第三章 线性方程组迭代法.ppt

结论： 1。Gauss-Seidel迭代法要迭代72次得 2．SOR迭代法( )，只须迭代72次得 如在例１中，若要求各分量的误差绝对值不超过 １０－４，则由 代入（3-7）得 所需迭代1３次才能保证各分量的误差绝对值不超过１０－４。 采用事后误差估计方法 -----用相邻两次迭代值之差作为达到精度标准。 收敛于ｘ＊，则有误差估计 更好的结论：设有迭代格式 等价的极值问题-----求解方程组两种方法 1、最速下降法；2、共轭梯度法 设x*方程组Ax=b的精确解， Ax*=b，若A是正定矩阵 仅当x= x*，二次函数 F0(x)=(x-x*)’A(x-x*)’=x’Ax-2b’x+(x*)’Ax* 达到极小值F0(x*)=0。 这里F0(x)与二次函数 F(x)=x’Ax-2b’x 仅差一个常数(x*)’Ax*，它们的极小值点是相同的， 所以解Ax*=b等价于求解二次函数F(x)的极小值点x*。 例、用共轭梯度法求解对称正定方程组 A=[3 -1 ;-1,1 ];b=[2 0]; [x,k]=getd(A,b) d = 0.2222 0.6667 d = 1.0e-015 * 0.0000 -0.1110 d = 1.0e-015 * -0.1110 -0.1110 x = 1.0000 1.0000 k = 3 % A=[2 -1 -1;-1 2 0;-1 0 1];b=[0 1 0]; [x,k]=getd(A,b) % d = 0.5000 0.2500 0 d = 0.2222 0.1111 0.3333 d = 1.0e-016 * 0.0000 0.0000 -0.5551 d = 1.0e-016 * -0.5551 0.0000 -0.5551 x = 1 1 1 k = 4 例、用共轭梯度法求解对称正定方程组 function [x,k]=getd(A,b,x0,ep,Nmax) %用共轭梯度法求解正定系数矩阵线性方程组AX=b %A为线性方程组的系数矩阵，正定对称，b为方程组的右端向量 %x为解向量，k为迭代次数，x0为迭代初值 %ep为精度，Nmax为迭代次数上限以防发散（默认值为500） n=length(A);k=0; if nargin5 Nmax=500;end if nargin4 ep=1e-10;end if nargin3 x0=zeros(n,1);end x=x0;x0=x+2*ep;r=b-A*x;d=r;k=0; while norm(x0-x,inf)epkNmax k=k+1;x0=x; alpha=(r*r)/(d*A*d);r1=r; s=alpha*d;x=x+s;r=r-A*s; beta=(r*r)/(r1*r1);d=r+beta*d end if k==Nmax warning(已迭代上限次数);end 思考与练习 1．若用Jacobi迭代法求解方程组 迭代收敛的充要条件是 讨论实数a与收敛性的关系。 2．若用Jacobi迭代法求解方程组 3．设有方程组 (1)分别写出Jacobi迭代法，Gauss-Seidel迭代法和SOR法 (2)对任意的初值，各迭代是否收敛？说明理由。 的计算公式及迭代矩阵。 4．设有方程组 试写出收敛的迭代式，并说明理由。 5．设有方程组 (2)用迭代收敛的充要条件给出使这两种 迭代法都收敛 的a的取值范围。 (1)分别写出Jacobi迭代法和Gauss-Seidel迭代法的计算公式。 6．分别用Jacobi迭代法和Gauss-Seidel 迭代法求解方程组 取初值 ，问迭代是否收敛？若收敛，需要迭代多少次， 才能保证各分量绝对误差小于 7.证明对称矩阵 当 为正定矩阵，且只有当 时，用Jacobi迭代法求解方程组Ax=b才收敛。 若迭代法收敛速度慢时，可通过校正、利用特征值外推和最小零偏差等方法加速收敛速度。 评注 迭代法是求解大型线性系统（特别是稀疏矩阵情形）的有效方法，具有存储空间小、程序简单等特点。 Jacobi法Gauss-Seidel法SOR法是基本的迭代方法，其理论形成于20世纪50年代。迭代法的收敛性与稀疏矩阵的特性仅仅相关，在计算中应选用收敛速度快的迭代法。 计算方法的选择与具体问题有关。 共轭梯度法与预处理技术相结合，会大大改善收敛速度，得到好结果。对于非