计算方法线性方程组的直接解法概述.ppt

*/109 定理：设Ax = b，若A按行严格对角占优，则对于任意的x(0)，J-迭代、S迭代均收敛。 证明：(2) BS = -(D + L)-1R ——欲证?(BS) 1 因为：?I – BS = ?I + (D + L)-1R = (D + L)-1[?(D + L) + R] 所以：0 = | ?I – BS | = | (D + L)-1| | ?(D + L) + R | ? | ?(D + L) + R | = 0 令： 有| G | = 0 . 若| ? | ? 1，则 ，i = 1，2，...，n ?G严格对角占优 ? G可逆 矛盾 */109 注：若将方程组经初等变换化为同解方程组，使其系数矩阵严格对角占优，则可使迭代法收敛 —— p216例 定理：若A正定，则S-迭代收敛 若2D–A也正定，则J-迭代收敛，否则J-迭代不收敛 */109 §2.5 逐次超松弛迭代法和块迭代法 1. 逐次超松弛迭代法 使用迭代法的困难是计算量难以估计，有些方程组的迭代格式虽然收敛，但收敛速度慢而使计算量变得很大。 逐次超松弛迭代法(Successive Over Relaxation Method,简写为SOR)可以看作带参数ω的高斯-塞德尔迭代法，是G-S方法的一种修正或加速.是求解大型稀疏矩阵方程组的有效方法之一. 这种方法将前一步的结果xi(k)与高斯―赛得尔方法的迭代值 适当进行线性组合，以构成一个收敛速度较快的近似解序列。 */109 1. 逐次超松弛迭代法 其思想是：先用Seidel迭代算式的分量形式定义一个辅助量 将它与xi(k)的加权平均作为xi(k+1)，即 */109 1. 逐次超松弛迭代法 所以 (4.7) 这种加速法就是SOR迭代法。其中系数? 称为松驰因子。 可以证明，要保证迭代格式(4.7)收敛必须要求 0 ? 2 当? = 1时，即为Seidel迭代法，当0 ? 1时，称为低松弛迭代公式，? 1时，称为超松弛迭代公式。 SOR迭代法的矩阵形式为： x(k+1) = B?x(k) + h? 其中 B? = (I –?L)-1((1 – ?)I + B?R)，h? = ?(I –?L)-1b */109 SOR迭代算法： 其中 B = (I –?L)-1((1 – ?)I + BR)，g = ?(I –?L)-1b 输入矩阵A，向量b，初值x0，eps，w 计算D，L，R 计算B，g 计算x1 = B*x0+g while norm(x1-x0,inf) eps x0 = x1 k = k + 1 x1 = B*x0+g 输出k，x1 */109 例：利用SOR方法解方程组 (1) 其准确解为x* = {1，1，2}. 建立与式(1)相等价的形式： (2) 据此建立迭代公式 */109 建立与式(1)相等价的形式： (2) 据此建立迭代公式： (3) */109 Seidel迭代格式： SOR迭代格式： */109 Matlab代码： A=[4 -2 -1; -2 4 -2; -1 -2 3]; b = [0; -2; 3]; w=1.5; D0 = diag(A); D = diag(D0); R = triu(A,1); L = tril(A,-1); BS =- inv(D + L)*R;gs = inv(D + L)*b; Bw = inv(D + w*L)*((1-w)*D - w*R); g = w*inv(D + w*L)*b; norm(Bw, inf) x0 = [1 1 1]; x1 = Bw*x0 + g; k = 1; while norm(x1-x0,inf)0.0001 x0 = x1; k = k + 1 x1 = Bw*x0 + g end */109 利用SOR算法，取迭代初值x = (1，1，1)T，ω= 1.5， GS迭代法须迭代58次得到准确值x*={1, 1, 2};而SOR方法只须22次即得准确值.由此可见，适当地选择松弛因子ω，SOR法具有明显的加速收敛效果. 松驰因子的选取对迭代格式的收敛速度影响极大。实际计算时，可以根据系数矩阵的性质，结合经验通过反复计算来确定松驰因子?。 */109 2. 块迭代法 设矩阵A可以写成分块的形式： 其