متلب (MATLAB) نام يکي از نرم‌افزارهاي رايانه‌اي براي انجام محاسبات رياضي است. واژهٔ متلب هم به معني محيط محاسبات رقمي و هم به معني خود زبان برنامه‌نويسي مربوطه‌است که از ترکيب دو واژهٔ MATrix (ماتريس) و LABoratory (آزمايشگاه) ايجاد شده‌است. اين نام حاکي از رويکرد ماتريس محور برنامه‌است، که در آن حتي اعداد منفرد هم به عنوان ماتريس در نظر گرفته مي‌شوند. کار کردن با ماتريس‌ها در متلب بسيار ساده است. در حقيقت تمام داده‌ها در متلب به شکل يک ماتريس ذخيره مي‌شوند.

گروه برنامه نويسي ايران مجموعه اي از کتابهايي که در زمينه متلب نوشته شده است را در اين صفحه د راختيار علاقه مندان قرار مي دهد.

چگونه برنامه هاي سريع در متلب بنويسيم

 

 

---

 

MATLAB Programming with Application for Engineers

Chapman

---

Basics of MATLAB and beyonf

Andrew Knight

---

آموزش کامل متلب از مقدماتی تا پیشرفته

این فایل PDF بسیار کاربردی و مناسب کسانی است که می خواهند متلب را از مقدماتی تا پیشرفته آموزش ببینند. در این PDF که توسط مرکز مهارت های پیشرفته استان گیلان تهیه شده است با مثال های متنوع و با رویکرد کابردی نرم افزار متلب آموزش داده شده است و شامل مباحث زیر می باشد:

• شروع کار با متلب و تعریف های اولیه
• معرفی دستورات و ماتریس های خاص در متلب
• حل دستگاه معادلات در متلب
• روش های رسم نمودار های مختلف (پیوسته، گسسته و نمودار های گرافیکی) در متلب
• رسم رویه ها و اشکال حجم دار در متلب
• رسم Biograph در متلب
• انواع تبدیل مختصات به یک دیگر در متلب
• محاسبه میانگین و انحراف معیار در متلب
• محاسبات و عملیات ریاضی (کار با چند جمله ای ها و یافتن ریشه های یک چند جمله ای)
• سری و تبدیل فوریه پیوسته و گسسته در متلب
• سیمولینک (simulink)
• کنترل خطی در متلب
• واسط گرافیکی در متلب (GUI)
• پردازش تصویر
• مخابرات و انواع مدولاسیون در متلب
• تکنیک های بهینه سازی (optimization)
• شبکه عصبی در متلب

لینک دانلود

---

چگونه برنامه های المان محدود در متلب بنویسیم ؟

کدهای اماده المان محدود در متلب

لینک دانلود

---

کتاب مقدمه ای بر المان محدود

المان محدود به زبان ساده

لینک دانلود

---

مجموعه فايل‌هاي پيوست، شامل جزوه‌ي درسي كلاس متلب (MATLAB) تخصصي در جهاد دانشگاهي اميركبير با عنوان شبكه‌هاي عصبي-فازي-ژنتيك الگوريتم است كه در 30 ساعت و در 5/7 جلسه توسط محمد فتحي تدريس مي‌گردد. هر قسمت اين مجموعه فايل‌ها، تقريبا بخشي از محتواي اصلي دو جلسه‌ي كلاس را در بر مي‌گيرد.

بخش شبكه‌هاي عصبي:

در جلسه اول، نمادها و مفاهيم اوليه شبكه عصبي با متلب شرح داده مي‌شود. در جلسه دوم، نحوه‌ي تخمين يك سيستم يك ورودي- يك خروجي و چند ورودي-چند خروجي با جعبه‌ابزار شبكه عصبي بصورت تئوري و عملي از طريق كدنويسي بحث و در جلسه سوم، GUI شبكه عصبي بهمراه داده‌هاي همزمان، ترتيبي و شبكه‌هاي ويژه بيان مي‌گردد. مباحث كنترل شبكه‌هاي عصبي بايد در جلسه اضافه‌تري بحث شود كه معمولا با توجه به رشته‌ي دانشجويان حذف مي‌گردد اما در فايل‌هاي پيوست با دو مثال آمده است.

بخش شبكه‌هاي فازي:

در جلسه چهارم در مورد جعبه‌ابزار فازي صحبت مي‌شود و مقدمات فازي و تئوري آن شرح داده مي‌شود. مثال انعام كارگر رستوران‌دار از طريق روش ممداني از طريق كدنويسي و همچنين GUI متلب نيز در همين جلسه ارائه مي‌گردد. در جلسه‌ي پنجم نيز با مثال عملي آونگ معكوس دنبال مي‌شود و روش ممداني و كاربرد آن تكميل مي‌گردد. روش سوگنو و كنترل با فازي نيز معمولا حذف مي‌گردد و در كلاس‌ها بحث نمي‌شود اما در آينده كدهاي آن را در همين مجموعه فايل قرار داده و به روز خواهم نمود.

بخش ژنيتك الگوريتم:

در جلسه ششم، يك مثال ژنتيك الگوريتم بصورت دستي جهت بهينه‌سازي حل مي‌گردد و تئوري آن شرح داده مي‌شود و سپس در مورد توانمندي جعبه‌ابزار بهينه‌سازي و بخصوص ژنتيك الگوريتم بحث و بررسي مي‌شود. در جلسه هفتم، موضوع ژنتيك الگوريتم ادامه پيدا مي‌نمايد و مباحث بهينه‌سازي چند تابعي با ژنتيك دنبال مي‌گردد (يك جزوه از آقاي علي زنگنه نيز كه بصورت رايگان در اينترنت وجود دارد دقيقا بدون كم و كاست در مجموعه فايل‌ها وجود دارد). موضوع كنترل با ژنتيك نيز مانند بخش‌هاي قبلي معمولا حذف مي‌شود اما در آينده كدهاي آن را در همين مجموعه فايل قرار داده و به روز خواهم نمود.

لینک دانلود

---

APPLIED NUMERICAL METHODS USING MATLAB

محاسبات عددی کاربردی با متلب

1.1 Basic Operations of MATLAB / 1
1.1.1 Input/Output of Data from MATLAB Command
Window / 2
1.1.2 Input/Output of Data Through Files / 2
1.1.3 Input/Output of Data Using Keyboard / 4
1.1.4 2-D Graphic Input/Output / 5
1.1.5 3-D Graphic Output / 10
1.1.6 Mathematical Functions / 10
1.1.7 Operations on Vectors and Matrices / 15
1.1.8 Random Number Generators / 22
1.1.9 Flow Control / 24
1.2 Computer Errors Versus Human Mistakes / 27
1.2.1 IEEE 64-bit Floating-Point Number Representation / 28
1.2.2 Various Kinds of Computing Errors / 31
1.2.3 Absolute/Relative Computing Errors / 33
1.2.4 Error Propagation / 33
1.2.5 Tips for Avoiding Large Errors / 34
1.3 Toward Good Program / 37
1.3.1 Nested Computing for Computational Efficiency / 37
1.3.2 Vector Operation Versus Loop Iteration / 39
1.3.3 Iterative Routine Versus Nested Routine / 40
1.3.4 To Avoid Runtime Error / 40
1.3.5 Parameter Sharing via Global Variables / 44
1.3.6 Parameter Passing Through Varargin / 45
1.3.7 Adaptive Input Argument List / 46

2 System of Linear Equations 71
2.1 Solution for a System of Linear Equations / 72
2.1.1 The Nonsingular Case (M = N) / 72
2.1.2 The Underdetermined Case (M <N): Minimum-Norm
Solution / 72
2.1.3 The Overdetermined Case (M >N): Least-Squares Error
Solution / 75
2.1.4 RLSE (Recursive Least-Squares Estimation) / 76
2.2 Solving a System of Linear Equations / 79
2.2.1 Gauss Elimination / 79
2.2.2 Partial Pivoting / 81
2.2.3 Gauss–Jordan Elimination / 89
2.3 Inverse Matrix / 92
2.4 Decomposition (Factorization) / 92
2.4.1 LU Decomposition (Factorization):
Triangularization / 92
2.4.2 Other Decomposition (Factorization): Cholesky, QR,
and SVD / 97
2.5 Iterative Methods to Solve Equations / 98
2.5.1 Jacobi Iteration / 98
2.5.2 Gauss–Seidel Iteration / 100
2.5.3 The Convergence of Jacobi and Gauss–Seidel
Iterations / 103
Problems / 104

Interpolation and Curve Fitting 117
3.1 Interpolation by Lagrange Polynomial / 117
3.2 Interpolation by Newton Polynomial / 119
3.3 Approximation by Chebyshev Polynomial / 124
3.4 Pade Approximation by Rational Function / 129
3.5 Interpolation by Cubic Spline / 133
3.6 Hermite Interpolating Polynomial / 139
3.7 Two-dimensional Interpolation / 141
3.8 Curve Fitting / 143
3.8.1 Straight Line Fit: A Polynomial Function of First
Degree / 144
3.8.2 Polynomial Curve Fit: A Polynomial Function of Higher
Degree / 145
3.8.3 Exponential Curve Fit and Other Functions / 149
3.9 Fourier Transform / 150
3.9.1 FFT Versus DFT / 151
3.9.2 Physical Meaning of DFT / 152
3.9.3 Interpolation by Using DFS / 155

Nonlinear Equations 179
4.1 Iterative Method Toward Fixed Point / 179
4.2 Bisection Method / 183
4.3 False Position or Regula Falsi Method / 185
4.4 Newton(–Raphson) Method / 186
4.5 Secant Method / 189
4.6 Newton Method for a System of Nonlinear Equations / 191
4.7 Symbolic Solution for Equations / 193
4.8 A Real-World Problem / 194

5 Numerical Differentiation/Integration 209
5.1 Difference Approximation for First Derivative / 209
5.2 Approximation Error of First Derivative / 211
5.3 Difference Approximation for Second and Higher
Derivative / 216
5.4 Interpolating Polynomial and Numerical Differential / 220
5.5 Numerical Integration and Quadrature / 222
5.6 Trapezoidal Method and Simpson Method / 226
5.7 Recursive Rule and Romberg Integration / 228
5.8 Adaptive Quadrature / 231
5.9 Gauss Quadrature / 234
5.9.1 Gauss–Legendre Integration / 235
5.9.2 Gauss–Hermite Integration / 238
5.9.3 Gauss–Laguerre Integration / 239
5.9.4 Gauss–Chebyshev Integration / 240
5.10 Double Integral / 241
Problems / 244

6 Ordinary Differential Equations 263
6.1 Euler’s Method / 263
6.2 Heun’s Method: Trapezoidal Method / 266
6.3 Runge–Kutta Method / 267
6.4 Predictor–Corrector Method / 269
6.4.1 Adams–Bashforth–Moulton Method / 269
6.4.2 Hamming Method / 273
6.4.3 Comparison of Methods / 274
6.5 Vector Differential Equations / 277
6.5.1 State Equation / 277
6.5.2 Discretization of LTI State Equation / 281
6.5.3 High-Order Differential Equation to State Equation / 283
6.5.4 Stiff Equation / 284

6.6 Boundary Value Problem (BVP) / 287
6.6.1 Shooting Method / 287
6.6.2 Finite Difference Method / 290
Problems / 293
7 Optimization 321
7.1 Unconstrained Optimization [L-2, Chapter 7] / 321
7.1.1 Golden Search Method / 321
7.1.2 Quadratic Approximation Method / 323
7.1.3 Nelder–Mead Method [W-8] / 325
7.1.4 Steepest Descent Method / 328
7.1.5 Newton Method / 330
7.1.6 Conjugate Gradient Method / 332
7.1.7 Simulated Annealing Method [W-7] / 334
7.1.8 Genetic Algorithm [W-7] / 338
7.2 Constrained Optimization [L-2, Chapter 10] / 343
7.2.1 Lagrange Multiplier Method / 343
7.2.2 Penalty Function Method / 346
7.3 MATLAB Built-In Routines for Optimization / 350
7.3.1 Unconstrained Optimization / 350
7.3.2 Constrained Optimization / 352
7.3.3 Linear Programming (LP) / 355
Problems / 357

8 Matrices and Eigenvalues 371
8.1 Eigenvalues and Eigenvectors / 371
8.2 Similarity Transformation and Diagonalization / 373
8.3 Power Method / 378
8.3.1 Scaled Power Method / 378
8.3.2 Inverse Power Method / 380
8.3.3 Shifted Inverse Power Method / 380
8.4 Jacobi Method / 381
8.5 Physical Meaning of Eigenvalues/Eigenvectors / 385
8.6 Eigenvalue Equations / 389
Problems / 390

9 Partial Differential Equations 401
9.1 Elliptic PDE / 402
9.2 Parabolic PDE / 406
9.2.1 The Explicit Forward Euler Method / 406
9.2.2 The Implicit Backward Euler Method / 407

9.2.3 The Crank–Nicholson Method / 409
9.2.4 Two-Dimensional Parabolic PDE / 412
9.3 Hyperbolic PDE / 414
9.3.1 The Explicit Central Difference Method / 415
9.3.2 Two-Dimensional Hyperbolic PDE / 417
9.4 Finite Element Method (FEM) for solving PDE / 420
9.5 GUI of MATLAB for Solving PDEs: PDETOOL / 429
9.5.1 Basic PDEs Solvable by PDETOOL / 430
9.5.2 The Usage of PDETOOL / 431
9.5.3 Examples of Using PDETOOL to Solve PDEs / 435
Problems / 444

لینک دانلود