python100道上机题-100道Python编程题及答案(一)

好的，我将根据文档内容详细回答这两道上机题，并提供相应的Python代码实现。 ### 上机题1：截断误差和有效数字 #### 背景 题目要求编制两个通用程序，分别按照从大到小和从小到大的顺序计算 \( S_N \)，并比较结果的有效位数。假设 \( S_N = \sum_{i=1}^N \frac{1}{i} \)。 #### (1) 编制按从大到小的顺序计算 \( S_N \) 的通用程序 ```python def sum_large_to_small(N): S = 0.0 for i in range(1, N + 1): S += 1 / i return S # 示例 N = 1000 result_large_to_small = sum_large_to_small(N) print(f"Sum from large to small: {result_large_to_small}") ``` #### (2) 编制按从小到大的顺序计算 \( S_N \) 的通用程序 ```python def sum_small_to_large(N): S = 0.0 for i in range(N, 0, -1): S += 1 / i return S # 示例 N = 1000 result_small_to_large = sum_small_to_large(N) print(f"Sum from small to large: {result_small_to_large}") ``` #### (3) 按两种顺序分别计算 \( S_{1000} \)，并指出有效位数 ```python import math # 计算S_1000 N = 1000 result_large_to_small = sum_large_to_small(N) result_small_to_large = sum_small_to_large(N) # 输出结果 print(f"Sum from large to small: {result_large_to_small}") print(f"Sum from small to large: {result_small_to_large}") # 计算有效位数 def count_significant_digits(a, b): diff = abs(a - b) if diff == 0: return len(str(a)) else: significant_digits = -int(math.floor(math.log10(diff))) - 1 return max(significant_digits, 0) significant_digits = count_significant_digits(result_large_to_small, result_small_to_large) print(f"Number of significant digits: {significant_digits}") ``` #### (4) 通过本次上机题，你明白了什么？ - **浮点数运算的不稳定性**：不同顺序的加法可能会导致不同的结果，特别是在处理大量项时。 - **有效位数的重要性**：了解有效位数可以帮助评估数值计算的准确性。 - **编程实践**：通过编写程序来验证数学概念，加深对数值分析的理解。 ### 上机题2：非线性方程求解 #### 背景 题目要求使用牛顿法解方程 \( f(x) = 0 \)，并给出具体方程 \( f(x) = x^3 - x - 1 \)。已知该方程有三个根。 #### (1) 确定尽可能大的 \( \delta \) 牛顿法的局部收敛性表明，存在一个 \( \delta > 0 \)，使得当初始值 \( x_0 \) 在 \( [x_2^* - \delta, x_2^* + \delta] \) 内时，牛顿迭代序列收敛于根 \( x_2^* \)。我们可以通过试验找到这个 \( \delta \)。 ```python def newton_method(f, df, x0, tol=1e-6, max_iter=1000): x = x0 for _ in range(max_iter): fx = f(x) if abs(fx) < tol: return x dfx = df(x) if dfx == 0: raise ValueError("Derivative is zero. No solution found.") x -= fx / dfx raise ValueError("Maximum number of iterations reached. No solution found.") def f(x): return x**3 - x - 1 def df(x): return 3*x**2 - 1 # 确定delta x_star = 1.324717957244746 # 已知的一个根 delta = 0.1 while True: try: x0 = x_star + delta root = newton_method(f, df, x0) if abs(root - x_star) < 1e-6: delta *= 1.1 else: break except ValueError: break delta = delta / 1.1 print(f"Largest delta: {delta}") ``` #### (2) 观察不同初始值下的收敛性 ```python initial_values = [-2, -1, 0, 1, 2] roots = [] for x0 in initial_values: try: root = newton_method(f, df, x0) roots.append((x0, root)) except ValueError as e: print(e) for x0, root in roots: print(f"Initial value: {x0}, Converged to root: {root}") ``` #### (3) 通过本上机题，你明白了什么？ - **牛顿法的局部收敛性**：牛顿法在接近根的初始值附近具有很好的收敛性。 - **选择合适的初始值**：不同的初始值可能导致收敛到不同的根或不收敛。 - **编程实践**：通过编写程序来实现和测试数值算法，可以更好地理解其特性和局限性。 希望这些解答对你有所帮助！如果有任何进一步的问题，请随时提问。