第三章线性方程组迭代法说课.pptVIP

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 nargin 5 Nmax 500;end if nargin 4 ep 1e-10;end if nargin 3 x0 zeros n,1 ;end x x0;x0 x+2*ep;r b-A*x;d r;k 0; while norm x0-x,inf epk Nmax 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。对于非对称矩阵，将作一些推广，如：方程残量法、共轭残量法、不完全分解预优共轭梯度法和SSOR-CG法等。 对于大型稀疏矩阵，某些迭代法是很有效，但仍在发展中，因为他们的收敛性问题还没有完全解决。 [注]： 1.Jacobi迭代法收敛，迭代法不一定收敛；