一个比较简单实用的小程序，里面有详细的注释，新手完全不用担心看不懂

本文主要研究现有的几种求解p-Laplace方程的多重网格方法：FAS多重网格方法和Cascade多重网格法，并在此基础上提出了一种新的求解p-Laplace方程的多重网格方法：Cascade-back方法。该方法是Cascade方法与一新方法——“back”方法的结合。 其优点在于它综合了一般多重网格法与Cascade多重网格法的思想，利用粗网格上的校正来提高Cascade多重网格方法的计算速度和计算精度，而且在粗网格上保留了原方程的右端项，从而保证了粗网格上校正方程的性质与原方程相似。 由于求解本问题等价于一个严格凸泛函的极小化问题，所以本文中所提到的多重网格法均采用以下三种非线性无约束最优化方法：Polack-Ribiere共轭梯度法，Hooke-Jeeves模式搜索法及不含线搜索的SSC梯度法作为非线性磨光算子。其好处在于不必计算原算子的导数，而这是很困难的。 对于(p+1)/(p-1)和p很大的退化情形，Polack-Ribiere共轭梯度法在初值不好时，www.Yifanglunwen.com效果不很理想，甚至不收敛。故在本文中采用更为健壮的Hooke-Jeeves模式搜索法在粗网格上进行求解，得到一个较好的初值，然后再采用速度较快Polack-Ribiere共轭梯度法或不含线搜索的SSC梯度法在细网格上进行磨光，这样既保证了方法的收敛，又保证了速度。 本文分别在一维和二维情形，对不同的p值做了数值实验，针对实验结果分析比较了这几种多重网格法及其采用不同磨光算子时的效率，并验证了Cascade-back方法的有效性。

本文档利用Java编程语言求解线性方程组，不是原创，但很有用

该库实现了一种随机算法，用于求解最小二乘方程 x = arg min norm(A * x - b, 2) 或欠定系统 min(norm(x, 2)) st Ax=b。 对于 m×n 矩阵运行此 o(mn^2) 的可能性很高。 有关求解器的详细信息，请参见位于以下位置的论文： Blendenpik：增压 LAPACK 的最小二乘解算器。 作者：Haim Avron、Petar Maymounkov 和 Sivan Toledo。 需要构建 FFTW 和/或 SPIRAL WHT。 提取文件并写入 install_blendenpik。

数值分析实验内容，用matlab写程序实现雅可比Jacobi迭代法。 迭代法解线性方程组的基本思想是构造一串收敛到解的序列，即建立一种从已有近似解计算新的近似解的规则，有不同的计算规则得到不同的迭代法。

采用递推最小二乘法求解超定线性方程组 Ax=b，其中 A 为 mxn 维的已知矩阵，b 为 m 维的已知向量，x 为 n 维的未知向量，其中 n=10，m=10000。A 与 b 中的元素服从独立同 分布的正态分布。绘出横坐标为迭代步数时的收敛精度曲线。

数值分析实践，高斯消去法实现求解线性方程，列主元高斯消去法实现求解线性方程，LU消去法求解线性方程，一个程序实现自主输入输出高斯/列主元高斯的对应增广矩阵，LU中L和U矩阵，最终输出计算结果，增添菜单选项，可选择计算方式和退出！

提出了一种解非线性方程组的神经网络模型,并在非线性方程组有惟一实根、有限个实根以及无 穷多个实根情形下严格地证明了该模型的稳定性.

给出前人人工神经网络逼近性理论,得到用人工神经网络可逼近任意给定的连续函数,并通过计算机对一些非线性函数进行模拟,模拟结果表明这种方法的可行性,给出用人工神经网络解多元非线性方程组的原理。

内含有列主元高斯消去法实现源代码，pdf原理详解，具体实现参考博客：https://blog.csdn.net/weixin_41788456/article/details/103222038