计算方法_线性方程组迭代解法1解读.pptVIP

3.1 向量和矩阵的范数Norms of Vectors and Matrices 矩阵的范数 3.2 常用的迭代格式 Gauss-seidel迭代法 松弛法 3.3 迭代法的收敛性和误差估计 3.4 判别收敛的几个常用条件 3.5 收敛速率 * * 线性方程组迭代解法 Iterative Techniques for Solving Linear Systems (2.1) 迭代法：不是用有限步运算求精确解，通过迭代产生近似解逼近精确解。——Jacobi迭代,Gauss -Seidel迭代 思路：构造一个向量序列{X(n)}，使其收敛在某个极限向量X*，而X*就是(2.1)式的准确解。 如何构造迭代序列{X(n)}? {X(n)}在什么条件下收敛? 收敛速率如何? 误差估计. 数值分析中,经常要用向量和矩阵,为了应用的需要(误差分析), 引入衡量向量和矩阵大小的度量——范数. 对于实数x∈R,我们定义了绝对值,满足 |x|≥0 非负性 |αx|=|α|·|x| 齐次性 |x+y|≤|x|+|y| 三角不等式 类似地,定义向量范数 Def3.1 在实n维线性空间Rn中定义一个映射,它使任意X∈ Rn 有一个非负实数与之对应,记为||X||,且该映射满足: 正定性 任意X∈Rn,||X||≥0,if and only if X=0时, ||X|| =0 齐次性 任意X∈Rn, λ∈R,有 ||λX||=|λ|·||X|| 三角不等式 任意X,Y∈ Rn,有 ||X+Y||≤||X|| + ||Y|| 则称该映射在Rn中定义了一个向量范数. 注: Rn中的范数不唯一. 常用的范数有三种: 设X=(x1, x2,…, xn)T∈Rn.则 注: (1) 用范数的定义可验证上述皆为向量范数 (2) p=1,2, ||X||p 即为 ||X||1 ,||X||2. (3) 任意x∈Rn: 定理3.2 设||?||α和||?||β是Rn上任意两种范数，则存在正常数C1和C2，使得对一切X∈ Rn 有 C1||X||α?||X||β ? C2||X||α 注: Rn中范数的等价性表明,虽范数值不同,但考虑到向量序列收敛性时,却有明显的一致性. Def3.3 Rn中X＝(x1, x2,…, xn)T和Y＝(y1, y2,…, yn)T则有 有解 (x1, x2, x3)T＝(1,1,1)T，用Gauss消去法得到近似解 Def3.4 Rn中的向量序列{X(k)}, 即X0, X1,… XK,…其中XK＝(x1(k), x2(k),…, xn(k))T.若对任意i（i=1,2,…,n）都有 注：向量序列收敛实际上是按分量收敛（数列收敛） 利用向量范数，也可以说明向量序列收敛的概念。 定理3.5 向量序列{X(k)}依分量收敛于X* 的充要条件是 则向量X*＝(x1*, x2*,…, xn*)T称为{X(k)}的极限，记做 类似于向量范数，给出矩阵范数的定义。 Def3.6 在线性空间Rn×n中定义一个映射，使任意A∈Rn×n对应一个非负实数，记做|| A ||.如果该映射满足： 1.正定性： （4.是矩阵乘法的需要，而1. 2. 3.为向量范数的推广。） 2.齐次性： 3.三角不等性： 4.相容性： 在Rn×n中可定义多种范数。 例1 A=(aij)n×n∈Rn×n 称为frobenius范数 简单迭代法（Jacobi 迭代） (3.1) 设有方程组 用矩阵表示 (3.1’) 其中A是系数矩阵，非奇异，X是解向量，B是右端项。 (3.2) (3.3) 若令 则有 B=D-1(D-A)=I- D-1A, G= D-1B 方程(3.3)可记为 X=BX+G 方程(3.3)可记为 X=BX+G 选取初始向量X0＝(x10, x20,…, xn0)T，代入方程(3.3)右端，可得到一个新向量，记为X1＝(x11, x21,…, xn1)T，一直进行下去，迭代格式 X(n+1)=BX (n) +G n=0,1,2,… 以上过程产生向量序列{X (k)},若收敛于X* ，则有 X*=BX*+G (I-B)X*=G=