第二章解线性方程组的迭代法.ppt

解线性方程组的迭代法 迭代法的收敛性 Jacobi迭代 Jacobi迭代算法 练习 讨论用雅可比(Jacobi)迭代法求解下列线性方程 组的收敛性。若收敛，求其解；若发散，作适当 变换使其收敛并求解。 Gauss－Seidel迭代 Gauss-Siedel迭代算法 练习 用雅可比(Jacobi)迭代法和高斯－赛德尔(Gauss-Seidel) 迭代法求解线性方程组 ： 共轭梯度法 SOR方法收敛的快慢与松弛因子?的选择有密切关系.但是如何选取最佳松弛因子,即选取?=?*,使?(G?)达到最小,是一个尚未很好解决的问题.实际上可采用试算的方法来确定较好的松弛因子.经验上可取1.4?1.6. 当松弛因子?1时，称该算法为低松弛因子法； 当松弛因子?1时，称该算法为超松弛因子法； * 理学院 University of Shanghai for Science and Technology College of Science 上海理工大学 直接法得到的解是理论上准确的，但是它们的计算量都是n3数量级，存储量为n2量级，这在n比较小的时候还比较合适（n400），但是在很多实际问题中，我们要求解的方程组n很大，而系数矩阵中含有大量的0元素。对于这类的矩阵，在用直接法时就会耗费大量的时间和存储单元。因此我们有必要引入一类新的方法：迭代法。 迭代法是一种逐次逼近的方法，其基本思想是：使用某个固定的公式，对解的近似值进行反复校正，从而得到一个近似解序列，使之收敛于方程组的解。 迭代法具有算法简单、运算速度快的特点。但这种方法获得的是方程组解的近似值。 对方程组 做等价变换 从某一初值 x(0) 出发，我们可以构造序列 若 同时： 所以，序列收敛 与初值的选取无关 如令A=D-L-U，于是 x=D-1(L+U)x+D-1b, 定义5.1：设G为n阶方阵，若Gk?0，则称G为收敛矩阵 定理： 即矩阵G为收敛矩阵，当且仅当G的谱半径1 由 知，若有某种范数 则，迭代收敛 定理：迭代法X(m+1)=GX(m)+g 收敛的充分必要条件是迭代矩阵G为收敛矩阵，即G的谱半径 ?(G)1。 定理： 迭代法X(m+1)=GX(m)+g 的迭代矩阵G的某种范数 ||G||＝q1,那么： 1）对任意初值X(0)及g右端向量，迭代格式收敛于X*; 2) ||X(m) -X*||?qm ||X(1) –X(0)||/(1-q); 3) ||X(m) -X*||?q ||X(m) – X(m-1)||/( 1-q). 格式很简单： 1、输入系数矩阵A和向量b，和误差控制eps 2、x1={0,0,…..,0} , x2={1,1,…..,1} //赋初值 3、while( ||A*x2-b||eps) { x1=x2; for(i=0;i=n;i++) { x2[i]=0; for(j=0;ji;j++) { x2[i] += A[i][j]*x1[j] } for(j=i+1;jn;j++) { x2[i] += A[i][j]*x1[j] } x2[i]=-(x2[i]-b[i])/A[i][i] } } 4、输出解x2 迭代矩阵 记 Jacobi迭代法的收敛性 易知，Jacobi迭代有 G的谱半径?(G)=4.01971. Jacobi迭代不收敛。 迭代矩阵为 G的特征值为：?1=4.02408, ?2=-2.01204 ? 3.10115 i, ? ?1?=4.02408； ? ?2,3?=3.69668 将方程组变形，化为： G的谱半径?(G)= 0.308507 1.Jacobi迭代收敛。 此时迭代矩阵为 G的特征值分别为： 0.308507, - 0.154254 + 0.18304 i, -0.154254 - 0.18304 i 收敛条件 迭代格式收敛的充要条件是G的谱半径1。对于Jacobi迭代， 我们有一些保证收敛的充分条件 定理：若线性方程组AX=b的系数矩阵A满足下列条件之一，则Jacobi迭代收敛。 ① A为行对角占优阵 ② A为列对角占优阵 ③ A满足 ④ 若A对称正定阵，且2D-A也为对称正定阵，则Jacobi迭代