第五章 线性方程组的迭代法.pptVIP

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, 有必要对向量及矩阵的“大小”引进 某种度量----范数的概念.向量范数是用来度量向量长度的,它可以看成是二、三维解析几何中向量长度概念的推广.用Rn表示n维实向量空间. 定义1 对任一向量X?Rn, 按照一定规则确定一个实 数与它对应, 该实数记为||X||, 若||X||满足下面三个 性质: (1) ||X||?0；||X||=0当且仅当X=0； (2) 对任意实数?， || ? X||=| ? | ||X||； 对任意向量Y?Rn，||X+Y|| ? ||X||+||Y|| 则称该实数||X||为向量X的范数. 在Rn中，常用的几种范数有： 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。 有了向量的范数就可以用它来衡量向量的大小和表示向量的误差。 设x*为Ax=b的精确解，x为其近似解，则其绝对误差可表示成||x- x* ||，其相对误差可表示成 定义3 （矩阵的范数）如果矩阵 的某个非负的实值函数 ，满足 1.299997 1.199998 1.099998 12 1.299991 1.199993 1.099993 11 … … … … 1.15 1.07 0.971 2 0.84 0.83 0.72 1 x3(k) x2(k) x1(k) k 取 x(0)=(0,0,0)T 计算结果如下： 解：Gauss-Seidel 迭代格式为 例4 用Gauss—Seidel 迭代法解上题. 取 x(0)=(0,0,0)T 计算结果如下： 1.3 1.199999 1.099998 8 … … … … 1.1644 0.902 0.72 1 x3(k) x2(k) x1(k) k 4 解大型稀疏线性方程组的逐次超松弛法(SOR方法) 我们取? 0为松弛因子，建立迭代格式如下 即 或改写为 称为逐次超松弛迭代法(Successive Over Relaxation Method), ，简称SOR方法. (1.14) (1) 显然，当?=1时即为Gauss—Seidel 迭代法. (2) SOR方法每迭代一次主要运算量是计算一次矩阵与向量的乘法. (3) 当?1时，称为超松弛法；当?1时，称为低松弛法. (4) 在计算机实现时可用 控制迭代终止，或用 控制迭代终止. SOR迭代法是Gauss—Seidel 迭代法的一种修正，可由下述思想得到. 设已知x(k)及已计算x(k+1)的分量xj(k+1) (j=1,2,?,i-1). (1) 首先用Gauss—Seidel 迭代法定义辅助量 , (2) 再由 与 加权平均定义 ，即 将(1.15)代入(1.16)得到解Ax=b的SOR迭代(1.13)式. 记笔记 5.2 向量和矩阵的范数 5.2 向量和矩阵的范数 基本概念: “范数”是对向量和矩阵的一种度量,实际上是二维和三维向量长度概念的一种推广. 数域:数的集合,对加法和乘法封闭 线性空间:可简化为向量的集合,对向量的加法和数量乘法封闭,也称为向量空间 二维向量和三维向量都可以度量其大小和长度。高维向量的长度能否定义呢? 其中x1,x2, …,xn分别是X的n个分量。以上定义的 范数分别称为1-范数，2-范数和?-范数 可以验证它们都是满足范数性质的，其中 是由内积导出的向量范数。 或 例1 证明对任意同维向量x , y 有 证： 即 例2 设x=(1, 0, -1, 2)T, 计算 解: =1+0+|-1|+2=4 定理1 对于任意向量x ,有 证: ∵ ∴ 即 当 p→∞， ∴ 定义2 ( 向量序列的极限 ) 设 为 中的 一向量序列， , 记 . 如果 (i =1,2,…, n)， 则称 收敛于向量 ，记为 定理2 （向量范数的等价性）设 为