کدهای حل انتگرال به روشهای عددی در متلب را یکجا دریافت کنید
شما میتوانید بجای خرید کد روش گاوس-لژاندر با قیمت 54000 تومان، پکیج روشهای عددی حل انتگرال در متلب شامل 4 روش (رامبرگ، سیمپسون، ذوزنقه و گاوس-لژاندر) و حل مثالهای متنوع را با تخفیف 60 درصدی دریافت کنید. برای دانلود کلیک کنید.
مقدمه
در این محصول، کد آماده انتگرالگیری به روش گاوس- لژاندر یک تا 6 نقطهای در متلب ارائه شدهاست. انتگرالگیری به روش گاوس-لژاندر یک روش تقریبی و عددی (با دقت بسیار بالا) برای محاسبه انتگرال یک تابع میباشد. در این محصول تمامی حالات موجود در روش گاوس- لژاندر از یک نقطه تا 6 نقطه به همراه فایل توضیحات ارائه شده. علاوه بر آن، برای درک بهتر روش انتگرال گاوس و درک کدنویسی، 6 مثال مختلف نیز بصورت تشریحی حل شده و در فایل دانلودی قرار گرفته است.
برخلاف روش ذوزنقهای برای محاسبه انتگرال، که از نقاط ابتدا و انتهای بازه استفاده میشود در روش گاوس، از چندین نقطه استفاده میکنیم. در واقع با ایجاد نقاطی در بین بازه ابتدا و انتها، میتوان مقدار خطای تقریب را کاهش داد. لازم به ذکر است که روش گاوس-لژاندر در حالت پیشفرض، انتگرال گیری را برای بازه 1- تا 1 محاسبه میکند. برای تبدیل این بازه به بازهی دلخواه انتگرال گیری، از یک نگاشت ساده استفاده میشود. در ادامه تئوری انتگرال عددی به روش گاوس- لژاندر با 1 تا 6 نقطه ارائه میشود.
در اینجا توضیحاتی درباره روش دو نقطهای و مقایسه آن با انتگرالگیری ذوزنقه بیان خواهیم نمود و سپس این رابطه را برای حالت کلی بیان خواهیم نمود. قبل از آن، برای مشاهدهی کدهای انواع روشهای عددی انتگرالگیری در متلب (همچون سینپسون، مستطیل، ذوزنقه، رامبرگ و …) به صفحه « انتگرال عددی در متلب » مراجعه نمایید.
در روش انتگرالگیری ذوزنقه مقدار دو نقطه در انتهای بازه محاسبه میشود و با استفاده از آن سطح زیر نمودار تخمین زده میشود. اگر در این بازه به جای استفاده از دو نقطه ابتدا و انتها بازه، مقدار انتگرال را در دو نقطهای که در یک خط مستقیم به نمودار تابع برخورد میکنند، برآورد نماییم؛ دچار خطای بسیار کمتری نسبت به حالت ذوزنقه خواهیم شد. در شکل زیر تفاوت دو حالت را مشاهده خواهید نمود که تصویر سمت راست تخمین بسیار بهتری از سطح زیر نمودار را به ما میدهد.
ویژگیهای محصول
- حل عددی انواع انتگرال در بازه دلخواه
- کدنویسی ساده، روان و قابل فهم
- حل 6 مثال تشریحی از روش گاوس لژاندر 1 تا 6 نقطه برای درک بهتر
- امکان تغییر در همه پارامترهای مسئله و شخصیسازی کامل کد
- پشتیبانی کامل محصول و امکان ارتباط با کارشناسان
- دارای فایل راهنمای استفاده از کد
انتگرال گیری به روش گاوس- لژاندر
برخلاف روش ذوزنقهای برای محاسبه انتگرال، که از نقاط ابتدا و انتهای بازه استفاده میشود در روش گاوس، از چندین نقطه استفاده میکنیم. در واقع با ایجاد نقاطی در بین بازه ابتدا و انتها، میتوان مقدار خطای تقریب را کاهش داد. لازم به ذکر است که روش گاوس-لژاندر در حالت پیشفرض، انتگرال گیری را برای بازه 1- تا 1 محاسبه میکند. برای تبدیل این بازه به بازهی دلخواه انتگرال گیری، از یک نگاشت خطی ساده استفاده میشود. در ادامه تئوری انتگرال عددی به روش گاوس- لژاندر با 1 تا 6 نقطه ارائه میشود.
در روش انتگرالگیری ذوزنقه مقدار دو نقطه در انتهای بازه محاسبه میشود و با استفاده از آن سطح زیر نمودار تخمین زده میشود. اگر در این بازه به جای استفاده از دو نقطه ابتدا و انتها بازه، مقدار انتگرال را در دو نقطهای که در یک خط مستقیم به نمودار تابع برخورد میکنند، برآورد نماییم؛ دچار خطای بسیار کمتری نسبت به حالت ذوزنقه خواهیم شد. در شکل زیر تفاوت دو حالت را مشاهده خواهید نمود که تصویر سمت راست تخمین بسیار بهتری از سطح زیر نمودار را به ما میدهد.
محاسبه انتگرال به روش گاوس لژاندر دو نقطهای در متلب
برای محاسبه انتگرال به روش گاوس لژاندر دو نقطهای میتوان رابطه زیر را بیان نمود:
برخلاف روش ذوزنقه که مقدار x ها مشخص میباشد و در ابتدا و انتهای بازه هستند، در این روش هم ضرایب و هم x ها باید محاسبه شوند.
برای محاسبه این 4 مجهول از 4 تابع زیر استفاده شده است و مقدار این ضرایب محاسبه میشود:
با استفاده از حل این دستگاه مقدار این ضرایب بصورت زیر بدست میآید:
با توجه به این ضرایب میتوانیم مقدار تابع را در بازه 1- تا 1 تخمین بزنیم:
سپس برای اینکه بخواهیم انتگرالگیری را در هر بازه دلخواه a تا b انجام دهیم؛ از نگاشت خطی زیر برای تبدیل بازه استفاده میکنیم :
سپس از ضرایب a1 و a2 را محاسبه کرده و در رابطه اصلی جایگذاری میکنیم:
با تغییر ضابطه فوق در تابع انتگرالگیری شده به راحتی میتوان انتگرال را در همان بازه قبلی محاسبه نمود.
محاسبه انتگرال به روش گاوس لژاندر در حالت کلی در متلب:
برای محاسبه انتگرال به روش گاوس لژاندر در حالت کلی این روش به صورت زیر بیان میشود:
مشابه با روش دو نقطهای باید تمامی مجهولات بسته به تعداد نقاط مورد استفاده بدست آیند و سپس مشابه حالت دونقطهای با اعمال یک نگاشت و تغییرمتغیر در هر بازه قابل استفاده میباشند.
برای روشهای یک، سه، چهار، پنج و شش نقطهای نیز مشابه با روش دو نقطهای ابتدا ضرایب محاسبه میشوند و سپس با اعمال تغییر متغیر گفته شده میتوان از این روشها نیز برای محاسبه انتگرال در هر بازهای استفاده نمود.
در جدول زیر این ضرایب تا مرتبه 6 محاسبه شدهاند:
استفاده از متلب برای محاسبه انتگرال به روش گاوس-لژاندر
ابتدا نوع تابع، بازه موردنظر و سپس ضرایب هر روش مشخص شده و در ادامه نگاشت گفته شده انجام میشود و مقادیر xهای هر روش در تابع جدید بدست آمده (با نگاشت گفته شده) برآورد میشوند و در انتها با استفاده از فرمول گفته شده انتگرال برای هر روش محاسبه میشود.
برای تغییر تابع پیشفرض و بازه انتگرالگیری فقط کافی است که در هر کدام از فایلها تابع f و همچنین حد بالا و پایین انتگرال (a,b) را تغییر دهیم.
لازم به ذکر است که برای اعمال این تغییرمتغیر و نگاشت از دستور subs در متلب استفاده شده است.
اگر برای تابع مثال زده شده خطای هر روش را مقایسه نماییم، مشاهده میشود که به ترتیب روشهای یکنقطه، دونقطه دارای خطای بیشتری میباشند و روشهای سه، چهار، پنج و شش نقطهای بصورت نسبتا دقیق این انتگرال را محاسبه مینمایند که البته در مثالهای مختلف مقدار خطاها میتواند متفاوت باشد.
امیدواریم این پروژه آماده متلب برای شما مفید بوده باشد، برای مشاهدهی سایر پروژههای متلب به صفحه « پروژه آماده متلب رایگان » مراجعه کنید.
دوره های مرتبط
حل معادله دیفرانسیل به روش سری تیلور در متلب
- حل انواع معادلات دیفرانسیل معمولی (ODE)
- کدنویسی ساده، روان و قابل فهم
- حل 3 مثال از معادلات دیفرانسیل معمولی (ODE) برای درک بهتر
- همراه با توضیحات کامل این روش و نکات مورد استفاده از کد
- قابلیت تغییر تمامی پارامترهای موجود
- دارای پشتیبانی گام98
حل معادله به روش نیوتن رافسون در متلب | همراه با توضیحات
- حل انواع معادلات خطی و غیرخطی به روش نیوتن رافسون در متلب
- همراه با جدول حل هر مرحله و رسم نمودار تابع با پاسخ آن
- کدنویسی ساده، روان و قابل فهم
- حل 3 مثال برای درک بهتر
- همراه با توضیحات کامل این روش و نکات مورد استفاده از کد
- قابلیت تغییر تمامی پارامترهای موجود
- دارای پشتیبانی گام98
تحلیل دینامیکی به روش نیومارک در متلب | شتاب ثابت و شتاب خطی + حل 6 مثال
- تحلیل دینامیکی سازهها به روش نیومارک در متلب شتاب خطی و شتاب ثابت
- کدنویسی ساده، روان و قابل فهم
- حل 6 مثال برای درک بهتر
- همراه با توضیحات کامل این روش و نکات مورد استفاده از کد
- قابلیت تغییر تمامی پارامترهای موجود
- دارای پشتیبانی گام98
تحلیل خرپا دو بعدی در متلب به روش اجزا محدود (کدنویسی و محیط GUI)
تحلیل خرپای 2 بعدی در متلب
ویژگیها:
تحلیل انواع مختلف خرپاهای دو بعدی معین و نامعین
ارائه شده در دو فرم کدنویسی و رابط گرافیکی
وارد کردن اطلاعات خرپا در فایل اکسل
محاسبه عکسالعمل تکیهگاهی، جابهجایی گرهها و تنش در اعضا
سریع و مناسب برای مسائل بهینهسازی خرپاها
نرمافزار مورد استفاده: Matlab (متلب)
کلیه فایلها تست شده و 100% سالم میباشند.
ضمانت بازگشت وجه درصورت هرگونه مشکل در فایلها
معادله موج یک بعدی در متلب
عنوان پروژه: حل معادله موج یک بعدی با نرمافزار متلب
نرم افزار مورد استفاده: متلب (MATLAB)
فرمت فایل: m file
ضمانت بازگشت وجه درصورت هرگونه مشکل در فایل
پروژه مرتبط: معادله موج 2 بعدی در متلب
نظرات
ارتباط با ما
- ایتا و تلگرام gam98_ir@
- روبیکا gam98ir@
- تماس 09934004797 (10 الی 19)
جستجوی محصولات
دستههای محصولات
- آکادمی (9)
- پاورپوینت (336)
- پاورپوینت آماده درسی (33)
- پاورپوینت شخصیت ها (12)
- تم پاورپوینت خوراکی (7)
- تم پاورپوینت هنری (25)
- قالب پاورپوینت پایان نامه (49)
- قالب پاورپوینت پزشکی (19)
- قالب پاورپوینت تقویم (5)
- قالب پاورپوینت رایگان (100)
- قالب پاورپوینت رزومه (12)
- قالب پاورپوینت شرکتی (31)
- قالب پاورپوینت علوم انسانی (53)
- قالب پاورپوینت ادبیات (15)
- قالب پاورپوینت مذهبی (22)
- قالب پاورپوینت گل (7)
- قالب پاورپوینت محیط زیست (19)
- قالب پاورپوینت مناسبتها (16)
- قالب پاورپوینت منودار (38)
- قالب پاورپوینت مهندسی (34)
- قالب پاورپوینت نمودار (7)
- قالب پاورپوینت ورزشی (14)
- قالب پوستر پاورپوینت (17)
- نرم افزار متلب (43)
محمدرضا
ممنون از توضیحات کامل و فایل راهنمای عالی تون. مثال هایی که حل شده بود هم انصافا عالی بود و کاربردی.
گام98(مدیریت)
سلام محمدرضا عزیز
ممنونیم از نظر لطفت. خیلی خوشحالیم که از کیفیت محصول راضی بودید.
گام98(مدیریت)
سلام محمدرضا عزیز
ممنون از نظر لطفت. خیلی خوشحالیم که از کیفیت این محصول راضی بودید.