = 1:M
W13(i) = F_ASE_vj(i) O12_vj(i) / (Ach*Vj(i));
end

W14 = FsO21_vs/(AchVs);
for i = 1:M
W15(i) = F_ASE_vj(i)
O21_vj(i) / (AchVj(i));
end

W16 = FpO31_vp/(Ach*Vp);

% 1 ʽ 2 ϵ IJ ʾ
W21 = FsO12_vs/(Ach*Vs);

for i = 1:M
W22(i) = F_ASE_vj(i) O12_vj(i) / (AchVj(i));
end
W23 = Fs
O21_vs/(AchVs);

for i = 1:M
W24(i) = F_ASE_vj(i) O21_vj(i) / (Ach*Vj(i));
end

% 1 ʽ 3 ϵ IJ ʾ
W31 = FpO13_vp/(AchVp);
W32 = Fp
O31_vp/(AchVp);

% 1 ʽ 4 ϵ IJ ʾ
W41 = FpO12Yb_vp/(AchVp);
W42 = Fp
O21Yb_vp/(AchVp);
Ps(1,:) = 0.001ones(1,Nt);
Pp_plus(1,:) = 0.06
ones(1,Nt);
Pp_minus(1,:) = 0.04*ones(1,Nt);

for j = 1:Nt-1
for i = 1:Nz-1
% 1ʽ 1
N1(i,j+1) = N1(i,j) + ...
dt( -1(W11(Pp_plus(i,j) + Pp_minus(i,j)) + W12Ps(i,j) + sum(W13.(PASE_plus(:,i,j)+PASE_minus(:,i,j))'))N1(i,j) +...
(A21 + W14Ps(i,j) + sum(W15.(PASE_plus(:,i,j)+PASE_minus(:,i,j))'))N2(i,j) + ...
C2
N2(i,j)^2 + W16(Pp_plus(i,j) + Pp_minus(i,j))N3(i,j) + C3N3(i,j)^2 - C14N1(i,j)N4(i,j)+...
-1
KtrN2_Yb(i,j)N1(i,j)+KbaN1_Yb(i,j)N3(i,j) );

    %      1ʽ  2
    N2(i,j+1) = N2(i,j) + ...   
                dt*( (W21*Ps(i,j)+sum(W22.*(PASE_plus(:,i,j)+PASE_minus(:,i,j))'))*N1(i,j) +...
                  -1*(A21 + W23*Ps(i,j) + sum( W24.*(PASE_plus(:,i,j)+PASE_minus(:,i,j))' ))*N2(i,j) +...
                      A32*N3(i,j) - 2*C2*N2(i,j)^2 + 2*C14*N1(i,j)*N4(i,j) );

    %      1ʽ  3
    N3(i,j+1) = N3(i,j) + ...    
                dt*( W31*(Pp_plus(i,j) + Pp_minus(i,j))*N1(i,j) - A32*N3(i,j) - W32*(Pp_plus(i,j) + Pp_minus(i,j))*N3(i,j) -...
                     2*C3*N3(i,j)^2 + A43*N4(i,j) + Ktr*N2_Yb(i,j)*N1(i,j) - Kba*N1_Yb(i,j)*N3(i,j) );

    %      1ʽ  4
    N1_Yb(i,j+1) = N1_Yb(i,j) + ...
                   dt*(-1*W41*(Pp_plus(i,j) + Pp_minus(i,j))*N1_Yb(i,j) + W42*(Pp_plus(i,j) + Pp_minus(i,j))*N2_Yb(i,j) +...
                          A21Yb*N2_Yb(i,j) + Ktr*N2_Yb(i,j)*N1(i,j) - Kba*N1_Yb(i,j)*N3(i,j));

    %      1ʽ  5
    N4(i,j+1) = NEr - (N1(i,j+1) + N2(i,j+1) + N3(i,j+1)); 

    %      1ʽ  6
    N2_Yb(i,j+1) = NYb - N1_Yb(i,j+1);

    if N1(i,j+1) > NEr,N1(i,j+1) = NEr;end
    if N2(i,j+1) > NEr,N2(i,j+1) = NEr;end    
    if N3(i,j+1) > NEr,N3(i,j+1) = NEr;end    
    if N4(i,j+1) > NEr,N4(i,j+1) = NEr;end    
    if N1_Yb(i,j+1) > NYb,N1_Yb(i,j+1) = NYb;end
    if N2_Yb(i,j+1) > NYb,N2_Yb(i,j+1) = NYb;end          

    if N1(i,j+1) < 0,N1(i,j+1) = 0;end
    if N2(i,j+1) < 0,N2(i,j+1) = 0;end    
    if N3(i,j+1) < 0,N3(i,j+1) = 0;end    
    if N4(i,j+1) < 0,N4(i,j+1) = 0;end    
    if N1_Yb(i,j+1) < 0,N1_Yb(i,j+1) = 0;end
    if N2_Yb(i,j+1) < 0,N2_Yb(i,j+1) = 0;end             


    %     Ϸ  ̼   õ   N1  N2  N3  N4  N1Yb  N2Yb    
    %      2
    Pp_plus(i+1,j)   =  Pp_plus(i,j)  + dz*(-Fp*(O13_vp*N1(i,j) - O31_vp*N3(i,j) + O12Yb_vp*N1_Yb(i,j) - O21Yb_vp*N2_Yb(i,j))*Pp_plus(i,j)  - ap*Pp_plus(i,j));

    Pp_minus(i+1,j)  =  Pp_minus(i,j) + dz*(Fp*(O13_vp*N1(i,j) - O31_vp*N3(i,j) + O12Yb_vp*N1_Yb(i,j) - O21Yb_vp*N2_Yb(i,j))*Pp_minus(i,j) + ap*Pp_plus(i,j));

    Ps(i+1,j)        =  Ps(i,j)     + dz*(Fs*( O21_vs*N2(i,j) - O12_vs*N1(i,j) )*Ps(i,j) - as*Ps(i,j)); 

    for ii = 1:M
        PASE_plus(ii,i+1,j)  =    PASE_plus(ii,i,j)+dz*(F_ASE_vj(ii)*( O21_vj(ii)*N2(i,j) - O12_vj(ii)*N1(i,j) ) * PASE_plus(ii,i,j) +...
                                  2*h*Vj(ii)*DVj(ii)*F_ASE_vj(ii)*O21_vj(ii)*N2(i,j)-as*PASE_plus(ii,i,j));

        PASE_minus(ii,i+1,j) =   PASE_minus(ii,i,j)+dz*(-1*F_ASE_vj(ii)*( O21_vj(ii)*N2(i,j) - O12_vj(ii)*N1(i,j) ) * PASE_minus(ii,i,j) -...
                                 2*h*Vj(ii)*DVj(ii)*F_ASE_vj(ii)*O21_vj(ii)*N2(i,j)+as*PASE_minus(ii,i,j));            
    end

    if Pp_plus(i+1,j)    < 0,Pp_plus(i+1,j)     = 0;end
    if Pp_minus(i+1,j)   < 0,Pp_minus(i+1,j)    = 0;end
    if Ps(i+1,j)         < 0,Ps(i+1,j)          = 0;end        

    %ͨ    ̬    õ Pp+  Pp-  Pase+  Pase-  Ps

end

end

for z = 1:Nz
for t = 1:Nt
PASE_plus2(z,t) = sum(PASE_plus(:,z,t));
PASE_minus2(z,t) = sum(PASE_minus(:,z,t));
end
end

for z = 1:Nz
for t = 1:Nt
G(z,t) = 10*log10(Ps(z,t)/Ps(1,1));
end
end

for z = 1:Nz
for t = 1:Nt
NF(z,t) = 10log10(1/G(z,t) + PASE_plus2(z,t)/(G(z,t)Vs*DVs) );
end
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Pp_plus2 = interp1(dz:dz:L,Pp_plus(1:end,Nz),0:dz/10:L,'cubic');
Pp_minus2 = interp1(dz:dz:L,Pp_minus(1:end,Nz),0:dz/10:L,'cubic');

figure;
subplot(211);
plot(0:dz/10:L,Pp_plus2,'g-','LineWidth',3);
xlabel('z');
ylabel('Pp+(Z)');
title('Pp+(Z)&z');
grid on;
subplot(212);
plot(L:-dz/10:0,Pp_minus2,'m--','LineWidth',2);
xlabel('z');
ylabel('Pp-(Z)');
title('Pp-(Z)&z');
grid on;
16_015m

```

4.本算法原理
本课题求解的方程组表达式如下:

996ad47c0a464ea7e85e3354fde0347e_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png
ba8a8b5d26bfb37d8ac099cba85451c6_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

基于离散差分法的复杂微分方程组求解.“连续微分方程”到“离散微分方程”到“差分方程”,离散微分方程,变成差分方程。建立差分方程时,时间采用一阶显格式,空间采用一阶偏心差分格式。
相关文章
|
7天前
|
数据可视化
基于MATLAB的OFDM调制发射与接收仿真
基于MATLAB的OFDM调制发射与接收仿真
|
16天前
|
算法 机器人
基于SOA海鸥优化算法的PID控制器最优控制参数计算matlab仿真
本课题研究基于海鸥优化算法(SOA)优化PID控制器参数的方法,通过MATLAB仿真对比传统PID控制效果。利用SOA算法优化PID的kp、ki、kd参数,以积分绝对误差(IAE)为适应度函数,提升系统响应速度与稳定性。仿真结果表明,SOA优化的PID控制器在阶跃响应和误差控制方面均优于传统方法,具有更快的收敛速度和更强的全局寻优能力,适用于复杂系统的参数整定。
|
12天前
|
传感器 算法 数据挖掘
基于协方差交叉(CI)的多传感器融合算法matlab仿真,对比单传感器和SCC融合
基于协方差交叉(CI)的多传感器融合算法,通过MATLAB仿真对比单传感器、SCC与CI融合在位置/速度估计误差(RMSE)及等概率椭圆上的性能。采用MATLAB2022A实现,结果表明CI融合在未知相关性下仍具鲁棒性,有效降低估计误差。
121 15
|
7天前
|
监控
基于MATLAB/Simulink的单机带负荷仿真系统搭建
使用MATLAB/Simulink平台搭建一个单机带负荷的电力系统仿真模型。该系统包括同步发电机、励磁系统、调速系统、变压器、输电线路以及不同类型的负荷模型。
155 5
|
12天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于WOA鲸鱼优化的XGBoost序列预测算法matlab仿真
基于WOA优化XGBoost的序列预测算法,利用鲸鱼优化算法自动寻优超参数,提升预测精度。结合MATLAB实现,适用于金融、气象等领域,具有较强非线性拟合能力,实验结果表明该方法显著优于传统模型。(238字)
|
16天前
|
传感器 算法 数据可视化
MATLAB来计算和仿真无人机飞行过程
使用MATLAB来计算和仿真无人机飞行过程中的运动参数是一个极其常见且强大的方法。这通常被称为无人机建模与仿真,是无人机飞控算法开发中不可或缺的一环。
37 1
|
16天前
|
存储 算法 数据可视化
基于禁忌搜索算法的TSP问题最优路径搜索matlab仿真
本程序基于禁忌搜索算法解决旅行商问题(TSP),旨在寻找访问多个城市的最短路径。使用 MATLAB 2022A 编写,包含城市坐标生成、路径优化及结果可视化功能。通过禁忌列表、禁忌长度与藐视准则等机制,提升搜索效率与解的质量,适用于物流配送、路径规划等场景。
|
25天前
|
机器学习/深度学习 算法 算法框架/工具
【利用母船和牵引风箬在飞行中回收微型飞行器(MAVs)的方法】使用高斯原理推导了电缆-风箬系统的动力学模型(Matlab、Simulink仿真实现)
【利用母船和牵引风箬在飞行中回收微型飞行器(MAVs)的方法】使用高斯原理推导了电缆-风箬系统的动力学模型(Matlab、Simulink仿真实现)
163 5
|
14天前
|
人工智能 供应链 新能源
电动汽车参与运行备用的能力评估及其仿真分析(Matlab代码实现)
电动汽车参与运行备用的能力评估及其仿真分析(Matlab代码实现)
|
16天前
|
传感器 算法 定位技术
【GPS+INS在MAV导航上融合】基于间接卡尔曼滤波的IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成)
【GPS+INS在MAV导航上融合】基于间接卡尔曼滤波的IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成)