第2章 线性方程组的迭代法.pptVIP

2.1 迭代法的一般理论 为了研究线性方程组近似解的误差估计和迭代法的收敛性，我们需要对Rn(n维向量空间)中的向量或Rnxn中矩阵的“大小”引入一种度量，——向量和矩阵的范数。 向量和矩阵的范数 而在二维平面上，平面上任意一点P(x,y)到原点的距离用 表示。而平面上任意两点P1(x1,y1),P2(x2,y2)的距离用 表示。 推广到n维空间，则称为向量范数。 若|?|?1, 则矩阵?(D-L)-U 是严格对角占优矩阵, 这与 det(?(D-L)-U)=0矛盾, 所以|?|1,于是?(B)1. 注：二种方法都存在收敛性问题。 有例子表明：Gauss-Seidel法收敛时，Jacobi法可能不收敛；而Jacobi法收敛时， Gauss-Seidel法也可能不收敛。 2.4 逐次超松弛迭代法 记 则 可以看作在前一步上加一个修正量。若在修正量前乘以一个因子 ，有 对Gauss－Seidel迭代格式 (2.22) 故SOR的迭代格式 （2.23） SOR的迭代矩阵 用分量形式讨论，设 加速 （迭代公式） ?是松驰因子(0?2), 当0?1时叫低松弛，?1时叫超松弛， ?=1时，就是Gauss-Seidel迭代法。 程序见P28。 算法2.3（SOR迭代法）： 例 用SOR方法解线性方程组 解 SOR方法迭代公式为 方程组的精确解是x*=(2,1,-1)T. 取x(0)=(0,0,0)T,?=1.46,计算结果如下: 0 -0.2021098 -0-0.4952594 …… -1.0000034 0 0.8845882 0.4230939 0.6948261 …… 1.0000013 0 3.65 22.5661399 …… 1.9999987 0 1 2 3 … 20 x3(k) x2(k) x1(k) k 从结果可见 ,迭代20次时已获得精确到小数点后五位的近似解.如果取?=1.25,则需要迭代56次才能得到具有同样精度的近似解;如果取?=1,则需迭代110次以上. 2.4.2 SOR迭代法的收敛条件 迭代格式收敛??(B)1 。若‖B‖1?迭代法收敛. 对于SOR迭代，我们有一些收敛的结果. 定理2.10 SOR方法收敛的必要条件是0?2. 证 设SOR方法收敛, 则?(B?)1,所以|det(B?)| =|?1?2… ?n|1 而 det(B?) =det[(D-?L)-1 ((1-?)D+?U)] =det[(I-?D-1L)-1 ]det[(1-?)I+?D-1U)] =(1-?)n 于是 |1-?|1, 或 0?2 科大研究生学位课程 在一维数轴上，实轴上任意一点x到原点的距离用|x|表示。而任意两点x1，x2之间距离用| x1-x2 |表示。 2.1.1 向量和矩阵的范数 向量的范数 定义2.2 设‖?‖是向量空间Rn上的实值函数, 且满足条件: (1)非负性: 对任何向量x?Rn ,‖x‖?0 ,且‖x‖=0当 且仅当x=0 (2)齐次性: 对任何向量x ?Rn 和实数? , ‖?x‖=|? |‖x‖ (3)三角不等式: 对任何向量x ,y?Rn ‖x+y‖?‖x‖+‖y‖ 则称‖?‖为空间Rn上的范数,‖x‖为向量x的范数. 记x=(x1,x2,…,xn)T, 常用的向量范数有: 向量的1-范数:‖x‖1=|x1|+|x2|+…+|xn| 向量的2-范数:‖x‖2= 向量的?-范数:‖x‖?= 例 设向量x=(2,-4,3,1)T, 求向量范数‖x‖p ,p=1,2, ?. 解 由定义‖x‖1=10 , ‖x‖2= ,‖x‖?=4 . 虽然不同范数的值可能不同，但它们间存在等价关系. 定理 (范数的等价性) 对于 Rn 上的任何两种范数‖?‖?和‖?‖? ,存在正常数m,M,使得 m ‖x‖?? ‖x‖? ?M ‖x‖? ,? x?Rn 常用的三种向量范数满足如下等价关系 ‖x‖?? ‖x‖1 ? n‖x‖? ,? x?Rn 定义 设向量序列