Jacobi-Gauss-Lobatto积分点和积分权
这次介绍的是关于Jacobi正交多项式的零点计算问题,谷歌学术里面可以搜索到很多相关学术文章。由于在Galerkin-Spectral方法中经常使用Jacobi正交多项式,所以整理了一些相关知识点。
Jacobi正交多项式的递推公式:
$J_0^{\alpha,\beta}(x)=1$, $\quad J_1^{\alpha,\beta}(x)=\frac12 (\alpha+\beta+2)x+\frac12(\alpha-\beta),$
$J_{n+1}^{\alpha,\beta}(x)=\Big(a_n^{\alpha,\beta}x-b_n^{\alpha,\beta}\Big)J_{n}^{\alpha,\beta}(x)-c_{n}^{\alpha,\beta}J_{n-1}^{\alpha,\beta}(x),\quad n\geq 1.$
其中
$a_n^{\alpha,\beta}=\frac{\big( 2n+\alpha+\beta+1 \big)\big( 2n+\alpha+\beta+2 \big)}{2\big( n+1 \big)\big( n+\alpha+\beta+1 \big)},$
$b_n^{\alpha,\beta}=\frac{\big( \beta^2-\alpha^2 \big)\big( 2n+\alpha+\beta+1 \big)}{2\big( n+1 \big)\big( n+\alpha+\beta+1 \big)\big( 2n+\alpha+\beta\big)},$
$c_n^{\alpha,\beta}=\frac{\big( n+\alpha \big)\big( n+\beta\big)\big( 2n+\alpha+\beta+2 \big)}{\big( n+1 \big)\big( n+\alpha+\beta+1 \big)\big( 2n+\alpha+\beta\big)}.$
Jacobi正交多项式的导函数
$\partial_x J_{n}^{\alpha,\beta}(x)=\frac12\big( n+\alpha+\beta+1 \big)J_{n-1}^{\alpha+1,\beta+1}(x),$
$\partial^k_x J_{n}^{\alpha,\beta}(x)=d_{n,k}^{\alpha,\beta}J_{n-k}^{\alpha+k,\beta+k}(x),\quad n\geq k.$
$d_{n,k}^{\alpha,\beta}=\frac{\Gamma(n+k+\alpha+\beta+1)}{2^k\Gamma(n+\alpha+\beta+1)}.$
Jacobi-Gauss-Lobatto 积分点和积分权:
积分点:$\{ x_j \}_{j-1}^{N-1}$是多项式$\partial_x J_{N}^{\alpha,\beta}(x)$的零点,也即正交多项式$\frac12\big( N+\alpha+\beta+1 \big)J_{N-1}^{\alpha+1,\beta+1}(x)$的零点.
积分权:$w_0=\frac{2^{\alpha+\beta+1}(\beta+1)\Gamma^2(\beta+1)\Gamma(N)\Gamma(N+\alpha+1)}{\Gamma(N+\beta+1)\Gamma(N+\alpha+\beta+2)}=\frac{2^{\alpha+\beta+1}\Gamma(\beta+2)N!(\alpha+1)_N\Gamma(\alpha+1)}{(\beta+1)_N(\alpha+\beta+2)_N\Gamma(\alpha+\beta+2)},$
$w_N=\frac{2^{\alpha+\beta+1}(\alpha+1)\Gamma^2(\alpha+1)\Gamma(N)\Gamma(N+\beta+1)}{\Gamma(N+\alpha+1)\Gamma(N+\alpha+\beta+2)},$
$w_j=\frac{1}{1-x_j^2}\frac{G_{N-2}^{\alpha+1,\beta+1}}{J_{N-2}^{\alpha+1,\beta+1}\partial_x J_{N-1}^{\alpha+1,\beta+1}(x_j)},\quad 1\leq j\leq N-1,$
其中
$G_N^{\alpha,\beta}=\frac{2^{\alpha+\beta}(2N+\alpha+\beta+2)\Gamma(N+\alpha+1)\Gamma(N+\beta+1)}{(N+1)!\Gamma(N+\alpha+\beta+2)}.$
Jacobi-Gauss-Lobatto积分点和积分权的更多相关文章
- CSDN积分规则具体解释--【叶子】
前记:在CSDN的社区支持板块,常常看到有人提问,为什么有积分却不能下载,此类问题层出不穷,而论坛的各种积分制度说明又非常分散,不便于寻找,为了方便新注冊用户高速了解论坛的积分规则,也为了降低社区支持 ...
- QuantLib 金融计算——数学工具之数值积分
目录 QuantLib 金融计算--数学工具之数值积分 概述 常见积分方法 高斯积分 如果未做特别说明,文中的程序都是 Python3 代码. QuantLib 金融计算--数学工具之数值积分 载入模 ...
- .Net中的AOP系列之构建一个汽车租赁应用
返回<.Net中的AOP>系列学习总目录 本篇目录 开始一个新项目 没有AOP的生活 变更的代价 使用AOP重构 本系列的源码本人已托管于Coding上:点击查看. 本系列的实验环境:VS ...
- EF性能调优
首先说明下: 第一次运行真是太慢了,处理9600多个员工数据,用了81分钟!! 代码也挺简单,主要是得到数据-->对比分析-->插入分析结果到数据库.用的是EF的操作模式. public ...
- ecstore2.0数据库词典
数据库词典= 数据库tables列表 =|| Name | Comment ||| sdb_aftersales_return_product | 售后申请 || sdb_b2c_brand | 商品 ...
- MySQL数据库优化总结
对于一个以数据为中心的应用,数据库的好坏直接影响到程序的性能,因此数据库性能至关重要.一般来说,要保证数据库的效率,要做好以下四个方面的工作:数 据库设计.sql语句优化.数据库参数配置.恰当的硬件资 ...
- MySql数据库3【优化2】sql语句的优化
1.SELECT语句优化 1).利用LIMIT 1取得唯一行[控制结果集的行数] 有时,当你要查询一张表是,你知道自己只需要看一行.你可能会去的一条十分独特的记录,或者只是刚好检查了任何存在的记录数, ...
- 微软的一篇ctr预估的论文:Web-Scale Bayesian Click-Through Rate Prediction for Sponsored Search Advertising in Microsoft’s Bing Search Engine。
周末看了一下这篇论文,觉得挺难的,后来想想是ICML的论文,也就明白为什么了. 先简单记录下来,以后会继续添加内容. 主要参考了论文Web-Scale Bayesian Click-Through R ...
- discuz功能列表
导航旁边的+就可以把其加入到常用操作 上 首页 管理中心首页 文件校验,在线成员,管理团队留言.系统信息.开发 团队介绍. 常用操作管理 名称和URL 全局 站点信息 站点名称.网站名称,网站URL. ...
随机推荐
- undefined reference的一种case
undefined reference是经常遇到的链接错误,一般是函数未定义或未正确链接引起的问题: but 有一种case,比较坑... c++ 调用 c 的函数,当c函数未加:extern “C” ...
- Springboot创建项目(idea版本)
一:概述 由于springboot项目,不管是java工程还是web工程都可以直接以jar方式运行,所以推荐创建jar工程,这里创建jar工程项目为例. 二:两种方式创建springboot项目 1. ...
- CSS的基础学习
CSS学习 --------学习资源 http://www.csszengarden.com/ CSS语法检查http://jigsaw.w3.org/css-validator/ 配置CSS的方法: ...
- .net core EF Core 调用存储过程
在这里,我们将尝试去学习一下 .net core EF Core 中调用存储过程. 我们知道,EF Core 是不支持直接调用存储过程的,那它又提供了什么样的方式去执行存储过程呢?有如下方法: 1.F ...
- gitLab 分支保护设置
一.需求背景 开发当前开发的分支遇到暂时无法解决的问题,现在有需要开发其他应用,所以希望运维这边将当前有问题分支冻结,让其他人无法进行修改,待后续有时间在排查代码问题 二.Gitlab配置步骤 1.搜 ...
- [Flutter] 转一个Flutter学习思维导图
本文的思维导图均转自QQ群,感谢原作者(是谁?) 表单 按钮 视图 Sliver 路由 (Routes) 输入控件 对话框 MDC (Material Design Component) 状态管理 R ...
- powershell与linux bash对比
转自Github/Powershell Bash PowerShell Description ls dir, Get-ChildItem List files and folders tree di ...
- [ICP]手推SVD方法
该方法源于<Least-Squares Rigid Motion Using SVD>,原文推导十分详细,这里自己也仔细推导了一遍,有些地方加以注释整理. 问题定义 假设我们有两个点云集合 ...
- jmeter工具下载及工具功能操作介绍
本博文jmeter介绍的是在windows下使用,linux后期看情况更新,谢谢 简单介绍,想更多了解的去官方,多的很: The Apache JMeter™ application is open ...
- DRF简易了解
Drf框架 一丶API接口 # 为了在团队内部形成共识.防止个人习惯差异引起的混乱,我们需要找到一种大家都觉得很好的接口实现规范,而且这种规范能够让后端写的接口,用途一目了然,减少双方之间的合作成本. ...