Metode Runge-Kutta untuk PDE

BAB 25
Metode Runge-Kutta
Bab ini dikhususkan untuk memecahkan persamaan diferensial biasa dalam bentuk
d
y = f(x . y)
d
x
Dalam Chap. 1, kami menggunakan metode numerik untuk menyelesaikan
persamaan tersebut untuk kecepatan dari penerjun jatuh. Ingat bahwa
metode itu dari bentuk umum
Nilai baru = nilai lama + lereng × ukuran langkah
atau, dalam istilah matematika,
ysaya +1 = ysaya + φh (25.1)

Menurut persamaan ini, perkiraan kemiringan φ digunakan untuk
ekstrapolasi dari nilai lama ysaya ke nilai y barusaya+1 lebih h jarak (Gbr.
25.1). Formula ini dapat diterapkan langkah demi langkah untuk
menghitung keluar ke masa depan dan, karenanya, menelusuri lintasan
dari solusi.
GAMBAR 25.1
penggambaran grafis y
dari metode satu-
langkah.
y
saya + 1 = ysaya + h
slope =
x x
saya saya + 1 x
ukuran langkah = h
707
708 METODE RUNGE-KUTTA
diprediksi
kesalahan
Benar
x x x
saya saya + 1
GAMBAR 25.2
Metode Euler.
Semua metode satu-langkah dapat dinyatakan dalam bentuk umum ini,

dengan satu-satunya perbedaan adalah cara di mana lereng diperkirakan.
Seperti dalam masalah penerjun jatuh, pendekatan yang paling sederhana
adalah dengan menggunakan persamaan diferensial untuk memperkirakan
lereng dalam bentuk turunan pertama di xsaya. Dengan kata lain,
kemiringan pada awal interval diambil sebagai perkiraan kemiringan rata-
rata seluruh interval. Pendekatan ini, yang disebut metode Euler, dibahas
dalam bagian pertama dari bab ini. Ini diikuti dengan metode satu-langkah
lainnya yang mempekerjakan perkiraan kemiringan alternatif yang
menghasilkan prediksi yang lebih akurat. Semua teknik ini umumnya
disebut metode Runge-Kutta.
25,1 METODE EULER'S
Turunan pertama memberikan perkiraan langsung dari lereng di xsaya

(Gambar 25.2.):
φ = f(xsaya . ysaya )
dimana f (xsaya, ysaya) Adalah persamaan diferensial dievaluasi pada xsaya

dan ysaya. Perkiraan ini bisa menjadi sub-stituted ke Persamaan. (25.1):
ysaya +1 = ysaya +
f(xsaya . ysaya )h (25.2)
Formula ini disebut sebagai Euler (atau Euler-Cauchy atau titik-lereng)

metode. Sebuah nilai baru dari y diprediksi menggunakan kemiringan
(sama dengan turunan pertama di nilai asli x) untuk mengekstrapolasi
linear atas ukuran langkah h (Gbr. 25,2).
CONTOH 25,1 Metode Euler
Pernyataan masalah. Menggunakan metode Euler untuk numerik

mengintegrasikan Persamaan. (PT7.13):
dy
= -2x 3 + 12x 2 - 20x + 8.5
dx
METODE 25,1 EULER'S 709
dari x = 0 x =4 dengan ukuran langkah 0,5. Kondisi awal pada x= 0 adalah

y =1. Ingat bahwa solusi yang tepat diberikan oleh Persamaan. (PT7.16):
y = -0.5x 4 + 4x 3 - 10x 2 + 8.5x + 1
Larutan. Persamaan (25.2) dapat digunakan untuk menerapkan metode

Euler:
y(0.5) = y(0) + f(0. 1)0.5
di mana y (0) = 1 dan perkiraan kemiringan pada x = 0 adalah
f(0. 1) = -2(0)3 + 12(0)2 - 20(0) + 8.5= 8.5
Karena itu,
y(0.5) = 1.0+ 8.5(0.5) = 5.25
Solusi yang benar pada x = 0,5 adalah
y = -0.5(0.5)4 + 4(0.5)3 - 10(0.5)2 + 8.5(0.5) + 1 =

3.21.875 Dengan demikian, kesalahan adalah
E t = benar - kira-kira = 3.21.875 - 5.25 = -2.03.125
atau, dinyatakan sebagai persen kesalahan relatif, εt = -63.1%. Untuk

langkah kedua,
y(1) = y(0.5) + f(0.5. 5.25)0.5
= 5.25 + [-2(0.5)3 + 12(0.5)2 - 20(0.5) + 8.5] 0.5
= 5.875
Solusi yang benar pada x = 1.0 adalah 3,0, dan oleh karena itu, persen
kesalahan relatif -95,8%. perhitungan diulang, dan hasilnya disusun dalam
Tabel 25.1 dan Gambar. 25,3. Perhatikan bahwa,
TABEL 25.1 Perbandingan nilai-nilai yang benar dan perkiraan integral

dari
y = -2x3 + 12x2 - 20x+ 8.5, dengan kondisi awal yang y= 1 di

x= 0. perkiraan nilai yang dihitung dengan menggunakan
metode Euler dengan ukuran langkah 0,5. Kesalahan lokal
mengacu pada kesalahan yang terjadi selama satu langkah.
Hal ini dihitung dengan ekspansi deret Taylor seperti pada
Contoh 25.2. Kesalahan global total perbedaan karena masa
lalu serta langkah-langkah ini.
Persen Kesalahan
Relatif
x ybenar yEuler Global Lokal
0.0 1,00000 1,00000

0,5 3,21875 5,25000 -63,1 -63,1
1.0 3,00000 5,87500 -95,8 -28,0
1,5 2,21875 5,12500 131,0 -1,41
2.0 2,00000 4,50000 -125,0 20,5
2,5 2,71875 4,75000 -74,7 17.3
3.0 4,00000 5,87500 46,9 4.0
3,5 4,71875 7,12500 -51,0 -11,3
4.0 3,00000 7,00000 -133,3 -53,0
h = 0,5
solusi yang benar
0
0 2 4 x
GAMBAR 25,3
Perbandingan solusi yang benar dengan solusi numerik dengan

menggunakan metode Euler untuk integral dari y 2x3 12x220x 8,5 dari
x 0 x 4 dengan ukuran langkah 0,5. Kondisi awal pada x 0 adalah y 1.
meskipun perhitungan menangkap kecenderungan umum dari solusi yang

benar, kesalahan adalah con-siderable. Sebagaimana dibahas dalam bagian
berikutnya, kesalahan ini dapat dikurangi dengan menggunakan ukuran
langkah yang lebih kecil.
Contoh sebelumnya menggunakan polinomial sederhana untuk

persamaan diferensial untuk facil-itate menganalisa kesalahan yang
mengikuti. Demikian,
d
y = f(x )
d
x
Jelas, kasus yang lebih umum (dan lebih umum) melibatkan Odes yang
bergantung pada kedua x dan y,
d
y = f(x . y)
d
x
Seperti yang kita kemajuan melalui ini bagian dari teks, contoh kita akan
semakin melibatkan Odes yang bergantung pada kedua independen dan
variabel dependen.
25.1.1 Analisis Kesalahan untuk Cara Euler
Solusi numerik dari Odes melibatkan dua jenis kesalahan (recall Chaps 3
dan 4.):
1. pemotongan, atau diskritisasi, kesalahan yang disebabkan oleh sifat

dari teknik yang digunakan untuk nilai-nilai perkiraan y.
2. Membulatkan kesalahan yang disebabkan oleh jumlah terbatas dari

angka yang signifikan yang dapat kembali tained oleh komputer.
Kesalahan pemotongan terdiri dari dua bagian. Yang pertama adalah

kesalahan pemotongan lokal yang dihasilkan dari suatu aplikasi dari
metode tersebut lebih satu langkah. Yang kedua adalah kesalahan
pemotongan disebarkan yang dihasilkan dari perkiraan yang dihasilkan
selama tahap sebelumnya. Jumlah dari dua adalah total, atau pemotongan
global, kesalahan.
Wawasan besarnya dan sifat dari kesalahan pemotongan dapat

diperoleh dengan de-riving metode Euler langsung dari ekspansi deret
Taylor. Untuk melakukan hal ini, menyadari bahwa persamaan diferensial
yang terintegrasi akan menjadi bentuk umum
y = f(x . y) (25,3)
di mana y = dy/dxdan x dan y adalah independen dan variabel dependen,
respec-tively. Jika solusi-bahwa adalah, fungsi menggambarkan perilaku
y-telah derivatif terus menerus, dapat diwakili oleh ekspansi deret Taylor
tentang nilai awal (xsaya, ysaya), Seperti pada [recall Eq. (4.7)]
y(n
y )
s s
a a
y y
a a
y y yh h2 hn R
saya sa (25.4)
+
+1= ya 2! + · + n! + n
saya +
di mana h = xsaya+1 - xsaya dan Rn = istilah sisanya, yang
didefinisikan sebagai
y(n+1)
(Ξ) hn+1 (25,5)

(
Rn = n 1)!
+
dimana ξ terletak di suatu tempat dalam interval dari xsaya untuk xsaya+1.
Bentuk alternatif dapat dikembangkan dengan mengganti Persamaan.
(25.3) ke pers. (25,4) dan (25,5) untuk menghasilkan
f (xsaya . f (n-1)(xsaya . hn +
ysaya +1 = ysaya + f(xsaya y ) ysaya ) HAI(hn+1) (25,6)
saya
. ysaya )h + 2! h2 + · + n!
mana O (hn+1) Menetapkan bahwa kesalahan pemotongan lokal sebanding

dengan ukuran langkah diangkat ke (n+ 1) kekuasaan th.
Dengan membandingkan pers. (25.2) dan (25,6), dapat dilihat bahwa
metode Euler sesuai dengan deret Taylor sampai dengan dan termasuk
jangka f (xsaya, ysaya) H. Selain itu, perbandingan menunjukkan bahwa
kesalahan pemotongan terjadi karena kita mendekati solusi yang benar
menggunakan jumlah terbatas istilah dari seri Taylor. Dengan demikian
kita memotong, atau meninggalkan keluar, bagian dari solusi yang benar.
Misalnya, kesalahan pemotongan dalam metode Euler disebabkan
persyaratan yang tersisa dalam ekspansi deret Taylor yang tidak termasuk
dalam Persamaan. (25.2). Mengurangkan Persamaan. (25.2) dari
Persamaan. (25,6) hasil
f (xsaya .
ysaya )
Et = 2! h2 + · + HAI(hn+1) (25,7)
di mana Et =benar kesalahan pemotongan lokal. Untuk h cukup kecil,
kesalahan dalam istilah dalam Persamaan. (25,7) biasanya menurun
dengan meningkatnya order (ingat Contoh 4.2 dan diskusi accompa-
Nying), dan hasilnya sering direpresentasikan sebagai
f (xsaya .
ESebu y ) 2
saya
ah = 2! h (25,8)
atau
ESebuah = HAI(h2) (25,9)

di mana ESebuah = perkiraan kesalahan pemotongan lokal.
CONTOH 25.2 Taylor Series Perkirakan untuk Kesalahan Metode Euler
Pernyataan masalah. Gunakan Persamaan. (25,7) untuk memperkirakan

kesalahan dari langkah pertama dari Ujian-ple 25,1. Juga
menggunakannya untuk menentukan kesalahan karena setiap istilah
tingkat tinggi dari ekspansi deret Taylor.
Larutan. Karena kita berhadapan dengan polinomial, kita dapat

menggunakan seri Taylor untuk Ob-tain perkiraan yang tepat dari
kesalahan dalam metode Euler. Persamaan (25.7) dapat ditulis sebagai
f (xsaya . f (xsaya . f (3)(xsaya . (E25.2

ysaya ) 2 ysaya ) 3 ysaya ) h4 .1)
Et = 2! h + 3! h + 4!
dimana f (xsaya, ysaya) =turunan pertama dari persamaan diferensial (yaitu,

turunan kedua dari solusi). Untuk kasus ini, ini adalah
(E25.2
f (xsaya . ysaya ) = -6x2 + 24x- 20 .2)
dan f (xsaya, ysaya) Adalah turunan kedua ODE yang
(E25.2
f (xsaya . ysaya ) = -12x+ 24 .3)
dan f (3)(xsaya, ysaya) Adalah turunan ketiga ODE yang
(E25.2
f (3)(xsaya . ysaya ) = -12 .4)
Kita bisa menghilangkan persyaratan tambahan (yaitu, turunan keempat
dan lebih tinggi) dari Persamaan. (E25.2.1) menjadi penyebab untuk kasus
ini mereka sama dengan nol. Perlu dicatat bahwa untuk fungsi lain
(misalnya, fungsi transendental seperti sinusoid atau eksponensial) ini
tidak akan neces-sarily benar, dan istilah tingkat tinggi akan memiliki nilai
nol. Namun, untuk kasus ini, pers. (E25.2.1) melalui (E25.2.4) benar-
benar mendefinisikan kesalahan pemotongan untuk satu aplikasi dari
metode Euler.
Misalnya, kesalahan karena pemotongan istilah orde kedua dapat

dihitung sebagai
-6(0.0)2 + 24(0.0) -
(E25.2
20
E (0.5)2 2.5 .5)
t.
2 = 2 =-
Untuk jangka orde ketiga:
-12(0.0) + 24
Et.3 = 3 = 0.5 6
(0.5)
dan keempat-order jangka:
Et.4 = -12 (0.5)4 = -0.03.125

24
Ketiga hasil dapat ditambahkan untuk menghasilkan kesalahan

pemotongan Total:
Et = Et.2 + Et.3 + Et.4 = -2.5+ 0.5- 0.03.125= -2.03.125
yang persis kesalahan yang terjadi pada langkah awal Contoh 25,1.
Perhatikan bagaimana
E t.2 > Et.3 > Et.4 , Yang mendukung pendekatan diwakili oleh
Persamaan. (25,8).
Seperti digambarkan dalam Contoh 25.2, seri Taylor menyediakan

sarana mengukur kesalahan dalam metode Euler. Namun, ada keterbatasan
yang terkait dengan penggunaannya untuk tujuan ini:
1. Seri Taylor hanya menyediakan perkiraan lokal pemotongan kesalahan-

yaitu, kesalahan dibuat selama satu langkah dari metode ini. Ini tidak
memberikan ukuran disebarkan dan, karenanya, kesalahan pemotongan
global. Pada Tabel 25.1, kami telah menyertakan
kesalahan pemotongan lokal dan global untuk Contoh 25.1. Kesalahan

lokal dihitung untuk setiap langkah waktu dengan Persamaan. (25.2)
tetapi menggunakan nilai sebenarnya dari ysaya (Kolom kedua dari
tabel) untuk menghitung setiap ysaya+ldaripada nilai perkiraan (kolom
ketiga), seperti yang dilakukan dalam metode Euler. Seperti yang
diharapkan, rata-rata mutlak kesalahan pemotongan lokal (25 persen)
kurang dari kesalahan rata-rata global (90 persen). Satu-satunya alasan
bahwa kita dapat membuat perhitungan ini kesalahan yang tepat adalah
bahwa kita tahu nilai sebenarnya apriori. Tersebut tidak akan menjadi
kasus dalam masalah yang sebenarnya. Akibatnya, seperti yang dibahas
di bawah ini, Anda harus biasanya menerapkan teknik seperti metode
Euler menggunakan sejumlah ukuran langkah yang berbeda untuk
mendapatkan perkiraan tidak langsung dari kesalahan yang terlibat.
2. Seperti disebutkan di atas, dalam masalah-masalah yang sebenarnya

kita biasanya berurusan dengan fungsi yang lebih rumit dari polinomial
sederhana. Akibatnya, derivatif yang diperlukan untuk mengevaluasi
ekspansi seri Taylor tidak akan selalu mudah untuk mendapatkan.
Meskipun keterbatasan ini menghalangi kesalahan analisis yang tepat

untuk masalah yang paling praktis, seri Taylor masih menyediakan
pemahaman yang berharga tentang perilaku metode Euler. Ac-cording
Persamaan. (25,9), kita melihat bahwa kesalahan lokal adalah sebanding
dengan kuadrat dari ukuran langkah dan turunan pertama dari persamaan
diferensial. Hal ini juga dapat menunjukkan bahwa kesalahan pemotongan
global O (h), yaitu, itu adalah sebanding dengan ukuran langkah
(Carnahan et al.
1969). Pengamatan ini menyebabkan beberapa kesimpulan yang berguna:
1. Kesalahan dapat dikurangi dengan mengurangi ukuran langkah.
2. Metode ini akan memberikan prediksi kesalahan-gratis jika fungsi yang

mendasari (yaitu, solusi dari persamaan diferensial) adalah linear,
karena untuk garis lurus kedua de-rivative akan menjadi nol.
Kesimpulan terakhir ini masuk akal intuitif karena metode Euler

menggunakan garis lurus seg-KASIH untuk mendekati solusi. Oleh karena
itu, metode Euler disebut sebagai metode orde pertama.
Hal ini juga harus dicatat bahwa pola umum ini berlaku untuk tingkat
tinggi metode satu-langkah yang dijelaskan di halaman berikut. Artinya,
metode n-order akan menghasilkan hasil yang sempurna jika solusi yang
mendasari adalah polinomial n-order. Selanjutnya, kesalahan pemotongan
lokal akan O (hn+1) Dan global error O (hn).
CONTOH 25,3 Pengaruh Ukuran Kecil Langkah pada Cara Euler
Pernyataan masalah. Ulangi perhitungan Contoh 25,1 tetapi menggunakan

ukuran langkah
0.25.
y
h = 0,5
h = 0.25
4
solusi yang
benar
0
0 2 4 x
(Sebuah)
y
0
2 4 x
perkira
an
Benar
- 0,5
(B)
GAMBAR 25.4
(A) Perbandingan dua solusi numerik dengan metode Euler menggunakan

ukuran langkah 0,5 dan 0,25.
(B) Perbandingan benar dan diperkirakan kesalahan pemotongan lokal
untuk kasus di mana ukuran langkah adalah 0,5. Perhatikan bahwa
“diperkirakan” kesalahan didasarkan pada persamaan. (E25.2.5).
Larutan. perhitungan diulang, dan hasilnya disusun dalam Gambar. 25.4a.

Mengurangi separuh ukuran langkah mengurangi nilai absolut dari
kesalahan global rata-rata 40 persen dan nilai absolut dari kesalahan lokal
menjadi 6,4 persen. Hal ini dibandingkan dengan kesalahan global dan
lokal untuk Contoh 25,1 dari 90 persen dan 24,8 persen, masing-masing.
Dengan demikian, seperti yang diharapkan, kesalahan lokal empat dan
kesalahan global dibelah dua.
Juga, perhatikan bagaimana perubahan error lokal menandatangani

untuk nilai menengah di sepanjang jangkauan. Hal ini terutama
disebabkan oleh fakta bahwa turunan pertama dari persamaan diferensial
adalah parabola yang mengubah tanda [recall Eq. (E25.2.2) dan lihat
Gambar. 25.4b]. Karena kesalahan lokal sebanding dengan fungsi ini, efek
bersih dari osilasi dalam tanda adalah untuk menjaga kesalahan global dari
terus berkembang sebagai hasil perhitungan. Dengan demikian, dari x= 0 x
= 1,25, kesalahan lokal semua negatif, dan akibatnya, meningkat
kesalahan global selama ini
selang. Pada bagian menengah jangkauan, kesalahan lokal yang positif

mulai mengurangi kesalahan global. Dekat akhir, proses dibalik dan
kesalahan global yang lagi mengembang. Jika kesalahan lokal terus
berubah tanda selama interval perhitungan, efek bersih adalah usu-sekutu
untuk mengurangi kesalahan global. Namun, di mana kesalahan lokal dari
tanda yang sama, solusi nu-merical mungkin menyimpang jauh dan jauh
dari solusi yang benar sebagai hasil perhitungan. Hasil tersebut dikatakan
tidak stabil.
Pengaruh pengurangan langkah-size lebih lanjut tentang kesalahan

pemotongan global metode Euler diilustrasikan pada Gambar. 25,5. plot
ini menunjukkan persen kesalahan relatif mutlak pada x= 5 sebagai fungsi
dari ukuran langkah untuk masalah yang kita telah memeriksa di Contoh
25.1 melalui 25.3. Perhatikan bahwa bahkan ketika h dikurangi menjadi
0,001, kesalahan masih melebihi 0,1 per sen. Karena ukuran langkah ini
sesuai dengan 5000 langkah-langkah untuk melanjutkan dari x= 0 x =5,
plot menunjukkan bahwa teknik pertama-order seperti metode Euler
menuntut besar computa-tional upaya untuk memperoleh tingkat
kesalahan yang dapat diterima. Kemudian dalam bab ini, kami menyajikan
teknik tingkat tinggi yang mencapai akurasi yang jauh lebih baik untuk
upaya komputasi yang sama. Namun, perlu dicatat bahwa, meskipun
inefisiensi nya, kesederhanaan metode Euler membuat pilihan yang sangat
menarik bagi banyak masalah teknik. Karena sangat mudah untuk pro-
gram, teknik ini sangat berguna untuk analisis cepat. Pada bagian
berikutnya, algoritma com-puter untuk metode Euler dikembangkan.
GAMBAR 25.5
Pengaruh ukuran langkah pada kesalahan pemotongan global metode

Euler untuk integral dari
y 2x3 12x220x 8,5. plot menunjukkan persen kesalahan global yang

relatif mutlak pada x 5 sebagai fungsi dari ukuran langkah.
Tangga
5 50 500 5000
100
Absolute persen kesalahan relatif
10
1
0,1
1 0,1 0.01 0,001
ukuran langkah
Algoritma 25.1.2 Bagian untuk Cara Euler
Algoritma untuk teknik satu-langkah seperti metode Euler sangat

sederhana untuk pro-gram. Seperti yang ditentukan sebelumnya pada awal
bab ini, semua metode satu-langkah memiliki bentuk umum
Nilai baru = nilai lama + lereng × ukuran langkah (25,10)
Satu-satunya cara di mana metode berbeda dalam perhitungan lereng.
Misalkan Anda ingin melakukan perhitungan sederhana yang

diuraikan dalam Tabel 25.1. Artinya, Anda ingin menggunakan metode
Euler untuk mengintegrasikan y= -2x3 + 12x 2 - 20x + 8.5, dengan kondisi
awal yang y = 1 di x = 0. Anda ingin mengintegrasikan ke x =4
menggunakan ukuran langkah 0,5, dan menampilkan semua hasil. Sebuah
pseudocode sederhana untuk menyelesaikan tugas ini dapat ditulis seperti
pada Gambar. 25,6.
Meskipun program ini akan “melakukan pekerjaan” duplikasi hasil

Tabel 25.1, tidak dirancang dengan sangat baik. Pertama, dan terpenting,
tidak sangat modular. Meskipun ini bukan sangat penting bagi program
kecil seperti itu akan menjadi penting jika kita inginkan untuk
memodifikasi dan im-membuktikan algoritma.
Selanjutnya, ada sejumlah isu yang berkaitan dengan cara kita telah
menyiapkan iterasi. Misalnya, bahwa ukuran langkah itu harus dibuat
sangat kecil untuk mendapatkan yang lebih baik accu-cabul. Dalam kasus
tersebut, karena setiap nilai yang dihitung ditampilkan, jumlah output val-
ues mungkin sangat besar. Selanjutnya, algoritma ini didasarkan pada
asumsi bahwa interval perhitungan dibagi secara merata ukuran langkah.
Akhirnya, akumulasi x di garis x= x + dx dapat dikenakan mengkuantisasi
kesalahan dari jenis yang sebelumnya dibahas dalam
GAMBAR 25,6
Pseudocode untuk versi “bodoh” dari metode Euler.
'Set kisaran integrasi
xi 0
xf 4
'Menginisialisasi
variabel x xi
y1
'Mengatur langkah
ukuran dan menentukan'
sejumlah langkah
perhitungan dx 0,5
nc (xf xi) / dx
'keluaran kondisi
awal PRINT x, y
'Loop untuk menerapkan
metode Euler' dan
menampilkan hasil
DOFOR i 1, nc
dydx2x3 12x2 20x 8,5 yy

dydx dx
xx dx
PRINT x, y
END DO
Detik. 3.4.1. Misalnya, jika dx diubah menjadi 0,01 dan standar IEEE
floating point rep-resentation digunakan (sekitar tujuh signifikan digit),
hasilnya di akhir dengan f-tion akan 3,999997 daripada 4. Untuk dx=
0.001, itu akan menjadi 3,999892!
Sebuah jauh lebih algoritma modular yang menghindari kesulitan-

kesulitan ini ditampilkan pada Gambar. 25,7. algoritma tidak output semua
nilai dihitung. Sebaliknya, pengguna menentukan interval output, xout,
yang mendikte interval di mana hasil yang dihitung disimpan dalam array,
xpm dan ypm. Nilai-nilai ini disimpan dalam array sehingga mereka dapat
menjadi output dalam berbagai cara setelah perhitungan selesai (misalnya,
dicetak, digambarkan, atau ditulis ke file).
Driver Program mengambil langkah keluaran besar dan panggilan

rutin Integrator yang mengambil langkah-langkah perhitungan yang lebih
halus. Perhatikan bahwa loop mengendalikan langkah-langkah besar dan
kecil keluar pada kondisi logis. Dengan demikian, interval tidak harus
dibagi secara merata ukuran langkah.
The Integrator rutin kemudian memanggil rutin Euler yang mengambil

satu langkah dengan metode Euler. Euler rutin panggilan rutin Derivatif
yang menghitung nilai derivatif.
Sedangkan modularisasi seperti mungkin tampak seperti berlebihan

untuk kasus ini, itu akan sangat memudahkan memodifikasi program
dalam bagian berikutnya. Sebagai contoh, meskipun pro-gram pada
Gambar. 25,7 dirancang khusus untuk menerapkan metode Euler, modul
Euler adalah satu-satunya bagian yaitu metode khusus. Dengan demikian,
semua yang diperlukan untuk menerapkan algoritma ini untuk metode
satu-langkah lain untuk memodifikasi rutinitas ini.
GAMBAR 25,7
Pseudocode untuk “meningkatkan” versi modular metode Euler.
(A) Utama atau “driver” Program (B) rutin ke Take One Keluaran
Langkah
Menetapkan nilai untuk MELAKUK

AN
y nilai awal variabel dependen
xend x
xi nilai awal variabel xout
independen xf nilai akhir variabel
independen perhitungan dx IF
ukuran langkah (xe
nd
Interval keluaran xout xf)
TH
x xi EN
xen
m0 d xf
xpm x h
ypm y dx
PANGGILAN Integrator (x, y, h,
xend)
SUB Integrator (x, y, h, xend)
mm 1
xpm x MELAKUKAN
ypm y
IF (xend xh) THEN h xend x
IF (x xf) EXIT HUBUNGI Euler (x, y, h,
END DO ynew)
HASIL DISPLAY y Y New
IF (x xend) EXIT
END DO
END SUB
(C) Metode Euler untuk ODE

Tunggal
SUB Euler (x, y, h,

ynew) HUBUNGI
Derivs (x, y, dydx)
ynew y dydx * hxxh
END SUB
(D) Rutin Menentukan Derivatif

Derivs SUB (x, y, dydx)
END SUB
dydx ...
AKHIR
CONTOH 25.4 Memecahkan Odes dengan Komputer
Pernyataan masalah. Sebuah program komputer dapat dikembangkan

dari pseudocode di Gambar. 25,7. Kita dapat menggunakan software
ini untuk memecahkan masalah lain yang terkait dengan penerjun
jatuh. Anda ingat dari Bagian Satu bahwa model matematika untuk
kecepatan didasarkan pada hukum kedua Newton dalam bentuk
dv c (E25.4
dt = g - m v .1)
persamaan diferensial ini diselesaikan baik secara analitis (Contoh 1.1)

dan numerik menggunakan metode Euler (Contoh 1.2). Solusi ini
adalah untuk kasus di mana g= 9.8, c = 12,5, m= 68.1, danv = 0 pada
t= 0.
Tujuan dari contoh ini adalah untuk mengulang ini perhitungan
numerik em-ploying model yang lebih rumit untuk kecepatan
berdasarkan deskripsi Mathemati-cal yang lebih lengkap tentang gaya
drag yang disebabkan oleh hambatan angin. Model ini diberikan oleh
d v +Sebuah (E25.4
t =g-m vmax .2)
d b
v c v
mana g, m, dan c adalah sama seperti untuk Eq. (E25.4.1), dan a, b,

danvmaxadalah konstanta empiris, yang untuk kasus ini sama dengan
8,3, 2,2, dan 46, masing-masing. Perhatikan bahwa model ini lebih
mampu pengukuran empiris akurat pas pasukan tarik ver-sus
kecepatan daripada model linier sederhana Contoh 1.1. Namun, ini
meningkat flex-ibility diperoleh dengan mengorbankan mengevaluasi
tiga koefisien lebih dari satu. Selanjutnya-lebih, model matematika
yang dihasilkan lebih sulit untuk memecahkan analitis. Dalam hal ini,
metode Euler menyediakan alternatif yang nyaman untuk
mendapatkan solusi numerik perkiraan.
GAMBAR 25,8
hasil grafis untuk solusi dari ODE nonlinier [Eq. (E25.4.2)].

Perhatikan bahwa plot juga menunjukkan solusi untuk model linear
[Eq. (E25.4.1)] untuk tujuan perbandingan.
y
60
linear
40
nonlinear
20
0 15
t
0 5 10
25,2 MEMPERBAIKI METODE EULER'S 719
Larutan. Hasil untuk kedua linear dan model nonlinear ditampilkan pada
Gambar. 25,8 dengan ukuran integrasi langkah dari 0,1 s. Plot pada
Gambar. 25,8 juga menunjukkan overlay dari apa-lution dari model linear
untuk tujuan perbandingan.
Hasil dari dua simulasi menunjukkan bagaimana meningkatkan
kompleksitas untuk-mulation dari gaya drag mempengaruhi kecepatan
penerjun. Dalam hal ini, kecepatan terminal diturunkan karena resistensi
yang disebabkan oleh ketentuan tingkat tinggi dalam Pers. (E25.4.2).
model-model alternatif dapat diuji dengan cara yang sama. Kombinasi

dari solusi yang dihasilkan komputer membuat ini tugas yang mudah dan
efisien. kenyamanan ini harus memungkinkan Anda untuk mencurahkan
lebih banyak waktu Anda untuk mempertimbangkan alternatif kreatif dan
aspek holistik dari masalah daripada perhitungan manual membosankan.
Metode 25.1.3 Tingkat Tinggi Taylor Series
Salah satu cara untuk mengurangi kesalahan metode Euler akan

menyertakan tingkat tinggi dari segi ekspansi seri Taylor dalam larutan.
Sebagai contoh, termasuk istilah orde kedua dari Persamaan. (25,6) hasil
f (xsaya .
ysaya +1 = ysaya + f(xsaya y ) 2
saya
. ysaya )h + 2! h (25,11)
dengan kesalahan pemotongan lokal
f (x
ESebuah = saya .
y
saya )
h3 6
Meskipun penggabungan istilah tingkat tinggi cukup sederhana untuk
menerapkan untuk polinomial, inklusi mereka tidak begitu sepele ketika
ODE yang lebih rumit. Dalam partic-ular, Odes yang merupakan fungsi
dari kedua variabel dependen dan independen membutuhkan diferensiasi
rantai-aturan. Sebagai contoh, turunan pertama f (x, y) adalah
f(x
φ (xsaya . ysaya ) = ∂ . y) + ∂ f(x . y) dy
x∂ ydx
Turunan kedua adalah
z (xsaya . ysaya ) = ∂ [∂ f / ∂ x + (∂f / ∂ y) (dy/dx )] + ∂ [∂ f / ∂ x + (∂f / ∂ y)

(dy/dx )] dy
x∂ ydx
Tingkat tinggi derivatif menjadi semakin lebih rumit.
Akibatnya, seperti yang dijelaskan di bagian berikut, metode satu-

langkah alternatif telah dikembangkan. Skema ini sebanding dalam kinerja
dengan tingkat tinggi pendekatan Taylor-series tapi hanya membutuhkan
perhitungan turunan pertama.
25.2 PENINGKATAN METODE EULER'S
Sebuah sumber fundamental kesalahan dalam metode Euler adalah bahwa

turunan pada awal interval diasumsikan berlaku di seluruh interval. Dua
modifikasi sederhana yang tersedia untuk membantu menghindari
kekurangan ini. Seperti yang akan ditunjukkan di Sec. 25,3, baik
modifikasi benar-benar milik kelas yang lebih besar dari teknik solusi
yang disebut Runge-Kutta
metode. Namun, karena mereka memiliki interpretasi grafis yang sangat

mudah, kami akan menyajikan mereka sebelum derivasi formal sebagai
metode Runge-Kutta.
Cara 25.2.1 Heun ini
Salah satu metode untuk meningkatkan perkiraan lereng melibatkan

penentuan dua deriv-atives untuk interval-satu pada titik awal dan satu lagi
di titik akhir. Kedua derivatif kemudian dirata-ratakan untuk mendapatkan
perkiraan meningkat dari lereng untuk seluruh di-terval. Pendekatan ini,
yang disebut metode Heun ini, digambarkan secara grafis pada Gambar.
25,9.
Ingat bahwa dalam metode Euler, lereng di awal interval
ysaya = f(xsaya . ysaya ) (25.12)

digunakan untuk ekstrapolasi linear untuk ysaya +1:
ysaya0+1 = ysaya + f(xsaya . ysaya )h (25,13)
Untuk metode Euler standar kita akan berhenti pada titik ini. Namun,
dalam metode Heun ini ysaya0+1 dihitung dalam Persamaan. (25,13)
bukanlah jawaban akhir, tetapi prediksi menengah. Ini sebabnya kami
telah membedakannya dengan superscript 0. Persamaan (25.13) disebut
prediktor
GAMBAR 25,9
penggambaran grafis dari metode Heun ini. (A) Predictor dan (b) korektor.
y
slope = f (xsaya + 1. y0saya + 1)
slope =
f (xsaya, ysaya)
x x x
saya saya + 1
(Sebuah)
f (xsaya, ysaya) + F
y slope (xsaya + 1, ysaya0 + 1)
=
2
x x x
saya saya + 1
(B)
persamaan. Ini memberikan perkiraan ysaya+1 yang memungkinkan

perhitungan perkiraan kemiringan pada akhir interval:
ysaya +1 = fxsaya +1. ysaya0+1
(25,14)
Dengan demikian, dua lereng [Pers. (25.12) dan (25.14)] dapat

dikombinasikan untuk mendapatkan kemiringan rata-rata untuk interval:
sa
y
a sa
y f(x
y¯ = saya saya . + ya
+ y
2ysaya +1= saya ) + 2 1 +1
f x . y0
kemiringan rata-rata ini kemudian digunakan untuk ekstrapolasi linear dari

ysaya untuk ysaya+l menggunakan metode Euler:
f( saya .
x ysaya ) f x . y0
sa sa
+
y y
a a
ysaya +1 = + +
ysaya + 2 1 1 h
yang disebut persamaan korektor.
Metode Heun adalah pendekatan prediktor-korektor. Semua metode
multi langkah yang akan dibahas selanjutnya di Chap. 26 adalah dari jenis
ini. Metode Heun adalah satu-satunya langkah metode prediktor-korektor
yang dijelaskan dalam buku ini. Seperti yang berasal di atas, dapat
dinyatakan seringkas
Predictor (. Gambar ysaya0+1 = ysaya +

25.9a): f(xsaya . ysaya )h (25,15)
f saya .
(x ysaya ) f x . y0
sa sa
+
y y
a a
Korektor (. Gambar ysaya +1 = + +
25.9b): ysaya + 2 1 1 h (25.16)
Perhatikan bahwa karena Persamaan. (25.16) memiliki ysaya+ldi kedua

sisi tanda sama, dapat diterapkan dalam mode berulang. Artinya, perkiraan
tua dapat digunakan berulang kali untuk memberikan perkiraan im-
terbukti dari ysaya+l. Proses ini digambarkan dalam Gambar. 25.10. Perlu
dipahami bahwa
GAMBAR 25.10
representasi grafis dari iterasi korektor metode Heun untuk

mendapatkan perkiraan ditingkatkan.
y
y +hf (.
yf (
s x s
saya + x
a a
s s
y y
a a
a a
1 y y
)
a a
+
1
.
y
0
s
a
y
a
+
1
)
proses berulang-ulang ini tidak selalu berkumpul di jawaban yang benar,

tetapi akan berkumpul di perkiraan dengan kesalahan pemotongan yang
terbatas, seperti yang ditunjukkan dalam contoh berikut.
Seperti metode iterasi yang sama dibahas di bagian sebelumnya dari

buku, kriteria termi-bangsa untuk konvergensi dari korektor yang
disediakan oleh [recall Eq. (3,5)]
| εSebuah| j
= y j -1 100% (25.17)
j
y -
sa
ya ysaya
+1 +1
sa
ya
1
+
sa ad
saya +1 ya al
dan +1 ah
hasil dari sebelumnya dan iterasi sekarang korektor
j -1
dimana y yj ini,
masing-
masing.
CONTOH Metode Heun

25,5 ini
Pernyataan Menggunakan metode Heun untuk mengintegrasikan y
masalah. = 4e0.8x - 0.5y dari x= 0
x = 4 dengan ukuran langkah 1. Kondisi awal pada x= 0
adalah y= 2.
Larutan. Sebelum memecahkan masalah numerik, kita dapat
menggunakan kalkulus untuk menentukan
berikut solusi analitis:
4
y = 1.3 (e0.8x- e-0.5x) + 2e-0.5x (E25.5.1)

Formula ini dapat digunakan untuk menghasilkan nilai solusi
yang benar dalam Tabel 25.2.
Pertama, kemiringan di (x0, y0) Dihitung
sebagai
y0 = 4e0 - 0.5(2) = 3
Hasil ini sangat berbeda dari lereng rata-rata aktual untuk interval dari 0
sampai 1.0,
yang sama dengan 4,1946, yang dihitung dari persamaan diferensial
menggunakan Persamaan. (PT6.4).
Solusi numerik diperoleh dengan menggunakan prediktor [Eq. (25,15)]
untuk mendapatkan es-
timate dari y
pada 1,0:
y10 = 2+ 3(1) =
5
TABEL 25.2 Perbandingan nilai-nilai yang benar dan perkiraan integral
dari y =
4e0.8x - 0.5y, dengan kondisi awal yang y = 2 pada x = 0.
perkiraan
Nilai-nilai dihitung dengan menggunakan metode Heun
dengan ukuran langkah 1. Dua
kasus, sesuai dengan nomor yang berbeda dari iterasi korektor,
yang ditampilkan,
bersama dengan mutlak persen
kesalahan relatif.
Iterasi Metode Heun ini
1 15
yb
en
x ar yHeun | t| (%) yHeun | t| (%)
2.000000
0 0 2.0000000 0.00 2.0000000 0.00
6.194631
1 4 6.7010819 8.18 6.3608655 2,68
14.84392
2 19 16.3197819 9.94 15.3022367 3,09
33.67717
3 18 37.1992489 10.46 34.7432761 3.17
75.33896
4 26 83.3377674 10.62 77.7350962 3.18
Catatan bahwa ini adalah hasil yang akan diperoleh dengan metode Euler
standar. Nilai sebenarnya pada Tabel 25.2 menunjukkan bahwa sesuai
dengan persen kesalahan relatif dari 19,3 persen.
Sekarang, untuk meningkatkan perkiraan untuk ysaya+1, Kita

menggunakan nilai y10 untuk memprediksi lereng pada akhir interval
y1 = fx1. y10 = 4e0.8(1) - 0.5(5) = 6.402.164
yang dapat dikombinasikan dengan kemiringan awal untuk menghasilkan

kemiringan rata-rata selama interval dari x = 0-1
3 + 6.402.164
y = = 4.701.082
which is closer to the true average slope of 4.1946. This result can then be
substituted into the corrector [Eq. (25.16)] to give the prediction at x = 1
y1 = 2+ 4.701082(1) = 6.701082
which represents a percent relative error of −8.18 percent. Thus, the Heun
method without iteration of the corrector reduces the absolute value of the
error by a factor of 2.4 as com-pared with Euler’s method.
Now this estimate can be used to refine or correct the prediction of y 1
by substituting the new result back into the right-hand side of Eq. (25.16):
4e 0.8( 0.5(6.70108
3 1) 2)
+ −
y1 = 2+ 2 1=
which represents an absolute percent relative error of 1.31 percent. This
result, in turn, can be substituted back into Eq. (25.16) to further correct:
4e 0.8( 0.5(6.27581
3 1) 1)
+ − 1=
y1 = 2+ 2 6.382129
which represents an |εt | of 3.03%. Notice how the errors sometimes grow
as the iterations proceed. Such increases can occur, especially for large
step sizes, and they prevent us from drawing the general conclusion that
an additional iteration will always improve the result. However, for a
sufficiently small step size, the iterations should eventually converge on a
single value. For our case, 6.360865, which represents a relative error of
2.68 percent, is attained after 15 iterations. Table 25.2 shows results for
the remainder of the computation using the method with 1 and 15
iterations per step.
In the previous example, the derivative is a function of both the

dependent variable y and the independent variable x. For cases such as
polynomials, where the ODE is solely a function of the independent
variable, the predictor step [Eq. (25.16)] is not required and the corrector
is applied only once for each iteration. For such cases, the technique is
expressed concisely as
= f(xi ) + f(xi
+1)
y y 2 h (25.18)
i i+
+1
724 RUNGE-KUTTA METHODS
Notice the similarity between the right-hand side of Eq. (25.18) and the
trapezoidal rule [Eq. (21.3)]. The connection between the two methods can
be formally demonstrated by starting with the ordinary differential
equation
dy
= f(x )
This equation can be solved for y by integration:
yi +1 xi +1
dy = f(x ) dx
(25.19)
y x
i i
which yields
xi +1
yi +1 − yi = f(x ) dx
(25.20)
Fi
or
xi +1
yi +1 = yi + f(x ) dx
(25.21)
2. i
Now, recall from Chap. 21 that the trapezoidal rule [Eq. (21.3)] is defined
as
f(xi ) +
xi
x
i f(x ) dx f(xi +1)
+1 = ∼
2 h (25.22)
where h = xi +1 − xi . Substituting Eq. (25.22) into Eq. (25.21)
yields
f(xi ) + f(xi
y y +1) h (25.23)
i +1= i + 2
which is equivalent to Eq. (25.18).
Because Eq. (25.23) is a direct expression of the trapezoidal rule, the

local truncation error is given by [recall Eq. (21.6)]
f
(ξ ) 3
Et = − 12 h (25.24)
where ξ is between xi and xi+l. Thus, the method is second order because
the second deriva-tive of the ODE is zero when the true solution is a
quadratic. In addition, the local and global errors are O(h3) and O(h2),
respectively. Therefore, decreasing the step size decreases the error at a
faster rate than for Euler’s method. Figure 25.11, which shows the result
of using Heun’s method to solve the polynomial from Example 25.1
demonstrates this behavior.
25.2.2 The Midpoint (or Improved Polygon) Method

Figure 25.12 illustrates another simple modification of Euler’s method.
Called the mid-point method (or the improved polygon or the modified
Euler), this technique uses Euler’s method to predict a value of y at the
midpoint of the interval (Fig. 25.12a):
yi +1/2 = yi + f(xi , yi h
) 2 (25.25)
25.2 IMPROVEMENTS OF EULER’S METHOD 725
Euler’s method
Heun’s method
FIGURE 25.11 True solution
Comparison of the true

solution with a
numerical solution 3 x
using Euler’s and
Heun’s methods for the
integral of y 2x3 12x2
20x 8.5.
FIGURE 25.12
Slope = f (xi + 1/2, yi
Graphical depiction of the y + 1/2 )
midpoint method.
(a) Eq. (25.25) and
(b) Eq. (25.27).
x x
i i + 1/2 x
(a)
y Slope = f (x i + 1/2, yi
+ 1/2)
x x
i i+1 x
(b)
Then, this predicted value is used to calculate a slope at the midpoint:
y
= f(xi +1/2, yi +1/2)
i +1/2 (25.26)
which is assumed to represent a valid approximation of the average slope
for the entire in-terval. This slope is then used to extrapolate linearly from
xi to xi+l (Fig. 25.12b):
y
i +1= yi + f(xi +1/2, yi
+1/2)h (25.27)
Observe that because yi+l is not on both sides, the corrector [Eq. (25.27)]
cannot be applied iteratively to improve the solution.
As in the previous section, this approach can also be linked to Newton-

Cotes integra-tion formulas. Recall from Table 21.4, that the simplest
Newton-Cotes open integration formula, which is called the midpoint
method, can be represented as
b
−
f(x ) dx = (b a) f(x1)
a
where x1 is the midpoint of the interval (a, b). Using the nomenclature for
the present case, it can be expressed as
xi +1
∼
f(x ) dx = h f(xi +1/2)
A i
Substitution of this formula into Eq. (25.21) yields Eq. (25.27). Thus, just
as the Heun method can be called the trapezoidal rule, the midpoint
method gets its name from the underlying integration formula upon which
it is based.
The midpoint method is superior to Euler’s method because it utilizes

a slope estimate at the midpoint of the prediction interval. Recall from our
discussion of numerical differ-entiation in Sec. 4.1.3 that centered finite
divided differences are better approximations of derivatives than either
forward or backward versions. In the same sense, a centered ap-
proximation such as Eq. (25.26) has a local truncation error of O(h 2) in
comparison with the forward approximation of Euler’s method, which has
an error of O(h). Consequently, the local and global errors of the midpoint
method are O(h3) and O(h2), respectively.
25.2.3 Computer Algorithms for Heun and Midpoint Methods
Both the Heun method with a single corrector and the midpoint method
can be easily pro-grammed using the general structure depicted in Fig.
25.7. As in Fig. 25.13a and b, simple routines can be written to take the
place of the Euler routine in Fig. 25.7.
However, when the iterative version of the Heun method is to be

implemented, the modifications are a bit more involved (although they are
still localized within a single mod-ule). We have developed pseudocode
for this purpose in Fig. 25.13c. This algorithm can be combined with Fig.
25.7 to develop software for the iterative Heun method.
25.2.4 Summary
By tinkering with Euler’s method, we have derived two new second-order

techniques. Even though these versions require more computational effort
to determine the slope, the accompanying reduction in error will allow us
to conclude in a subsequent section
25.3 RUNGE-KUTTA
METHODS 727
(a) Simple Heun without (c) Heun with
Corrector Corrector
SUB Heun (x, y, h, ynew) CALL

Deriv
CALL Derivs (x, y, dy1dx) s (x h
2, ym,
yeydy1dx h dymdx
)
CALL Derivs(x h, ye, dy2dx)
ynewy
Slope(dy1dx dy2dx) 2 dymdx
h
ynewySlope
h
xxh
xx h
END
SUB
END SUB
(b) Midpoint Method
FIGUR
SUB Midpoint (x, y, h, ynew)
E 25.13
CALL Derivs(x, y, dydx)
ymydydx h2
CALL Derivs(x h, ye,
dy2dx) slope (dy1dx
SUB HeunIter (x, y, h, ynew) dy2dx) 2 ye y slope h iter
iter 1
es 0.01
ye yeold
maxit 20 ea 100%
ye
CALL Derivs(x, y, dy1dx)
IF (ea es OR iter maxit) EXIT
yeydy1dx h END DO
ynew ye
iter 0
xx h
DO
END SUB
yeold ye
Pseudocode to implement the (a) simple Heun, (b) midpoint, and (c)
iterative Heun methods.
(Sec. 25.3.4) that the improved accuracy is usually worth the effort.
Although there are cer-tain cases where easily programmable techniques
such as Euler’s method can be applied to advantage, the Heun and
midpoint methods are generally superior and should be imple-mented if
they are consistent with the problem objectives.
As noted at the beginning of this section, the Heun (without iterations),
the midpoint method, and in fact, the Euler technique itself are versions of
a broader class of one-step approaches called Runge-Kutta methods. We
now turn to a formal derivation of these techniques.
25.3 RUNGE-KUTTA METHODS
Runge-Kutta (RK) methods achieve the accuracy of a Taylor series

approach without re-quiring the calculation of higher derivatives. Many
variations exist but all can be cast in the generalized form of Eq. (25.1):
yi +1 = yi + φ (xi , yi , h)h (25.28)

where φ(xi, yi, h) is called an increment function, which can be interpreted
as a representa-tive slope over the interval. The increment function can be
written in general form as
φ =a1k1 +a2k2 + · · · +an kn (25.29)

where the a’s are constants and the k’s are
k1 = f(xi , yi ) (25.29a)
k2 = f(xi + p1h, yi + q11k1h) (25.29b)
k3 = f(xi + p2h, yi + q21k1h + q22k2h) (25.29c)
.
.
.
k
n = f(xi + pn−1h, yi + qn−1,1k1h + qn−1,2k2h + · · · +
q
n−1,n−1kn−1h) (25.29d)
where the p’s and q’s are constants. Notice that the k’s are recurrence
relationships. That is, k1 appears in the equation for k2, which appears in
the equation for k3, and so forth. Because each k is a functional evaluation,
this recurrence makes RK methods efficient for computer calculations.
Various types of Runge-Kutta methods can be devised by employing

different num-bers of terms in the increment function as specified by n.
Note that the first-order RK method with n = 1 is, in fact, Euler’s method.
Once n is chosen, values for the a’s, p’s, and q’s are evaluated by setting
Eq. (25.28) equal to terms in a Taylor series expansion (Box 25.1). Thus,
at least for the lower-order versions, the number of terms, n, usually rep-
resents the order of the approach. For example, in the next section,
second-order RK meth-ods use an increment function with two terms (n =
2). These second-order methods will be exact if the solution to the
differential equation is quadratic. In addition, because terms with h3 and
higher are dropped during the derivation, the local truncation error is O(h3)
and the global error is O(h2). In subsequent sections, the third- and fourth-
order RK methods (n= 3 and 4, respectively) are developed. For these
cases, the global truncation errors are O(h3) and O(h4), respectively.
25.3.1 Second-Order Runge-Kutta Methods

The second-order version of Eq. (25.28) is
yi +1 = yi + (a1k1 + a2k2)h (25.30)

wher
e
k1 = f(xi , yi ) (25.30a)
k2 = f(xi + p1h, yi + q11k1h) (25.30b)
As described in Box 25.1, values for al, a2, p1, and q11 are evaluated by
setting Eq. (25.30) equal to a Taylor series expansion to the second-order
term. By doing this, we derive three equations to evaluate the four
unknown constants. The three equations are
a1 + a2 = 1 (25.31)
1
a2 p1 = 2 (25.32)
1
a2q11 = 2 (25.33)
25.3 RUNGE-KUTTA METHODS 729
Box 25.1 Derivation of the Second-Order Runge-Kutta Methods

where f (xi, yi) must be determined by chain-rule
The second-order version of Eq. (25.28) is differentiation (Sec. 25.1.3):
(B25. ∂ f(x, ∂ f(x, y)

(B25.
yi +1 = yi + (a1 k1 + a2 k2 )h 1.1) y) dy
1.5)
where f (xi, yi ) ∂
= ∂ x + y dx
Substituting Eq. (B25.1.5) into
(B25.
(B25.1.4) gives
k1 = f(xi, yi ) 1.2) ∂ ∂f
f dy h2
and
yi +1 = yi + f(xi, yi )h ∂ ∂ d 2 (B25.
(B25. + x +y x ! 1.6)
The basic strategy underlying Runge-Kutta
k2 = f(xi + p1 h, yi + q11 k1 h) 1.3)
methods is to use alge-braic manipulations to
To use Eq. (B25.1.1) we have to determine solve for values of a1, a2, p1, and q11 that make
values for the con-stants a1, a2, p1, and q11. To do Eqs. (B25.1.1) and (B25.1.6) equivalent.
this, we recall that the second-order Taylor series

for yi+1 in terms of yi and f (xi, yi) is written as To do this, we first use a Taylor series to
[Eq. (25.11)] expand Eq. (25.1.3). The Taylor series for a two-
variable function is defined as [recall Eq. (4.26)]
f (xi, yi
yi +1 = yi + f(xi, yi ) (B25. g(x + r, y + s) = g(x , y) + r ∂g + s ∂g + · · ·
)
h+ 2! h2 1.4) ∂x ∂y
q11 y
∂
f ∂f
Applying this method to expand Eq. (B25.1.3)
(B25.
gives
1.7)
∂ Now, comparing like terms in Eqs. (B25.1.6) and

f (B25.1.7), we de-termine that for the two
equations to be equivalent, the following must
f(xi + p1 h, yi + q11 k1 h) = f(xi, yi ∂
hold:
) + p1 h x
+ q11 k1 h ∂ f + O(h2 )
∂y a1 + a2 = 1
1
This result can be substituted along with Eq. a2 p1 =

(B25.1.2) into Eq. (B25.1.1) to yield a2 q11 = 1
2
yi +1 = yi + a1 h f(xi, yi ) + a2 h f(xi, yi )
+ a2 p1 h2 ∂ f ∂ x These three simultaneous equations contain the
∂ four unknown con-stants. Because there is one
f more unknown than the number of equations,
there is no unique set of constants that satisfy the
+ a2 q11 f(xi, ∂ + O(h3
equa-tions. However, by assuming a value for
h2 yi ) y )
or, by collecting one of the constants, we can determine the other
terms, three. Consequently, there is a family of second-
yi +1 = yi + [a1 f(xi , yi ) + a2 f(xi h2 + O(h3 ) order methods rather than a single version.
, yi )]h
+ a2 p1 ∂ x + a2 f(xi, yi ) ∂
Because we have three equations with four unknowns, we must
assume a value of one of the unknowns to determine the other three.
Suppose that we specify a value for a2. Then Eqs. (25.31) through (25.33)
can be solved simultaneously for
a1 = 1− a2 (25.34)
1
p1 = q11 = 2a2 (25.35)

Because we can choose an infinite number of values for a 2, there are

an infinite num-ber of second-order RK methods. Every version would
yield exactly the same results if the solution to the ODE were quadratic,
linear, or a constant. However, they yield different re-sults when (as is
typically the case) the solution is more complicated. We present three of
the most commonly used and preferred versions:
Heun Method with a Single Corrector (a2 = 1/2). If a2 is assumed to be 1/2,

Eqs. (25.34) and (25.35) can be solved for a1 = 1/2 and pl = q11 = 1. These
parameters, when substituted into Eq. (25.30), yield
1 1
yi +1 = yi + 2k1 +2 k2 h (25.36)
wher
e
k1 = f(xi , yi ) (25.36a)
k
2 = f(xi + h, yi + k1h) (25.36b)
Note that k1 is the slope at the beginning of the interval and k2 is the slope
at the end of the interval. Consequently, this second-order Runge-Kutta
method is actually Heun’s tech-nique without iteration.
The Midpoint Method (a2 = where

1).
k1 = f(xi , yi
and Eq. (25.30) becomes )
yi +1 = yi + k2h 1
1
k2 = f xi + 2 h, yi + 2 k1h
If a2 is assumed to be 1, then a1 = 0, p1 = q11
This is the midpoint method. = 1/2,
(25.37)
(25.37a)
(25.37b)
Ralston’s Method (a2 = 2/3). Ralston (1962) and Ralston and Rabinowitz
(1978) determined that choosing a2 = 2/3 provides a minimum bound on
the truncation error for the second-order RK algorithms. For this version,
a1 = 1/3 and p1 = q11 = 3/4 and yields
y
i
+1 = yi + 3k1 + 3k2 h (25.38)
1 2
where
= f(xi , (25.38
k1 yi ) a)
(25.38
k2 = f xi + 4 h, yi + 4k1h b)
3 3
EXAMPLE 25.6 Comparison of Various Second-Order RK Schemes
Problem Statement. Use the midpoint method [Eq. (25.37)] and Ralston’s
method [Eq. (25.38)] to numerically integrate Eq. (PT7.13)
f(x , y) = −2x3 + 12x2 − 20x+ 8.5
from x = 0 to x = 4 using a step size of 0.5. The initial condition at x = 0 is

y = 1. Com-pare the results with the values obtained using another second-
order RK algorithm, that is, the Heun method without corrector iteration
(Table 25.3).
Solution. The first step in the midpoint method is to use Eq. (25.37a) to
compute
k1 = −2(0)3 + 12(0)2 − 20(0) + 8.5= 8.5
However, because the ODE is a function of x only, this result has no

bearing on the second step—the use of Eq. (25.37b) to compute
k2 = −2(0.25)3 + 12(0.25)2 − 20(0.25) + 8.5= 4.21875
Notice that this estimate of the slope is much closer to the average value
for the interval (4.4375) than the slope at the beginning of the interval
(8.5) that would have been used for Euler’s approach. The slope at the
midpoint can then be substituted into Eq. (25.37) to predict
y(0.5) = 1+ 4.21875(0.5) = 3.109375 εt =3.4%
The computation is repeated, and the results are summarized in Fig. 25.14
and Table 25.3.
FIGURE 25.14
Comparison of the true solution with numerical solutions using three

second-order RK methods and Euler’s method.
Analyti
cal
y
Euler
Heun
Midpoi
nt
Ralston
4
0
0 2 4 x
TABLE 25.3 Comparison of true and approximate values of the integral

of
y = −2x3 + 12x2 − 20x + 8.5, with the initial condition that y =

1 at x = 0. The approximate values were computed using three
versions of second-order RK methods with a step size of 0.5.
Second-
Order
Heun Midpoint Ralston RK
| t|
x ytrue y | t| (%) y | t| (%) y (%)
0.0 1.00000 1.00000 0 1.00000 0 1.00000 0

0.5 3.21875 3.43750 6.8 3.109375 3.4 3.277344 1.8
1.0 3.00000 3.37500 12.5 2.81250 6.3 3.101563 3.4
1.5 2.21875 2.68750 21.1 1.984375 10.6 2.347656 5.8
2.0 2.00000 2.50000 25.0 1.75 12.5 2.140625 7.0
2.5 2.71875 3.18750 17.2 2.484375 8.6 2.855469 5.0
3.0 4.00000 4.37500 9.4 3.81250 4.7 4.117188 2.9
3.5 4.71875 4.93750 4.6 4.609375 2.3 4.800781 1.7
4.0 3.00000 3.00000 0 3 0 3.031250 1.0
For Ralston’s method, k1 for the first interval also equals 8.5 and
[Eq. (25.38b)] k2 = −2(0.375)3 + 12(0.375)2 − 20(0.375) + 8.5=
2.58203125
The average slope is computed by
A = 1 (8.5) + 2 (2.58203125) = 4.5546875
33
which can be used to predict
y(0.5) = 1+ 4.5546875(0.5) = 3.27734375 εt = −1.82%
The computation is repeated, and the results are summarized in Fig. 25.14
and Table 25.3.
Notice how all the second-order RK methods are superior to Euler’s

method.
25.3.2 Third-Order Runge-Kutta Methods
For n = 3, a derivation similar to the one for the second-order method can
be performed. The result of this derivation is six equations with eight
unknowns. Therefore, values for two of the unknowns must be specified a
priori in order to determine the remaining parame-ters. One common
version that results is
1
yi +1 = yi + 6 (k1 +4k2 +k3)h (25.39)
where
(25.39
k1 = f(xi , yi ) a)
k2 = f xi + 2h, yi + 2k1h (25.39b)
1 1
k3 = f(xi + h, yi − k1h + 2k2h) (25.39c)
Note that if the derivative is a function of x only, this third-order

method reduces to Simpson’s 1/3 rule. Ralston (1962) and Ralston and
Rabinowitz (1978) have developed an alternative version that provides a
minimum bound on the truncation error. In any case, the third-order RK
methods have local and global errors of O(h4) and O(h3), respectively, and
yield exact results when the solution is a cubic. When dealing with
polynomials, Eq. (25.39) will also be exact when the differential equation
is cubic and the solution is quartic. This is because Simpson’s 1/3 rule
provides exact integral estimates for cubics (recall Box 21.3).
25.3.3 Fourth-Order Runge-Kutta Methods
The most popular RK methods are fourth order. As with the second-order
approaches, there are an infinite number of versions. The following is the
most commonly used form, and we therefore call it the classical fourth-
order RK method:
1
y y
i +1= i + 6(k1 + 2k2 + 2k3 + k4)h (25.40)
where
k1 = f(xi , 2h, yi + 2k1h (25.40

yi ) a)
(25.40
k
2 = f xi + b)
1 1
FIGURE 25.15
Graphical depiction of the slope estimates comprising the fourth-order RK

method.
y
k2
k3
k1
k1 k2
k3
k4
h
x x
xi i+1/2 i+1 x
k3 = f xi + 2h, yi + 2k2h (25.40c)

1 1
= f(xi + h, yi +
k4 k3h) (25.40d)
Notice that for ODEs that are a function of x alone, the classical
fourth-order RK method is similar to Simpson’s 1/3 rule. In addition, the
fourth-order RK method is simi-lar to the Heun approach in that multiple
estimates of the slope are developed in order to come up with an improved
average slope for the interval. As depicted in Fig. 25.15, each of the k’s
represents a slope. Equation (25.40) then represents a weighted average of
these to arrive at the improved slope.
EXAMPLE 25.7 Classical Fourth-Order RK Method
Problem Statement.
(a) Use the classical fourth-order RK method [Eq. (25.40)] to integrate
f(x , y) = −2x3 + 12x2 − 20x+ 8.5
using a step size of h = 0.5 and an initial condition of y = 1 at x = 0.

F Similarly, integrate
f(x , y) = 4e0.8x − 0.5y
using h = 0.5 with y(0) = 2 from x = 0 to 0.5.
Solution.
3. Equations (25.40a) through (25.40d ) are used to compute k1 = 8.5, k2
= 4.21875, k3 =
4.21875 and k4 = 1.25, which are substituted into Eq. (25.40) to yield
[8.5 + 2(4.21875) + 2(4.21875) + 0.
y(0.5) = 1+ 6 1.25] 5
1
3. 3.21875
which is exact. Thus, because the true solution is a quartic [Eq.

(PT7.16)], the fourth-order method gives an exact result.
xii For this case, the slope at the beginning of the interval is computed as
k1 = f(0, 2) = 4e0.8(0) − 0.5(2) = 3
This value is used to compute a value of y and a slope at the midpoint,
y(0.25) = 2+ 3(0.25) = 2.75
k2 = f(0.25, 2.75) = 4e0.8(0.25) − 0.5(2.75) = 3.510611
This slope in turn is used to compute another value of y and another

slope at the midpoint,
y(0.25) = 2+ 3.510611(0.25) = 2.877653
k3 = f(0.25, 2.877653) = 4e0.8(0.25) − 0.5(2.877653) = 3.446785

Next, this slope is used to compute a value of y and a slope at the end
of the interval,
y(0.5) = 2+ 3.071785(0.5) = 3.723392
k4 = f(0.5, 3.723392) = 4e0.8(0.5) − 0.5(3.723392) = 4.105603736 METODE RUNGE-KUTTA
10
0
Persen kesalahan relatif
1 Euler
Heun
10- 2
10- 4 RK-3d
RK-4
10- 6
Tukang
daging
Upaya
GAMBAR 25.16
Perbandingan persen kesalahan relatif terhadap upaya komputasi

untuk pertama-melalui metode RK kelima-order.
metode. Hasilnya disajikan pada Gambar. 25.16, di mana kita telah diplot
nilai absolut dari persen kesalahan relatif versus upaya komputasi.
kuantitas yang terakhir ini equiva-dipinjamkan kepada jumlah evaluasi
fungsi yang diperlukan untuk mencapai hasil, seperti dalam
= f h
b-
Upa Sebua (E25.8
ya n h .1)
di mana nf =jumlah evaluasi fungsi yang terlibat dalam perhitungan RK

tertentu. untuk pesanan≤ 4, nfadalah sama dengan urutan metode. Namun,
perlu diketahui bahwa teknik kelima-order Jagal membutuhkan enam
evaluasi fungsi [Eq. (25.41a) melalui (25.41f)]. Kuantitas (b-
Sebuah)/hadalah total selang integrasi dibagi dengan langkah ukuran-
yaitu, itu adalah jumlah aplikasi dari teknik RK diperlukan untuk
mendapatkan hasilnya. Dengan demikian, karena evaluasi fungsi biasanya
primer langkah memakan waktu, Persamaan. (E25.8.1) pro-vides ukuran
kasar dari run time yang diperlukan untuk mencapai jawabannya.
Pemeriksaan Gambar 25.16 mengarah ke sejumlah kesimpulan.

Pertama, bahwa metode tingkat tinggi mencapai akurasi yang lebih baik
untuk upaya komputasi yang sama dan, kedua, bahwa keuntungan dalam
akurasi untuk usaha tambahan cenderung berkurang setelah titik.
(Perhatikan bahwa kurva turun dengan cepat pada awalnya dan kemudian
cenderung tingkat off.)
Misalnya 25,8 dan Gambar. 25.16 mungkin akan membawa kita untuk
menyimpulkan bahwa tingkat tinggi RK tech-tehnik selalu metode yang
disukai. faktor Namun, lain seperti pemrograman
25,4 SISTEM PERSAMAAN 737
SUB RK4 (x, y, h, ynew)
PANGGILAN Derivs (x, y, k1)
ymyk1 h2
PANGGILAN Derivs (x h 2, ym, k2)
ymyk2 h2
PANGGILAN Derivs (x h 2, ym, k3)
yeyk3 h
PANGGILAN Derivs (x h, kamu, k4)
kemiringan (k12 (k2k3) k4) 6
ynewyslope h
xx h
END SUB
GAMBAR 25.17
Pseudocode untuk menentukan satu langkah dari metode keempat-order

RK.
biaya dan persyaratan akurasi masalah ini juga harus dipertimbangkan
ketika Choo-ing teknik solusi. trade-off tersebut akan dieksplorasi secara
rinci dalam aplikasi teknik di Chap. 28 dan dalam epilog untuk Bagian
Tujuh.
25.3.5 Algoritma Komputer untuk Runge-Kutta Metode
Seperti dengan semua metode dibahas dalam bab ini, teknik RK cocok
baik ke dalam algoritma gen-eral diwujudkan dalam Gambar. 25,7.
Gambar 25.17 menyajikan pseudocode untuk menentukan kemiringan
klasik keempat-order metode RK [Eq. (25,40)]. Subrutin untuk
menghitung lereng untuk semua versi lain dapat dengan mudah diprogram
dengan cara yang sama.
25,4 SISTEM PERSAMAAN
Banyak masalah praktis di bidang teknik dan ilmu pengetahuan

memerlukan solusi dari sistem persamaan diferensial biasa si-multaneous
daripada persamaan tunggal. Sistem tersebut dapat direpresentasikan
secara umum sebagai
dy1
dx = f1(x . y1. y2,. . . . yn )

dy2
dx = f2(x . y1. y2,. . . . yn )

.
.
.
dy
n
dx = fn (x . y1. y2,. . . . yn ) (25,42)
Solusi dari sistem tersebut mengharuskan n kondisi awal diketahui pada

nilai mulai dari x.
Cara 25.4.1 Euler
Semua metode yang dibahas dalam bab ini untuk persamaan tunggal dapat
diperpanjang dengan sys-tem yang ditunjukkan di atas. aplikasi teknik
dapat melibatkan ribuan simultan equa-tions. Dalam setiap kasus, prosedur
untuk memecahkan sistem persamaan hanya melibatkan menerapkan-ing
teknik satu langkah untuk setiap persamaan pada setiap langkah sebelum
melanjutkan ke langkah berikutnya. Hal ini diilustrasikan oleh contoh
berikut untuk metode Euler sederhana ini.
CONTOH 25,9 Pemecahan Sistem Odes Menggunakan Metode Euler
Pernyataan masalah. Memecahkan set berikut persamaan diferensial

menggunakan Euler metode, dengan asumsi bahwa pada x = 0, y1 = 4, dan
y2 = 6. Mengintegrasikan ke x = 2 dengan ukuran langkah 0,5.
dy1 dy2
d d = 4 - 0.3thn2 -
x = -0.5y1 x 0.1thn1
Larutan. Metode Euler diimplementasikan untuk setiap variabel seperti

dalam Persamaan. (25.2):
y1(0.5) = 4+ [-0.5(4)] 0.5= 3
y2(0.5) = 6+ [4- 0.3(6) - 0.1(4)] 0.5= 6.9

Perhatikan bahwa y1(0) = 4 digunakan dalam persamaan kedua daripada
y1(0.5) =3 dihitung dengan persamaan pertama. Melanjutkan dengan cara
seperti memberikan
x y1 y2
0 4 6
0,5 3 6.9
1.0 2,25 7,715
8,4452
1,5 1,6875 5
9.0940
2.0 1.265625 87
25.4.2 Metode Runge-Kutta
Perhatikan bahwa salah satu metode RK tingkat tinggi dalam bab ini dapat
diterapkan untuk sistem persamaan. Namun, perawatan harus diambil
dalam menentukan lereng. Gambar 25.15 sangat membantu dalam
memvisualisasikan cara yang tepat untuk melakukan hal ini untuk metode
keempat-order. Yaitu, pertama kita lereng-velop de untuk semua variabel
di nilai awal. lereng ini (satu set k1'S) kemudian digunakan untuk
membuat prediksi dari variabel dependen pada titik tengah dari interval.
Nilai-nilai titik tengah yang pada gilirannya digunakan untuk menghitung
satu set lereng di titik tengah (k 2'S). Ini lereng baru kemudian dibawa
kembali ke titik awal untuk membuat satu set prediksi titik tengah yang
mengarah pada prediksi kemiringan baru di titik tengah (k3'S). Ini
kemudian digunakan untuk membuat prediksi pada akhir interval yang
digunakan untuk mengembangkan lereng pada akhir interval (k4'S).
Akhirnya, k ini digabungkan menjadi satu set fungsi peningkatan [seperti
dalam Persamaan. (25,40)] dan dibawa kembali ke awal untuk membuat
prediksi final. Contoh berikut menggambarkan pendekatan.
CONTOH 25.10 Pemecahan Sistem Odes Menggunakan-Order Keempat RK Metode yang
Pernyataan masalah. Gunakan keempat-order metode RK untuk

memecahkan Odes dari Ujian-ple 25,9.
Larutan.
Pertama, kita harus memecahkan semua lereng di awal interval:
k
1.1 =
k
1.2 f 1(0. 4. 6) = -0.5(4) = -2
=
f 2(0. 4. 6) =4 -0.3(6) -0.1(4) =1.8
di mana ksaya. jadalah nilai i dari k untuk j variabel dependen. Berikutnya,

kita harus menghitung nilai pertama y1 dan y2 di titik tengah:
0.
h 5
y1 +
k1.1 2 = 4 + (-2) 2 = 3.5
0.
h 5
y2 + =6+ =
k1.2 2 (1.8) 2 6.45
yang dapat digunakan untuk menghitung set pertama lereng titik tengah,
k2.1 = f1(0.25. 3.5. 6.45) = -1.75

k2.2 = f2(0.25. 3.5. 6.45) = 1.715
Ini digunakan untuk menentukan set kedua prediksi titik tengah,
0.
h 5
+
y
1 k2.1 2 = 4+ (-1.75) 2 = 3.5625
h 0.5
+ + =
y2 k2.2 2 = 6 (1.715) 2 6.42.875
yang dapat digunakan untuk menghitung set kedua
lereng titik tengah,
k
3.
1 = f1(0.25. 3.5625. 6.42.875) = -1.78.125
k
3.
2 = f2(0.25. 3.5625. 6.42.875) = 1.715.125
Ini digunakan untuk menentukan prediksi pada akhir interval
y1 + k3.1h = 4+ (-1.78.125) (0.5) = 3.109.375
y2 + k3.2h = 6+ (1.715.125) (0.5) = 6.857.563
yang dapat digunakan untuk menghitung lereng endpoint,
k4.1 = f1(0.5. 3.109.375. 6.857.563) = -1.554.688
k4.2 = f2(0.5. 3.109.375. 6.857.563) = 1.631.794
Nilai-nilai k kemudian dapat digunakan untuk menghitung [Eq. (25,40)]:

y1(0.5) = 4+ 1 [-2+ 2(-1.75- 1.78.125) - 1.554.688] 0.5=
3.115.234 6
y2(0.5) = 6+ 1 [1.8+ 2(1.715+ 1.715.125) + 1.631.794] 0.5=

6.857.670 6
Melanjutkan dengan cara seperti untuk langkah-langkah hasil yang tersisa
x y1 y2
0 4 6
6.8576
0,5 3.115234 70
7.6321
1.0 2.426171 06
8.3268
1,5 1.889523 86
8.9468
2.0 1.471577 65
Algoritma Komputer 25.4.3 untuk Memecahkan Sistem Odes
Kode komputer untuk memecahkan ODE tunggal dengan metode Euler

(Gbr. 25,7) dapat dengan mudah diperluas untuk sistem persamaan.
Modifikasi meliputi:
1. Memasukkan jumlah persamaan, n.
2. Memasukkan nilai awal untuk masing-masing n variabel dependen.
3. Memodifikasi algoritma sehingga menghitung lereng untuk masing-

masing variabel dependen.
4. Termasuk persamaan tambahan untuk menghitung nilai derivatif untuk
masing-masing Odes.
5. Termasuk loop untuk menghitung nilai baru untuk setiap variabel

dependen.
Seperti algoritma sebuah diuraikan pada Gambar. 25,18 untuk metode

keempat-order RK. Perhatikan bagaimana serupa itu dalam struktur dan
organisasi untuk Gambar. 25,7. Sebagian besar perbedaan berhubungan
dengan fakta bahwa
1. Ada n persamaan.
2. detail tambahan dari metode keempat-order RK.
CONTOH 25.11 Pemecahan Sistem Odes dengan Komputer
Pernyataan masalah. Sebuah program komputer untuk melaksanakan

keempat-order metode RK untuk sistem dapat dengan mudah
dikembangkan berdasarkan Gambar. 25,18. Perangkat lunak tersebut
membuat nyaman untuk membandingkan model yang berbeda dari sistem
fisik. Misalnya, model linier untuk pendulum berayun diberikan oleh
[recall Eq. (PT7.11)]
dy1 dy2 =
dx = y2 dx -16.1thn1
di mana y1 dan y2 =perpindahan sudut dan kecepatan. Sebuah model

nonlinear yang sama sys-tem adalah [recall Eq. (PT7.9)]
dy3 dy4
d d = -16.1
x = y4 x sin(y3)
di mana y3 dan y4 =perpindahan sudut dan kecepatan untuk kasus

nonlinier. Memecahkan sistem ini untuk dua kasus: (a) perpindahan awal
kecil (y1 = y3 =0,1 radian; y2 = y4 = 0) dan (b) perpindahan besar (y1 = y3 =
π /4 =0.785398 radian; y2 = y4 = 0).
(A) Utama atau “driver” Program (B) rutin ke Take One Keluaran
Langkah
Menetapkan nilai untuk xout
Interval
n jumlah persamaan
keluaran
yi nilai awal tergantung n

x xi
variabel
m 0
xpm x
xi nilai awal independen
DOFOR i
variabel
1,
n
xf nilai akhir variabel
ypsaya m
independen
yisaya
dx ukuran langkah ysaya yisaya
perhitungan
END DO AKHIR
MELAKUKAN
xendx xout
IF (xendxf) THEN xend xf
h dx
PANGGILAN Integrator (x, y,

n, h, xend)
MM1
xpm x
DOFOR i 1, n
ypsaya mysaya
END DO
IF (x xf) EXIT
END DO
HASIL DISPLAY
ymsaya ysaya k2saya * h
SUB Integrator (x, y, n, h, xend) / 2 END DO
MELAKUKAN PANGGILAN Derivs (x h / 2,

ym, k3)
IF (xend xh) THEN h xend x PANGGILAN RK4 (x, y,
n, h) DOFOR i 1, n
IF (x xend) EXIT kamusaya ysaya k3saya * h
END DO
END DO
PANGGILAN Derivs (x h,
END SUB kamu, k4)
(C) Keempat-Order RK Metode Sistem Odes DOFOR i 1, n
SUB RK4 (x, y, n, h) lerengsaya (k1saya 2*(k2saya k3saya)

k4saya) / 6 ysaya ysaya lerengsaya *
PANGGILAN Derivs (x, y, k1) h
END DO
DOFOR i 1, n
XXH
ymsaya ysaya k1saya * h / 2 END DO
END SUB
PANGGILAN Derivs (x h / 2, ym, k2)
(D) Rutin Menentukan Derivatif
DOFOR i 1, n
Derivs SUB (x, y, dy)
dy1 ... END SUB
dy2 ...
GAMBAR 25,18
Pseudocode untuk keempat-order metode RK untuk sistem.

METODE RUNGE-
742 KUTTA
4 4
y1
2 2
y3
y1. y3
y 0 y 0
y2. y4
-2 -2
y y
2 4
-4 -4
0 1 2 3 4 0 1 2 3 4
x x
(Sebuah) (B)
GAMBAR 25.19
Solusi yang diperoleh dengan program komputer untuk metode keempat-

order RK. Plot mewakili solusi untuk kedua pendulum linear dan
nonlinear dengan (a) kecil dan (b) perpindahan awal yang besar.
Larutan.
A Hasil yang dihitung untuk model linear dan nonlinear hampir identik
(Gambar. 25.19a). Hal ini seperti yang diharapkan karena ketika
perpindahan awal kecil,
~
dosa (Θ) = θ .
φ Ketika perpindahan awal adalah π /4 =0.785398, solusi yang jauh
berbeda dan perbedaan diperbesar sebagai waktu menjadi lebih besar
dan lebih besar (Gambar. 25.19b). Hal ini diperkirakan karena asumsi
bahwa dosa (θ) = θ miskin ketika theta besar.
25,5 METODE ADAPTIVE RUNGE-KUTTA
Untuk saat ini, kami telah menyajikan metode untuk memecahkan Odes
yang mempekerjakan ukuran langkah konstan. Untuk sejumlah besar
masalah, ini dapat mewakili keterbatasan yang serius. Sebagai contoh,
misalkan kita mengintegrasikan sebuah ODE dengan larutan jenis
digambarkan dalam Gambar. 25.20. Untuk sebagian besar dari jangkauan,
solusi perubahan secara bertahap. Perilaku tersebut menunjukkan bahwa
ukuran langkah yang cukup besar dapat digunakan untuk memperoleh
hasil yang memadai. Namun, untuk wilayah lo-calized dari x= 1,75 x
=2,25, solusinya mengalami perubahan mendadak. Konsekuensi praktis
berurusan dengan fungsi tersebut adalah bahwa ukuran langkah yang
sangat kecil akan diperlukan untuk secara akurat menangkap perilaku
impulsif. Jika algoritma langkah-ukuran yang konstan dipekerjakan, lebih
kecil ukuran langkah yang diperlukan untuk wilayah perubahan mendadak
harus diterapkan untuk seluruh perhitungan. Sebagai konsekuensi, ukuran
langkah yang jauh lebih kecil dari yang diperlukan-dan, karenanya, lebih
banyak perhitungan-akan sia-sia di daerah perubahan bertahap.
25,5 METODE ADAPTIVE RUNGE-KUTTA 743
0 1 2 3 x
GAMBAR 25.20
Sebuah contoh dari solusi dari ODE yang menunjukkan perubahan

mendadak. Otomatis langkah-ukuran penyesuaian memiliki
keuntungan besar untuk kasus tersebut.
Algoritma yang secara otomatis menyesuaikan ukuran langkah dapat
menghindari berlebihan tersebut dan karenanya menjadi keuntungan besar.
Karena mereka “beradaptasi” untuk lintasan solusi, mereka dikatakan
memiliki adaptif kontrol langkah-size. Pelaksanaan pendekatan tersebut
mensyaratkan bahwa perkiraan kesalahan pemotongan lokal diperoleh di
setiap langkah. Perkiraan kesalahan ini kemudian dapat berfungsi sebagai
dasar untuk baik pemanjangan atau mengurangi ukuran langkah.
Sebelum melanjutkan, kita harus menyebutkan bahwa selain dari

pemecahan Odes, metode de-jelaskan dalam bab ini juga dapat digunakan
untuk mengevaluasi integral tertentu. Seperti disebutkan Previ-menerus
dalam pengantar untuk Part Enam, evaluasi integral
saya = f(x ) dx
Sebuah
adalah setara dengan memecahkan persamaan diferensial
d
y = f(x )
d
x
untuk y (b) diberikan awal kondisi y (a) = 0. Jadi, teknik berikut dapat em-
ployed untuk secara efisien mengevaluasi integral tertentu yang
melibatkan fungsi yang umumnya halus namun pameran daerah perubahan
tiba-tiba.
Ada dua pendekatan utama untuk menggabungkan adaptif kontrol

langkah-size menjadi metode satu-langkah. Pada bagian pertama,
kesalahan diperkirakan sebagai perbedaan antara dua predic-tions
menggunakan yang sama-order metode RK tetapi dengan ukuran langkah
yang berbeda. Dalam kedua, lokal
Kesalahan pemotongan diperkirakan sebagai perbedaan antara dua

prediksi menggunakan metode RK yang berbeda-order.
25.5.1 Adaptive RK atau Langkah-mengurangi separuh Cara
Langkah mengurangi separuh (Juga disebut RK adaptif) melibatkan

mengambil setiap langkah dua kali, sekali sebagai langkah penuh dan
independen sebagai dua langkah setengah. Perbedaan dalam dua hasil
mewakili esti-mate dari kesalahan pemotongan lokal. Jika y 1 menunjuk
prediksi single-langkah dan y2 design-Nates prediksi menggunakan dua
setengah langkah, kesalahan dapat direpresentasikan sebagai
= y2 - y1 (25,43)
Selain memberikan kriteria untuk kontrol langkah-ukuran, Persamaan.
(25,43) juga dapat digunakan untuk cor-rect y2ramalan. Untuk keempat-
order RK versi, koreksi adalah
y2 ← y2
+ 15 (25,44)
Perkiraan ini kelima-order akurat.
CONTOH 25.12 Adaptive Keempat-Order Cara RK
Pernyataan masalah. Gunakan keempat-order metode RK adaptif untuk

mengintegrasikan y = 4e0.8x - 0.5y dari x= 0 sampai 2 menggunakan h = 2
dan kondisi awal y (0) =2. Ini adalah persamaan dif-ferential sama yang
diselesaikan sebelumnya dalam Contoh 25,5. Ingat bahwa benar solu-tions
adalah y (2)= 14,84392.
Larutan. Prediksi tunggal dengan langkah h dihitung sebagai
y(2) = 2+ 1 [3+ 2(6.40.216+ 4.70.108) + 14.11.105] 2=

15.10.584 6
Dua prediksi setengah langkah yang
y(1) = 2+ 1 [3+ 2(4.21.730+ 3.91.297) + 5.945.681] 1=

6.20.104 6
dan
y(2) = 6.20104+ 1 [5.80.164+ 2(8.72.954+ 7.99.756) + 12.71.283]

1= 14.86.249 6
Oleh karena itu, kesalahan perkiraan adalah
ESebuah = 14.86.249 - 15.10584 =

-0.01622 15
yang lebih baik dibandingkan dengan kesalahan sejati
G t = 14.84.392 - 14.86.249 = -0.01.857
Estimasi kesalahan juga dapat digunakan untuk memperbaiki prediksi
y(2) = 14.86.249- 0.01622= 14.84.627

yang memiliki Et = -0,00235.
25.5.2 Akan Runge-Kutta Fehlberg
Selain langkah mengurangi separuh sebagai strategi untuk menyesuaikan

ukuran langkah, pendekatan alternatif untuk memperoleh perkiraan
kesalahan melibatkan komputasi dua prediksi RK dari urutan yang
berbeda. Hasil kemudian dapat dikurangkan untuk mendapatkan perkiraan
kesalahan pemotongan lokal. Satu kekurangan dari pendekatan ini adalah
bahwa hal itu sangat meningkatkan overhead komputasi. Misalnya,
keempat dan kelima-order jumlah prediksi untuk total 10 evaluasi fungsi
per langkah. The Runge-Kutta Fehlberg atau metode RK tertanam cerdik
circumvents masalah ini dengan menggunakan kelima-order metode RK
yang mempekerjakan evaluasi fungsi dari keempat-order metode RK yang
menyertainya. Dengan demikian, pendekatan menghasilkan estimasi
kesalahan atas dasar hanya enam evaluasi fungsi!
Untuk kasus ini, kita menggunakan berikut perkiraan keempat-order

y
sa
ya = ysaya 37 62 59 177
+1 + 8k1 + 1k3 + 4k4 + 1k6h (25,45)
25 12
37 0 5 512
bersama dengan rumus kelima-order:

ysaya +1 = 48.38 55.29 14.33
ysaya + 27.648 k1 + 4k3 + 6 k4 + 6 k5 +4k6 h (25,46)
282 18.57 13.52
5 5 5 277 1
dima
na
k1 = f(xsaya .
ysaya )
=
k2 f xi+ 5 h. yi + 5 k1h
1 1
=
x
k3 f saya + 10 h. ysaya + 40 k1h + 40 k2h
3 3 9
= xsaya + 5 h.
k4 f ysaya + 10 k1h - 10 k2h + 5 k3h
3 3 9 6
27 k4h
k5 = fxsaya + h. ysaya - 54
k h
k1h + 2 2 - 27 k3h +
1
1 5 70 35
= xsaya h. 55.29 13.82 110.59

k6 f + 8 ysaya + 6 k1h + 512k2h + 4 k3h + 2 k4h
163 44.27
7 1 175 575 5
409
+ 6 k5h
253
Dengan demikian, ODE dapat diselesaikan dengan Persamaan. (25,46)

dan kesalahan diperkirakan sebagai perbedaan dari fifth- dan keempat-
order perkiraan. Perlu dicatat bahwa koefisien tertentu yang digunakan di
atas dikembangkan oleh Kas dan Karp (1990). Oleh karena itu, kadang-
kadang disebut metode Cash-Karp RK.
CONTOH 25.13 Runge-Kutta Method Fehlberg

Pernyataan masalah. Gunakan versi Cash-Karp dari pendekatan Runge-
Kutta Fehlberg untuk melakukan perhitungan yang sama seperti pada
Contoh 25,12 dari x = 0 sampai 2 menggunakan h = 2.
746 METODE RUNGE-KUTTA 27.64

8
27
Larutan. Perhitungan k dapat =
7
diringkas dalam tabel berikut:
1
x y 2
.
k1 0 2
0
9
k2 0,4 3.2
.
k3 0,6 4,20883 8
3
k4 1.2 7.228398
1
+
k5 2 15,42765
1
k6 1,75 12,17686 1
0
.
Ini kemudian dapat digunakan untuk menghitung
1
keempat-order prediksi
3
37 250 .
37 62 4.359.8
y1 = 2 + 8 3 + 1 83
bersama dengan formula
kelima-order:
= 2 + 2825 18.575
y1 3 +
237 2 = ing untuk
14.83.677 mencapai hal
14.336 4 ini:
Estimasi kesalahan diperoleh

baru
dengan mengurangkan dua h =
baru meny
persamaan ini untuk h
menyajika ajika
memberikan
n n
ESebuah = 14.83.677- 14.83.192=

di mana
0.004.842
hmenyajikan dan
Hbaru =
sekarang dan
25.5.3 Langkah-Size
ukuran
Kontrol
langkah
baru,
Sekarang kita telah
masing-
mengembangkan cara untuk
masing,
memperkirakan kesalahan
menyajikan =
pemotongan lokal, dapat
dihitung
digunakan untuk
akurasi ini,
menyesuaikan ukuran
baru = akurasi
langkah. Secara umum,
yang
strategi ini adalah untuk
diinginkan,
meningkatkan ukuran
dan α = daya
langkah jika kesalahan terlalu
konstan
kecil dan menguranginya jika
yaitu sebesar
kesalahan terlalu besar.
0,2 ketika
Tekan et al. (1992) telah
ukuran
menyarankan kriteria tindak
langkah meningkat (yaitu, (a)
ketika menyajikan ≤ ) Dan 0,25
baru Pr
ketika ukuran langkah o
menurun ( menyajikan > baru). g
r
Kunci parameter dalam a
persamaan. (25,47) m
jelasbarukarena kendaraan
Anda untuk spek-ifying s
akurasi yang diinginkan. o
Salah satu cara untuk p
melakukan hal ini akan i
berhubunganbaruke tingkat r
kesalahan relatif. Meskipun
ini bekerja dengan baik I
ketika hanya nilai-nilai N
positif terjadi, itu dapat P
menyebabkan masalah untuk U
solusi yang melewati nol. T
Sebagai contoh, Anda
mungkin akan x
mensimulasikan func-tion i
berosilasi yang berulang kali ,
melewati nol tetapi dibatasi

oleh nilai-nilai absolut x
maksimum. Untuk kasus f
seperti itu, Anda mungkin ,
ingin nilai-nilai maksimum

y
untuk mencari di akurasi
i
yang diinginkan.
m x
a =
x x
s i
t y
e =
p y
= i
1
0 h
0 =
Hai=0,5; mungil= h
i
1.× 10-30
eps=0,00005
I
p
s
r
t
i
e
n
p
t
=
0
*
,
D
O
x
I
i
F
,
(I
st
y
e
i
p>maxstep
DANxŠxf) Istep E
EXIT=Istep+1 N
PANGGILA D
N Derivs (x, G
y, dy) A
yscal=ABS M
(y)+ABS (h * B
dy)+kecil IF A
(x+h>xf) R
KEMUDIA 25
N h=xf-x ,2
HUBUNGI 2
Beradaptasi (x, y,
dy, h, yscal, eps,
hnxt)
PRINT x, y
h
=
h
n
x
t
E
N
D
D
O
(b) Adaptive Langkah Rutin
SUB Beradaptasi (x, y, dy, htry, yscal, eps,

hnxt) PARAMETER (safety=0,9, ekon=1.89e-
4) h=htry
MELAKUKAN
PANGGILAN RKkc (y, dy, x, h,
ytemp, yerr) emax=abs (yerr / yscal /
eps)
JIKA emax Š 1 EXIT htemp=keselamatan
* h * emax-0.25 h=max (abs (htemp), 0,25 *

abs (h)) xnew=x+h
JIKA xnew= x
KEMUDIAN jeda END
DO
JIKA emax >ekon MAKA
hnxt=keselamatan * emax-
0,2*h ELSE
hnxt=4. * h
END IF
x=x+hy=ytemp
END
Beradaptasi
Pseudocode untuk (a) program driver dan (b) adaptif langkah rutin
untuk memecahkan ODE tunggal.
CONTOH 25.14 Aplikasi Komputer dari Adaptive Keempat-Order RK Scheme
Pernyataan masalah. Metode RK adaptif cocok

untuk biasa berikut persamaan diferensial
dy 2
+ = 0.6y 10e-(x-2) /[2 (0,075) 2] (E25
dx
Perhatikan untuk kondisi awal, y (0) = 0,5, solusi umum

adalah
y= 0.5e-0.6x (E25
yang merupakan kurva halus yang secara

=
bertahap mendekati nol sebagai x meningkat.
=
Sebaliknya, solusi TERTENTU par- mengalami
transisi tiba-tiba di sekitar x 2 karena sifat dari
fungsi memaksa (Gambar. 25.23a). Gunakan
keempat-order skema RK standar untuk
memecahkan Persamaan. (E25.14.1) dari x 0 4.
Kemudian mempekerjakan skema adaptif
dijelaskan dalam bagian ini untuk melakukan
perhitungan yang sama.
Larutan. Pertama, skema keempat-order klasik

=
digunakan untuk menghitung kurva solid dalam
Gambar. 25.23b. Untuk perhitungan ini, ukuran
langkah 0,1 digunakan sehingga 4 / (0,1) 40
beragam aplikasi dari teknik ini dibuat.
Kemudian, perhitungan diulang dengan ukuran
langkah 0,05 untuk total 80 aplikasi. Perbedaan
utama antara kedua hasil terjadi di wilayah
tersebut 1,8-2,0. Besarnya perbedaan tersebut
adalah sekitar 0,1 sampai 0,2 persen.
10
0
0 2 4x
(Sebuah)
0
0 2 4x
(B)
R 25,23
entuk lonceng fungsi memaksa yang menginduksi perubahan mendadak dalam larutan dari ODE [Eq. (E25.14.1)]. (B) Solusinya. P
-size rutin.
Berikutnya, algoritma pada Gambar. 25,21 dan 25,22 dikembangkan ke dalam program komputer dan
digunakan untuk memecahkan masalah yang sama. Sebuah ukuran langkah awal 0,5 dan ε = 0,00005 dipilih.
Hasilnya ditumpangkan pada Gambar. 25.23b. Perhatikan bagaimana langkah-langkah besar yang diambil dalam
daerah perubahan bertahap. Kemudian, di sekitar x = 2, langkah-langkah yang menurun ke ac-
commodate sifat tiba-tiba dari fungsi memaksa.
Utilitas dari skema integrasi adaptif jelas tergantung pada sifat dari
fungsi yang dimodelkan. Ini sangat menguntungkan bagi mereka solusi
dengan peregangan halus panjang dan wilayah singkat perubahan
mendadak. Selain itu, ia memiliki utilitas pada mereka uations sit mana
ukuran langkah yang benar tidak diketahui apriori. Untuk kasus ini,
sebuah routine adaptif akan “merasa” jalan melalui solusi sementara
menjaga hasil dalam erance tol- diinginkan. Dengan demikian, akan
berjinjit melalui daerah perubahan tiba-tiba dan melangkah keluar cepat
ketika variasi menjadi lebih bertahap.
750 RUNGE-KUTTAMETODE
MASALAHS
25.1 Memecahkan masalah nilai awal selama rentang x = 0 ke 1 menggunakan ukuran langkah 0,2
berikut selama interval dari dengan y (0) = 2 dan
t= 0 sampai 2 mana y (0) = 1. Tampilan semua z(0) = 4.
hasil Anda pada grafik yang sama.
dy 3 25.8 Menghitung langkah pertama dari Contoh

- =
= yt 25.14 menggunakan keempat-order metode RK
dt 1.5y
adaptif dengan h 0,5. Memverifikasi apakah
penyesuaian langkah-ukuran adalah dalam
rangka.
(a) Analitis. (e) Keempat-order metode RK.
=
(b) Metode Euler dengan h 0,5 dan 0,25. 25.3 Gunakan (a) Euler dan (b) Heun (tanpa
(c) Metode titik tengah=dengan h 0,5. iterasi) metode untuk memecahkan
= dengan h 0,5.
(d) Keempat-order metode RK
d2y
25.2 Memecahkan masalah =
berikut
= -t+y=0
dt2
selama interval dari x 0 ke 1 menggunakan
ukuran langkah 0,25 dimana y (0) 1. Tampilan di mana y (0) = 2 dan y '(0) = 0. Memecahkan dari x
semua hasil Anda pada grafik yang sama. = 0 sampai 4 menggunakan h = 0,1.
dy √
= (1 + 2x) y
dx
(a) Analitis.
(b) Metode Euler.
(c) Heun ini Metode tanpa korektor tersebut.
(d) Metode Ralston ini.
25.9 Jika ε 0,001, menentukan apakah penyesuaian ukuran menduplikasi hasil pada Tabel 25.2.
langkah adalah 25.14 Mengembangkan program komputer yang
=
diperlukan untuk Contoh 25,12. user-friendly untuk keempat-order metode RK
25.10 Menggunakan pendekatan RK-Fehlberg klasik. Menguji program dengan menduplikasi
= =
untuk melakukan tion calcula- sama seperti Exam- ple 25,7.
pada Contoh 25,12 dari x 0 ke 1 dengan h 1. 25.15 Mengembangkan program komputer yang
25.11 Menulis program komputer berdasarkan user-friendly untuk sistem persamaan
Gambar. 25,7. Antara lain, menempatkan menggunakan keempat-order metode RK.
pernyataan dokumentasi seluruh program Gunakan program ini untuk menduplikasi
untuk mengidentifikasi apa setiap bagian ini perhitungan pada Contoh 25.10.
dimaksudkan untuk mencapai. 25.16 Gerak dari sistem pegas-massa teredam (.
25.12 Uji program yang dikembangkan di Gambar P25.16) digambarkan oleh persamaan
Prob. 25.11 oleh duplicat- ing perhitungan diferensial biasa berikut:
dari Contoh 25,1 dan 25,4.
d 2x dx
25.13 Mengembangkan program yang user-
friendly untuk metode Heun dengan korektor
berulang. Menguji program dengan
Bandingkan metode dengan memplot solusi. m dt2 + C dt + kx = 0
25.4Memecahkan masalah berikut dengan
di mana x = perpindahan dari posisi kesetimbangan (m), t =
metode keempat-order RK: = = ·
waktu
d2y dy
+ 0.5 dx + 7y = 0 dy 3
dx2
= Y sin(T) y (0) = 1
di mana =
y (0) = 4dan y '(0) = 0. = dt
Memecahkandari x 0 sampai 5 dengan h 25.6 Memecahkan masalah berikut numerik dari t = 0

0,5. Plot hasil Anda. sampai 3:
25.5 = Memecahkan
= dari t 0-3
dengan h 0,1 menggunakan (a) Heun
(tanpa korektor) dan (b) 2-order metode RK
Ralston ini:
(S), m 20-kg massa, dan c koefisien redaman metode numerik selama periode waktu 0 t 15 s.
(N s / m). The koefisien redaman c Plot perpindahan
= terhadap waktu untuk masing-
=
mengambil tiga nilai dari 5 (teredam bawah-), masing dari tiga nilai ≤koefisien
≤
redaman pada
40 (kritis teredam), dan 200 (overdamped). kurva yang sama.
The konstanta pegas k 20 N / m. Kecepatan
awal adalah nol, dan awal perpindahan x 1 m. Gambar P25.16
Menyelesaikan persamaan ini menggunakan
dy 2 y (0) = 1
= -Y + t x
dt k
m c
Gunakan orde ketiga metode RK dengan ukuran langkah 0,5.
25.7 Gunakan (a) Euler dan (b) keempat-order metode RK untuk memecahkan
dy
dx= -2y + 4e-x
dz yz2
=-
dx 3
MASALAH 751
25.17 Jika air dikeringkan dari tangki (0) = 1,5 dan x (0) = 6
dt
silinder vertikal dengan terbuka-ing katup di
dasar, air= akan mengalir cepat ketika tangki Perhatikan bahwa ω 1. Membusuk persamaan
=
penuh dan memperlambat karena terus menguras. menjadi dua orde pertama persamaan ferential
Ternyata, tingkat di mana tingkat tetes air adalah: dif-. Setelah dekomposisi, memecahkan sistem
dari t 0 sampai 15 dan plot hasil.
dy = -
25.19 Dengan asumsi tarik yang sebanding
√Y dt dengan kuadrat kecepatan, kita dapat model

k
kecepatan benda jatuh seperti penerjun dengan
di mana k adalah konstanta tergantung pada persamaan diferensial berikut:
bentuk lubang dan luas penampang tangki= dan
tiriskan lubang. Kedalaman air y diukur dalam
meter dan waktu t dalam beberapa menit. Jika k
0,06, menentukan berapa lama waktu yang
dibutuhkan tangki untuk menguras jika tingkat
cairan ini- tially 3 m. Memecahkan dengan
menerapkan persamaan Euler dan menulis sebuah
program puter com- atau menggunakan Excel.
Gunakan langkah dari 0,5 menit.
25.18 Berikut ini adalah nilai, orde kedua
persamaan diferensial awal:
d 2x dx
+ (5x) dt + (x + 7) sin (ωt) = 0
dt2
dimana
dx
di mana
=p populasi,
= kgm tingkat pertumbuhan
=
maksimum dalam kondisi terbatas un-, dan
PMAX daya dukung. Mensimulasikan populasi =
r
= =
dunia 1950-2000 menggunakan salah satu
metode numerik yang dijelaskan dalam bab ini.
H Mempekerjakan kondisi awal berikut dan nilai-
nilai parameter untuk simulasi Anda: p0 (tahun
1950) 2555 juta orang, kgm 0,026 / tahun, dan
Gambar P25.20
PMAX 12.000 juta orang. Memiliki fungsi
Sebuah tangki bulat.
menghasilkan output yang sesuai dengan tanggal
untuk data populasi diukur sebagai berikut.
25.21 Model logistik digunakan untuk Mengembangkan plot simulasi Anda bersama
mensimulasikan penduduk seperti di dengan data.
dp
= kgm (1 - p / pmax) p
dt
dv CD2 t 1950 1960 1970 1980 1990 2000

p 2555 3040 3708 4454 5276 6079
=G-mv
dt
25.22 Misalkan proyektil diluncurkan ke
dimana v adalah kecepatan (m / s), t = waktu (s), atas dari permukaan bumi. Asumsikan bahwa
g adalah percepatan gravitasi (9,81 m / s2), Cd = satu-satunya gaya yang bekerja pada benda
orde kedua koefisien drag (kg / m), dan m = tersebut adalah gaya gravitasi ke bawah. Dengan
massa (kg). Memecahkan untuk kecepatan dan kondisi tersebut, kekuatan bal- Ance dapat
jarak jatuh oleh digunakan untuk menurunkan,
objek 90-kg dengan koefisien drag 0,225 kg / m. Jika awal dv R2
tinggi adalah 1 km, menentukan kapan 25.20 Sebuah tangki bulat memiliki lubang
menyentuh tanah. Mendapatkan begitu- Anda melingkar di bawahnya melalui mana cairan
lution dengan (a) metode Euler dan (b) metode mengalir keluar (Gambar. P25.20). Laju aliran
keempat-order RK. melalui lubang dapat diperkirakan sebagai
. = -g(0)
Qdi luar = 2gH dt (R+ x)2
CA
3
di mana v = atas kecepatan (m / s), t = waktu (s),
x = ketinggian (m) diukur ke atas dari permukaan
bumi, g (0) = percepatan tional gravita- di
permukaan bumi (~ = 9,81 m / s2), Dan R = jari-
jari bumi (~ = 6.37 × 106m). Menyadari bahwa

dx / dt = v, penggunaan
Metode Euler untuk menentukan ketinggian maksimum yang akan
Metode Euler untuk menentukan ketinggian maksimum yang akan
di mana Qout = outflow (m / s), C = sebuah diperoleh jika v (t 0) 1400Nona.

= =
efisien coeffi- empiris yang diturunkan, A = luas 25.23 Fungsi berikut menunjukkan kedua
lubang (m2), G = konstanta gravitasi (= 9,81 m / daerah datar dan curam selama x daerah yang
relatif singkat:
s2), Dan H = kedalaman cairan di dalam tangki.
Gunakan salah satu dari
metode numerik yang dijelaskan dalam bab ini 1 1
f (x)
untuk menentukan berapa lama waktu yang = +
(x- 0.9)2+ 0.04-6
(x- 0.3)2+
dibutuhkan untuk air mengalir keluar dari
0.01
diameter tangki 3-m
dengan ketinggian awal 2,75 m. Perhatikan Tentukan nilai integral tertentu dari fungsi ini
bahwa lubang memiliki diameter 3 cm dan C = antara usia x = 0 dan 1 dengan menggunakan
0,55. metode RK adaptif.
Kekakuan dan Metode tahapan
Bab ini meliputi dua bidang. Pertama, kami menjelaskan Odes kaku. Ini
adalah kedua individu dan sistem Odes yang memiliki komponen baik
cepat dan lambat untuk solusi mereka. Kami memperkenalkan gagasan
teknik solusi implisit sebagai salah satu obat yang biasa digunakan untuk
masalah ini. Kemudian kita membahas metode multi langkah. Algoritma
ini menyimpan informasi dari langkah-langkah sebelumnya untuk lebih
efektif menangkap lintasan solusi. Mereka juga menghasilkan perkiraan
kesalahan pemotongan yang dapat digunakan untuk mengimplementasikan
adaptive control langkah-size.
26,1 KEKAKUAN
Kekakuan adalah masalah khusus yang dapat timbul dalam larutan tions
equa- diferensial biasa. Sebuah sistem yang kaku adalah salah satu yang
melibatkan cepat berubah komponen bersama-sama dengan orang yang
pelan-pelan berubah. Dalam banyak kasus, komponen yang berbeda-beda
cepat transien singkat yang mati pergi dengan cepat, setelah itu solusinya
menjadi didominasi oleh komponen perlahan-lahan bervariasi. Meskipun
fenomena transien ada untuk hanya sebagian pendek dari interval
integrasi, mereka bisa mendikte langkah waktu untuk seluruh solusi.
Baik individu dan sistem Odes bisa kaku. Contoh dari ODE kaku
tunggal
dy
d = -1000y + 3000 - 2000e-t (26.1)
t
Jika y (0) = 0, solusi analitis dapat dikembangkan sebagai
y= 3-0.998e-1000t - 2.002e-t (26,2)
Seperti pada Gambar. 26.1, solusi awalnya didominasi oleh istilah

eksponensial cepat (e-1000t). Setelah waktu singkat (t <0,005), sementara
ini meninggal dan solusinya menjadi didikte oleh lambat eksponensial (e-
t).
Wawasan ukuran langkah yang diperlukan untuk stabilitas solusi
tersebut dapat diperoleh dengan mantan-amining bagian homogen
Persamaan. (26.1),
dy
= -ay (26.3)
dt
752
26,1 KEKAKUAN 753
y
3
2
1
1
0
0 0.01 0.02
0
0 2 4t
GAMBAR 26.1
Plot dari solusi kaku dari ODE tunggal. Meskipun solusi tampaknya mulai 1,
sebenarnya ada transien cepat dari y = 0 ke 1 yang terjadi dalam waktu kurang
dari 0,005 satuan waktu. sementara ini jelas hanya ketika respon tersebut dilihat
pada skala waktu yang lebih baik dalam inset.
Jika y (0) = y0, kalkulus dapat digunakan untuk menentukan solusi yang
y = Y0e-di
Dengan demikian, solusinya dimulai pada y0 dan asimtotik mendekati nol.

Metode Euler dapat digunakan untuk memecahkan masalah yang sama numerik:
ysaya1
DYI
=
+ Dt
yi
h
Mengganti Persamaan. (26.3) memberikan

yi1 = Yi - ayih
atau
yi1= yi(1 - ah) (26.4)
Stabilitas formula ini jelas tergantung pada ukuran langkah h.| -Artinya,
| 1
||→∞ →∞
ah harus kurang dari 1. Dengan
demikian, jika h> 2 / a, yi karena saya .
Untuk bagian transien cepat dari Persamaan. (26,2), kriteria ini dapat
=
digunakan untuk menunjukkan bahwa ukuran langkah untuk menjaga
stabilitas harus <2/1000 0.002. Selain itu, perlu dicatat
bahwa, sedangkan kriteria ini menjaga stabilitas (yaitu, solusi dibatasi),
ukuran langkah yang lebih kecil akan diperlukan untuk mendapatkan
solusi yang akurat. Jadi, meskipun sementara terjadi hanya sebagian kecil
dari interval integrasi, ia mengendalikan ukuran langkah maksimum.
Dangkal, Anda mungkin mengira bahwa rutinitas langkah-size adaptif
dijelaskan pada akhir bab terakhir mungkin menawarkan solusi untuk
dilema ini. Anda mungkin berpikir bahwa mereka akan menggunakan
langkah-langkah kecil selama transien cepat dan langkah-langkah besar
sebaliknya. Namun, hal ini tidak terjadi, karena kebutuhan stabilitas akan
masih memerlukan menggunakan langkah-langkah yang sangat kecil di
seluruh solusi.
754 KEKAKUAN DAN tahapan METODE
Alih-alih menggunakan pendekatan eksplisit, metode implisit

menawarkan obat alternatif. representasi seperti ini disebut implisit karena
tidak diketahui muncul pada kedua sisi persamaan. Bentuk implisit metode
Euler dapat dikembangkan dengan mengevaluasi tive derivatisasi pada
saat mendatang,
ysaya1 dysaya
=
yi 1h dt
+
Ini disebut, metode backward, atau implisit Euler. Mengganti Persamaan. (26.3) hasil
ysaya1= ysaya- aysaya1h
yang dapat diselesaikan untuk
ysaya1 yi
= (26,5)
1 + ah
Untuk kasus ini, terlepas dari ukuran langkah,

| | → yi → ∞ 0 sebagai i . Oleh
karena itu, pendekatan ini disebut tanpa syarat stabil.
CONTOH 26.1 Eksplisit dan implisit Euler
Pernyataan masalah. Gunakan kedua eksplisit dan implisit metode Euler untuk
memecahkan
dy
d = -1000y + 3000 - 2000e-t
t
di mana =y (0) 0. (a) Gunakan Euler eksplisit dengan ukuran langkah

=
0,0005 dan 0,0015 untuk memecahkan y antara t 0 dan 0.006. (B)
Gunakan Euler implisit dengan ukuran langkah 0,05 untuk memecahkan y
antara 0 dan 0,4.
Larutan.
(a) Untuk masalah ini, metode eksplisit Euler adalah
yi1 = Yi + (-1000yi + 3000 - 2000e-tsaya ) h
Hasil untuk h=0,0005 ditampilkan pada Gambar. 26.2a bersama dengan

solusi analitis. Meskipun menunjukkan beberapa kesalahan
=
pemotongan, hasilnya menangkap bentuk umum dari solusi analitis.
Sebaliknya, ketika ukuran langkah meningkat ke nilai di bawah batas
stabilitas (h 0,0015), solusinya memanifestasikan osilasi.
Menggunakan h> 0,002 akan menghasilkan solusi yang benar-benar
stabil, yaitu, itu akan pergi tak terbatas sebagai solusi berkembang.
(b) Metode implisit Euler adalah
yi1 = Yi + (-1000yi + 1 + 3000 - 2000e-tsaya 1) h
Sekarang karena ODE adalah linear, kita dapat mengatur ulang

persamaan ini sehingga yi + 1 terisolasi di sisi kiri,
yi+ 3000H - 2000hetsaya 1

ysaya1=
1 + 1000h
Hasil untuk h = 0.05 ditampilkan pada Gambar. 26.2b bersama dengan

solusi analitis. Perhatikan bahwa meskipun kita telah menggunakan
ukuran langkah yang jauh lebih besar dari satu yang
26.1 KEKAKUAN 755
y
1,5
h= 0,0015
0,5 Tepat
h = 0,0005
0
0 0,002 0.004 0,006 t
y(Sebuah)
2
Tepat
h = 0.05
0
0 0,1 0,2 0,3 0,4 t
(B)
GAMBAR 26.2
Solusi dari ODE “kaku” dengan (a) dan (b) metode Euler implisit eksplisit.
ketidakstabilan diinduksi untuk Euler eksplisit, solusi numerik trek baik pada hasil analisis.
Sistem Odes juga bisa kaku. Contohnya adalah
dy1
= -5y1 + 3y2 (26.6a)
dt
dy2
= 100y1 - 301y2 (26.6b)
dt
Untuk kondisi awal y1 (0) = 52,29 dan y2 (0) = 83,82, solusi yang tepat adalah
y1 = 52.96E-3.9899t- 0.67E-302.0101t (26.7a)
y2 = 17.83e-3.9899t+ 65.99E-302.0101t (26.7b)
Perhatikan bahwa eksponen negatif dan berbeda dengan sekitar 2 kali

lipat. Seperti dengan persamaan tunggal, itu adalah eksponen besar yang
merespon dengan cepat dan berada di jantung dari kekakuan tem
sistematis ini.
Metode sebuah Euler implisit untuk sistem dapat dirumuskan untuk contoh hadir
sebagai
y1, i +1= y1, i+(-5y1, i +1+ 3y2, i +1) h (26.8a)
y2, i +1= y2, i+(100y1, i +1- 301y2, i +1) h (26.8b)
Mengumpulkan hal memberi
(1 + 5h) y1, i1- 3HY2, i +1= y1, i (26.9a)
-100hy1,saya1+(1 + 301h) y2, i + 1 = y2, i (26.9b)
Dengan demikian, kita dapat melihat bahwa masalah terdiri dari

pemecahan satu set persamaan simultan untuk setiap langkah waktu.
Untuk Odes nonlinear, solusinya menjadi lebih sulit karena melibatkan
solv- ing sistem persamaan simultan nonlinear (ingat Sec. 6.5). Jadi,
meskipun ity stabil- diperoleh melalui pendekatan implisit, harga yang
dibayar dalam bentuk menambahkan kompleksitas solusi.
Metode Euler implisit tanpa syarat stabil dan hanya orde pertama
akurat. Hal ini juga memungkinkan untuk mengembangkan dengan cara
yang sama orde kedua akurat skema integrasi aturan trapesium implisit
untuk sistem kaku. Hal ini biasanya diinginkan untuk memiliki tingkat
tinggi ods meth-. Rumus Adams-Moulton dijelaskan kemudian dalam bab
ini juga dapat digunakan untuk merancang metode implisit tingkat tinggi.
Namun, batas stabilitas pendekatan tersebut sangat ketat bila diterapkan
pada sistem kaku. Aksesoris (1971) mengembangkan seri khusus skema
implisit yang memiliki batas stabilitas jauh lebih besar berdasarkan
formula perbedaan mundur. upaya yang luas telah dilakukan untuk
mengembangkan perangkat lunak untuk secara efisien menerapkan
metode Gear. Akibatnya, ini mungkin metode yang paling banyak
digunakan untuk memecahkan sistem kaku. Selain itu, Rosenbrock dan
lain-lain (lihat Tekan et al., 1992) telah mengusulkan algoritma Runge-
Kutta implisit di mana istilah k muncul secara implisit. Metode ini
memiliki karakteristik ity stabil- baik dan sangat cocok untuk
memecahkan sistem kaku persamaan diferensial biasa.
26.2 bertingkatMETODE
Metode satu-langkah yang dijelaskan dalam bagian sebelumnya

memanfaatkan informasi pada titik xi tunggal untuk memprediksi nilai
variabel dependen yi + 1 pada xi titik masa depan + 1 (Gambar. 26.3a).
pendekatan alternatif, yang disebut metode tahapan (Gambar. 26.3b),
didasarkan pada wawasan bahwa, sekali perhitungan telah dimulai,
informasi berharga dari poin sebelumnya adalah pada kami com- mand.
Kelengkungan garis yang menghubungkan nilai-nilai sebelumnya
memberikan informasi mengenai lintasan dari solusi. Metode multi
langkah dieksplorasi dalam bab ini memanfaatkan informasi ini untuk
memecahkan Odes. Sebelum menjelaskan versi yang lebih tinggi-order,
kami akan menyajikan metode kedua-perintah sederhana yang berfungsi
untuk menunjukkan teristics charac- umum pendekatan multi langkah.
26.2.1 Metode Heun Non-Self-Mulai
Ingat bahwa pendekatan Heun menggunakan metode Euler sebagai prediktor [Eq.
(25,15)]:
y0 = Yi + f(Xi, yi) h (26,10)

saya 1
26,2 METODE banyak tahap 757
y y
GAMBAR 26.3
xsaya xsaya+ 1 x xsaya- 2 xsaya- 1 xsaya xsaya+ 1 x
penggambaran grafis dari (B)
(Sebuah)
perbedaan mendasar antara
(a) satu langkah dan (b)
metode multi langkah
untuk memecahkan Odes.
dan aturan trapesium

. sebagai korektor [Eq. (25.16)]:
Σ
f (x, y)+fx
yi1 = Yi + . ysaya saya
0
saya 1 h (26,11)
saya1
2
Dengan demikian, prediksi dan korektor memiliki kesalahan pemotongan
lokal O (h2) dan O (h3), ulang spectively. Hal ini menunjukkan bahwa
prediktor adalah link lemah dalam metode karena memiliki kesalahan
terbesar. Kelemahan ini penting karena efisiensi langkah korektor
berulang tergantung pada keakuratan prediksi awal. Akibatnya, salah satu
cara untuk meningkatkan metode Heun adalah untuk mengembangkan
prediktor yang memiliki kesalahan lokal O (h3). Hal ini dapat plished
accom- dengan menggunakan metode Euler dan lereng di yi, dan
informasi tambahan dari titik sebelumnya yi-1, seperti dalam
y0 = Yi-1 + f(Xi, yi)2h (26,12)

saya 1
Perhatikan Persamaan itu. (26.12) mencapai O (h3) dengan mengorbankan

menggunakan ukuran langkah yang lebih besar, 2h. Dalam disi ad-,
diketahui bahwa Persamaan. (26,12) tidak self-mulai karena melibatkan
nilai sebelumnya dari variabel independen de- yi-1. nilai tersebut tidak akan
tersedia dalam masalah awal-nilai khas. Karena fakta ini, pers. (26,11) dan
(26,12) disebut metode non-self-mulai Heun. Seperti digambarkan dalam
Gambar. 26,4, estimasi derivatif Persamaan. (26,12) kini berada di titik
tengah daripada di awal interval di mana prediksi dibuat. Seperti yang
ditunjukkan selanjutnya, centering ini meningkatkan kesalahan prediksi
untuk O (h3).
Namun, sebelum melanjutkan ke derivasi formal non-self-mulai Heun,
kami akan merangkum metode dan mengekspresikannya menggunakan
nomenklatur sedikit dimodifikasi:
. mΣ
predictor: =m y+ fxsaya
y0saya1saya-1 , y2h
saya (26,13)
. m Σ. j-1 Σ
j m fx,
sayasaya 1, y
y+ fx saya+ saya1
Korektor: y= Y+
+saya
saya1 h
2
(untuk j = 1, 2, ..., m) (26,14)
y Slope = f (xsaya1saya1
, y0 )
xsaya-1
xsaya xsaya1 x
(Sebuah)
f(xsaya, ysaya) + F (xsaya1 , y0 )
y slope = saya1
2
xsaya1 x
xsaya
(B)
GAMBAR 26.4
Sebuah gambaran grafis dari metode Heun non-self-mulai. (A) Metode titik tengah
yang digunakan sebagai prediktor. (B) Aturan trapesium yang bekerja sebagai
korektor a.
dimana superscripts telah ditambahkan untuk menunjukkan bahwa korektor

diterapkan iteratif
dari j = 1 sampai m untuk mendapatkan solusis halus.
say Perhatikan bahwa ym dan ym
a a-1
adalah hasil akhir dari
iterasi korektor pada langkah waktu sebelumnya. Iterasi dihentikan setiap
saat langkah atas dasar kriteria berhenti
ysay saya1
|εa|=. j- yj -1 .100%
a1
(26,15)
. .
. ysaya1 .
Ketika εa kurang dari prespecified εs toleransi kesalahan, iterasi

=
dihentikan. Pada titik ini, j m. Penggunaan pers. (26,13) melalui (26,15)
untuk memecahkan ODE ditunjukkan dalam contoh berikut.
CONTOH 26.2 Non-Self-Mulai Metode Heun
Pernyataan masalah.Gunakan metode Heun non-self-mulai melakukan

putations com- sama seperti yang dilakukan sebelumnya pada Contoh 25.5
menggunakan metode Heun ini. Itu adalah,
mengintegrasikan yj = 4e0.8x - 0.5y dari x = 0 sampai x = 4 menggunakan

ukuran langkah 1.0. Seperti Contoh 25.5, kondisi awal pada x = 0 adalah y
= 2. Namun, karena kita sekarang berurusan dengan metode multi
langkah, kami memerlukan informasi tambahan yang y sama dengan
-0,3929953 pada x = -1.
Larutan. Prediktor [Eq. (26,13)] digunakan untuk ekstrapolasi linear dari x = -1

Σ Σ
untuk x = 1.
y0 =1 -,3929953 + 4e0.8 (0) - 0,5 (2) 2 = 5,607005
Korektor [Eq. (26,14)] kemudian digunakan untuk menghitung nilai:
y1 = 2 +
1
4e0,8 (0)0,5 (2) 4e0.8 (1)0,5 (5,607005)
- + -
1 = 6,549331
2
yang merupakan persen kesalahan relatif

-
dari =
5,73
persen(nilai asli - 6,194631). kesalahan iniagak lebih
kecil dari nilai 8,18 persen yang terjadi di Heun diri mulai.
Sekarang, Eq. (26,14) dapat diterapkan iteratif untuk meningkatkan solusinya:
y2 = 2 +
1
3 4e0.8 (1)0,5 (6,549331)
+ -
1 = 6,313749
2
yang merupakan εt dari

-
1,92%.Perkiraan perkiraan kesalahan juga
bisa deter- ditambang menggunakan Persamaan. (26,15):
6.313749 - 6.549331. 100% = 3,7%

|ε | =.
S
e
. 6.313749 .
Persamaan (26.14) dapat diterapkan iteratif sampai εa jatuh di bawah nilai

prespecified dari εs.
= -Seperti halnya dengan metode Heun (ingat Contoh
25.5), iterasi konvergen pada nilai 6,360865 (εt 2,68%). Namun, karena
nilai prediksi awal lebih akurat, metode tahapan konvergen pada tingkat
yang lebih cepat.
Untuk langkah kedua, prediktor yang
Σ Σ
y20= 2 + 4e0.8 (1)- 0.5 (6.360865) 2 = 13,44346 εt= 9.43%
yang lebih unggul prediksi 12,08260 (εt =18%) yang dihitung dengan
=
metode Heun asli. Korektor pertama menghasilkan 15,76693 (εt 6,8%),
=-
dan erations itu-berikutnya berkumpul di hasil yang sama seperti yang
diperoleh dengan metode Heun diri mulai: 15,30224 (εt 3,1%). Seperti
langkah sebelumnya, laju konvergensi dari tor correc- agak membaik
karena prediksi awal yang lebih baik.
Derivasi dan Kesalahan Analisis Predictor-Korektor Rumus. Kita baru saja em- konsep
grafis ployed untuk menurunkan non-self-mulai Heun. Kami sekarang
akan menunjukkan bagaimana persamaan yang sama dapat diturunkan
secara matematis. derivasi ini sangat menarik karena mengikat bersama-
sama ide-ide dari kurva fitting, integrasi numerik, dan Odes. The ercise
mantan juga berguna karena memberikan prosedur sederhana untuk
mengembangkan metode multi langkah yang lebih tinggi-order dan
memperkirakan kesalahan mereka.
derivasi ini didasarkan pada pemecahan ODE umum
dy
= f(X, y)
dx
Persamaan ini dapat diselesaikan dengan mengalikan kedua sisi dengan dx

dan∫mengintegrasikan
∫ antara lim- tersebut pada i dan i + 1:
ysaya1 xs
dy=
a f (x, y) dx
yi y
a
1
xi
Sisi kiri dapat diintegrasikan dan dievaluasi dengan menggunakan

teorema dasar [recall Eq. (25,21)]:
yi1 = Yi + xs
a f (x, y) dx (26,16)
y
a
1
∫
xi
Persamaan (26,16) merupakan solusi untuk ODE jika integral dapat

dievaluasi. Artinya, ia menyediakan sarana untuk menghitung nilai baru
dari variabel dependen yi + 1 atas dasar nilai yi sebelum dan persamaan
diferensial.
integrasi formula numerik seperti yang dikembangkan di Chap. 21
menyediakan satu cara untuk membuat evaluasi ini. Misalnya, aturan
trapesium [Eq. (21.3)] dapat digunakan untuk evaluate integral, seperti
dalam
∫
xsaya1 f (xi , Yi)+ f(xi1, yi1)
f (x, y) h (26,17)
dx= 2
xi
di mana h = xi + 1 - xi adalah ukuran langkah. Mengganti Persamaan. (26,17) ke

Persamaan. (26,16) hasil
ysaya1
f (xi, yi) + f(xi1, yi1)
= h
+
yi 2
yang merupakan persamaan korektor untuk metode Heun. Karena

persamaan ini didasarkan pada aturan trapesium, kesalahan pemotongan
dapat diambil langsung dari Tabel 21.2,
1 1
Ec = - 12h3y (3)(ξ)=
c - h123fjj(Ξ) c (26,18)
dimana subscript c menunjuk bahwa ini adalah kesalahan dari korektor tersebut.
Pendekatan serupa dapat digunakan untuk menurunkan prediksi
tersebut.
∫ Untuk
∫ kasus ini, batas integrasi adalah dari i - 1 ke i + 1:
ysaya1 xs
dy=
a f (x, y) dx
ysaya-1 y
a
1
xs
ay
a-1
yang dapat diintegrasikan dan disusun kembali untuk menghasilkan

∫ xsaya1
ysaya1= ysaya- xsay f (x, y) dx
a-1
(26,19)
1+
ysaya1= ysaya- f (x, y) dx
(26,19)
1+
Sekarang, daripada menggunakan formula tertutup dari Tabel 21.2, yang

pertama Newton-Cotes membuka rumus tegration in (lihat Tabel 21.4)
dapat digunakan untuk mengevaluasi integral, seperti dalam
∫ xsaya1
f (x, y) dx
xsay = 2h f(Xi, yi) (26,20)
a-1
f (x, y) dx
xsay = 2h f(Xi, yi) (26,20)
a-1
yang disebut metode titik tengah. Mengganti Persamaan. (26,20) ke Persamaan.

(26,19) hasil
yi1 = Yi-1 + 2h f (xi, yi)

yang merupakan prediktor untuk non-self-mulai Heun. Seperti korektor,

kesalahan kation trun- lokal dapat diambil langsung dari Tabel 21.4:
E = 1 h3y(3)(ξ)= 1 h3 f jj(Ξ) (26,21)

p p p
3 3
dimana subscript p menunjuk bahwa ini adalah kesalahan dari prediksi tersebut.
Dengan demikian, prediktor dan korektor untuk metode Heun non-
self-mulai memiliki kesalahan kation trun- dari urutan yang sama. Selain
meningkatkan akurasi prediksi, fakta ini memiliki manfaat tambahan yang
terkait dengan kesalahan analisis, sebagaimana diuraikan dalam bagian
berikutnya.
Perkiraan kesalahan.Jika prediksi dan korektor dari metode tahapan adalah

dari urutan yang sama, kesalahan pemotongan lokal dapat diperkirakan
selama perhitungan a. Ini adalah keuntungan luar biasa karena menetapkan
kriteria untuk penyesuaian ukuran langkah.
Kesalahan pemotongan lokal untuk prediktor yang diperkirakan oleh
Persamaan. (26,21). Perkiraan kesalahan ini dapat dikombinasikan dengan
perkiraan yi + l dari langkah prediktor untuk menghasilkan [mengingat
definisi dasar kami Persamaan. (3.1)]
Benar value = y0
1 3 (3)
say
a1
+ hy
3 (Ξ)
p (26,22)
Menggunakan pendekatan yang sama, perkiraan kesalahan untuk

korektor [Eq. (26,18)] dapat com- dikombinasi dengan hasil korektor yi +
l untuk memberikan
Benar value = ym
1 3 (3)
say
a1
- 12 hy (ξ) c (26,23)
Persamaan (26,22) dapat dikurangkan dari Persamaan. (26,23) untuk menghasilkan
5 3 (3)
− ys
0 = ym 0
ay - 12 hy (Ξ) (26,24)
saya 1
a1
di mana ξ sekarang antara xi-l dan xi + l. Sekarang, membagi Persamaan.

(26,24) dengan 5 dan menata ulang hasilnya memberikan
m
y0 - y
saya1=
saya 1 5 h3y (3)(Ξ) (26,25)
1
-
12
Perhatikan bahwa tangan kanan sisi pers. (26,18) dan (26,25) adalah
identik, dengan kecuali bagi argumen dari turunan ketiga. Jika turunan
ketiga tidak berbeda apprecia- Bly selama interval tersebut, kita dapat
mengasumsikan bahwa sisi kanan adalah sama, dan karena itu, sisi kiri
juga harus setara, seperti dalam
y0
− ysa
(26,26)
Ec = - saya 1 ya1
m
Dengan demikian, kami telah tiba di suatu hubungan yang dapat digunakan untuk
memperkirakan pemotongan per-langkah
kesalahan atas dasar dua kuantitas-prediktor ) Dan korektor ) -Yang adalah
(y0 yang (ym
rutin oleh-produk dari saya 1 sa
perhitungan. ya
1
CONTOH 26.3 Perkiraan Per-Langkah pemotongan Kesalahan

Pernyataan masalah.Gunakan Persamaan. (26,26) untuk memperkirakan kesalahan pemotongan per-langkah
Contoh 26,2. Perhatikan bahwa nilai-nilai yang benar pada x = 1 dan 2 adalah 6,194631 dan 14,84392,
masing-masing.
Larutan.Pada xi + l = 1, prediktor memberikan 5,607005 dan korektor yang menghasilkan 6,360865.
Nilai-nilai ini dapat diganti dalam Persamaan. (26,26) untuk memberikan
6.360.865 - 5.607005
Ec= - = - 0.1507722
5
yang membandingkan baik dengan kesalahan yang tepat,

et= 6.194.631-6,360865 = -,1662341
Pada xi + l = 2, prediktor memberikan 13,44346 dan hasil korektor 15,30224, yang dapat
digunakan untuk menghitung
15.30.224 - 13,44346
Ec= - = - 0.3717550
5
yang juga lebih baik dibandingkan dengan kesalahan yang tepat, Et = 14,84392-15,30224 =
-,4583148.
kemudahan yang kesalahan dapat diperkirakan dengan menggunakan

Persamaan. (26,26) memberikan dasar yang rasional untuk penyesuaian
langkah-ukuran selama perhitungan a. Sebagai contoh, jika Persamaan.
(26,26) menunjukkan bahwa kesalahan adalah lebih besar dari tingkat
yang dapat diterima, ukuran langkah bisa menurun.
Pengubah. Sebelum membahas algoritma komputer, kita harus mencatat

dua cara lain di mana metode Heun non-self-mulai dapat dibuat lebih
akurat dan efisien. Pertama, Anda harus menyadari bahwa selain
memberikan kriteria untuk penyesuaian langkah-ukuran, Persamaan.
(26,26) merupakan
m estimasi numerik dari perbedaan antara nilai koreksi
akhir pada setiap langkah yi + 1 dan nilai sebenarnya. Dengan demikian,
dapat ditambahkan langsung ke yi + 1 untuk memperbaiki estimasi lebih
lanjut:
← ym − ysa
ym ya1
(26,27)
ysaya1- s 0
saya 1 a 5
y
a
1
Persamaan (26.27) disebut pengubah korektor. (Simbol ← dibaca “digantikan

oleh.”)
Sisi kiri adalah nilai modifikasi dari ym.
saya1
Sebuah perbaikan kedua, yang berkaitan lebih untuk program efisiensi,
adalah pengubah prediktor, yang dirancang untuk menyesuaikan hasil
prediksi sehingga lebih dekat ke nilai vergent con akhir dari korektor
tersebut. Hal ini menguntungkan karena, seperti disebutkan sebelumnya di
ginning be- bagian ini, jumlah iterasi dari korektor sangat tergantung pada
keakuratan prediksi awal. Akibatnya, jika prediksi tersebut dimodifikasi
dengan baik, kita dapat mengurangi jumlah iterasi yang diperlukan untuk
berkumpul pada nilai akhir dari korektor tersebut.
pengubah seperti dapat diturunkan hanya dengan asumsi bahwa

turunan ketiga adalah relatif konstan dari langkah ke langkah. Oleh karena
itu, menggunakan hasil dari langkah sebelumnya di i, Persamaan. (26,25)
dapat diselesaikan untuk
12
.
h3y (3)(Ξ)= -5 ysa0 - ymΣ
s
a
(26,28)
yang, Dengan asumsi bahwa y (3) (ξ) ~ = y (3) (ξp) , Dapat diganti
dalam Persamaan. (26,21) untuk memberikan4
. s s
ep= 5 ym-
a y0Σ
a (26,29)
yang kemudian dapat digunakan untuk memodifikasi hasil prediksi:
4
y0←y 0 + .Ym - y0Σ (26,30)
say say s s
a1 a1
5 a a
CONTOH 26.4 Pengaruh Pengubah pada Hasil Predictor-Korektor
Pernyataan masalah. Recompute Contoh 26.3 menggunakan kedua pengubah.
Larutan. Seperti pada Contoh 26.3, hasil prediksi awal adalah 5,607005.
Karena pra dictor pengubah [Eq. (26,30)] membutuhkan nilai-nilai dari
iterasi sebelumnya, itu tidak bisa em-ployed untuk meningkatkan hasil
awal ini. Namun, Eq. (26.27) dapat digunakan untuk mengubah nilai
dikoreksi dari 6,360865 (εt = -2,684%), seperti dalam
ym= 6.360.865 - 6,360865-5,607005 = 6,210093

1
5
yang merupakan εt = - 0,25%. Dengan demikian, kesalahan berkurang lebih urutan
besarnya.
Untuk iterasi berikutnya, prediktor [Eq. (26,13)] digunakan untuk menghitung
y0= 2 + Σ4e0.8 (0)- 0.5 (6.210093) Σ 2 = 13,59423 εt= 8.42%

2
yang merupakan sekitar setengah kesalahan prediktor untuk iterasi kedua

=
Contoh 26,3, yang εt 18,6%. Peningkatan ini terjadi karena kita
menggunakan perkiraan unggul y (6.210093 sebagai lawan 6.360865) di
prediktor. Dengan kata lain, kesalahan disebarkan dan global dikurangi
dengan dimasukkannya pengubah korektor.
Sekarang karena kita memiliki informasi dari iterasi sebelumnya,
Persamaan. (26,30) dapat em-ployed untuk memodifikasi prediktor,
seperti dalam
y0= 13.59.423 + 4 (6,360865-5,607005) = 14,19732

2
5
t = -4.36%
ε
yang, sekali lagi, membagi dua kesalahan.

Modifikasi ini tidak berpengaruh pada hasil akhir dari langkah
korektor berikutnya. Terlepas dari apakah prediktor dimodifikasi atau
diubah digunakan, korektor pada akhirnya akan berkumpul di jawaban
yang sama. Namun, karena tingkat atau efisiensi konvergensi tergantung
pada keakuratan prediksi awal, modifikasi dapat mengurangi jumlah
iterasi yang diperlukan untuk konvergensi.
Menerapkan korektor yang memberikan yield hasil dari 15,21178 (εt = -2,48%), yang repre-
sents perbaikan atas Contoh 26,3 karena pengurangan kesalahan global. Akhirnya, hasil ini dapat diubah dengan menggunakan Persa
15,21178-13,59423
y2m= 15 . 21.178 - = 14.88.827 εt= -0.30%
5
Sekali lagi, kesalahan telah berkurang urutan besarnya.
Seperti pada contoh sebelumnya, penambahan pengubah

meningkatkan baik efisiensi dan akurasi metode multi langkah. Secara
khusus, korektor pengubah efektif di- lipatan urutan teknik. Dengan
demikian, non-self-mulai Heun dengan pengubah adalah urutan ketiga dan
bukan urutan kedua seperti halnya untuk versi dimodifikasi. Namun, perlu
dicatat bahwa ada situasi di mana korektor pengubah akan mempengaruhi
stabilitas korektor iterasi proses. Sebagai konsekuensinya, modifikator
tidak termasuk dalam algoritma untuk non-self-mulai Heun digambarkan
dalam Gambar. 26,5. Namun demikian, korektor pengubah masih dapat
memiliki utilitas untuk kontrol langkah-ukuran, seperti yang dibahas
selanjutnya.
GAMBAR 26.5
Urutan formula yang digunakan untuk menerapkan metode Heun non-self-mulai.
Perhatikan bahwa korektor perkiraan kesalahan dapat digunakan untuk memodifikasi
korektor tersebut. Namun, karena hal ini dapat mempengaruhi stabilitas korektor ini,
modifikator tidak termasuk dalam algoritma ini. Estimasi kesalahan korektor termasuk
karena utilitas untuk penyesuaian langkah-size.
predictor:
y0 saya= ymsaya-+ f (X,sa ysam) 2h
(Simpan hasil sebagai y 0saya 0 dimana subscript u menunjuk bahwa variabel tersebut tidak
+1, u
=y
saya+ dimodifikasi.)
1
Predictor Modifier:
4
y0 1 ← y0 1, u + (ym - y 0 )
saya+ saya+ 5- s i, u
a
y
a
,
u
Korektor:
yj ym f(Xi, ym)+f(xi+1, YJ-1)h 1 untuk iterasi maksimum m)
(Untuk j
saya+1 = saya+-saya-saya+1 =
Error Check:
j j-1
|
y saya+1
|εa| = - - yj -saya+1 |
ysaya+1
(Jika |εa| >kriteria kesalahan, mengatur j = j +1 dan ulangi korektor; jika εa≤ kriteria
kesalahan, simpan hasil sebagai
m= ymsaya.)
ysaya
+1, u
Korektor Kesalahan Perkiraan:
E 1 m 0
c=---5(ysaya+1,u-ysaya+1,u)
(Jika perhitungan adalah untuk melanjutkan, mengatur i = saya + 1 dan kembali ke
prediktor.)
26.2 METODE banyak tahap 765
26.2.2 Langkah-Size Control dan Program Komputer
Konstan Ukuran Langkah.Hal ini relatif sederhana untuk mengembangkan

versi langkah-ukuran konstan metode Heun non-self-mulai. Tentang satu-
satunya komplikasi adalah bahwa metode satu-langkah diperlukan untuk
menghasilkan titik tambahan untuk memulai perhitungan.
Selain itu, karena ukuran langkah konstan digunakan, nilai untuk h
harus dipilih sebelum perhitungan. Secara umum, pengalaman
menunjukkan bahwa ukuran langkah yang optimal harus cukup kecil
untuk memastikan konvergensi dalam waktu dua iterasi dari korektor yang
(Hull dan Creemer, 1963). Selain itu, harus cukup kecil untuk
menghasilkan kesalahan tion trunca- cukup kecil. Pada saat yang sama,
ukuran langkah harus sebesar mungkin untuk meminimalkan run biaya
waktu dan error round-off. Seperti dengan metode lain untuk Odes, satu-
satunya cara praktis untuk menilai besarnya kesalahan global untuk
membandingkan hasil untuk masalah yang sama namun dengan ukuran
langkah dibelah dua.
VariabelLangkah Size.DuaKriteria biasanya digunakan untuk memutuskan

apakah perubahan dalam ukuran langkah dibenarkan. Pertama, jika
Persamaan. (26,26) lebih besar dari beberapa kriteria kesalahan
prespecified, ukuran langkah menurun. Kedua, ukuran langkah dipilih
sehingga kriteria konvergensi korektor puas dalam dua iterasi. Kriteria ini
dimaksudkan untuk menjelaskan perdagangan-off antara tingkat
konvergensi dan jumlah langkah dalam perhitungan. Untuk nilai-nilai
yang lebih kecil dari h, konvergensi akan lebih cepat tetapi langkah-
langkah lebih diperlukan. Untuk h yang lebih besar, konvergensi adalah
hasil lebih lambat tapi lebih sedikit langkah. Pengalaman (Hull dan
Creemer, 1963) gests nyarankan- bahwa total langkah akan diminimalkan
jika h dipilih sehingga korektor konvergen dalam waktu dua iterasi. Oleh
karena itu, jika lebih dari dua iterasi yang diperlukan, ukuran langkah de-
berkerut,
Meskipun strategi di atas menentukan kapan modifikasi ukuran langkah adalah
dalam rangka, itu tidak
tidak menunjukkan bagaimana mereka harus berubah. Ini adalah
pertanyaan penting karena metode bertingkat dengan definisi memerlukan
beberapa poin untuk menghitung titik baru. Setelah ukuran langkah
berubah, satu set baru poin harus ditentukan. Satu pendekatan adalah
untuk me-restart tion computa- dan menggunakan metode satu-langkah
untuk menghasilkan satu set baru titik awal.
Sebuah strategi yang lebih efisien yang menggunakan informasi yang
ada adalah untuk meningkatkan dan menurunkan dengan menggandakan
dan mengurangi separuh ukuran langkah. Seperti digambarkan dalam
Gambar. 26.6b, jika dalam jumlah yang memadai nilai sebelumnya telah
dihasilkan, meningkatkan ukuran langkah demi penggandaan adalah tugas
yang relatif mudah (Gambar. 26.6c). Semua yang diperlukan adalah untuk
melacak script sub- sehingga nilai-nilai lama x dan y menjadi nilai-nilai
baru yang sesuai. Mengurangi separuh ukuran langkah agak lebih rumit
karena beberapa nilai-nilai baru akan tersedia (Gambar. 26.6a). Namun,
interpolasi polinomial dari jenis yang dikembangkan di Chap. 18 dapat
digunakan untuk menentukan nilai-nilai menengah.
Dalam hal apapun, keputusan untuk menggabungkan kontrol langkah-
size merupakan trade-off antara investasi awal dalam kompleksitas
Program versus kembali jangka panjang karena peningkatan ficiency-
upaya. Jelas, besarnya dan pentingnya masalah itu sendiri akan memiliki
bantalan yang kuat pada trade-off. Untungnya, beberapa paket perangkat
lunak dan perpustakaan memiliki rutinitas tahapan yang dapat Anda
gunakan untuk mendapatkan solusi tanpa harus program mereka dari awal.
Kami akan menyebutkan beberapa ini ketika kami meninjau paket dan
perpustakaan di akhir Chap. 27.
26.2.3 Rumus integrasi
Metode Heun non-self-awal adalah karakteristik dari metode yang paling

tahapan. Ini em-ploys integrasi rumus terbuka (metode titik tengah) untuk
membuat perkiraan awal. Ini
Interpolasi
x
(Sebuah)
y
x
(B)
y
x
(C)
GAMBAR 26.6
Sebuah plot yang menunjukkan bagaimana strategi mengurangi separuh-menggandakan
memungkinkan penggunaan nilai-nilai (b) dihitung sebelumnya untuk metode multi
langkah orde ketiga. (A) mengurangi separuh; (C) penggandaan.
prediktor langkah memerlukan titik data sebelumnya. Kemudian, formula

integrasi tertutup (yang trape- aturan zoidal) diterapkan secara iteratif
untuk meningkatkan solusinya.
Ini harus jelas bahwa strategi untuk meningkatkan metode multi
langkah akan menggunakan tingkat tinggi integrasi formula sebagai
prediktor dan korektor. Sebagai contoh, urutan tinggi- Newton-Cotes
formula yang dikembangkan di Chap. 21 dapat digunakan untuk tujuan
ini.
Sebelum menjelaskan metode tingkat tinggi ini, kita akan meninjau
formula Gration inte- paling umum atas mana mereka didasarkan. Seperti
disebutkan di atas, yang pertama ini adalah rumus Newton-Cotes. Namun,
ada kelas kedua disebut Adams formula yang kami juga akan meninjau
dan yang sering disukai. Seperti digambarkan dalam Gambar. 26,7,
perbedaan mendasar antara Newton-Cotes dan Adams formula berkaitan
dengan cara di mana terpisahkan diterapkan untuk mendapatkan solusi.
Seperti digambarkan dalam Gambar. 26.7a, rumus Newton-Cotes
memperkirakan terpisahkan selama selang mencakup beberapa titik.
terpisahkan ini kemudian digunakan untuk proyek dari awal interval
sampai akhir. Sebaliknya, Adams untuk- Mulas (Gambar. 26.7b)
menggunakan satu set poin dari selang untuk memperkirakan terpisahkan
semata-mata untuk segmen terakhir dalam interval.
y
ysaya+ 1 = ysaya - 2 +∫ xsaya + 1
xsaya- 2
f(X, y) dx
xsaya- 2 xsaya- 1 xsaya xsaya+ 1 x

(Sebuah)
y
ysaya+ 1 = ysaya + ∫xsaya + 1
xsaya
f(X, y) dx

(B)
GAMBAR 26,7
Ilustrasi perbedaan mendasar antara integrasi Newton-Cotes dan Adams untuk- Mulas.
(A) Newton-Cotes formula menggunakan serangkaian poin untuk mendapatkan
perkiraan terpisahkan selama beberapa segmen. Perkiraan tersebut kemudian digunakan
untuk proyek di seluruh rentang. (B) The Adams formula menggunakan serangkaian
poin untuk mendapatkan perkiraan terpisahkan untuk segmen tunggal. Perkiraan
tersebut kemudian digunakan untuk proyek di seluruh segmen.
Newton-Cotes Rumus.Beberapa formula yang paling umum untuk
memecahkan dif- biasapersamaan ferential didasarkan pada pas sebuah+ n
derajat interpolasi polinomial untuk n 1 nilai-nilai yang diketahui dari y
dan kemudian menggunakan persamaan ini untuk menghitung integral.
Sebagaimana dibahas pra viously di Chap. 21, rumus integrasi Newton-
Cotes didasarkan pada proach ap- tersebut. formula ini terdiri dari dua
jenis: bentuk terbuka dan tertutup.
Terbuka Rumus. Untuk n sama spasi titik data, rumus terbuka dapat
dinyatakan dalam bentuk larutan sebuah ODE, seperti yang dilakukan
sebelumnya untuk Eq. (26,19). Persamaan umum untuk tujuan ini adalah
∫ xsaya1
ysaya1= ysaya- xsay fn (x) dx (26,31)
n+ a-n
ysaya1= ysaya- xsay fn (x) dx (26,31)

n+ a-n
mana fn (x) adalah n-order interpolasi polinomial. Evaluasi em-

terpisahkan ploys yang n-order Newton-Cotes terbuka integrasi rumus
(Tabel 21.4). Sebagai contoh, jika n = 1,
ysaya1= ysaya-1+ 2h fsaya (26,32)
di mana fi adalah singkatan untuk f (xi, yi) -yaitu, persamaan diferensial

dievaluasi pada xi dan yi. Persamaan (26,32) disebut sebagai metode titik
tengah dan digunakan sebelumnya sebagai prediktor dalam metode Heun
non-self-mulai. Untuk n = 2,
ysaya1
3h
= + Fi-1)
+ 2 (fi
ysay
a -2
dan untuk n = 3,
ysaya1
4h
= − fs + 2 s ) (26,33)
+ 3 (2
ysay ay f a
fi
a -3 a- y
1 a-
2
Persamaan (26.33) digambarkan secara grafis pada Gambar. 26.8a.
Rumus tertutup. Bentuk tertutup dapat dinyatakan secara umum sebagai

∫ xsaya1
ysaya1= ysayan + xsayan fn (x) dx (26,34)
1+ +1
ysaya1= ysayan + xsayan fn (x) dx (26,34)

1+ +1
di mana integral didekati oleh n-order Newton-Cotes ditutup integrasi

untuk-mula (Tabel 21.2). Sebagai contoh, untuk n = 1,
ysaya1 h
= + Fi + 1)
+ 2(fi
yi
yang setara dengan aturan trapesium. Untuk n = 2,
ysaya1
h
= +4 +
s ) (26,35)
+ 3(f
ysay fi fsay
a
a -1 y a1
a-
1
yang setara dengan 1/3 aturan Simpson. Persamaan (26.35) digambarkan pada
Gambar. 26.8b.
Adams Rumus. Jenis lain dari formula integrasi yang dapat digunakan
untuk memecahkan Odes adalah formula Adams. Banyak algoritma
komputer yang populer untuk solusi multi langkah Odes didasarkan pada
metode ini.
Terbuka Rumus (Adams-Bashforth). The Adams formula dapat

diturunkan dalam berbagai cara. Salah satu teknik adalah untuk menulis
serangkaian ekspansi Taylor maju sekitar xi:
y =y
say s fsayaj2 fsayajj3
a1 a
+ Fh
s
a
+ 2 h + 6 h + ···
yang juga dapat ditulis sebagai
. Σ
yi1 = Yi + h
h h2
j + 3!jj fsaya+
fi+ 2 fsaya
(26,36)
···
xsaya- 3 xsaya- 2 xsaya- 1 xsaya xsaya+ 1 x

(Sebuah)
xsaya- 1 xsaya xsaya+ 1 x

(B)
GAMBAR 26.8
penggambaran grafis dari terbuka dan tertutup formula integrasi Newton-Cotes. (A)
Rumus terbuka ketiga [Eq. (26,33)] dan (b) Simpson 1/3 aturan [Eq. (26,35)].
Ingat dari Sec. 4.1.3 bahwa perbedaan mundur dapat digunakan untuk
mendekati turunan:
saya - fsaya -1 jj
fj = f s
a h + f2saya h + O(h2)
yang dapat disubstitusikan ke Persamaan. (26,36),
. Σ Σ Σ
h fi - fi-1 f 2 h2 jj
a
jj
yi1 = Yi + h fi+ 2 + 2 jam + + 6 fsaya + ·

h
O(H)
atau, mengumpulkan persyaratan,
s say s
y =y 3 2 a1 2 a-1 12 a
say s
+ h. f - f
a1 a
Σ + 5 h3 f
jj + O(h4)
MEJA26,1Koefisien dan kesalahan pemotongan untuk prediktor Adams-

Bashforth.
Pemotongan lokal
Mem β0 β1 β2 β3 β4 β5 Kesalahan
esan
1 2 j
1 1 h f (Ξ)
5
2 3/2 -1/2 3 jj
2- h f (Ξ)
9
3 23/12 -16/12 5/12 h4f (3)
(Ξ)
-1-2
251
4 55/24 -59/24 37/24 -9/24 h5f (4)(Ξ)
475
5 1901/720 -2774/720 2616/720 -1274/720 251/720 -2-4h6f (5)(Ξ)
19.087
6 4277/720 -7923/720 9982/720 -7298/720 2877/720 -475/720 - - h7f(6)
60,4 80
-
72-0
-
14-40
Formula ini disebut orde kedua terbuka rumus Adams. Terbuka Adams
formula juga disebut sebagai rumus Adams-Bashforth. Akibatnya,
Persamaan. (26,37) kadang-kadang disebut kedua rumus Adams-
Bashforth.
Tingkat tinggi Adams-Bashforth formula dapat dikembangkan dengan
menggantikan perkiraan perbedaan tinggi- ke Persamaan. (26,36). The n-
order terbuka rumus Adams dapat mewakili keadaan dibenci secara umum
sebagai
.
n-1 n1
+
yi1= Yi + h βk fi-k+ O(h ) (26.38)
k= 0
Koefisien βk disusun dalam Tabel 26.1. Versi keempat-order digambarkan

dalam Gambar. 26.9a. Perhatikan bahwa versi orde pertama adalah metode
Euler.
Rumus tertutup (Adams-Moulton). Serangkaian Taylor mundur sekitar xi

+ l dapat ditulis sebagai
fsayaj
fjj
ysaya= ysaya 1- fsaya 1h + 1h2 -saya 1h3 + ···
2 3!
Pemecahan untuk l hasil yi +
.
yi1 = Yi + h
Σ
h
fsaya1- 2 jfsaya
h2 jj (26.39)
fsaya 1+ ···
1+ 6
Perbedaan dapat digunakan untuk mendekati turunan pertama:
jj 1
saya 1- fsaya + 2
j
f = f a1
say
h + fsaya
2 h + O(H)
xsaya- 3 xsaya- 2 xsaya- 1 xsaya xsaya+ 1 x

(Sebuah)

(B)
GAMBAR 26,9
penggambaran grafis dari terbuka dan tertutup formula integrasi Adams. (A) keempat
Adams- Bashforth rumus terbuka dan (b) keempat Adams-Moulton ditutup rumus.
yang dapat disubstitusikan ke Persamaan. (26.39), dan mengumpulkan hal

memberikan 4
y =y 1 + 1 f Σ - 1 h3f
say s
+ h. f - O(H)
a1 a jj
say s say
2 a1 2 a 12 a1
Formula ini disebut orde kedua ditutup rumus Adams atau yang kedua
rumus Adams- Moulton. Juga, perhatikan bahwa aturan trapesium.
The n-order ditutup rumus Adams dapat ditulis secara umum sebagai
.
n-1 n1
yi1 = Yi + h βk fi+ 1-k+ O(h+)

k= 0
Koefisien βk tercantum dalam Tabel 26.2. Metode keempat-order
digambarkan pada Gambar. 26.9b.
Kotak 26,1 Penurunan Umum Hubungan untuk Pengubah
Hubungan antara nilai sebenarnya, pendekatan, Kesalahan pemotongan dari korektor yang:
dan kesalahan prediktor dapat direpresentasikan
secara umum sebagai
ηc δp . say Σ
ηp Ec ~=-ηcδp+ηp
0
Benar value = + hn1y

(n1)
(ξ) p (B26.1.1) ym-y
a1
say
a1
(B26.1.4)
say
y0 a1 δc
δ
p
δ
p
Untuk pengubah prediktor, Persamaan.
di mana ηp= dan δp pembilang dan penyebut,
(B26.1.3) dapat diselesaikan pada langkah
dan n adalah urutan. sebelumnya untuk
Hubungan serupa dapat dikembangkan untuk korektor
yang: δ δ .
masing-masing, dari konstan kesalahan - c p ys0- ym
hn y (n1)(Ξ)=ηcδp+ηp s Σ
δc
pemotongan untuk baik terbuka Newton- Cotes
(Tabel 21.4) atau Adams-Bashforth (Tabel 26.1)
prediktor,
ηc n1 (n yang dapat diganti ke dalam istilah kesalahan Persamaan.

h y
Nilai asli (B26.1.1) ke
1)
ym
= saya 1- (Ξc) menghasilkan
δc
p s s
(B26.1.2)
di mana ηc dan δc = pembilang dan penyebut, konstan dari kesalahan pemotongan untuk baik ditutup Newton-
Cotes (Tabel 21.2) atau Adams-Moulton (Tabel 26,2) korektor.
masing-masing, dari
η p δc .
E = ym- y0Σ (B26.1.5)
ηcδp+ηp
δc
dilakukan dalam derivasi dari Persamaan. Persamaan (B26.1.4) dan (B26.1.5) adalah versi
(26,24), Persamaan. (B26.1.1) bisa sub- tracted umum Fiers memodi- yang dapat digunakan
dari Persamaan. (B26.1.2) untuk menghasilkan untuk meningkatkan algoritma bertingkat. Untuk
ηc+ ηp δc / δp ple exam-, metode Milne memiliki ηp = 14, δp =
0
45, ηc = 1, δc = 90. Sub
0= - hn1 y(n+1)(ξ) stituting nilai-nilai ini ke pers. (B26.1.4) dan
ysaya (B26.1.5) menghasilkan pers. (26,43) dan
ym (B26.1.3)
- (26,42), masing-masing. pengubah serupa dapat
saya 1 1 δc
+
Sekarang, membagi persamaan dengan ηc ηpδc / dikembangkan untuk pasangan lain dari formula
δp, mengalikan terakhir terbuka dan tertutup yang memiliki kesalahan
Istilah oleh δp / δp, dan menata ulang pemotongan lokal urutan yang sama.
memberikan perkiraan lokal
MEJA26,2Koefisien dan kesalahan pemotongan untuk korektor Adams-

Moulton.
Pemotongan lokal
Mem β0 β1 β2 β3 β4 β5 Kesalahan
esan
1
2 1/2 1/2 - h3fjj(Ξ)
3 5/12 8/12 -1/12

-11-2 4 (3)
- h f (Ξ)
19
4 9/24 19/24 -5/24 1/24 - h5f(4)(Ξ)
-2-4
27
5 251/720 646/720 -264/720 106/720 -19/720 - h6f(5)(Ξ)
6 475/1440 1427/1440 -798/1440 482/1440 -173/1440 - 863

27/1440 72-0-80h7f(6)
--6
0,4
-
14-40
26.2.4 Tingkat Tinggi Metode tahapan
Sekarang kita telah secara resmi mengembangkan Newton-Cotes dan

Adams integrasi formula, kita dapat menggunakannya untuk mendapatkan
metode multi langkah orde yang lebih tinggi. Seperti halnya dengan
metode Heun non self-mulai, rumus integrasi yang diterapkan bersama-
sama sebagai metode korektor predictor-. Selain itu, jika rumus terbuka
dan tertutup memiliki kesalahan pemotongan lokal
dari urutan yang sama, pengubah dari jenis yang tercantum dalam
Gambar. 26,5 dapat dimasukkan untuk meningkatkan akurasi dan
memungkinkan kontrol langkah-size. Kotak 26.1 memberikan persamaan
umum untuk ini Fiers memodi-. Pada bagian berikut, kami menyajikan
dua yang paling umum tingkat tinggi pendekatan tahapan: Metode Milne
dan metode keempat-order Adams.
Milne Metode. Milne Metode adalah metode tahapan yang paling umum
berdasarkan rumus integrasi Newton-Cotes. Ia menggunakan tiga titik
Newton-Cotes rumus terbuka sebagai prediktor:
m 4h . m Σ
0
ysay
=y say + 3 2 fm
s - fm
say + 2 fsay (26.40)
a1 a-3 a a-1 a-2
dan tiga titik Newton-Cotes ditutup rumus (1/3 aturan Simpson) sebagai korektor
suatu:
h
j m .
ysay = ysay + 3 fm+
say 4 fm
s + fj-1Σ
a
say (26,41)
a1 a-1 a-1 a1
di mana j adalah indeks yang mewakili jumlah iterasi dari modifikator.

Prediktor dan korektor pengubah untuk metode Milne dapat
dikembangkan dari rumus di Box 26.1 dan koefisien kesalahan dalam
Tabel 21.2 dan 21.4:
28
.
ep= ym- y0Σ (26.42)
29 say saya
1. Σ
va (26,43)
E c~=-
0
29
− ys
m
ay
s
a1
a
y
a
1
CONTOH 26,5 Milnemetode

Pernyataan masalah.Menggunakan metode Milne untuk mengintegrasikan yj= 4e0.8x- 0.5ydari x = 0
x= 4 menggunakan ukuran langkah 1. Kondisi awal pada x = 0 adalah y = 2. Karena kita berhad
an. Dalam sebuah aplikasi yang sebenarnya, metode satu-langkah seperti keempat-order RK akan digunakan untuk menghitung poin yang dibutuhkan
ple 25,5] untuk menghitung nilai yang tepat di xi-3 = -3, xi-2 = -2, dan xi-1 = -1 dari yi-3 =
-4,547302, yi-2 = -2,306160, dan yi-1 = -,3929953, masing-masing.
Larutan.Prediktor [Eq. (26.40)] digunakan untuk menghitung nilai pada x = 1:
4 (1)
y10 = - 4. 54.730 +[2 (3) - 1,99381 + 2 (1,96067)] = 6,02272 εt= 2.8%
3
Korektor [Eq. (26,41)] kemudian digunakan untuk menghitung
1
y11 = - 0. 3929953 + [1,99381 + 4 (3) + 5,890802] = 6,235210 εt= -0.66%
3
Hasil ini dapat diganti kembali ke Persamaan. (26,41) untuk iteratif memperbaiki perkiraan. Proses ini konvergen pada nilai koreksi akhir
Nilai ini lebih akurat daripada perkiraan sebanding 6.360865 (εt = -2,68%)
diperoleh sebelumnya dengan metode Heun non-self-mulai (Contoh 26,2 melalui 26,4).
Hasil untuk langkah-langkah yang tersisa adalah y (2) = 14,86031 (εt = -0,11%), y (3) = 33,72426
(Εt = -0,14%), dan y (4) = 75,43295 (εt = -0,12%).
Seperti pada contoh sebelumnya, metode Milne biasanya

menghasilkan hasil akurasi yang tinggi. Namun, ada kasus-kasus tertentu
di mana berkinerja buruk (lihat Ralston dan Rabinowitz, 1978). Sebelum
mengelaborasi pada kasus ini, kami akan menjelaskan tingkat tinggi
tahapan pendekatan-keempat-order metode Adams lain.
Keempat-Order Adams Metode.Sebuah metode multi langkah populer

berdasarkan Adams perusahaan integrasiformula tion menggunakan
keempat-order Adams-Bashforth rumus (Tabel 26.1) sebagai prediktor:
y 0 = Ym + h. 55 fm - 59 Σ (26,44)
37m 9m
fm
say
a1
s
a 24 s
a 24 say
a-1
+ 24 fsay
a-2
- 24 f
say
a-3
dan keempat-order Adams-Moulton rumus (Tabel 26.2) sebagai korektor yang:

9 19 5 24 + f
YJ= ym+ h. fj-1+ fm- fm 1m
say s say s say
a1 a 24 a1
24 a 24 a-1 Σ (26,45)
say
a-2
Prediktor dan pengubah korektor untuk metode keempat-order Adams

dapat dikembangkan dari rumus di Box 26.1 dan koefisien kesalahan
dalam Tabel 26.1 dan
26,2 sebagai
251
.
ep= ym- y0Σ (26,46)
270 c saya
270
.
19 v 0
E=-
m sa − ys
saya1 ya Σ
ay (26,47)
a1
CONTOH 26,6 Keempat-Order Cara Adams

Pernyataan masalah.Gunakan keempat-order metode Adams untuk memecahkan masalah yang sama seperti pada Con
Larutan.Prediktor [Eq. (26,44)] digunakan untuk menghitung nilai pada x = 1.
. Σ
0 55 59 37 9
1 y = 2 + 13-1 . 993.814 +1 . 960.667 -2 . 6365228 = 6 .007.539
24 24 24 24
εt= 3.1%
yang sebanding dengan tapi agak kurang akurat dibandingkan hasil dengan menggunakan metode Milne. Korektor [Eq. (26,45)] kemudian digu
. Σ
1 9 19 5 1
1y = 2 + 15 . 898.394 +3 -1 993.814 +1 . 960.666 = 6 .253.214
24 24 24 . 24
εt= -0.96%
sebanding dengan tetapi kurang akurat dibandingkan dengan hasil menggunakan metode Milne. Hasil ini dapat diganti kembali ke Persamaan. (26,45)
Proses konvergen pada nilai koreksi akhir 6.214424 (εt = 0,32%), yang merupakan tuduhannya
Hasilnya tingkat tapi sekali lagi agak lebih rendah daripada yang diperoleh dengan metode Milne.
Stabilitas Metode tahapan.Akurasi yang unggul dari metode Milne

dipamerkan diContoh 26,5 dan 26,6 akan diantisipasi berdasarkan istilah
kesalahan untuk tor prediktif [Pers. (26.42) dan (26.46)] dan korektor
[Pers. (26,43) dan (26,47)]. The koefisien coeffi- untuk metode Milne,
14/45 dan 1/90, lebih kecil dari untuk keempat-order Adams, 251/720 dan
19/720. Selain itu, metode Milne mempekerjakan evaluasi fungsi yang
lebih sedikit untuk mencapai ini akurasi yang lebih tinggi. Pada nilai
nominal, hasil ini mungkin mengarah pada kesimpulan bahwa metode
Milne unggul dan, karena itu, lebih baik untuk keempat-order Adams. Al
meskipun kesimpulan ini berlaku untuk banyak kasus, ada kasus di mana
metode Milne melakukan tidak dapat diterima. Perilaku tersebut
dipamerkan dalam contoh berikut.
CONTOH 26,7 Stabilitas Milne dan Keempat-Order Metode Adams
Pernyataan masalah. Mempekerjakan Milne dan keempat-order metode Adams

untuk memecahkan
dy
= -y
dx
dengan kondisi awal yang y = 1 pada x = 0. Memecahkan persamaan ini

dari x = 0 sampai x = 10 menggunakan ukuran langkah h = 0,5. Perhatikan
bahwa solusi analitis adalah y = e-x.
Larutan. Hasilnya, seperti yang dirangkum dalam Gambar. 26.10,

menunjukkan masalah dengan metode Milne. Tak lama setelah timbulnya
perhitungan, kesalahan mulai tumbuh dan berosilasi
GAMBAR 26.10
penggambaran grafis dari ketidakstabilan metode Milne.
0,005
Metode Milne
Benarlarutan
0
5 10 x
di tanda. Dengan x = 10, kesalahan relatif telah meningkat ke 2831 persen dan nilai prediksi
akan jauh lebih dapat diterima. Al meskipun kesalahan juga tumbuh, itu akan melakukannya pada tingkat yang lambat. Selain itu, perbedaan tidak aka
Perilaku tidak dapat diterima diwujudkan dalam contoh sebelumnya

dengan metode Milne disebut sebagai ketidakstabilan. Meskipun tidak
selalu terjadi, kemungkinan yang mengarah pada kesimpulan bahwa
pendekatan Milne harus dihindari. Dengan demikian, keempat-order
metode Adams biasanya disukai.
Ketidakstabilan Metode Milne adalah karena korektor tersebut.
Akibatnya, upaya telah dilakukan untuk memperbaiki kelemahan dengan
mengembangkan korektor stabil. Salah satu alternatif yang umum
say say s say
digunakan yang mempekerjakan
a-2 a1 pendekatan
a a-1 ini adalah metode Hamming,
8
yang menggunakan Milne prediktif tor dan korektor stabil:
m - ym m-fmΣ
j = 9y s + 3h.yj-1 + 2 f
y1 a
yang memiliki kesalahan pemotongan lokal:
1 5 (4)
Ec = 40 hy (ξ) c
Metode Hamming juga termasuk pengubah dalam bentuk
9
.
ep= ym- y0Σ
121 say saya
E 112 .va 0
Σ
c= - − ysaya1
121
m
s
a
y
a
1
pembaca dapat memperoleh informasi tambahan mengenai metode ini dan

lainnya tahapan lain-mana (Hamming, 1973; Lapidus dan Seinfield,
1971).
MASALAHS
26.1 mengingat 26.2 mengingat
dy dy
dt = -100,000y + 99,999e-t
= 30(sin t - y) + 3 cos t
dt
(a)Memperkirakan langkah-ukuran yang
dibutuhkan untuk menjaga stabilitas
menggunakan metode Euler eksplisit.
(b)Jika y=(0) 0, gunakan Euler implisit =
untuk mendapatkan solusi darit

0 sampai 2 menggunakan ukuran langkah 0,1.
Jika y (0) 1,menggunakan Euler implisit untuk
mendapatkan solusi dari t 0-4 menggunakan ukuran
langkah 0,4. = =
26.3 mengingat
dx1
= 999x1 + 1999x2
dt
dx2
= -1000x1 - 2000x2
dt
Jika x1 (0) x2(0) 1, = = =
mendapatkan solusidari T 0-0,2

menggunakan ukuran langkah 0,05 dengan (a)
eksplisit dan (b) implisit metode Euler.
MASALAH 777
26.4 Memecahkan masalah awal-nilai m
berikut selama interval dari t = 2 sampai 3: 8

l
dy
dt = -0.5y + e-t
Gunakan metode Heun non-self-dimulai dengan

= =
ukuran langkah 0,5
= dan kondisi awal y (L.5)
5,222138 dan y (2,0) 4,143883. Iterate korektor
untuk εs 0,1%. Hitunglah persen benar kesalahan Gambar P26.13
relatif εt untuk hasil Anda berdasarkan solusi
analitis.
26.5 Ulangi Prob. 26,4, tetapi
26.13Pertimbangkan batang tipis panjang l
menggunakan keempat-order metode Adams.
bergerak dalam bidang
= xy seperti= ditunjukkan
[Catatan:. Y (0,5) = 8,132548 dan y (1,0) =
pada Gambar. P26.13. batang adalah tetap
6,542609] Iterate rektor cor- untuk εs = 0,01%.
dengan pin di satu ujung dan massa pada yang
26.6 Memecahkan masalah berikut awal-
lain. Perhatikan bahwa g 9,81 m / s 2 dan l 0,5 m.
nilai dari t = 4 sampai 5:
tem sistematis ini dapat diselesaikan dengan
dy 2y menggunakan
=-
dt t
Gunakan ukuran
= langkah 0,5 dan
= nilai-nilai awal y (2,5) = 0,48, y (3) = g
¨
0.333333, y (3,5) 0,244898, dan y (4) 0,1875. (εs 1%), dan (b) keempat-order metode Adams (εs
Mendapatkan lutions begitu- Anda menggunakan 0,01%). [Catatan: jawaban yang tepat diperoleh
teknik berikut: (a) metode Heun non-self-mulai secara analitik adalah y (4,5) 0,148148 dan y (5)
= persen benar kesalahan relatif εt
0.12.] Hitunglah θ- l θ = 0
=
untuk=hasil Anda. =
Biarkan= θ (0) =0 dan θ˙ (0) 0,25 rad / s.
26,7 Memecahkan masalah awal-nilai dari x = 0 Memecahkan menggunakan metode apapun stud-
hingga ied dalam bab ini. Plot sudut terhadap waktu dan
x = 0,75: ve- locity sudut terhadap waktu. (Petunjuk:
dy 2 Membusuk kedua-order ODE.)
= Yx - y 26.14Mengingat orde pertama ODE

dx
dx
dt = -700x - 1000E-t
Gunakan metode Heun non-self-dimulai dengan
ukuran langkah 0,25. Jika x (t= 0) = 4
y(0)= 1, mempekerjakan keempat-order metode
Menyelesaikan persamaan diferensial kaku ini
RK dengan ukuran langkah ≤≤
menggunakan metode numerik selama periode
0,25 untuk memprediksi nilai mulai dari y (0,25).
waktu 0 t 5. Juga memecahkan analitis dan plot
26,8 Memecahkan masalah berikut awal-nilai
litik ana- dan solusi numerik untuk kedua
dari t = 1,5 untuk
transien cepat dan fase transisi lambat dari skala
t = 2,5
waktu.
dy -2y 26.15orde kedua setelah ODE dianggap kaku
=
d2y dy
= -1001 dx - 1000y
dx2
dt 1+t 26.10 Mengembangkan program untuk metode

Euler implisit untuk sepasang Odes linier.
Gunakan keempat-order metode Adams.
Mengujinya dengan memecahkan Persamaan.
Mempekerjakan
= ukuran langkah 0,5 dan metode
(26,6).
keempat-order RK untuk memprediksi nilai-nilai
26,11 Mengembangkan program yang user-
start-up jika y (0) 2.
friendly untuk metode non-self-mulai Heun
26,9 Mengembangkan program untuk metode
dengan modifier prediktor. Mempekerjakan
Euler implisit untuk ODE linear tunggal.
keempat-order metode RK untuk menghitung
Mengujinya dengan menduplikasi Prob. 26.1b.
nilai-nilai starter. Menguji program dengan
menduplikasi Contoh 26,4. Menyelesaikan persamaan diferensial ini (a)
26.12Gunakan program yang dikembangkan di analitis dan (b) numerik untuk x 0 5. Untuk (b)
Prob. 26,11 untuk memecahkan Prob. 26,7. menggunakan pendekatan implisit dengan h 0,5.
Perhatikan bahwa kondisi awal adalah y (0) 1 dan
= =
y '(0) 0 Tampilan kedua =
hasil grafis. =
26.16Menyelesaikan persamaan diferensial berikut dari t =
0 ke 1
dy
= -10y
dt
= (0) 1. Gunakan teknik-

dengan kondisi y awal
teknik berikut untuk mendapatkan solusi Anda:
=
(a) analitis, (b) metode Euler eksplisit, dan (c)

metode Euler implisit. Untuk (b) dan (c)
menggunakan h
0,1 dan 0,2. Plot hasil Anda.
Batas-Nilai dan Eigenvalue Masalah
Ingat dari diskusi kita pada awal Bagian Ketujuh bahwa persamaan
diferensial biasa disertai dengan kondisi tambahan. Kondisi ini digunakan
untuk mengevaluasi konstanta integrasi yang mengakibatkan selama solusi
dari persamaan. Untuk persamaan n-order, kondisi n diperlukan. Jika
semua kondisi yang ditentukan pada nilai yang sama dari variabel
independen, maka kita berhadapan dengan masalah awal-nilai (Gambar.
27.1a). Untuk saat ini, materi dalam Bagian Ketujuh telah dikhususkan
untuk jenis masalah.
GAMBAR 27.1
Awal-nilai terhadap masalah dy1
= F (t,112
y, y)
dt
nilai boundary-. (A) Sebuah dy2
= F (t,212
y, y)
dt
masalah nilai initial- di mana dimana pada t = 0, y1 = y1, 0 dan y2 = y2, 0

y
semua kondisi yang y1, 0 y1
ditentukan pada nilai yang Kondisi awal y2

sama dari variabel y2, 0
0 t
independen. (B) Masalah (Sebuah)
d 2y
= F (x,
dx2y)
batas-nilai di mana kondisi
dimana pada x = 0, y = y0 Batas kondisi
yang ditentukan pada nilai
yL
Batas kondisi
yang berbeda dari variabel
y0
independen.
0 L x
(B)
778
27,1 METODE UMUM UNTUK MASALAH BATAS-NILAI 779
Sebaliknya, ada aplikasi lain yang kondisi tidak diketahui pada satu
titik, melainkan, yang dikenal di nilai yang berbeda dari variabel
independen. Karena nilai-nilai ini seringkali ditentukan pada titik-titik
ekstrim atau batas-batas sistem, mereka lazim disebut sebagai masalah
batas-nilai (Gambar. 27.1b). Berbagai aplikasi teknik signifikan jatuh
dalam kelas ini. Dalam bab ini, kita membahas dua pendekatan umum
untuk mendapatkan solusi mereka: metode penembakan dan terbatas-
perbedaan approach. Selain itu, kami menyajikan teknik untuk
mendekati tipe khusus masalah batas-nilai: penentuan nilai eigen. Tentu
saja, eigenvalues juga memiliki banyak Penerapan-penerapan di luar yang
melibatkan masalah batas-nilai.
27.1 METODE UMUM UNTUK MASALAH BATAS-NILAI
Konservasi panas dapat digunakan untuk mengembangkan keseimbangan

panas yang panjang, batang tipis (Gbr. 27.2). Jika batang tidak terisolasi
sepanjang panjangnya dan sistem ini pada steady state, persamaan yang
dihasilkan adalah
d 2T j
+ h(Ta- T)= 0 (27.1)

dx 2
di mana hj adalah koefisien perpindahan panas (m-2) yang parameterizes

laju disipasi panas ke udara sekitar dan Ta adalah suhu udara sekitar (○ C).
Untuk mendapatkan solusi untuk persamaan. (27,1), harus ada kondisi
batas yang sesuai. Sebuah kasus sederhana adalah di mana suhu di ujung
bar diadakan di nilai tetap. Ini dapat dinyatakan secara matematis sebagai
T (0) =
T1 T (L)
= T2
Dengan kondisi ini. Eq. (27.1) dapat diselesaikan secara analitis

menggunakan kalkulus. Untuk batang 10-m dengan Ta = 20, T1 = 40, T2 =
200, dan hj = 0,01, solusinya adalah
T= 73.4523e0.1x - 53.4523e-0,1x + 20 (27.2)
Pada bagian berikut, masalah yang sama akan diselesaikan dengan menggunakan
pendekatan numerik.
GAMBAR 27.2
Sebuah batang seragam noninsulated diposisikan antara dua badan dari suhu konstan
tetapi berbeda. Untuk ini kasus T1> T2 dan T2> Ta.
TSebuah
T1 T2
TSebuah
x=0 x=L
780 BATAS-NILAI DAN eigen MASALAH
27.1.1 The Shooting Metode
Metode pengambilan gambar didasarkan pada mengubah masalah batas-

nilai ke masalah awal-nilai equiva- dipinjamkan. Pendekatan trial-and-
error kemudian diimplementasikan untuk memecahkan versi awal-nilai.
Pendekatan ini dapat diilustrasikan dengan contoh.
CONTOH 27.1 Shooting Metode
Pernyataan masalah. Gunakan metode shooting untuk memecahkan Persamaan.

(27.1) untuk batang 10-m dengan
hj= 0,01 m-2, Ta = 20, dan kondisi batas
T (0) = 40 T (10) = 200
Larutan. Menggunakan pendekatan yang sama seperti yang digunakan

untuk mengubah Persamaan. (PT7.2) ke pers. (PT7.3) melalui (PT7.6),
persamaan orde kedua dapat dinyatakan sebagai dua Odes orde pertama:
dT
=z (E27.1.1)
dx
dz
dx = hj(T- T)S (E27.1.2)
e
Untukmemecahkan persamaan ini, kita membutuhkan nilai awal untuk

=
z. Untuk metode pengambilan gambar, kami kira nilai-katakanlah, z (0)
=
10. Larutan tersebut kemudian diperoleh
= dengan
=
mengintegrasikan Persamaan. (E27.1.1) dan (E27.1.2) secara bersamaan. =
Misalnya, menggunakan keempat-order metode RK dengan ukuran
langkahdari 2, kita memperoleh nilai pada akhir interval T (10)
168.3797 (Gbr. 27,3Sebuah), Yang berbeda dari kondisi batas
T (10) 200. Oleh karena itu, kami membuat menebak lain,z(0) 20, dan
melakukan perhitungan lagi. Kali ini, hasilT(10) 285.8980 adalah (27.3b
Gambar.) Yang diperoleh.
Sekarang, karena ODE asli linear, nilai-nilai
z (0) = 10 T (10) = 168,3797
dan
z (0) = 20 T (10) = 285,8980
yang berhubungan linier. Dengan demikian, mereka dapat digunakan

=
untuk menghitung nilai z (0) yang menghasilkan T (10) 200. Sebuah
interpolasi rumus linear [recall Eq. (18.2)] dapat digunakan untuk tujuan
ini:
20- 10
z (0)= 10+ (200- 168.3797)= 12,6907
285.8980 - 168.3797
Nilai ini kemudian dapat digunakan untuk menentukan solusi yang tepat, seperti yang
digambarkan pada Gambar. 27.3c.
200
100
0
(Sebuah)
200
100
0
(B)
200
100
0
0 2 4 6 8 10
(C)
GAMBAR 27.3
Penembakan Metode: (a) pertama “shot,” (b) kedua “ditembak”, dan (c) tepat akhir “hit.”
Nonlinier Masalah Dua-Point. Untuk masalah batas-nilai nonlinear, interpo- linear

lation atau ekstrapolasi melalui dua titik solusi tidak akan selalu
menghasilkan perkiraan yang akurat dari kondisi batas yang diperlukan
untuk mencapai solusi yang tepat. Alternatif adalah untuk melakukan tiga
aplikasi dari metode menembak dan menggunakan interpolasi kuadrat
polinomial untuk memperkirakan kondisi batas yang tepat. Namun, tidak
mungkin bahwa pendekatan seperti itu akan menghasilkan jawaban yang
tepat, dan iterasi tambahan akan diperlukan untuk mendapatkan solusi.
Pendekatan lain untuk masalah nonlinear melibatkan membentuk
kembali sebagai masalah akar. Ingat bahwa bentuk umum dari akar
masalah adalah untuk menemukan nilai x yang membuat
Fungsi f (x)=0. Sekarang, mari kita gunakan Contoh 27.1 untuk memahami
bagaimana metode pengambilan gambar dapat menampilkannya kembali
dalam bentuk ini.
Pertama, mengakui bahwa solusi dari pasangan persamaan diferensial
juga merupakan “fungsi” dalam arti bahwa kita menebak kondisi pada
akhir kiri bar, z0, dan integrasi menghasilkan prediksi suhu di sebelah
kanan -Hand akhir, T10. Dengan demikian, kita bisa memikirkan integrasi
sebagai
T10 = F (z0)
Artinya, itu merupakan proses dimana menebak dari z0 menghasilkan

prediksi T10. Dilihat dengan cara ini, kita dapat melihat bahwa apa yang
kita inginkan adalah nilai z0 yang menghasilkan nilai tertentu dari T10.
Jika, seperti pada contoh, kita ingin T10 = 200, masalah dapat diajukan
sebagai
200 = f (z0)
Dengan membawa tujuan 200 ke sisi kanan dari persamaan, kita

menghasilkan fungsi baru, g (z0), yang merupakan selisih antara apa yang
kita miliki, f (z0), dan apa yang kita inginkan, 200.
g (z0) = f(z0) - 200
Jika kita berkendara fungsi baru ini ke nol, kita akan mendapatkan solusi.
Contoh berikutnya illustrates pendekatan.
CONTOH 27.2 Shooting Metode Nonlinear Masalah
Pernyataan masalah.Meskipun melayani tujuan kami untuk membuktikan

masalah nilai boundary- sederhana, model kami untuk bar di Persamaan.
(27.1) tidak sangat realistis. Untuk satu hal, bar seperti itu akan kehilangan
panas dengan mekanisme seperti radiasi yang nonlinear.
Misalkan bahwa ODE nonlinier berikut ini digunakan untuk
mensimulasikan suhu bar dipanaskan:
d2 T jj 4
+ h (Ta- T )= 0
dx 2
di mana= HJJ
× 10-08 Mei. Sekarang, meskipun masih tidak representasi
yang sangat baik dari trans panas fer, persamaan ini cukup mudah untuk
memungkinkan kita untuk menggambarkan bagaimana metode
pengambilan gambar dapat digunakan untuk memecahkan dua titik
masalah nonlinear batas-nilai. Kondisi Masalah ing remain- yang
sebagaimana ditentukan dalam Contoh 27.1.
Larutan. Persamaan orde kedua dapat dinyatakan sebagai dua Odes orde pertama:
dT
=z
dx
dz
dx = HJJ(T- TS )4
e
Sekarang, persamaan ini dapat diintegrasikan dengan menggunakan salah

satu metode yang dijelaskan dalam bab. 25 dan 26. Kami menggunakan
konstan versi langkah-ukuran keempat-order pendekatan RK dijelaskan
dalam Bab. 25. Kami menerapkan pendekatan ini sebagai fungsi makro
Excel ditulis dalam Visual
T.°C
200
linear
100
nonlinear
0
0 5 10 z
GAMBAR 27.4
Hasil dengan menggunakan metode penembakan untuk memecahkan masalah nonlinier.
DASAR. Fungsi terintegrasi persamaan berdasarkan dugaan awal untuk z (0) dan
kembali suhu di x = 10. Perbedaan antara nilai ini dan tujuan 200
buah sel spreadsheet. Excel Solver kemudian dipanggil untuk menyesuaikan nilai z (0) sampai perbedaan didorong ke nol.
Gambar. 27,4 bersama dengan kasus linear asli. Seperti mungkin pected mantan, kasus nonlinier melengkung lebih dari model linear. Hal ini disebabk
Metode pengambilan gambar dapat menjadi sulit untuk persamaan

orde yang lebih tinggi di mana cessity ne- untuk mengasumsikan dua atau
lebih kondisi membuat pendekatan yang agak lebih sulit. Untuk alasan ini,
metode alternatif yang tersedia, seperti yang dijelaskan selanjutnya.
27.1.2 Metode Finite-Difference
Alternatif yang paling umum untuk metode menembak adalah pendekatan

terbatas-perbedaan. Dalam teknik ini, perbedaan terbagi terbatas diganti
untuk derivatif dalam persamaan nal origi-. Dengan demikian, persamaan
diferensial linear berubah menjadi satu set simultan persamaan aljabar
yang bisa diselesaikan dengan menggunakan metode dari Bagian Tiga.
Untuk kasus Gambar. 27,2, pendekatan yang terbatas-dibagi-
perbedaan bagi turunan kedua adalah (recall Gambar. 23,3)
d2T Tsaya 1-
= 2Tsaya +
dx2
Tsaya -1
Lembu2
pendekatan ini dapat disubstitusikan ke Persamaan. (27.1) untuk memberikan
Tsaya 1- 2Tsaya + Tsaya -1

Le
s - hj(T-
S T)=0
a e
mb
Mengumpulkan hal memberi
-Ti-1 +(2 + hjOx 2) Ti - Ti + 1 = hjOx 2TA (27,3)
Persamaan ini berlaku untuk setiap node interior batang. Pertama dan
terakhir node interior, Ti-1 dan Ti + 1, masing-masing, yang ditentukan
oleh kondisi batas. Oleh karena itu, set yang dihasilkan dari linear aljabar
persamaan akan tridiagonal. Dengan demikian, hal itu dapat diatasi dengan
algoritma efisien yang tersedia untuk sistem seperti (Sec. 11.1).
CONTOH 27,3 Finite-Difference Pendekatan dari Nilai Batas-Masalah

Pernyataan masalah.Menggunakan pendekatan terbatas-perbedaan untuk memecahkan masalah yang sama seperti pada C
Larutan.Mempekerjakan parameter dalam Contoh 27.1, kita dapat menulis persamaan. (27,3) untuk batang
dari Gambar. 27.2. Menggunakan empat node interior dengan panjang segmen Ox = 2 m hasil dalam
Berikut persamaan:
⎡ ⎤⎧ T ⎫
2.04 -1 0 0 ⎪ 1 40.8
-1 2.04 -1 0 ⎨⎬
T2 ⎨⎬
0,8
⎥ =
⎣ 0 -12.04 ⎦
- 1T 3 ⎪⎪⎪⎪0.8
0 0 -1 2.04T 4 ⎩⎭⎩⎭ 200.8

{T}T = ⎝ 65.9698 93.7785 124.5382 159.4795]
Meja27,1 memberikan perbandingan antara solusi analitis [Eq. (27.2)]

dan solusi numerik yang diperoleh dalam Contoh 27.1 dan 27.3.
Perhatikan bahwa ada beberapa ancies discrep- antara pendekatan. Untuk
kedua metode numerik, kesalahan ini dapat diatasi dengan mengurangi
ukuran langkah masing-masing. Meskipun kedua teknik melakukan
dengan baik untuk kasus ini, pendekatan terbatas-perbedaan lebih disukai
karena kemudahan yang dapat diperluas untuk lebih banyak kasus yang
kompleks.
tetap (atau Dirichlet) kondisi batas yang digunakan dalam contoh
sebelumnya hanyalah salah satu dari beberapa jenis yang umum
digunakan dalam rekayasa dan ilmu pengetahuan. Sebuah tive alterna-
umum, yang disebut Neumann kondisi batas, adalah kasus di mana
derivatif diberikan.
MEJA27.1Perbandingan solusi analitis persis dengan penembakan dan metode
perbedaan finite-.
x Benar Cara Menembak TerbatasPerbedaan
0 40 40 40
2 65,9518 65,9520 65,9698
4 93,7478 93,7481 93,7785
6 124.5036 124.5039 124.5382
8 159.4534 159.4538 159.4795
10 200 200 20
0
27.1 METODE UMUM UNTUK MASALAH BATAS-NILAI 785
Kita dapat menggunakan model batang pemanas untuk menunjukkan

bagaimana kondisi batas derivatif dapat dimasukkan ke dalam pendekatan
terbatas-perbedaan,
d 2T j
0 = dx2 + h (T∞ - T )
Namun, berbeda dengan diskusi kami sebelumnya, kami akan meresepkan

syarat batas derivatif di salah satu ujung batang,
dT
(0) = T j
Sebuah
dx
T (L) = Tb
Dengan demikian, kita memiliki kondisi batas derivatif di salah satu

ujung dari domain solusi dan kondisi batas tetap pada yang lain.
Seperti yang dilakukan pada Contoh 27.3, batang dibagi menjadi
serangkaian node dan versi perbedaan finite- dari persamaan diferensial
(Persamaan. 27,3) diterapkan ke setiap node interior. Namun, karena
suhunya tidak ditentukan, node di ujung kiri juga harus cluded in. Menulis
Persamaan. (27,3) untuk node ini memberikan
-T-1 +(2 + hjOx 2) T0 - T1 = hjOx 2T∞ (27.3a)
-
Perhatikan bahwa node imajiner (1) berbaring di sebelah kiri akhir
batang ini diperlukan untuk persamaan ini. Meskipun titik eksterior ini
mungkin tampak untuk mewakili kesulitan, itu benar-benar berfungsi
sebagai kendaraan untuk menggabungkan kondisi batas turunan ke dalam
masalah. Hal ini dilakukan dengan mewakili turunan pertama di x dimensi
di (0) oleh perbedaan berpusat
dT T1 - T-1
dx = 2Ox
T-1 dT
=
− 2Ox dx
T1
Sekarang kita memiliki rumus untuk T-1 yang benar-benar mencerminkan

dampak turunan. Hal ini dapat disubstitusikan ke Persamaan. (27.3a) untuk
memberikan
(2 + hjOx 2) T0 dT
- =
− 2Ox (27.3b)
2T1 hjLembu2
dx
T∞
Akibatnya, kami telah memasukkan turunan ke keseimbangan.

Sebuah contoh umum dari kondisi batas derivatif adalah situasi di
mana ujung batang terisolasi. Dalam hal ini, turunan diatur ke nol.
Kesimpulan ini mengikuti langsung dari hukum Fourier, yang menyatakan
bahwa fluks panas berbanding lurus dengan perature gradien tem-. Dengan
demikian, isolasi batas berarti bahwa fluks panas (dan akibatnya gradien)
harus nol.
Selain dari penembakan dan terbatas-perbedaan metode, ada teknik
lain avail- mampu untuk memecahkan masalah batas-nilai. Beberapa ini
akan dijelaskan dalam Bagian Delapan. Ini termasuk mapan (Chap. 29)
dan sementara (Chap. 30) solusi dua-dimensi
masalah batas-nilai menggunakan perbedaan terbatas dan solusi steady-

state dari masalah satu dimensi dengan pendekatan finite-element (Chap.
31).
27.2 eigenvalueMASALAH
eigenvalue, atau karakteristik-nilai, masalah adalah kelas khusus dari

masalah batas-nilai yang umum dalam konteks masalah rekayasa yang
melibatkan getaran, elastisitas, dan sistem berosilasi lainnya. Selain itu,
mereka digunakan dalam berbagai teks rekayasa con- luar masalah batas-
nilai. Sebelum menjelaskan metode numerik untuk memecahkan masalah
ini, kami akan menyajikan beberapa informasi latar belakang umum. Ini
termasuk mengadakan pembicaraan dari kedua matematika dan
pentingnya rekayasa nilai eigen.
27.2.1 Latar Belakang Matematika
Bagian Ketiga ditangani dengan metode untuk memecahkan set linear

aljabar persamaan bentuk umum
[A] {X} = {B}
Sistem seperti ini disebut homogen karena kehadiran dari vektor{}B pada
sisi kanan persamaan tersebut. Jika persamaan yang terdiri dari sistem
tersebut adalah linear di- tergantung (yaitu, memiliki determinan nol),
mereka akan memiliki solusi yang unik. Dengan kata lain, ada satu set x
nilai-nilai yang akan membuat keseimbangan persamaan.
Sebaliknya, sistem aljabar linier homogen memiliki bentuk
umum [A] {X} = 0
Meskipun solusi trivial (yaitu, solusi selain semua x 0)=dari sistem tersebut
mungkin, mereka umumnya tidak unik. Sebaliknya, persamaan simultan
membangun tionships eratnya antara x yang dapat dipenuhi oleh berbagai
kombinasi nilai-nilai.
masalah nilai eigen terkait dengan rekayasa biasanya dari bentuk umum
(Sebuah11-λ) x1+ Sebuah12x2+ ··· + Sebuah1nxn= 0
. . . .
Sebuah21x1+(Sebuah22-λ) x2+ ··· + Sebuah2nxn= 0

. . . .
. . . .
sebuah1x1+ sebuah2x2 + · · +(ann-λ) xn= 0
di mana λ merupakan parameter yang tidak diketahui disebut eigenvalue,

{}
atau nilai karakteristik. Sebuah solusi X untuk sistem tersebut disebut
Σ Σ
sebagai vektor eigen. Set atas persamaan juga dinyatakan seringkas
[A] - λ [I] {X} = 0 (27.4)
Solusi dari Persamaan. (27.4) bergantung pada penentuan λ. Salah satu

-
cara untuk mencapai hal ini didasarkan pada fakta bahwa determinan dari
matriks [[A] λ [I]] harus sama dengan nol untuk solusi non sepele menjadi
mungkin. Memperluas determinan menghasilkan polinomial dalam λ.
Akar polinomial ini adalah solusi untuk eigen. Contoh dari pendekatan ini
akan disediakan pada bagian berikutnya.
27,2 eigen MASALAH 787
m1 m2
(Sebuah)
0 x
m1 m2
(B)
0 x
0 x1 0 x2
GAMBAR 27,5
Memposisikan massa dari keseimbangan menciptakan kekuatan dalam mata air yang
pada rilis menyebabkan osilasi massa. Posisi massa dapat dirujuk ke koordinat lokal
dengan asal-usul di posisi keseimbangan masing-masing.
27.2.2 Latar Belakang Fisik
Sistem massa-pegas pada Gambar. 27.5a adalah konteks sederhana untuk

menggambarkan bagaimana eigen terjadi dalam pengaturan masalah fisik.
Ini juga akan membantu untuk menggambarkan beberapa konsep
matematika yang diperkenalkan pada bagian sebelumnya.
Untukmenyederhanakan analisis, menganggap bahwa setiap massa
memiliki kekuatan eksternal atau redaman aksi partisipatif ing di atasnya.
Selain itu, menganggap bahwa setiap musim semi memiliki panjang l
alami yang sama dan musim semi yang sama konstanta k. Akhirnya,
menganggap bahwa perpindahan dari setiap musim semi diukur relatif
terhadap sistem koordinat lokal sendiri dengan asal di posisi
kesetimbangan musim semi ini (Gambar. 27.5a). Berdasarkan asumsi ini,
hukum kedua Newton dapat digunakan untuk mengembangkan
keseimbangan gaya untuk setiap massa (ingat Sec. 12,4),
d2x1
m1 dt2 = -Kx1 + k(x2 - x1)
dan
d2x2
m2 dt2 = -k(x2 - x1) - kx2
di mana xi adalah perpindahan massa i jauh dari posisi kesetimbangan (Gambar.

27.5b).
persamaan ini dapat dinyatakan sebagai
d2x1
m1 dt2 - k(-2x1+ x2)= 0 (27.5a)
d2x2
m2 dt2 - k(x1- 2x2)= 0 (27.5b)
Dari teori getaran, diketahui bahwa solusi untuk EQ. (27,5) dapat mengambil
bentuk
xi= Ai sin(Ωt) (27.6)

di mana=AI amplitudo getaran massa i dan ω = frekuensi getaran, yang

sama dengan
2π
ω=T (27.7)
p
di mana Tp adalah periode. Dari Persamaan. (27.6) berikut bahwa
xsayajj= - Aiω2sin (ωt) (27,8)
Persamaan (27.6) dan (27,8) dapat diganti menjadi Persamaan. (27,5),

yang, setelah pengumpulan istilah, dapat dinyatakan sebagai
. 2k- ω2Σ SEBUAH - k A = 0 (27.9a)
1
m1 2
m1
Σ
k 2k 2
2 m2 2 =0 (27.9b)
- m A1 +. -ω
SEBUAH
Perbandingan Persamaan. (27,9) dengan Persamaan. (27.4) menunjukkan bahwa pada
saat ini, solusi telah
direduksi menjadi masalah nilai eigen.
CONTOH 27.4 Eigen dan Vektor Eigen untuk Misa-Spring Sistem
Pernyataan masalah. Mengevaluasi nilai eigen dan vektor eigen dari

persamaan. (27,9) untukkasus di mana ml = m2 = 40 kg dan k = 200 N / m.
Larutan. Mengganti nilai-nilai parameter ke persamaan. (27,9) hasil
(10 - ω2) A1 - 5 A2 = 0
-5 A1 +(10 - ω)
2 A2 = 0
Determinan dari sistem ini adalah [recall Eq. (9.3)]
(ω2)2 - 20ω2 + 75 = 0
yang dapat diselesaikan dengan rumus kuadrat

= untuk ω2 15 dan 5 s-2.
=
Oleh karena itu, quencies fre- untuk getaran dari massa yang ω 3,873 s-1
= =
dan 2,236 s-1, masing-masing. Nilai-nilai ini dapat digunakan untuk
menentukan periode untuk getaran dengan Persamaan. (27.7). Untuk
modus pertama, Tp 1,62 s, dan untuk yang kedua, Tp 2.81 s.
Seperti yang tercantum dalam Sec. 27.2.1, yang unik dari nilai-nilai
tidak dapat diperoleh untuk knowns un-.=Namun, rasio
=- mereka dapat
= =
ditentukan dengan menggantikan eigen kembali ke persamaan. Misalnya,
untuk mode pertama (ω2 15 s-2), Al A2. Untuk modus kedua (ω2 5 s-2),
A1 A2.
Contoh ini memberikan informasi berharga mengenai perilaku sistem
pada Gambar. 27,5. Selain dari periode, kita tahu bahwa jika sistem
bergetar dalam modus pertama, amplitudo massa kedua akan sama tapi
berlawanan tanda dengan amplitudo yang pertama. Seperti pada Gambar.
27.6a, massa bergetar terpisah dan kemudian bersama-sama tanpa batas.
Dalam modus kedua, dua massa memiliki amplitudo yang sama setiap
saat. Dengan demikian, seperti pada Gambar. 27.6b, mereka bergetar
bolak-balik serempak. Perlu dicatat bahwa konfigurasi amplitudo
memberikan pedoman bagaimana untuk menetapkan nilai awal mereka
untuk mencapai gerak murni
27.2 eigenvalueMASALAH 789
TF = 1,625
TF = 2,815
t
(Sebuah)modus pertama (B)modus kedua
GAMBAR 27.6
Modus utama dari getaran dua massa yang sama dihubungkan oleh tiga mata identik antara dinding tetap.
di salah satu dari dua mode. Semua konfigurasi lainnya yang akan menyebabkan superposisi dari mode (ingat Chap. 1
27.2.3 Sebuah Batas-Nilai Masalah
Sekarang bahwa Anda telah diperkenalkan ke eigenvalues, kita beralih ke

jenis masalah yang menjadi subjek dari bab ini: masalah batas-nilai tions
equa- diferensial biasa. Gambar 27.7 menunjukkan sistem fisik yang dapat
berfungsi sebagai konteks untuk memeriksa jenis masalah.
Kelengkungan subjek kolom ramping untuk beban P aksial dapat dimodelkan
oleh
d2 y M
= EI (27.10)
dx 2
dimana d2 y / dx2 menentukan kelengkungan,

= M momen
= lentur, E
=
modulus elastisitas, dan saya momen inersia dari penampang
= - sekitar
sumbu netral. Pertimbangan- kenai tubuh bebas pada Gambar. 27.7b, jelas
bahwa momen lentur pada x adalah M Py. Sub- stituting nilai ini ke dalam
Persamaan. (27.10) memberikan
d 2y 2
+ Py = 0 (27,11)
dx 2
P P
y
(0, 0)
y
x
M
P'
(L, 0)
P'
x
GAMBAR 27,7 (Sebuah) (B)
(A) Sebuah batang
ramping. (B) Diagram
tubuh gratis-dari batang.
dimana
P
p2 =
(27,1
E 2)
I
Untuk sistem pada Gambar. 27,7, tunduk pada

kondisi batas
y (0) = 0 (27.13a)
y (L)= 0 (27.13b)
solusi umum untuk Eq. (27.11) adalah
y= A sin(Px)+ Cos B(Px) (27,14)
di mana A dan B adalah konstanta sewenang-wenang yang akan dievaluasi

melalui kondisi batas. Sesuai dengan kondisi pertama [Eq. (27.13a)],
0 = A sin (0) + cos B (0)
Oleh karena itu, kami =
menyimpulkan bahwa B
0.
Menurut kondisi kedua [Eq. (27.13b)],
0 = A sin (pL) + cos B (pL)
Tapi, karena B = 0, A sin (pL) = 0. Karena A = 0 merupakan solusi sepele,

kita menyimpulkan bahwa dosa (pL) = 0. Untuk kesetaraan ini untuk
menahan,
pL= nπ untuk n = 1, 2, 3, ... π (27,15)
Dengan demikian, ada jumlah tak terbatas nilai-nilai yang memenuhi

syarat batas. Persamaan (27.15) dapat diselesaikan untuk
= p untuk n = 1, 2, 3, ... (27,16)
n
π
L
yang merupakan nilai eigen untuk kolom.

P = w2EI P = 4w2EI P = 9w2EI P = 16w2EI

L2 L2 L2 L2
(Sebuah)n= 1 (B)n= 2 (C)n= 3 (D)n= 4
GAMBAR 27,8
Empat pertama eigen untuk batang ramping dari Gambar. 27,7.
Gambar 27.8, yang menunjukkan solusi untuk empat eigen pertama,

dapat memberikan pandangan in ke dalam makna fisik dari hasil. Setiap
eigenvalue sesuai dengan cara di mana kolom gesper. Menggabungkan
pers. (27,12) dan (27,16) memberikan
n2π2 EI
P= untuk n = 1, 2, 3, ... (27,17)
L2
Ini dapat dianggap beban karena tekuk karena mereka mewakili tingkat di
mana kolom bergerak ke setiap konfigurasi tekuk berhasil. Dalam arti
praktis, biasanya nilai pertama yang menarik karena kegagalan biasanya
akan terjadi ketika kolom pertama gesper. Dengan demikian, beban kritis
dapat didefinisikan sebagai
π2 EI
P=
L2
yang secara resmi dikenal sebagai rumus Euler.
CONTOH 27,5 Analisis eigen dari Kolom aksial Loaded
Pernyataan masalah.Kolom kayu secara aksial dimuat memiliki tics

= × = × =
characteris- berikut: E 10 109 Pa, saya 1,25 10-5 m4, dan L 3 m. Tentukan
pertama delapan nilai eigen- dan beban tekuk sesuai.
n p, m- P,
2 kN
1 1,047 137,078
2
2 2,094 548,311
4
3 3,141 1233.701
6
4 4,188 2193.245
8
5 5,236 3426.946
0
6 6,283 4934.802
2
Larutan.Persamaan (27,16) dan (27,17) dapat digunakan untuk menghitung
7 7,330 6716.814
4
8 8,377 8772.982
6
Beban tekuk kritis, oleh karena itu, 137,078 kN.
Meskipun solusi analitis semacam diperoleh di atas berguna, mereka

sering dif- ficult atau tidak mungkin untuk mendapatkan. Hal ini biasanya
benar ketika berhadapan dengan sistem yang rumit atau mereka dengan
sifat heterogen. Dalam kasus tersebut, metode numerik dari jenis de-
jelaskan berikutnya adalah satu-satunya alternatif yang praktis.
27.2.4 Metode Polinomial
Persamaan (27.11) dapat diselesaikan secara numerik dengan

menggantikan terbatas-divided- perbedaan pendekatan pusat (Gambar.
23,3) untuk turunan kedua untuk memberikan
ysaya1- 2ysaya + ysaya -1

+ p2 y = 0
h2 saya
yang dapat dinyatakan sebagai
yi-1-(2 - h2 p2) yi + yi + 1 = 0 (27,18)
Menulis persamaan ini untuk serangkaian node sepanjang sumbu kolom

menghasilkan sistem neous homoge- persamaan. Sebagai contoh, jika
kolom dibagi menjadi lima segmen (yaitu, empat node interior), hasilnya
adalah
⎡ ⎤⎧⎪ ⎫
(2 - h2p2) -1 0 y1 ⎪
0
⎢ -1 (2 - h2p2) -1 0 ⎬
⎥⎨y2 = 0 (27,19)
⎣ ⎦
0 -1 (2 - h2p2) -1 ⎪y
⎩
3
⎪⎭y
4
0 0 -1 (2 -
h2p2)
Perluasan penentu sistem menghasilkan polinomial, akar yang merupakan

nilai eigen. Pendekatan ini, disebut metode polinomial, dilakukan dalam
contoh berikut.
CONTOH 27.6 Metode Polinomial

Pernyataan masalah.Mempekerjakan metode polinomial untuk
menentukan nilai eigen untuk kolom aksial dimuat dari Contoh 27,5
menggunakan (a) satu, (b) dua, (c) tiga, dan (d) empat node interior.
Larutan.
(a) Menulis Persamaan. (27,18) untuk satu simpul hasil interior (h = 3/2)
-(2-2,25 p)2y1 = 0
Dengan demikian, untuk kasus sederhana ini, nilai eigen dianalisis

dengan menetapkan penentu sama dengan nol
2-2,25 p2 = 0
= untuk p
dan memecahkan 0,9428, yaitu sekitar 10 persen kurang
±
dari nilai yang tepat dari 1,0472 diperoleh pada Contoh 27.4.
(b) Untuk dua node interior (h = 3/3), Persamaan. (27,18) ditulis sebagai
Σ
(2 - p2) -1 Σ.y Σ = 0
1
-1 (2 - p2)
y2
Perluasan determinan memberikan
(2 - p2) 2 - 1 = 0
=±
yang dapat diselesaikan untuk ±p 1 dan 1,73205. Dengan demikian, nilai eigen
pertama sekarang sekitar
4,5 persen rendah dan nilai eigen kedua diperoleh bahwa sekitar 17 persen
rendah.
(c) Selama tiga poin interior (h = 3/4), Persamaan. (27,18) hasil
⎡ ⎤ ⎫
2-0,5625 p2 -1 0 ⎨⎧y1 ⎬
2
⎣ -1 2- 0.5625 p -1 ⎦ y2 =0 (E27.6.1)
0 -1 2- 0.5625 p
⎩y ⎭
3
determinan dapat ditetapkan sama dengan nol dan diperluas untuk memberikan
(2-0,5625 p2) 3 - 2 (2-0,5625 p2) = 0
Untuk persamaan ini untuk memegang, 2

2 - 0,5625p= 0 dan 2
- =
0,5625p2 √2. Oleh karena itu, tiga eigen

pertama dapat ditentukan sebagai
p = ± 1.0205 |εt| = 2.5%

p = ± 1.8856 |εt|= 10%
p = ± 2.4637 |εt|= 22%
(d) Selama empat poin interior

= (h - 3/5),
hasilnya adalah persamaan. (27,19) dengan 2 0,36p2

pada diagonal. Mengatur penentu sama dengan nol dan memperluas
memberikan
(2-0,36 p2) 4-3 (2-0,36 p2) 2 + 1 = 0
yang dapat diselesaikan selama empat eigen pertama
p = ± 1.0301 |εt|= 1.6%

p = ± 1.9593 |εt|= 6.5%
p = ± 2.6967 |εt|= 14%
p = ± 3.1702 |εt|= 24%
Hasil menerapkan metode polinomial untuk kolom aksial dimuat. Angka-angka dalam kurung merupakan nilai absolut dar
inomial
eigenval Bena h= h= h= h = 3/5

ue r 3/2 3/3 3/4
1 1,047 0,942 1.0000 1,0205 1,0301
2
me metode polinomial. Sebagai segmentasi dibuat lebih halus, eigenvalues tambahan8ditentukan dan nilai-nilai ditentukan sebelumnya menjadi semaki
(10%) (4.5%) (2,5%) (1,6%)
2 2,094 1,7321 1,8856 1,9593
4
(21%) (10%) (65%)
3 3,141 2,4637 2,6967
6
(22%) (14%)
4 4,188 3,1702
8
(24%)
27.2.5 Kekuatan Metode
Metode kekuasaan adalah pendekatan iteratif yang dapat digunakan untuk

menentukan nilai eigen terbesar. Dengan sedikit modifikasi, juga dapat
digunakan untuk menentukan terkecil dan nilai-nilai menengah. Ini
memiliki manfaat tambahan yang sesuai vektor eigen diperoleh sebagai
produk sampingan dari metode ini.
Penentuan Eigenvalue Terbesar.Untukmenerapkan metode listrik, sistemyang

dianalisis harus dinyatakan dalam bentuk
[A] {X} = λ {X} (27.20)
Seperti yang digambarkan oleh contoh berikut, Persamaan. (27.20)

membentuk dasar untuk teknik tion solu- berulang yang akhirnya
menghasilkan nilai eigen tertinggi dan vektor eigen yang terkait.
CONTOH 27,7 Cara listrik untuk Eigenvalue tertinggi
Pernyataan masalah. Mempekerjakan metode kekuatan untuk menentukan

nilai eigen tertinggi untuk Bagian (c) dari Contoh 27,6.
Larutan. Sistem ini pertama kali ditulis dalam bentuk

persamaan. (27.20), 3.556x1 - 1.778x2 =λx1
-1.778x1 + 3.556x2 - 1.778x3 = λx2
-1.778x2+ 3.556x3 = λx3
Kemudian, dengan asumsi x di sisi kiri persamaan adalah

sama dengan 1, 3,556 (1) - 1,778 (1) = 1.778
-1.778 (1) + 3,556 (1) - 1,778 (1) = 0
-1.778 (1) + 3,556 (1) = 1,778
Berikutnya, sisi kanan dinormalkan dengan 1,778 untuk membuat elemen terbesar
sama dengan
⎧1,778
⎨ ⎧1
⎫ 0 = ⎫⎨
⎬ 0⎬
⎩ 1.778
1.778⎭ ⎩1
⎭
Dengan demikian, perkiraan pertama eigenvalue adalah 1,778. iterasi ini

dapat dinyatakan secara singkat dalam bentuk matriks sebagai
⎡ ⎤⎧ ⎧ ⎧
3,556 -1.778 ⎨1.77 ⎨1⎫⎬
0 ⎨ 8⎫⎬
1⎫
⎣-1.778 3.556 -1.778 ⎦ 1 = = 1.778 0

0
⎩1⎭ ⎩ ⎩
0 -1.778 3.556 1.778⎭ 1⎭
Iterasi berikutnya terdiri dari mengalikan [A] oleh ⎝1 0 1] T untuk memberikan

⎡ ⎤⎧ ⎧
3,556 -1.778 ⎬ ⎨ 3 .556 ⎫⎬
0 ⎨
1⎫
⎧
⎨1 ⎫⎬
⎣-1.778 3.556 -1.778 ⎦ 0 = -3.556 = 3.556 -1
0 -1.778 3,556 ⎩1 ⎩ ⎩1⎭

3,556
⎭
⎭
Oleh karena itu, estimasi nilai eigen untuk iterasi kedua adalah 3,556,
yang dapat em-ployed untuk menentukan estimasi error
.556-1,778 .
|ε | =. 3 100% = 50%
S
e
. 3,556 .
Proses ini kemudian dapat diulang.

iterasi ketiga:
⎡ ⎤⎧ ⎧ ⎧
3,556 -1.778 ⎨1 ⎨ ⎨-0.75⎫⎬
0 5.334
⎫⎬
⎫⎬
⎣-1.778 3.556 -1.778 ⎦ -1 = -7.112 = -7.112 1

⎩ ⎩ -0.75
0 -1.778 3.556 1⎭ 5,334
⎭
⎩ ⎭
di mana
||=
εa 150% (yang tinggi karena perubahan tanda).
iterasi keempat:
⎡ ⎤⎥⎨ ⎧⎨⎪
3.556 -1.778 0 -0.75⎬⎪⎫⎪⎧ -0.714⎫⎪⎬
⎢
⎧⎪⎨
-4.445⎬⎪⎫
⎣ -1.778 3.556 -1.778⎦ 1 = = 6.223 1

6,223
⎪⎩ ⎪⎩ ⎪⎩
0 -1.778 3.556 -0.75⎭⎪ - -0.714⎪⎭
||=
4.445⎭⎪
di mana εa 214% (lagi meningkat karena perubahan tanda).

iterasi kelima:
⎡ 3 ⎤ ⎧ ⎧
.556 -1.778 0 ⎨- ⎨-4.317⎫⎬ ⎨-0.708⎬⎫
0.714⎬⎫⎧
= =
⎣-1.778 3.556 -1.778 ⎦ 6,095 6.095 1

1 ⎭ ⎩ ⎭
⎩ ⎩
0 -1.778 3.556 -0.714⎭ -4.317 -0.708
Dengan demikian, faktor normalisasi konvergen pada nilai 6,070 (= 2,46372) diperoleh
di bagian (c) dari Contoh 27,6.
Catatanbahwa ada beberapa kasus di mana metode listrik akan

konvergen ke nilai eigen terbesar kedua bukan ke terbesar. James, Smith,
dan Wolford (1985) memberikan lustrasi il- dari kasus seperti itu. kasus
khusus lainnya yang dibahas dalam Fadeev dan Fadeeva (1963).
Penentuan Eigenvalue Terkecil.Sering ada kasus di mana rekayasakita tertarik

dalam menentukan nilai eigen terkecil. Itulah yang terjadi untuk batang
pada Gambar. 27,7, di mana nilai eigen terkecil dapat digunakan untuk
mengidentifikasi beban tekuk kritis. Hal ini dapat dilakukan dengan
menerapkan metode listrik dengan kebalikan matriks [A]. Untuk kasus ini,
metode listrik akan berkumpul di nilai terbesar dari 1 / λ-kata lain, nilai
terkecil dari λ.
CONTOH 27,8 Cara listrik untuk Eigenvalue Terendah
Pernyataan masalah.Mempekerjakan metode kekuatan untuk menentukan

nilai eigen termurah untuk bagian (c) dari Contoh 27,6.
Larutan. Setelah membagi Persamaan. E27.6.1 oleh h2 (= 0,5625), inverse matriks

dapat dievaluasi sebagai
⎡
[A] -1 = 0,281
0,422 0,281 0,141 ⎤
0,562 0,281 ⎦
⎣
0,141 0,281 0,422
Menggunakan format yang sama seperti pada Contoh 27,9, metode daya dapat
diterapkan untuk matriks ini.
iterasi pertama:
⎡0 ⎧ ⎧
.422 0,281 0,141 ⎨0.88 ⎨0.751⎫⎬
⎤⎧⎨1⎫⎬ 4⎫⎬
⎣ 0,281 0,562 0,281 ⎦ 1 = = 1.124 1
1,124
0,141 0,281 0,422 ⎩1 ⎩ ⎩
0.884 0.751⎭
⎭
Kedua iterasi: ⎭
⎡0 ⎧ ⎧
.422 0,281 0,141 ⎨0.70 ⎨0.715⎫⎬
⎤⎧⎨0.751⎫⎬ 4⎫⎬
⎣ 0,281 0,562 0,281 ⎦ = = 0.984 1
1 0,984
0,141 0,281 0,422 ⎩ ⎩ ⎩

0.751 0.704 0.715⎭
di mana
| | εa
= 14,6%. ⎭ ⎭
iterasi ketiga:
⎡0 ⎧ ⎧
.422 0,281 0,141 ⎨0.68 ⎨0.709⎫⎬
⎤⎧⎨0.715⎫⎬ 4⎫⎬
⎣ 0,281 0,562 0,281 ⎦ = = 0.964 1
1 0,964
0,141 0,281 0,422 ⎩ ⎩ ⎩

0.715 0.684 0.709⎭
di mana | εa | = 4%. ⎭ ⎭
Dengan demikian, setelah hanya tiga iterasi,

√ hasilnya konvergen pada
nilai 0,9602, yang merupakan kebalikan dari nilai eigen terkecil, 1,0205 (=
1 / 0,9602), diperoleh pada
Contoh 27.6c.
27.2 eigenvalueMASALAH 797
Penentuan Menengah Nilai Eigen.Setelah menemukan nilai eigen terbesar, itu

adalahmungkin untuk menentukan tertinggi berikutnya dengan mengganti
matriks asli oleh satu yang hanya mencakup nilai eigen yang tersisa.
Proses menghilangkan nilai eigen terbesar yang diketahui disebut deflasi.
Teknik diuraikan di sini, metode Hotelling, dirancang untuk matriks ric
symmet-. Hal ini karena mengeksploitasi orthogonality dari vektor eigen
dari ces matri- tersebut, yang dapat dinyatakan sebagai
0 untuk
{X}T{X} j=.
s 1 untuk
(27,21)
a
saya / =j saya = j
dimana komponen vektor eigen X telah dinormalkan sehingga XTX 1,

{} {} { } =
yaitu, sehingga jumlah kuadrat komponen sama dengan 1. Hal ini dapat
dicapai dengan membagi masing-masing elemen oleh faktor normalisasi
.
..nx 2
.
k
k=
1
k=
1
Sekarang, matriks baru [A] 2 dapat

dihitung sebagai [A] 21 = [A] 1 -
λ1 {X} 1 {X} T (27.22)
di mana =
[A] 1 matriks asli dan= λ1 nilai eigen terbesar. Jika metode
kekuasaan diterapkan matriks ini, proses iterasi akan konvergen ke nilai
eigen terbesar kedua, λ2. Untuk menunjukkan hal ini, Persamaan
postmultiply pertama. (27.22) oleh {X} 1,
[A] 2 {X} 1 = [A] 1 {X} 1 - λ1 1{X} 1 {X}T {X} 1
Meminjam prinsip ortogonalitas mengkonversi

persamaan ini untuk [A] 2 {X} 1 = [A] 1 {X} 1
- λ1 {X} 1
dimana sisi kanan adalah sama dengan nol menurut Persamaan. {} =
(27.20).
= { } = {} { } = {}
Dengan demikian, [A] 2 X 1 0. Akibatnya, λ 0 dan XX 1 adalah solusi
untuk [A] 2 X λ X. Dalam kata lain, [A] 2 memiliki nilai eigen 0, λ2, λ3,. .
. , Λn. Nilai eigen terbesar, λ1, telah digantikan oleh 0 dan, oleh karena
itu, metode listrik akan berkumpul di λ2 terbesar berikutnya.
Proses di atas dapat diulang dengan menghasilkan matriks baru [A] 3,
dll Meskipun dalam teori proses ini bisa dilanjutkan untuk menentukan
nilai eigen yang tersisa, itu dibatasi oleh fakta bahwa kesalahan dalam
vektor eigen yang diteruskan pada setiap langkah. Dengan demikian,
hanya dari nilai dalam menentukan beberapa nilai eigen tertinggi.
Meskipun ini adalah kadang apa dari suatu kelemahan, informasi tersebut
justru apa yang diperlukan dalam banyak masalah ing engineering.
27.2.6 Metode lain
Berbagai macam metode tambahan yang tersedia untuk memecahkan

masalah nilai eigen. Kebanyakan didasarkan pada proses dua langkah.
Langkah pertama melibatkan transformasi matriks asli ke bentuk yang
lebih sederhana (misalnya, tridiagonal) yang mempertahankan semua
eigen asli. Kemudian, metode iteratif digunakan untuk menentukan nilai
eigen tersebut.
Banyak dari pendekatan ini dirancang untuk jenis khusus dari matriks.
Secara khusus, berbagai teknik yang dikhususkan untuk sistem simetris.
Sebagai contoh, metode Jacobi
mengubah matriks simetris dengan matriks diagonal dengan

menghilangkan istilah off-diagonal secara sistematis. Sayangnya, metode
ini membutuhkan jumlah tak terbatas operasi karena penghapusan setiap
elemen nol sering menciptakan nilai nol baru di elemen pra vious nol.
Meskipun waktu yang tak terbatas diperlukan untuk membuat semua nol
elemen off-diagonal, matriks akhirnya akan cenderung ke arah bentuk
diagonal. Dengan demikian, pendekatan ini berulang dalam hal itu diulang
sampai hal off-diagonal yang “cukup” kecil.
metode yang diberikan ini juga melibatkan mengubah matriks simetris
menjadi bentuk yang lebih sederhana. Namun, berbeda dengan metode
Jacobi, bentuk sederhana adalah tridiagonal. Selain itu, berbeda dalam
bahwa nol yang dibuat dalam posisi off-diagonal dipertahankan. Quence
quently, itu adalah terbatas dan, dengan demikian, lebih efisien daripada
metode Jacobi ini.
perumah tangga metode juga mengubah matriks simetris menjadi
bentuk tridiagonal. Ini adalah metode yang terbatas dan lebih efisien
daripada pendekatan Mengingat dalam bahwa itu mengurangi seluruh
baris dan kolom elemen off-diagonal ke nol.
Setelah sistem tridiagonal diperoleh dari ini Mengingat atau metode
Householder, langkah yang tersisa melibatkan menemukan nilai eigen.
Sebuah cara langsung untuk melakukan ini adalah untuk memperluas
terminant de-. Hasilnya adalah barisan polinom yang dapat dievaluasi
iteratif untuk eigen.
Selain matriks simetris, ada juga teknik yang tersedia ketika semua
nilai eigen dari matriks umum diperlukan. Ini termasuk metode LR dari
Rutishauser dan metode QR Francis. Meskipun metode QR kurang efisien,
biasanya pendekatan yang lebih disukai karena lebih stabil. Dengan
demikian, hal itu dianggap yang terbaik metode solusi tujuan umum-.
Akhirnya, harus disebutkan bahwa teknik tersebut sering digunakan
dalam tandem untuk memanfaatkan kekuatan masing-masing. Misalnya,
Given dan metode Householder juga dapat diterapkan untuk sistem
nonsymmetric. Hasilnya tidak akan tridiagonal melainkan jenis khusus
yang disebut bentuk Hessenberg. Satu pendekatan adalah untuk
mengeksploitasi kecepatan pendekatan Householder ini dengan
menggunakan itu untuk mengubah matriks untuk formulir ini dan
kemudian menggunakan QR algoritma stabil untuk menemukan nilai
eigen. Informasi tambahan tentang ini dan isu-isu lain yang berkaitan
dengan nilai eigen dapat ditemukan di Ralston dan Rabinowitz (1978),
Wilkinson (1965), Fadeev dan Fadeeva (1963), dan Householder (1953,
1964). Kode komputer dapat ditemukan dalam sejumlah sumber termasuk
Tekan et al. (1992). Beras (1983) dis- cusses paket perangkat lunak yang
tersedia.
27.3 Odes DAN NILAI EIGEN DENGAN PAKET SOFTWARE

SOFTW ADALAH
paket perangkat lunak memiliki kemampuan besar untuk memecahkan

Odes dan menentukan nilai eigen. Bagian ini menguraikan beberapa cara
di mana mereka dapat diterapkan untuk tujuan ini.
27.3.1 Excel
kemampuan langsung Excel untuk memecahkan masalah nilai eigen dan

Odes terbatas. Bagaimana- pernah, jika beberapa pemrograman dilakukan
(misalnya, macro), mereka dapat dikombinasikan dengan visualisasi dan
alat optimasi Excel untuk mengimplementasikan beberapa aplikasi
menarik. Bagian 28,1 memberikan contoh bagaimana Excel Solver dapat
digunakan untuk mation parameter esti- dari ODE.
27,3 Odes DAN NILAI EIGEN DENGAN PAKET SOFTWARE 799
27.3.2 MATLAB
Seperti bisa diduga, standar paket perangkat lunak MATLAB memiliki

kemampuan yang sangat baik untuk menentukan nilai eigen dan vektor
eigen. Namun, juga memiliki built-in fungsi untuk memecahkan Odes.
Pemecah ODE standar termasuk dua fungsi untuk melaksanakan adaptif
langkah-size metode Runge-Kutta Fehlberg (ingat Sec. 25.5.2 Akan). Ini
adalah ODE23, yang menggunakan kedua dan ketiga agar formula untuk
mencapai akurasi menengah, dan ODE45, yang menggunakan keempat
dan kelima-order formula untuk mencapai akurasi yang lebih tinggi.
Contoh berikut illustrates bagaimana mereka dapat digunakan untuk
memecahkan sistem Odes.
CONTOH 27,9 Menggunakan MATLAB untuk Nilai Eigen dan Odes
Pernyataan masalah.Jelajahi bagaimana MATLAB dapat digunakan untuk

memecahkan set berikut Odes nonlinear dari t = 0 sampai 20:
dx
dy
= 1.2x - 0.6xy
dt = -0.8y + 0.3xy
dt
= x 2 dan
di mana = y 1= di t 0. Seperti yang akan kita lihat dalam bab
berikutnya (Sec. 28,2), persamaan tersebut disebut sebagai persamaan

predator-mangsa.
Larutan. Sebelum mendapatkan solusi dengan MATLAB, Anda harus

menggunakan prosesor teks untuk membuat M-file yang berisi sisi kanan
Odes. Ini M-file maka akan ac- cessed oleh pemecah ODE [di mana x = y
(1) dan y = y (2)]:
Fungsi yp = predprey (t, y)
yp = [1,2 * y (1) -0,6 * y (1) * y (2); - 0,8 * y (2) + 0,3 * y (1) * y (2)];
Kami ini disimpan M-berkas dengan nama: predprey.m.

Berikutnya, start up MATLAB, dan masukkan perintah berikut untuk
menentukan kisaran integrasi dan kondisi awal:
>> tspan = [0,20];

>> y0 = [2,1];
solver kemudian dapat dipanggil oleh
>> [t, y] = ode23 ( 'predprey', tspan, y0);
Perintah ini kemudian akan memecahkan persamaan diferensial di

predprey.m selama rentang didefinisikan oleh tspan menggunakan kondisi
awal yang ditemukan di y0. Hasil dapat ditampilkan dengan hanya
mengetik
>> plot (t, y)
yang menghasilkan Gambar. 27,9.

SOFTW ADALAH
GAMBAR 27.9
Solusi model predator-mangsa dengan MATLAB.
GAMBAR 27.10
Negara-ruang plot Model predator-mangsa dengan MATLAB.
Selain itu, juga instruktif untuk menghasilkan plot negara-ruang, yaitu plot dari variabel independen de- dibandingkan satu sama
>> plot (y (:, 1), y (:, 2))
yang menghasilkan Gambar. 27.10.

MATLAB juga memiliki berbagai fungsi yang dirancang untuk sistem
kaku. Ini termasuk ODE15S dan ODE23S. Seperti dalam contoh berikut,
mereka berhasil di mana fungsi standar gagal.
2

Metode Runge-Kutta untuk PDE

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Metode Runge-Kutta untuk PDE

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB 25

Nilai baru = nilai lama + lereng × ukuran langkah

atau, dalam istilah matematika,

ysaya +1 = ysaya + φh (25.1)

Semua metode satu-langkah dapat dinyatakan dalam bentuk umum ini,

25,1 METODE EULER'S

Turunan pertama memberikan perkiraan langsung dari lereng di xsaya

dimana f (xsaya, ysaya) Adalah persamaan diferensial dievaluasi pada xsaya

Formula ini disebut sebagai Euler (atau Euler-Cauchy atau titik-lereng)

CONTOH 25,1 Metode Euler

Pernyataan masalah. Menggunakan metode Euler untuk numerik

dari x = 0 x =4 dengan ukuran langkah 0,5. Kondisi awal pada x= 0 adalah

y = -0.5x 4 + 4x 3 - 10x 2 + 8.5x + 1

Larutan. Persamaan (25.2) dapat digunakan untuk menerapkan metode

y(0.5) = y(0) + f(0. 1)0.5

di mana y (0) = 1 dan perkiraan kemiringan pada x = 0 adalah

f(0. 1) = -2(0)3 + 12(0)2 - 20(0) + 8.5= 8.5

y(0.5) = 1.0+ 8.5(0.5) = 5.25

Solusi yang benar pada x = 0,5 adalah

y = -0.5(0.5)4 + 4(0.5)3 - 10(0.5)2 + 8.5(0.5) + 1 =

E t = benar - kira-kira = 3.21.875 - 5.25 = -2.03.125

atau, dinyatakan sebagai persen kesalahan relatif, εt = -63.1%. Untuk

= 5.25 + [-2(0.5)3 + 12(0.5)2 - 20(0.5) + 8.5] 0.5

TABEL 25.1 Perbandingan nilai-nilai yang benar dan perkiraan integral

y = -2x3 + 12x2 - 20x+ 8.5, dengan kondisi awal yang y= 1 di

x ybenar yEuler Global Lokal

0.0 1,00000 1,00000

solusi yang benar

Perbandingan solusi yang benar dengan solusi numerik dengan

meskipun perhitungan menangkap kecenderungan umum dari solusi yang

Contoh sebelumnya menggunakan polinomial sederhana untuk

25.1.1 Analisis Kesalahan untuk Cara Euler

1. pemotongan, atau diskritisasi, kesalahan yang disebabkan oleh sifat

2. Membulatkan kesalahan yang disebabkan oleh jumlah terbatas dari

Kesalahan pemotongan terdiri dari dua bagian. Yang pertama adalah

Wawasan besarnya dan sifat dari kesalahan pemotongan dapat

(Ξ) hn+1 (25,5)

mana O (hn+1) Menetapkan bahwa kesalahan pemotongan lokal sebanding

ESebuah = HAI(h2) (25,9)

CONTOH 25.2 Taylor Series Perkirakan untuk Kesalahan Metode Euler

Pernyataan masalah. Gunakan Persamaan. (25,7) untuk memperkirakan

Larutan. Karena kita berhadapan dengan polinomial, kita dapat

f (xsaya . f (xsaya . f (3)(xsaya . (E25.2

dimana f (xsaya, ysaya) =turunan pertama dari persamaan diferensial (yaitu,

Misalnya, kesalahan karena pemotongan istilah orde kedua dapat

dan keempat-order jangka:

Et.4 = -12 (0.5)4 = -0.03.125

Ketiga hasil dapat ditambahkan untuk menghasilkan kesalahan

Seperti digambarkan dalam Contoh 25.2, seri Taylor menyediakan

1. Seri Taylor hanya menyediakan perkiraan lokal pemotongan kesalahan-

kesalahan pemotongan lokal dan global untuk Contoh 25.1. Kesalahan

2. Seperti disebutkan di atas, dalam masalah-masalah yang sebenarnya

Meskipun keterbatasan ini menghalangi kesalahan analisis yang tepat

1. Kesalahan dapat dikurangi dengan mengurangi ukuran langkah.

2. Metode ini akan memberikan prediksi kesalahan-gratis jika fungsi yang

Kesimpulan terakhir ini masuk akal intuitif karena metode Euler

CONTOH 25,3 Pengaruh Ukuran Kecil Langkah pada Cara Euler

Pernyataan masalah. Ulangi perhitungan Contoh 25,1 tetapi menggunakan

(A) Perbandingan dua solusi numerik dengan metode Euler menggunakan

Larutan. perhitungan diulang, dan hasilnya disusun dalam Gambar. 25.4a.

Juga, perhatikan bagaimana perubahan error lokal menandatangani

selang. Pada bagian menengah jangkauan, kesalahan lokal yang positif