简介：数值分析上机题配套MATLAB实现文档，面向学习数值分析课程的工科学生与研究生，可配套东南大学版教材使用。内容围绕三次样条插值函数、重积分计算和常微分方程初值问题数值解三大经典上机题展开，对每个题目均给出公式推导、MATLAB算法流程、运行结果和误差对比。其中，三次样条部分按第一类边界条件编制通用程序，完成汽车门曲线型值点插值；重积分部分采用复化梯形公式逐次二分步长并结合外推思想，实现精度控制；常微分方程部分实现RK4、AB4、AB4-AM4及改进预测校正四种方法，以误差范数对比精度并总结结论。文档为docx格式，共1个文件，压缩包约566KB，已有904人学习下载，适合需要快速理解算法细节、对照编写MATLAB程序或参考上机报告的同学。

1. 数值分析上机题是什么：不是作业，是给算法做压力测试

你对着教材背了三个小时的牛顿迭代公式，打开编辑器却连第一个根都没求出来。这不是你笨，而是手算可以取巧，程序不会——草稿纸上你能挑一个顺眼的初值再试一次，程序却会把每一次错误都放大给你看。数值分析上机题考的就是这个：把课本算法写成可运行代码之后，还能不能让迭代不震荡、误差可控、结果经得起换数据检验。

它不只是一道编程作业，而是逼你在同一套题目里处理三个层面的问题：算法层选对方法，数值层设对判据，工程层防住浮点数的小动作。多数人前半小时写得出代码，后两小时全耗在「为什么结果不对」上，而那些不对的根因，往往不在数学推导里，而在初值、判据和精度处理这些看似不起眼的地方。

适合读这篇的人有三类：正在准备某课程上机题的学生、需要补数值实现能力的开发、以及用现成库但搞不懂收敛参数含义的调参型选手。下文按一套完整上机题的流程走一遍，从选语言、定误差口径，到写最小实现、排坑、验证收敛阶，全程是可复现的操作。

2. 动手写数值分析上机题前的四个决策：语言、误差口径、测试数据与验收标准

写代码前先做四个决策，能省掉后面大半的调试时间。这四个决策分别是编程语言、误差口径、测试数据和验收标准，每一项都直接影响你能不能从一堆数字里判断出「程序是对的还是凑巧没崩」。

2.1 编程语言怎么选：不是哪个熟用哪个

很多人的第一反应是「哪个熟用哪个」，但上机题的瓶颈从来不是写代码的速度，而是调试和验证的速度。我一般选 Python，三个理由：numpy 负责向量和矩阵部分，算法主体自己写，不会被库函数掩盖真实实现；matplotlib 画迭代轨迹和误差曲线，能直接看到数值行为；调试迭代循环时，print 和断言几乎没有额外成本。C/C++ 的优势在性能和精度控制，适合同一道题后续做规模扩展，但对一门以「算法原理加数值行为」为考察目标的上机题，编译运行看输出的循环会拖慢排查速度。MATLAB 的矩阵语法确实舒服，但离开课程环境后复用成本偏高。

如果课程强制要求交 C 代码，我的建议是先用 Python 把算法验证对，再翻译成 C。这不是偷懒，而是把「算法正确性」和「语言正确性」两个问题分开排查。否则一个数值 bug 和一个指针 bug 混在一起，足够让人怀疑人生。上机题的评分点在数值行为是否合理、报告是否完整，不在代码用了多少高级特性。

2.2 误差口径怎么定：绝对误差、相对误差与有效数字

上机题里最常见的错误写法，是把收敛条件统一写成 abs(x_new - x_old) < 1e-6。这个判据在解的量级是 0.1 到 10 时勉强能用，一旦解的量级到 1e4，绝对误差很容易造成假收敛；解的量级到 1e-4 时，这个条件又可能永远满足不了，迭代直接跑满上限。

数值分析里的误差口径分三种：绝对误差、相对误差、有效数字。相对误差等于绝对误差除以真实值的绝对值，有效数字对应相对误差的十进制位数。上机题里真实值通常未知，所以实践中用相邻两步迭代值的差来估计误差，再用相对形式判断是否达到精度。我的默认做法是同时检查两步差和残差 f(x_k)，任何一个满足阈值就停，另外用最大迭代次数兜底。阈值取 1e-10 比较稳妥，双精度浮点下再小没有意义，迭代上限取 100 对大多数求根题足够。

不能只靠残差判断收敛，因为牛顿法里残差和误差之间隔着一个导数因子。如果当前点附近导数值很小，残差可能已经很小了但误差还很大。所以「步长加残差」双判据才算完整，这一点在第 4 章会有对应的修复代码。

2.3 测试数据从哪来：带已知答案的两类题目

不要在作业原始数据上直接调试。先准备「自带正确答案」的测试用例，这是把「程序写对」和「题目算对」两件事分开的关键。我常用的测试数据有两类：已知根的多项式，和已知解析解的积分。

已知根多项式可以直接构造，比如 f(x) = (x - 1)(x - 2)(x - 3)，展开成 x^3 - 6x^2 + 11x - 6，根就是 1、2、3。用牛顿法跑这个函数，初值分别取 0.5、1.5、2.5，三个区间应该各收敛到一个根。这个用例同时验证了初值对收敛方向的影响。已知解析解的积分更简单，∫0π sin(x) dx = 2，∫0^1 e^x dx = e - 1，教科书自带答案。跑复化辛普森时，n 从 4 翻倍到 256，误差应该严格递减而且比值稳定。

如果直接在作业数据上跑出一个奇怪结果，你很难区分是代码有 bug 还是数据本身病态。先用已知解的用例确认实现正确，再上作业数据，排查范围就小了一半。

2.4 验收标准怎么立：先有真解，再谈收敛

验收不是「跑通了没有」，而是「跑出的数字有没有资格称为答案」。我一般按四步验收：在已知解用例上跑通；看误差是否按理论阶数下降；换初值或换区间看稳定性；最后才上作业的原始数据。理论阶数是现成的标尺：梯形法是 2 阶，误差随步长平方下降；复化辛普森是 4 阶，误差随步长四次方下降；牛顿迭代在单根附近是 2 阶收敛，误差逐次平方级缩小。

如果误差曲线不符合理论阶数，宁可修代码，也不要靠调大迭代次数把结果硬凑成「看起来对」。上机题翻车很大一部分出在这里：把 bug 当成参数问题，参数调到当前用例能过，换一道题又崩。验收标准的第一条永远是「有没有对照真解」，没有真解对照的验收都是自欺欺人。

3. 把上机题公式变成可跑程序：牛顿迭代与复化辛普森的最小实现

这一章用一套典型组合题走通实现流程。题目结构是虚构的，但拆法和代码可以直接抄：第一问用牛顿法求非线性方程的实根，第二问用复化辛普森算定积分近似值。这类组合在数值分析上机题里非常常见。

3.1 一道典型上机题怎么拆

拆题分三步：从题干抽出输入，包括函数表达式、区间端点、初值、精度要求；抽出输出，包括根的近似值、积分近似值、误差估计、迭代次数；抽出约束，包括最大迭代次数、输出小数点位数、是否要求画图。

拆完之后，代码骨架就清楚了。典型签名如下：

def newton_solve(f, df, x0, tol=1e-10, max_iter=100): """用牛顿迭代求 f(x) = 0 的根""" def composite_simpson(f, a, b, n): """用复化辛普森公式求 f 在 [a, b] 上的定积分"""

一个容易犯的误拆是把「误差估计」理解成「最后一步的步长」。误差估计在报告里要单独分析和展示，不能拿迭代步长冒充。后面几节的实现都围绕这两个签名展开。

3.2 牛顿迭代的最小实现

def newton_solve(f, df, x0, tol=1e-10, max_iter=100): x = x0 for k in range(max_iter): fx = f(x) if abs(fx) < tol: # 残差判据：函数值已经足够小 return x, k + 1, True d = df(x) if abs(d) < 1e-14: # 导数接近 0，切线几乎水平，交点会飞远 raise ValueError("derivative too small at x={}".format(x)) x_new = x - fx / d # 牛顿迭代主公式：x - f(x)/f'(x) if abs(x_new - x) < tol: # 步长判据：迭代已经不怎么动了 return x_new, k + 1, True x = x_new return x, max_iter, False # 达到上限仍未收敛，返回失败标志

函数返回三个值：近似根、迭代次数、是否收敛。返回迭代次数是为了后面做收敛阶分析，这个设计在验证阶段会很有用。循环里先用残差判据，再用步长判据，两者满足其一就停。导数接近 0 时直接抛异常而不是继续迭代，这是防止结果变成 inf 或 NaN 的关键。

参数说明：tol 取 1e-10 是双精度下的稳妥值；max_iter 取 100 对大多数求根题足够。x0 是整个方法的命门，牛顿法没有全局收敛保证，初值靠近根时收敛极快，离得远时可能震荡甚至发散。调用时尽量传解析导数，比如 f = lambda x: x3 - x - 1，df = lambda x: 3*x2 - 1。不要一上来就用数值差分代替解析导数，那会引入额外误差，还会破坏理论上的二阶收敛性。

3.3 复化辛普森的最小实现

def composite_simpson(f, a, b, n): if n % 2 != 0: n += 1 # 辛普森要求区间数为偶数，自动修正 h = (b - a) / n s = f(a) + f(b) # 两个端点权重为 1 for i in range(1, n, 2): # 奇数下标节点，权重 4 s += 4 * f(a + i * h) for i in range(2, n, 2): # 偶数下标节点，权重 2 s += 2 * f(a + i * h) return s * h / 3

复化辛普森的权重模式是 1、4、2、4、2、……、4、1，把奇数下标和偶数下标分开循环，可以避免权重写混。返回值等于加权和乘以 h/3。这个方法的误差是 O(h^4)，区间数 n 翻倍时误差大约降到原来的 1/16，这是第 5 章验证程序正确性的核心依据。

参数说明：n 的选取不能拍脑袋。先用小的 n 跑一遍，再翻倍跑一遍，比较两位结果；如果差别大就继续翻倍。n 取 100 到 1000 通常足够，但被积函数在区间内有剧烈变化时，均匀节点再多也可能被局部区域欺骗，这个问题在第 4 章单独展开。如果题目要求画图，可以在区间上均匀取点，画出 f 的曲线和辛普森逼近的分段抛物线，这是报告里很直观的加分项。

3.4 让结果可复现：输出与留痕

上机题报告要求结果可复现。最简单有效的三件事：固定随机种子，只在用到随机数时才需要；限制浮点输出格式；保存每次迭代的中间值。迭代中间留痕的代码很小：

history = [] def newton_solve(f, df, x0, tol=1e-10, max_iter=100, history=None): x = x0 for k in range(max_iter): fx = f(x) if history is not None: history.append({"k": k, "x": x, "fx": fx}) # 后续迭代逻辑与 3.2 相同

把 history 导出成 JSON 或 CSV，之后画迭代轨迹和误差曲线就不用重跑程序。浮点输出用 print(f"{x:.15g}")，不要用默认的 str 转换，否则 1e-16 级别的小数会显示成一串看着像整数的尾数。这个习惯在写报告时能省大量时间，尤其是在需要放收敛图的题目里。

4. 数值分析上机题避坑清单：五个典型翻车现场与修复方式

这一章是长期做数值类练习攒下的血泪经验。每一条我都见过不止一次在自己机器或同学机器上出现，按「现象、原因、解决」三部分写，可以直接对照排查。

4.1 初值选在驻点附近：牛顿迭代不收敛的经典原因

现象：牛顿迭代卡在某个值附近震荡，或者直接跳到一个很远的值，结果变成 inf 或 NaN。

原因：牛顿法在当前点做切线，用切线与 x 轴的交点作为下一次估计。当前点恰好接近驻点时，导数接近 0，切线几乎水平，交点会被抛到很远的地方。初值一旦落在这个陷阱区域，后续迭代很难自己拉回来。

解决：换初值是最直接的。更稳的做法是给导数加保护，abs(d) < 1e-14 时抛异常提示换初值。如果题目给的是闭区间求根，可以先用二分法在区间里找一个大致位置，再把这个位置作为牛顿法的初值。上机题里「二分法粗找加牛顿法精化」是非常实用的混合策略，不算作弊，是工程上普遍的做法。

4.2 被积函数变化剧烈，辛普森结果却「温柔地错」

现象：n 从 100 涨到 10000，结果在小数点后第三位还是不变。这不是收敛，是程序对变化剧烈的区域根本没采到样。

原因：复化辛普森把区间均匀切分，隐含假设是被积函数在区间内「处处差不多难」。遇到快速振荡函数或窄尖峰时，峰值落在网格之间，积分直接被跳过。教科书上的 O(h^4) 误差估计要求函数四阶导数有界，真实题目里这个条件经常不成立。

解决：先做 n 和 2n 的对比实验，如果前六位有效数字稳定，就认为结果可用。如果一直不稳定，就要做分段加密，或者改用自适应积分类库。不要硬加 n 到上万，因为浮点舍入误差会随计算次数累积，节点太多反而可能更差。

4.3 只写绝对误差判据，解是大数时假收敛

现象：迭代第三步就停了，输出一个 x，代回 f(x) 一验，偏差还很大。

原因：收敛条件只写了 abs(x_new - x_old) < 1e-6，而真实解在 1e6 量级。迭代每步变化 1e4，相对变化很小，绝对变化却远大于阈值，程序在误差还很大时就判定收敛。

解决：改成步长加残差的双判据，这是所有迭代型上机题通用的写法：

if (abs(x_new - x) < tol * max(1.0, abs(x_new)) or abs(f(x_new)) < tol): break

注意其中的 max(1.0, abs(x_new))，作用是把绝对判据变成带量级感知的混合判据，同时避免解本身很小时把相对误差放大成无穷大。这个写法可以直接背下来用。

4.4 高斯消元不选主元：残差小误差大的怪相

现象：解线性方程组时，算残差 r = b - A x 很小，但和参考答案一比差很远。

原因：线性方程组的求解过程是乘除混合运算。主元接近 0 时，消元过程会产生极大的中间系数，浮点舍入误差被逐级放大。残差小只能说明代入后左右两边符合得好，不代表解接近真实解。特别是矩阵病态时，残差大小和误差大小可以完全脱钩。

解决：用列主元消去。每次消元前，在当前列中选绝对值最大的元素所在行，交换到主元位置：

# 在第 k 列寻找绝对值最大元素所在行，并交换到当前行 p = k + max(range(n - k), key=lambda i: abs(A[k + i, k])) A[[k, p]] = A[[p, k]] b[[k, p]] = b[[p, k]]

这是上机题里最容易被扣分的一项：答案算对了，但实现里没有选主元，报告一翻就露馅。只要写了高斯消元，选主元这一步是必须有的。

4.5 导数公式抄错但测试用例恰好能过

现象：牛顿法在第一个测试用例上一切正常，换到第二个题目立刻发散。

原因：代码里 df 的解析表达式抄错了，比如漏了系数或漏了某一项。第一个用例函数特殊，错误导数与真实导数在初值附近的符号和大小恰好一致，错误被掩盖；换一个函数，错误立刻暴露。

解决：用中心差分自检解析导数，对比 df(x0) 和 (f(x0+h) - f(x0-h)) / (2h)，h 取 1e-6 左右。两者差值在 1e-6 量级说明导数实现正确，差很多就是抄错了。这个自检函数在 3.2 的代码基础上加几行就能写完。我每次手写解析导数之后都会先自检一轮，这已经是固定习惯。

5. 用收敛阶实验验证上机题程序：误差比值不会骗人

5.1 用误差比值快速判断实现有没有写错

复化辛普森的理论误差阶是 4，区间数 n 翻倍、步长减半时，误差应该缩小到原来的约 1/16。找一个有解析解的积分跑一遍，看误差比值就能判断实现是否正确。下面是一次典型输出的误差序列，数值随平台略有差异，但比值形态是固定的：

误差比值稳定接近 16，这就是四阶实现的指纹。如果比值稳定接近 4，说明你实际上写成梯形法了，权重多半写错。如果比值没有规律，说明实现有 bug，不要继续调参数，先查循环和权重。

牛顿迭代也同理，在单根附近应该看到误差逐次平方级缩小：e1 是 1e-2，e2 约 1e-4，e3 约 1e-8，下一轮直接到 1e-16，这是典型的二阶收敛形态。如果达不到这个节奏，先怀疑初值是否落在根的局部收敛域里。

5.2 把收敛阶实验做进报告里

上机报告别只贴最终结果，贴上误差随步长变化的表格，再写一句「n 翻倍误差降至约 1/16，符合四阶收敛理论」，这就是证明程序正确的硬证据，比任何截图都有说服力。自动计算误差序列的脚本很短：

import math def f(x): return math.sin(x) results = [] for n in [4, 8, 16, 32]: approx = composite_simpson(f, 0, math.pi, n) error = abs(approx - 2.0) results.append((n, error)) for i in range(1, len(results)): ratio = results[i - 1][1] / results[i][1] print(results[i][0], results[i][1], ratio)

输出里相邻误差比值稳定接近 16，就直接写进报告当证据。这个方法把「黑匣子式运行」变成「可解释的数值验证」，评审一看就明白你是理解方法本身的人。

我现在拿到任何上机题，第一步都是先写一个带已知解的验证用例，第二步才做作业本身的数据。这个习惯替我挡掉过不少数值翻车现场。希望帮到你。

本文还有配套的精品资源，点击获取