数值方法第四章课程介绍.ppt

A的各阶顺序主子式均不为零，即 Doolittle分解 Doolittle分解 Doolittle分解 Doolittle分解 Doolittle分解 Doolittle分解 例题 例题 例题 例题 例题 Doolittle分解 2.3 解三对角线方程组的追赶法 追赶法 追赶法 追赶法 2.4 平方根法 A对称：AT=A A正定：A的各阶顺序主子式均大于零。即 由Doolittle分解，A有唯一分解 Cholesky分解法缺点及优点 优点：可以减少存储单元。 缺点：存在开方运算，可能会出现根号下负数。 例题 例题 例题 例题 例题 A=LDLT分解，既适合于解对称正定方程组，也适合求解A为对称，而各阶顺序主子式不为零的方程组 而对A=LLT只适合于对称正定方程组 课堂练习 用LDLT解方程组 解 于是，Ax=b ? LDLTx = b.解方程组有： §3 向量与矩阵的范数 用直接方法解n阶线性方程组Ax=b，由于原始数据A、b的误差及计算过程中的舍入误差，一般得不到方程的精确解，往往得到它的近似解 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，需要引入向量及矩阵的范数。 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 3.1向量的范数 注：定义中的规则十分重要 若定义‖x‖=x1 + x2+…+xn,就构不成范数，因为 由‖x‖=0不能推出x≠0。 例如，x=（1，-1，0）， 显然，‖x‖=0，但是，x≠0。 在数值计算中，常用的向量范数有三种 设 ，规定 3.2 矩阵的范数 相容范数 算子范数 算子范数 常见的矩阵范数 例题 §4 解线性方程组的迭代法 解线性方程组迭代法概述 解线性方程组迭代法概述 解线性方程组迭代法概述 解线性方程组迭代法概述 4.1 Jacobi迭代法 Jacobi迭代法 Jacobi迭代法的矩阵形式 Jacobi迭代法 例题 例题 Jacobi迭代法的算法 4.2 Gauss-Seidel迭代法(高斯-赛德尔) Gauss-Seidel迭代法 Gauss-Seidel迭代法的算法 4.3 迭代法收敛条件与误差估计 例题 只要发现迭代矩阵B的某种算子范数小于1，就可以断定该迭代过程对任给的初始向量都收敛于方程组唯一解 Jacobi法迭代收敛 收敛的判别条件 收敛的判别条件 收敛的判别条件 收敛的判别条件 定理5、6、7给出都是迭代法收敛的充分条件 如果不满足定理中的条件，就不能断定迭代过程是否收敛 下面给出迭代收敛的充分必要条件 线性方程组迭代法收敛条件 迭代法的收敛条件 例题 例题 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-赛德 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。 设方程组AX=b, 其中，A=(aij) 为非奇异阵， x=(x1, x2, …, xn)T, b=(b1, b2, …, bn)T. 假设已算出 x(k) ， 关于SOR方法的说明： 显然，当 时，SOR方法就是Gauss- Seidel方法。 SOR 方法每一次迭代的主要运算量是计算一次矩阵与向量的乘法。 时称为超松弛方法， 时称为低松弛方法。 计算机实现时可用 控制迭代终止，或用 SOR方法可以看成是Gauss-Seidel方法的一种修正。 病态方程组与扰动方程组的误差分析 病态方程组与扰动方程组的误差分析 病态方程组与扰动方程组的误差分析 病态方程组与扰动方程组的误差分析 扰动方程组的误差界 矩阵的条件数 矩阵的条件数的性质 §4.3 迭代法收敛条件与误差估计 误差向量与残余向量 设x为线性方程组Ax=b的准确解，用数值算法得到的近似解为x*，则称向量e=x*-x为误差向量。 显然，|| e ||可以表示近似解x*的准确程度：|| e ||越小，近似解x*越准确。 但由于x不知道，所以无法计算e。 变通的办法是考虑残余向量：r=b–Ax*的范数的大小。 但是，在某些情况下，尽管|| r ||很小，|| e ||也可能很大。 例 线性方程组 的准确解是(1，1)T，若用某种方法得到计算解(2.000，0.500)，则残余向量 其?-范数|| r || = 0.0015，而误差向量 其?-