[中英对照] 计算数学：基于 Python 的数值分析与科学

计算导论（双语对照版电子书） 书籍核心内容 （一）整体定位与特色 本书是一本全面介绍计算数学与科学计算的教材，适用于本科和研究生课程。它兼顾学科的实践与理论层面，阐述了经典数值方法的优势与不足，同时提供了 Python 计算机代码和实验案例，每章末尾还介绍了该领域在物理学、工程学和计算机科学中的现代应用。其核心特色包括：无需读者具备 Python 前置经验；提供简化的计算机代码，助力快速学习和可迁移技能培养；包含适合项目作业和远程学习的实际问题；既展现现代科学计算直观的一面，也呈现其严谨的理论层面；还引入了神经网络与机器学习的相关内容。 （二）章节结构与主要内容 全书分为三个部分，共 12 章，另含附录和参考文献等内容。 第一部分：基于 Python 的科学计算导论 第 1 章：Python 入门：介绍 Python 基础，包括基本 Python 操作、数学运算、数学函数与常量、科学计数法、赋值运算符，以及字符串、元组、字典、列表等数据结构，还有循环、函数、类和数据文件访问等内容。例如，讲解了 Python 作为解释型语言的特点，如何进行基本的加减乘除运算，使用 math 模块调用正弦、余弦等数学函数，用列表存储多个数据并进行增删改查操作，通过 for 和 while 循环实现重复运算，定义自定义函数解决特定问题等。 第 2 章：矩阵与 Python：回顾矩阵知识与性质，介绍 NumPy 模块，包括矩阵和数组的创建、切片、特殊矩阵（如零矩阵、单位矩阵、三角矩阵）的生成，矩阵的赋值、加法、标量乘法、向量化算法、矩阵乘法、求逆、求行列式、求解线性方程组以及特征值和特征向量的计算，还涉及 SciPy 模块在处理带状矩阵等特殊矩阵线性方程组中的应用，以及使用 MatPlotLib 绘制图形。比如，如何用 NumPy 的 array 函数创建矩阵，通过切片提取矩阵的特定行或列，利用 eye 函数生成单位矩阵，使用 solve 函数求解线性方程组等。 第 3 章：科学计算：探讨计算机算术与误差来源，包括浮点数误差、灾难性抵消现象，介绍机器精度、规范化科学计数法、舍入与截断操作，以及绝对误差和相对误差的计算，还分析了算法的稳定性，通过实例讲解如何避免计算中的误差问题。例如，解释了为何 1.1+0.1 在计算机中结果不等于 1.2，如何计算机器 epsilon（机器精度），以及在计算函数值时如何选择稳定的公式避免误差放大。 第 4 章：微积分知识回顾：复习序列与收敛、连续函数、微分、积分等微积分核心概念与定理，为后续数值方法的学习奠定数学基础。比如，阐述了序列收敛的定义和判定方法，函数连续性的判定定理，导数的定义与计算法则，定积分的定义与几何意义，以及微积分基本定理等。 第二部分：计算数学导论 第 5 章：方程求根：介绍求解非线性方程根的数值方法，包括二分法、不动点迭代法、牛顿法、割线法等，分析各方法的收敛性、收敛速率，还讨论了其他方法与推广，如斯蒂芬森法、埃特金德尔塔平方过程、重根处理、高阶方法以及方程组求解等，同时介绍了 scipy.optimize 模块中相关函数的应用。例如，用二分法通过不断缩小有根区间来逼近方程的根，牛顿法利用函数的导数实现快速收敛，割线法无需导数信息，通过两个初始值迭代求解等。 第 6 章：插值与逼近：讲解插值与逼近的基本概念与方法，包括拉格朗日插值、埃尔米特插值、样条插值，以及最小二乘法等，介绍了相关方法的理论基础、误差分析和 Python 实现，还提及 scipy.interpolate 模块的应用。比如，拉格朗日插值通过构造基函数来得到插值多项式，三次样条插值通过分段三次多项式实现平滑插值，最小二乘法用于数据拟合得到近似函数等。 第 7 章：数值积分：介绍数值积分（数值求积）的方法，包括中点法则、牛顿 - 科茨求积法则（如梯形法则、辛普森法则）、高斯求积法则等，分析各方法的误差，还讨论了反常积分的数值计算，以及相关方法的 Python 实现。例如，梯形法则通过将积分区间分成小梯形近似计算积分值，辛普森法则通过二次多项式逼近函数来提高积分精度，高斯求积法则通过选择合适的节点和权重实现高精度积分等。 第 8 章：数值微分与微分方程应用：讲解数值微分的方法，包括一阶和二阶精度的有限差分近似、误差估计、理查森外推法，以及数值微分在常微分方程求解中的应用，如欧拉法、龙格 - 库塔法等，介绍了 scipy.integrate 模块的使用，还给出了在流行病学中的应用案例。例如，用有限差分近似计算函数在某点的导数，欧拉法通过简单的迭代公式求解常微分方程初值问题，龙格 - 库塔法通过更高精度的迭代格式提高求解精度等。 第 9 章：数值线性代数：深入探讨数值线性代数的内容，包括线性方程组的数值解法（如高斯消元法、LU 分解）、选主元策略、矩阵条件数、其他矩阵计算、对称矩阵、迭代方法（如雅可比法、高斯 - 塞德尔法）等，介绍了稀疏矩阵在 Python 中的处理以及 scipy.sparse 模块的应用，还给出了在电动力学中的应用案例。例如，高斯消元法通过行变换将线性方程组的系数矩阵化为上三角矩阵，再回代求解；LU 分解将矩阵分解为下三角矩阵和上三角矩阵，方便后续线性方程组的求解；雅可比法和高斯 - 塞德尔法通过迭代逐步逼近线性方程组的解等。 第三部分：高级主题 第 10 章：最佳逼近：介绍向量空间、内积与范数、线性最小二乘问题、格拉姆 - 施密特正交化、QR 分解、奇异值分解等内容，探讨最佳逼近的理论与方法，以及相关方法在 Python 中的实现。例如，通过线性最小二乘方法找到与给定数据最接近的线性函数，QR 分解用于求解线性最小二乘问题和矩阵的特征值计算，奇异值分解用于矩阵的降维、数据压缩等。 第 11 章：无约束优化与神经网络：讲解无约束优化的梯度方法、共轭梯度法、牛顿法、拟牛顿法等，介绍了神经网络的基本概念、激活函数、前馈神经网络，以及机器学习与 scikit-learn 模块的应用，给出了在图像识别中的应用案例。例如，梯度下降法通过沿梯度反方向迭代寻找函数的极小值点，共轭梯度法适用于大规模线性方程组求解和无约束优化问题，简单神经网络由输入层、隐藏层和输出层组成，通过激活函数实现非线性映射等。 第 12 章：特征值问题：介绍特征值与特征向量的基本性质、数值逼近方法（如幂法），以及相关方法的理论与 Python 实现。例如，幂法通过迭代逐步逼近矩阵的主特征值和对应的特征向量等。 （三）配套资源与使用建议 本书提供了支持材料，读者可通过链接https://www.routledge.com/9781032262390获取。在使用建议方面，适合作为高等院校数学、物理、工程、计算机科学等专业本科和研究生计算数学、数值分析或科学计算相关课程的教材。教师可根据课程大纲和学生基础，选择合适的章节进行教学，结合书中的代码示例和实验案例，引导学生动手实践；学生可通过阅读教材、完成课后习题和实验项目，掌握计算数学的理论知识和 Python 编程技能，同时结合 Jupyter Notebook 等工具进行代码测试和运行，加深对知识点的理解。 四、书籍价值与意义 本书的价值主要体现在理论与实践的紧密结合，既系统阐述了计算数学和数值分析的核心理论，又通过大量 Python 代码示例和实验案例，帮助读者将理论知识应用到实际问题中，培养科学计算的实践能力。对于科研人员而言，书中介绍的数值方法和 Python 工具，可用于解决物理学、工程学、计算机科学等领域的实际问题；对于学生而言，不仅能学习到计算数学的专业知识，还能提升 Python 编程技能和科学计算素养，为后续的学习和研究奠定坚实基础。同时，书中对现代科学计算领域的前沿内容（如神经网络、机器学习）的引入，也能帮助读者了解该领域的最新发展趋势，拓宽学术视野。