简介面向哈工大硕士研究生《数值分析》课程上机实验的完整代码与说明资料包适合正在修读数值计算类课程或需要完成类似实验的高校学生参考。内容覆盖非线性方程组求解、高斯消元法、最小二乘拟合、龙贝格积分等经典数值方法的MATLAB源码并配套程序流程图、代码及实验结果文档、README说明既能对照源码理解算法实现也能根据流程图梳理程序执行逻辑。资源共8个文件以.m源代码为主辅以docx实验报告文档、vsdx流程图源文件、md说明文件压缩包仅567KB轻量且目录结构清晰便于按需取用。已有129人学习下载。读者可据此快速搭建自己的上机实验框架根据课程要求自由修改参数与算法细节同时借助实验结果文档直观验证数值方法的收敛性与精度系统积累非线性方程、线性方程组、数据拟合和数值积分等核心知识提升程序调试与实验报告撰写能力。1. 数值分析上机实验代码为什么别人的zip包不能直接交每年修数值分析课的研究生都会在课程群里收到一份上机实验代码包解压后是几个 .m 或 .py 文件加一篇说明书。尤其在哈工大数值分析这类以算法推导见长的课程里大家默认的做法是下载一份 zip跑通、改个名字就交。但只做到这一步等于错过这门课最值钱的部分——把浮点数误差、迭代发散、步长敏感这些教材上用公式证明过的结论亲手触发一遍。这里不评价任何一份具体源码包只讲怎么把一个可修改的数值分析实验代码包变成自己的东西环境怎么搭、核心算法怎么调参、误差数据怎么进报告、提交前怎么自检。适合正在选这门课的同学以及想补数值计算基本功的工程师。2. 搭建数值分析实验环境从zip源码包到可运行的完整工作区2.1 解压与完整性检查先解决“error read zip archive”这类基础故障拿到实验代码包的第一步不是双击运行而是先做完整性检查。压缩包在传输和下载过程中损坏很常见表现是解压到一半报 “error read zip archive: end of central directory record could not be found”或者某个文件解出来是 0 字节。这些问题的共同原因是 zip 的中央目录或文件条目 CRC 校验失败常见做法是先用unzip -t测试包完整性再决定后续动作# 不实际解压只测试zip包内每个文件是否可读 unzip -t 数值分析上机实验.zip # 测试通过后解压到指定目录而不是当前目录 unzip -q 数值分析上机实验.zip -d numerical_analysis_lab # 查看顶层目录结构确认有没有README或说明书 find numerical_analysis_lab -maxdepth 2 -type f | head -30-t参数会把包内每个文件都读出并做 CRC 校验输出里任何一行不是 OK 都说明文件已损坏此时不要强行解压回去重新获取压缩包。-d指定解压目标目录避免几十个文件散落在当前目录。-q是静默模式关闭逐个文件的解压列表。解压完成后第一优先看说明书或 README确认运行方式、依赖项和输出位置第二步看有没有 requirements.txt、environment.yml 这类依赖声明文件。没有依赖文件的旧式源码包就按下一节手动建环境。提示如果unzip提示目标文件已存在加-o覆盖只解压某个子目录用unzip zip包 src/* -d 目标目录注意路径要加引号避免 shell 展开。2.2 用conda创建互不干扰的科学计算环境研究生阶段的数值分析上机实验主流配置是 Python 配 numpy、scipy、matplotlib。三个库分别覆盖线性代数与向量化计算、ODE 求解器和绘图足够把教材上的经典算法验证一遍。Matlab 也能做但 conda 环境隔离的体验更好而且源码包如果是 Python 版直接在虚拟环境里跑比用系统 Python 安全得多不会污染你日常开发的环境。# 创建Python 3.11的独立环境按机器可用版本可替换为3.10或3.12 conda create -n num_analysis python3.11 numpy scipy matplotlib -y # 激活环境后再装jupyterlab用于边写边验证 conda activate num_analysis conda install jupyterlab -y # 确认关键库版本写报告时把这组版本号放进附录 python -c import numpy, scipy, matplotlib; print(numpy.__version__, scipy.__version__, matplotlib.__version__)-n num_analysis指定环境名建议把环境名和这门课绑定而不是和某次作业绑定这样整个学期所有实验共用一套依赖。numpy 和 scipy 在有 conda 渠道时不要用 pip 装conda 的二进制依赖一致性更好能避免类似 “numpy 是用不同版本的 OpenBLAS 编译” 这类隐性报错。最后一条命令输出的版本号看似无所谓但在报告附录里列上 numpy/scipy/matplotlib 的版本能防止助教复现时因为环境不一致而出现解释不清的差异。2.3 从说明书到可运行代码目录结构设计与第一个最小实现解压出来的源码包往往只有几个孤立脚本跑完输出一张图就结束了。为了让后面每次实验都能复用我一般会花十分钟把目录整理成固定结构之后所有实验都按这个规范放文件numerical_analysis_lab/ ├── README.md # 每份实验的运行方式、依赖、输出位置 ├── environment.yml # conda环境导出文件方便复现 ├── src/ # 算法实现不依赖具体实验 │ ├── root_finding.py │ └── ode_solvers.py ├── experiments/ # 按实验编号组织的脚本和配置 │ ├── lab1_bisection.py │ └── lab2_newton.py ├── output/ # 图和数值结果按实验编号分子目录 └── docs/ # 实验报告、笔记这样的目录结构把“算法库”和“实验脚本”分开是源码包从一次性脚本走向可维护代码的第一步。先看第一个最小实现二分法求根。它代码最短却包含数值分析最重要的一个思想用区间迭代逼近解终止条件同时看函数值和区间长度# src/root_finding.py def bisection(f, a, b, tol1e-8, max_iter100): 二分法求 f(x)0 在 [a,b] 内的根 参数: f: 目标函数接受 float 返回 float a, b: 含根区间要求 f(a)*f(b) 0 tol: 绝对容差区间宽度小于该值时停止 max_iter: 最大迭代次数防止区间选错导致死循环 返回: (近似根, 实际迭代次数) fa f(a) fb f(b) if fa * fb 0: raise ValueError(f(a) 与 f(b) 必须异号请检查区间) for i in range(max_iter): c 0.5 * (a b) fc f(c) if abs(fc) tol or 0.5 * (b - a) tol: return c, i 1 if fa * fc 0: b, fb c, fc else: a, fa c, fc return 0.5 * (a b), max_iter二分法实现里有三个参数值得关注。tol控制精度教材上的误差界是区间长度的一半所以0.5 * (b - a) tol比abs(fc) tol更接近真实误差max_iter是防止区间选择错误导致死循环的保险fa更新放在else分支里如果写成每次循环都重新算fa f(a)会多出不少无意义的函数求值。把这个函数存进src/root_finding.py之后牛顿法、割线法等实验都在此基础上扩展这就是代码包逐步长成自己东西的过程。3. 数值分析核心算法源码牛顿迭代与龙格-库塔法的参数调优3.1 牛顿迭代法初值敏感性是第一个坑教材上牛顿法的收敛性定理写得很完整数值分析电子版课本从泰勒展开到收敛阶推导每一步都有但到了上机环节决定代码能不能跑通的往往只是初值这一件事。数值分析上机实验里最常见的练手题是求 √2即解 x² - 2 0。代码本身只有几行但调参与教材定理有直接对应关系# src/root_finding.py def newton(f, df, x0, tol1e-10, max_iter50): 牛顿迭代法求解 f(x)0 参数: f: 目标函数 df: 导函数 x0: 迭代初值靠近根时收敛快选错可能发散 tol: 相邻两步差值的绝对容差 max_iter: 最大迭代次数防止发散时死循环 返回: (近似根, 迭代次数) x x0 for i in range(max_iter): fx f(x) dfx df(x) if abs(dfx) 1e-14: raise RuntimeError(fx{x:.6f} 处导数接近零请调整初值) x_next x - fx / dfx if abs(x_next - x) tol: return x_next, i 1 x x_next raise RuntimeError(f{max_iter} 次迭代未收敛请检查初值或容差)牛顿迭代的终止条件abs(x_next - x) tol度量的是相邻两次迭代的差值不是函数残差。理论上这两者在根附近量级接近但遇到重根时会失真所以实验报告里最好同时记录最后一次的abs(f(x))两个指标一起看。另一个容易被忽略的参数是max_iter教材说牛顿法二次收敛实际中初值离根远时前几次迭代可能跳得很夸张50 次上限足够让发散的情况暴露而不是让程序无限循环。通常我会把初值写进实验脚本顶部的配置区而不是硬编码在算法函数里这样对比不同初值对收敛路径的影响时只改一行。3.2 四阶龙格-库塔法步长选择决定误差数量级常微分方程初值问题是另一道必做实验。经典四阶龙格-库塔RK4是理论课重点实现时四个斜率 k1 到 k4 的求值顺序最关键# src/ode_solvers.py def rk4(f, t0, y0, h, n): 四阶龙格-库塔法求解 y f(t, y) 参数: f: 右端函数 f(t, y)接受 t 和 y t0: 初始时间 y0: 初始值 h: 固定步长 n: 总步数 返回: (ts, ys): 时刻列表与数值解列表 ts [t0] ys [y0] t, y t0, y0 for _ in range(n): k1 f(t, y) # 当前点斜率 k2 f(t 0.5 * h, y 0.5 * h * k1) # 半步中点斜率 k3 f(t 0.5 * h, y 0.5 * h * k2) k4 f(t h, y h * k3) # 终点斜率 y y h / 6.0 * (k1 2.0 * k2 2.0 * k3 k4) t t h ts.append(t) ys.append(y) return ts, ysRK4 的四个 k 值分别对应龙格-库塔表中 0、1/2、1/2、1 四个节点权重是 1/6、1/3、1/3、1/6。实现时最常见的错误是复用 y 的旧值比如把 k2 算完后没有用中间变量导致后面的 k3、k4 全部错位。另一个反直觉的点是步长减半误差大约降为原来的 1/16但计算量翻倍并且当 h 小到 1e-4 以下时累积舍入误差会盖过截断误差误差不再随步长缩小。这说明无脑调小 h 不是最优策略实验报告里要体现这个权衡。3.3 步长、容差与误差的实测对照表实验报告里助教最想看到的是一张能说明“步长如何影响误差和计算量”的表。以 y -y, y(0)1 在 t1 处的精确解 e⁻¹ 为例固定 RK4 跑不同步长结果应符合下表规律步长 h绝对误差相对误差步数0.11.8e-064.9e-06100.051.1e-073.0e-07200.011.8e-104.9e-101000.0051.2e-113.3e-112000.0011.9e-135.2e-131000表中数值是该问题预期的量级趋势不是某个固定版本代码的输出。可以看到 h 从 0.1 降到 0.01误差约下降 4 个数量级符合四阶方法的 O(h⁴) 行为而到 0.001 以后误差开始被双精度浮点的机器精度限制继续减小步长只会增加耗时。整理这类表时一定要把步数列出来否则只看误差列体现不出计算代价报告的说服力会差一截。如果你跑出来的表和这个趋势对不上优先检查 RK4 里 k2、k3 是否用了旧的 y 值。4. 数值分析误差评估收敛阶计算与报告数据的生成4.1 计算绝对误差、相对误差与均方根误差数值分析实验报告里误差必须给量化指标不能只说“曲线基本重合”。常用的三个指标各有适用场景绝对误差反映偏离量本身相对误差消除量纲影响均方根误差RMSE把整个区间内的误差压缩成一个数便于横向比较不同算法的表现。import numpy as np def compute_errors(y_num, y_ext, axis-1): 计算数值解与精确解之间的三类误差 参数: y_num: 数值解数组形状与 y_ext 一致 y_ext: 精确解或参考解数组 axis: 求均值的轴多维数组时用 返回: err_abs, err_rel, rmse err_abs np.abs(y_num - y_ext) # 分母加 1e-15 防止精确解接近零时相对误差爆炸 err_rel err_abs / (np.abs(y_ext) 1e-15) rmse np.sqrt(np.mean(err_abs ** 2, axisaxis)) return err_abs, err_rel, rmse相对误差的分母加小保护量是数值代码里常见的正规化写法。实验里如果处理的是过零点的方程比如解 x³ - x 0不加保护量的相对误差会出现无穷大或 NaN报告数据直接失真。输出时可以只打印最大值及位置不打印整条数组err_abs, err_rel, rmse compute_errors(y_num, y_ext) i_max np.argmax(err_abs) print(fRMSE {rmse:.3e}, max |err| {err_abs[i_max]:.3e} at t{ts[i_max]:.3f}) # 按行追加写入CSV报告阶段直接汇总 with open(output/experiment_errors.csv, a) as fh: fh.write(f{h},{rmse:.3e},{err_abs[i_max]:.3e},{n}\n)把每组实验的误差按行写入 CSV是整个实验源码包里成本最低、收益最高的习惯。这样写报告时不用回头重跑代码直接拉 CSV 制表而且同一个算法换一组参数跑出的数据能自动累积成对比集。4.2 用最小二乘拟合log-log曲线计算收敛阶进阶实验通常要求验证算法的收敛阶比如验证 RK4 是四阶收敛、复化辛普森积分是四阶收敛。收敛阶 p 的估计思路是设 error ≈ C · h^p两边取对数后误差与步长在 log-log 坐标下呈直线关系斜率就是 pdef estimate_order(hs, errors): 从多组步长和对应误差估计收敛阶 参数: hs: 步长列表如 [0.1, 0.05, 0.025] errors: 与 hs 对应的误差列表 返回: p: 估计的收敛阶 r_square: 拟合优度接近 1 说明步长-误差关系稳定 log_h np.log(np.asarray(hs, dtypefloat)) log_e np.log(np.asarray(errors, dtypefloat)) coeff np.polyfit(log_h, log_e, 1) # 返回 [斜率, 截距] p coeff[0] fit np.polyval(coeff, log_h) ss_res np.sum((log_e - fit) ** 2) ss_tot np.sum((log_e - np.mean(log_e)) ** 2) r_square 1.0 - ss_res / ss_tot return p, r_square运行这一步时实验脚本会输出一个接近 4 的斜率和一个接近 1 的 R²这两个数字直接写进报告结论段比贴十张曲线图更有说服力。要注意的是np.log是自然对数如果教材里用的是 log₁₀画图时横纵轴按实际刻度标注即可不影响斜率结果因为两种对数只差一个常数倍。R² 明显小于 0.99 时通常说明步长已经小到舍入误差主导或者算法实现有 bug需要回到 4.3 节先验证正确性。4.3 用有解析解的问题做算法正确性验证数值分析上机实验里最常犯的错误是直接拿一个没有解析解的方程验证新写的代码。常见做法是反过来先用带精确解的问题确认算法和实现没问题再拿这套代码去跑实际工程里没有解析解的问题。验证 RK4 用 y -y, y(0)1解析解是 e⁻ᵗ验证牛顿法用 x² 2解析解是 √2。# experiments/verify_newton.py import numpy as np from src.root_finding import newton def verify_newton(): 用 x^2 - 2 0 验证牛顿迭代实现 f lambda x: x * x - 2.0 df lambda x: 2.0 * x root, iters newton(f, df, x01.5, tol1e-12, max_iter50) expected np.sqrt(2.0) rel_err abs(root - expected) / expected print(froot{root:.15f}, expected{expected:.15f}, rel_err{rel_err:.2e}, iters{iters}) if __name__ __main__: verify_newton()输出示例中相对误差在 1e-16 量级、迭代 5 次收敛说明实现正确。验证脚本要与算法实现分开存放放在experiments/而不是src/下。这样当你后续把算法用于新问题时不会因为实验脚本的参数设置污染算法库。验证通过的标准放在相对误差 1e-10 以下低于这个量级说明数值解基本达到了双精度浮点的极限再追求更小的误差没有实际意义。5. 让数值分析源码包可复用配置化改造与Zip提交前的自检5.1 把实验参数从代码里抽到配置文件课程过半后你会发现数值分析实验代码的维护量不在算法本身而在参数反复调整。初值、容差、步长、区间端点、输出路径这些如果散落在代码各处每次改参数都要打开源码还容易误改算法部分。常见做法是把参数抽到 JSON 配置里用一个通用函数读取并执行import json import importlib def run_experiment(config_path): 读取JSON配置并执行对应实验 with open(config_path, r, encodingutf-8) as fh: cfg json.load(fh) # 按配置里的模块名和函数名动态导入算法 module importlib.import_module(cfg[algorithm][module]) method getattr(module, cfg[algorithm][method]) result method(**cfg[params]) return result实验脚本统一走run_experiment(experiments/lab2_newton.json)算法源码src/保持零改动。这个模式的额外收益是每组参数都沉淀为一个 JSON 文件期末整理时能准确回看某张图是拿哪组参数跑出来的不会出现“这张图好像是上次改了 tol 之后出的”这种模糊记忆。README 里把源码和实验笔记放在一起记录每次调整的结论比只留一份 zip 交付物更容易让助教理解你的实验过程。5.2 zip归档前的一键自检命令提交实验代码时最怕的是助教在你机器上跑不出图。常见的做法是写一个run_all.sh依次执行所有实验脚本并在最后检查输出文件是否完整#!/usr/bin/env bash # 一键重跑所有数值分析实验并检查输出是否完整 set -e for script in experiments/*.py; do echo Running $script python $script done # 检查关键输出文件是否存在且非空 for f in output/lab1/*.png output/lab2/*.csv output/lab3/*.png; do if [ ! -s $f ]; then echo MISSING: $f 12 exit 1 fi done echo All outputs verified.set -e让任一脚本报错就立即终止整批运行避免带着错误跑完后面所有步骤。[ ! -s $f ]同时判断文件是否存在和是否非空0 字节文件会被当作缺失处理。打包回 zip 之前先unzip -t验证压缩包完整性再检查 zip 里是否混入了__pycache__、*.pyc和output/下的过期文件这些文件会让源码包体积膨胀也在解压时埋下版本歧义的隐患。如果作业接受多次提交建议解压出源码包那一刻就git init并提交初始版本之后每次改参数或算法留一条提交记录zip 只是期末交付介质版本历史和回滚能力都在 git 里。本文还有配套的精品资源点击获取