第六章线性方程组的直接解法.pptVIP

线性方程组的解法 第六章 线性方程组的直接解法 §1 Gauss消去法 顺序Gauss消去算法的实现 §1.3 计算实例 §1.4 进一步讨论 §1.5 列主元Gauss消去法 § 2 LU分解算法（Doolittle ） § 2.2 关于LU分解的说明 § 2.3 特殊矩阵的三角分解 § 3 向量范数和矩阵范数 § 3.2 矩阵范数 § 3.3 谱半径 § 4 矩阵的条件数和病态线性方程组 § 4.2 线性方程组的性态 3.4.3 病态线性方程组的解法 可以进行LU分解的充要条件。 由于LU分解的理论由Gauss消去过程得出，因此分解能够进行的条件与Gauss消去法一样： A有唯一LU分解 (2) 用LU分解算法解方程组的计算量和Gauss消去法相同，为 矩阵L可以存储在原矩阵的相应位置，且不影响计算，即 (3) 存储空间 算法如下： 设已完成A=LU的k-1步分解计算, 矩阵分解成 (4) 考虑列主元Gauss消去法如何转换为LU分解算法？ 则交换第j行和第k行！ 相当于取 为第k步分解的主元素。 思考：如何用之去解线性方程组 ？ 下面以一个例子说明。 若 例5 列主元高斯消去法对应的LU分解 解： (5) LU 分解算法可行的一个充分条件 定义 设 ，若 则称矩阵A按行（列）严格对角占优。 充分条件 若系数矩阵A按行（列）严格对角占优或是正定的，则可用Gauss消去算法或者LU分解算法进行求解。# 要证上述结论，只需证明如下引理： 引理：严格对角占优矩阵是非奇异矩阵！ LU分解也可以由下面等式得到 注: 对k=1,2,…,n,计算 (1) 三对角阵的追赶法 该矩阵可以存储为三个向量！ 分解过程： 求解过程： 计算量：2n-2 计算量：3n-2 (2) 对称正定阵的Cholesky分解算法 若A对称正定，则有下三角阵L，使得 只需存储下三角部分 对k=1,2,…,n，计算 计算量比Gauss消去法节省一半O(n3/6) —— Cholesky分解 返回 § 3.1 向量范数 定义: 设‖?‖是Rn上的实值函数,且满足条件: (1)非负性: ‖x‖?0 ,且‖x‖=0当且仅当x=0 (2)齐次性: ‖?x‖=|? |‖x‖, ??R (3)三角不等式:‖x±y‖?‖x‖+‖y‖ 则称‖? ‖为向量范数。 注：常用的另一个三角不等式‖x±y‖ ? |‖x‖-‖y‖| 。 可以证明下列向量范数： ——1-范数或列范数 ——2-范数或欧几里德范数 ——∞-范数或行范数 例 由定义可得： 以上范数都是如下p-范数的特例： 设 为 中的一向量序列， ，其中 定义:（向量序列收敛的定义） 如果 ， 则称 收敛于向量 ， 记为 定理: 在Rn中可以定义各种向量范数，它们都是等价的，即若在一种范数意义下向量序列收敛，则在任一范数意义下该向量序列仍然收敛。 当不需要指明使用哪一种向量范数时，就用记号‖?‖泛指任何一种向量范数。 注： 从而 (1)非负性: ‖A‖?0 ,且‖A‖=0当且仅当A=0； (2)齐次性: ‖?A‖=|? |‖A‖, ??R (3)三角不等式:‖A ± B‖?‖A‖+‖B‖ (4) 相容性:‖AB‖?‖A‖‖B‖ 则称‖? ‖为矩阵范数。 定义: 设‖?‖是 上的实值函数,且满足条件: 定义：给定向量范数‖?‖和矩阵范数‖?‖，若对任意 满足 则称给定矩阵范数和向量范数是相容的。 注：常用的另一个三角不等式‖A±B‖ ? |‖A‖-‖B‖|。 显然它和给定的向量范数是相容的，单位矩阵的算子范数等于1。 下面给出由向量范数诱导出矩阵范数的方法， 已知给定的向量范数‖?‖， ，令 则上式定义了一种矩阵范数，称之为算子范数。 从而由向量的p-范数可以定义矩阵的算子范数，仍记为 即 称之为矩阵的p-范数， 显然有 —— 相容性 注： 以后用到的矩阵范数，若不加特别说明都是算子范数！ 其中 可以证明 还有一种常见矩阵范数， —— F-范数(不是算子范数) 可以证明F-范数与向量范数2-范数是相容的! 注：当A为对称矩阵时， 。 注： 在Rn×n中定义的各种矩阵范数，都是等价的！ 例 求矩阵范数 解 定理 若 为 的任一特征值，则 。 证 #证毕 定义 为A的特征向量， ，即A的谱半径不超过A的任一矩阵范数。 若A为对称矩阵，则 。 注: 对F范数也成立 返回 则 为非奇异矩阵，且 设矩阵 的某种矩阵范数 § 4.1