【组合数学】递推方程 ( 常系数线性非齐次递推方程求解 | 递推方程标准型及通解 | 递推方程通解证明 )

简介: 【组合数学】递推方程 ( 常系数线性非齐次递推方程求解 | 递推方程标准型及通解 | 递推方程通解证明 )

文章目录

一、递推方程标准型及通解

二、递推方程通解证明





一、递推方程标准型及通解


H ( n ) − a 1 H ( n − 1 ) − ⋯ − a k H ( n − k ) = f ( n ) H(n) - a_1H(n-1) - \cdots - a_kH(n-k) = f(n)H(n)−a

1


H(n−1)−⋯−a

k


H(n−k)=f(n) , n ≥ k , a k ≠ 0 , f ( n ) ≠ 0 n\geq k , a_k\not= 0, f(n) \not= 0n≥k,a

k


 


=0,f(n)


=0


上述方程左侧 与 “常系数线性齐次递推方程” 是一样的 , 但是右侧不是 0 00 , 而是一个基于 n nn 的 函数 f ( n ) f(n)f(n) , 这种类型的递推方程称为 “常系数线性非齐次递推方程” ;


则上述递推方程的通解如下 :



H ( n ) ‾ \overline{H(n)}

H(n)


 是上述递推方程对应 “常系数线性齐次递推方程” H ( n ) − a 1 H ( n − 1 ) − ⋯ − a k H ( n − k ) = 0 H(n) - a_1H(n-1) - \cdots - a_kH(n-k) = 0H(n)−a

1


H(n−1)−⋯−a

k


H(n−k)=0 的通解 ,


H ∗ ( n ) H^*(n)H

(n) 是一个特解 ,


“常系数线性非齐次递推方程” 的通解是 H ( n ) = H ( n ) ‾ + H ∗ ( n ) H(n) = \overline{H(n)} + H^*(n)H(n)=

H(n)


+H

(n)



“常系数线性非齐次递推方程” 是 “常系数线性齐次递推方程” 的 齐次通解 , 加上一个 特解 ;



常系数线性非齐次递推方程 : H ( n ) − a 1 H ( n − 1 ) − ⋯ − a k H ( n − k ) = f ( n ) H(n) - a_1H(n-1) - \cdots - a_kH(n-k) = f(n)H(n)−a

1


H(n−1)−⋯−a

k


H(n−k)=f(n)

常系数线性齐次递推方程 :       H ( n ) − a 1 H ( n − 1 ) − ⋯ − a k H ( n − k ) = 0 \ \ \ \, H(n) - a_1H(n-1) - \cdots - a_kH(n-k) = 0   H(n)−a

1


H(n−1)−⋯−a

k


H(n−k)=0



H ∗ ( n ) H^*(n)H

(n) 特解 , 是一个能使得方程左右相等的特定函数 ,


将 H ( n ) = H ( n ) ‾ + H ∗ ( n ) H(n) = \overline{H(n)} + H^*(n)H(n)=

H(n)


+H

(n) 通解 代入到 H ( n ) − a 1 H ( n − 1 ) − ⋯ − a k H ( n − k ) = f ( n ) H(n) - a_1H(n-1) - \cdots - a_kH(n-k) = f(n)H(n)−a

1


H(n−1)−⋯−a

k


H(n−k)=f(n) 的左部 ,


将带 上划线 的 H ( n ) ‾ \overline{H(n)}

H(n)


 项合并 , 一定为 0 00 ,


将带 ∗ *∗ 星号 的 H ∗ ( n ) H^*(n)H

(n) 项合并 , 一定为 f ( n ) f(n)f(n) ,


0 + f ( n ) 0 + f(n)0+f(n) 最终结果还是 f ( n ) f(n)f(n) , 与右侧的 f ( n ) f(n)f(n) 相等 ;



递推方程的任何一个解 , 都是一个 齐次通解 , 加上 一个特解 的格式 ;






二、递推方程通解证明


证明 : 递推方程的通解 , 一定 是一个 齐次通解 , 加上 一个特解 的格式 ;



递推方程 : H ( n ) − a 1 H ( n − 1 ) − ⋯ − a k H ( n − k ) = f ( n ) H(n) - a_1H(n-1) - \cdots - a_kH(n-k) = f(n)H(n)−a

1


H(n−1)−⋯−a

k


H(n−k)=f(n) , n ≥ k , a k ≠ 0 , f ( n ) ≠ 0 n\geq k , a_k\not= 0, f(n) \not= 0n≥k,a

k


 


=0,f(n)


=0



假设 h ( n ) h(n)h(n) 是递推方程的通解 , 证明该 h ( n ) h(n)h(n) 是一个 齐次通解 , 加上 一个特解 之和 ;



将 h ( n ) h(n)h(n) 代入上述递推方程中 ,


① h ( n ) − a 1 h ( n − 1 ) − ⋯ − a k h ( n − k ) = f ( n ) h(n) - a_1h(n-1) - \cdots - a_kh(n-k) = f(n)h(n)−a

1


h(n−1)−⋯−a

k


h(n−k)=f(n)



特解 H ∗ ( n ) H^*(n)H

(n) 也是递推方程的解 , 将 H ∗ ( n ) H^*(n)H

(n) 代入递推方程 , 左右也是相等的 ,


② H ∗ ( n ) − a 1 H ∗ ( n − 1 ) − ⋯ − a k H ∗ ( n − k ) = f ( n ) H^*(n) - a_1H^*(n-1) - \cdots - a_kH^*(n-k) = f(n)H

(n)−a

1


H

(n−1)−⋯−a

k


H

(n−k)=f(n)



将上述 ① ② 两个等式的 左部与左部相减 , 右部与右部相减 ,


( h ( n ) − a 1 h ( n − 1 ) − ⋯ − a k h ( n − k ) ) ( h(n) - a_1h(n-1) - \cdots - a_kh(n-k) )(h(n)−a

1


h(n−1)−⋯−a

k


h(n−k)) − -− ( H ∗ ( n ) − a 1 H ∗ ( n − 1 ) − ⋯ − a k H ∗ ( n − k ) ) ( H^*(n) - a_1H^*(n-1) - \cdots - a_kH^*(n-k) )(H

(n)−a

1


H

(n−1)−⋯−a

k


H

(n−k)) = 0 =0=0



合并上式中的项 :


[ h ( n ) − H ∗ ( n ) ] − a 1 [ h ( n − 1 ) − H ∗ ( n − 1 ) ] − ⋯ − a k [ h ( n − k ) − H ∗ ( n − k ) ] = 0 [ h(n) - H^*(n) ] - a_1[ h(n-1) - H^*(n-1) ] - \cdots - a_k[ h(n-k) - H^*(n-k) ] = 0[h(n)−H

(n)]−a

1


[h(n−1)−H

(n−1)]−⋯−a

k


[h(n−k)−H

(n−k)]=0



上述方程是齐次方程 , h ( n ) − H ∗ ( n ) h(n) - H^*(n)h(n)−H

(n) 是齐次方程的通解 ,


那么 h ( n ) h(n)h(n) 就是 齐次方程通解 与 特解 H ∗ ( n ) H^*(n)H

(n) 相加 ;



因此 H ( n ) = H ( n ) ‾ + H ∗ ( n ) H(n) = \overline{H(n)} + H^*(n)H(n)=

H(n)


+H

(n) 格式一定是通解 ;


目录
相关文章
|
2月前
|
存储 缓存 人工智能
GLM 5.2自托管深度实战:vLLM与SGLang部署方案及成本对比
GLM 5.2作为开源大模型中的高性能代表,凭借7440亿总参数、400亿激活参数与100万tokens上下文窗口,在长文本推理、智能体任务与复杂代码生成场景表现突出。其MIT开源协议支持完全自托管,可实现数据隐私可控、成本灵活优化,但超大参数量带来极高硬件门槛,需根据量化版本匹配对应硬件,并选择vLLM、SGLang等推理框架搭建服务。本文从硬件选型、vLLM与SGLang部署、成本盈亏测算三大核心维度,提供零门槛自托管全流程实战指南,覆盖企业生产与个人调试场景,帮助精准落地与成本控制。
599 0
|
运维 监控 Devops
DevOps(Development和Operations的组合)是一种强调软件开发(Dev)和信息技术运维(Ops)之间协作与沟通的文化、方法和实践。
DevOps(Development和Operations的组合)是一种强调软件开发(Dev)和信息技术运维(Ops)之间协作与沟通的文化、方法和实践。
|
JavaScript
Vue的小知识点
Vue的小知识点
145 2
|
并行计算 算法 NoSQL
基于ray 多进程调度管理能力优化networks节点最短路径的并行计算
原生的networkx实现的只能在节点介数度量性任务上达到单核心100的cpu利用率。通过对源码的几行改造我们可以实现多核心的100的利用率。接下来要我们来一起看看是如何实现的多核心100的利用率。
448 0
基于ray 多进程调度管理能力优化networks节点最短路径的并行计算
|
缓存 算法 Python
概率图推断之信念传播
变量消除算法有个致命的缺陷:每次查询都要要从头开始重新启动算法。这样会非常浪费资源,并且在计算上很麻烦。 这个问题也很容易避免。通过在第一次运行变量消除算法后缓存这些因子,我们可以轻松地计算新的边缘概率查询,基本上不需要额外的成本。 实现上面的功能有2中算法:信念传播(BP)和全联结树算法,本文先介绍信念传播算法。
574 0
概率图推断之信念传播
|
机器学习/深度学习 算法 数据可视化
机器学习(十七)Microsoft的InterpretM可解释性 机器学习模型
机器学习(十七)Microsoft的InterpretM可解释性 机器学习模型
1006 0
机器学习(十七)Microsoft的InterpretM可解释性 机器学习模型
|
人工智能 测试技术
2021年第十二届蓝桥杯模拟赛(第三期)题目和解析
蓝桥杯是指蓝桥杯全国软件和信息技术专业人才大赛。是由工业和信息化部人才交流中心举办的全国性IT学科赛事。共有北京大学、清华大学、上海交通大学等全国1200余所高校参赛。
772 0
2021年第十二届蓝桥杯模拟赛(第三期)题目和解析
|
安全 Linux Shell
Git理论介绍
Git理论介绍
348 1
|
JavaScript 前端开发 网络协议
Node【Global全局对象】
Node【Global全局对象】
330 0
数据结构之线性表中的双向循环链表【详解】
嗯!昨天我们的无头单向非循环链表咱已经是可以顺利完成出来了的,今天我们就来看一下什么是有头双向循环链表,不要看着这个链表又双向又循环的就比单向不循环链表难,其实这个更加的简单哦!前提是你有自己去完成单链表,此时你就会觉得双链表是比单链表更加简单的,所以不要害怕,不就是一个链表吗?

热门文章

最新文章