CSC336 Numerical Methods 是多伦多大学 CS 和 Math 专业的数学密集型必修课，融合了数学分析、线性代数和编程实现，是很多留学生感到最"痛苦"的课程之一。
为什么 CSC336 这么难？
CSC336 难在以下三点：
- 数学证明要求高：需要推导误差界（Error Bound）、证明收敛性
- 编程实现精度要求：MATLAB/Python 代码必须数值稳定，不能用"直觉"编程
- 理论和实现双考：期末既考数学证明，又考代码实现题
核心模块详解
1. 浮点数和误差分析（Floating Point & Error Analysis）
这是 CSC336 的基础，也是最容易被忽视的部分：
浮点数表示： $$x = \pm(1.d_1d_2...d_t) \times 2^e$$
机器精度（Machine Epsilon）： $$\varepsilon_{mach} = 2^{-52} \approx 2.22 \times 10^{-16}$$（双精度）
绝对误差 vs 相对误差：
- 绝对误差：$|x - \hat{x}|$
- 相对误差：$\frac{|x - \hat{x}|}{|x|}$
灾难性相消（Catastrophic Cancellation）：
# 错误写法：当 x 很小时精度损失严重
def bad_sqrt_diff(x):
return math.sqrt(x + 1) - math.sqrt(x)
# 正确写法：有理化分子
def good_sqrt_diff(x):
return 1.0 / (math.sqrt(x + 1) + math.sqrt(x))
2. 线性方程组（Linear Systems）
高斯消元法（Gaussian Elimination）：
import numpy as np
def gaussian_elimination(A, b):
n = len(b)
# 前向消元（Forward Elimination）
for k in range(n):
for i in range(k+1, n):
factor = A[i,k] / A[k,k]
A[i,k:] -= factor * A[k,k:]
b[i] -= factor * b[k]
# 后向代入（Back Substitution）
x = np.zeros(n)
for i in range(n-1, -1, -1):
x[i] = (b[i] - np.dot(A[i,i+1:], x[i+1:])) / A[i,i]
return x
主元选取（Pivoting）：
- Partial Pivoting（部分主元）：每步选当前列最大元素作为主元，减少舍入误差
- Complete Pivoting（完全主元）：选全矩阵最大元素，更稳定但代价更高
LU 分解：$A = LU$
- L：下三角矩阵（主对角为1）
- U：上三角矩阵
- 优势：一次分解，多次求解不同右侧向量
条件数（Condition Number）： $$\kappa(A) = |A| \cdot |A^{-1}|$$
- $\kappa(A)$ 大 → 矩阵病态（ill-conditioned），小的误差被放大
- 期末必考：给出条件数，估算解的精度损失
3. 非线性方程求根（Root Finding）
二分法（Bisection）：收敛慢但保证收敛
def bisection(f, a, b, tol=1e-10):
while (b - a) / 2 > tol:
c = (a + b) / 2
if f(c) == 0:
return c
if f(a) * f(c) < 0:
b = c
else:
a = c
return (a + b) / 2
收敛速度：线性收敛，每步误差减半
牛顿法（Newton's Method）： $$x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}$$
- 二次收敛（当初值靠近根时）
- 需要计算导数，根附近导数为0时失败
割线法（Secant Method）：不需要导数，超线性收敛
考试必考：给出函数，选择合适求根方法并分析收敛阶数（Order of Convergence）。
4. 多项式插值（Polynomial Interpolation）
拉格朗日插值（Lagrange Interpolation）： $$L(x) = \sum_{i=0}^{n} y_i \prod_{j \neq i} \frac{x - x_j}{x_i - x_j}$$
牛顿插值（Newton's Divided Differences）： 计算效率更高，添加新节点时无需重新计算。
龙格现象（Runge's Phenomenon）： 均匀分布节点的高次多项式在边界附近剧烈振荡。 解决方案：使用切比雪夫节点（Chebyshev Nodes）： $$x_k = \cos\left(\frac{(2k-1)\pi}{2n}\right), \quad k = 1, ..., n$$
样条插值（Cubic Spline）：
- 分段三次多项式，在节点处保证 $C^2$ 连续
- 更稳定，实际应用中首选
5. 数值积分（Numerical Integration）
复合梯形法（Composite Trapezoidal）： $$\int_a^b f(x)dx \approx \frac{h}{2}\left[f(x_0) + 2\sum_{i=1}^{n-1}f(x_i) + f(x_n)\right]$$ 误差：$O(h^2)$
辛普森法（Simpson's Rule）： $$\int_a^b f(x)dx \approx \frac{h}{3}\left[f(x_0) + 4f(x_1) + 2f(x_2) + ... + f(x_n)\right]$$ 误差：$O(h^4)$，精度更高
高斯积分（Gaussian Quadrature）： 选取最优节点和权重，n 个节点精确积分 2n-1 次多项式。
6. 常微分方程（ODEs）
欧拉法（Euler's Method）： $$y_{n+1} = y_n + h \cdot f(t_n, y_n)$$ 一阶精度，简单但误差大
龙格-库塔法（Runge-Kutta, RK4）： 四阶精度，实际应用最广泛。CSC336 Assignment 几乎必用 RK4。
def rk4(f, t0, y0, h, n):
t, y = t0, y0
for _ in range(n):
k1 = h * f(t, y)
k2 = h * f(t + h/2, y + k1/2)
k3 = h * f(t + h/2, y + k2/2)
k4 = h * f(t + h, y + k3)
y += (k1 + 2*k2 + 2*k3 + k4) / 6
t += h
return y
Assignment 和 Final Exam 策略
Assignment 写作格式：
- 理论推导用 LaTeX 或手写扫描
- 代码部分注释清楚，标注数值方法名称
- 输出结果要有误差分析和收敛性讨论
Final Exam 高频考点：
- 浮点误差计算（给出运算，求相对误差）
- 矩阵条件数与解的误差估计
- 插值误差界公式
- 各积分方法的误差阶数比较
- 牛顿法收敛性分析
代写和辅导服务
CSC336 对数学推导和代码实现都有高要求，常见求助情况：
- MATLAB/Python 数值方法代码报错或精度不达标
- 误差分析证明不会写
- 不理解 LU 分解和条件数在 Assignment 里的具体应用
- Final Exam 备考不知道从哪里入手
我们提供 CSC336 专项辅导和代写服务，涵盖代码实现（MATLAB/Python/Julia）和理论推导报告撰写，由 UofT 数学/CS 背景导师负责。
通过微信 ZYFD 联系，提供 Assignment 题目后30分钟内报价，支持加急。
