数值分析第二章重点.docVIP

消元法 对角型方程组：运算量O（n）；下三角形和上三角形：运算量O（n2）；高斯消元法：运算量O(n3) 多利特尔分解的运算量： 高斯消元法的局限性： 即使消元法可行，如果很小，运算过程中做分母，会导致其他元素数量级的严重增长和舍入误差的扩散。 列主消元法：将每一列的最大值调换到“主干”方程的位置。 直接分解法，将其化为下图所示的结构（注意两种分解法的区别） （1） L 为单位下三角阵而 U 为一般上三角阵的分解称为Doolittle 分解 （2） L 为一般下三角阵而 U 为单位上三角阵的分解称为Courant 分解。 多利特尔分解法： 先计算U的元素，后计算L的元素。即先求U 的第一行，然后求L的第一列；再求U的第二行，然后求L 的第二列；如此循环的计算下去，求出L和U。 附上例题和结果，大家算一算；书山也有例子（结果对与否，笔者没有计算） 增广矩阵可以一步到位？ 库朗分解法： 先计算L的元素，后计算U的元素。即先求L 的第一列，然后求U的第一行；再求L的第二列，然后求U的第二行；如此循环的计算下去，求出L和U。 追赶法就是上面两种方法的特例，这里不多介绍。 范数： 无穷范数：最大的元素，1范数：所有元素的绝对值之和；2范数：所有元素平方和再开方。 矩阵的范数： 列范数是列向量中每个元素绝对值之和最大的值；行范数是行向量中每个元素绝对值之和最大的值；2范数是矩阵A与A的转置的最大特征值的开方。 谱半径：矩阵A的最大特征值。（谱半径小于等于矩阵的任意范数） 条件数：（了解其定义，若计算的话，先求逆，2阶再求特征向量，无穷阶求行范数） 矩阵在下列情况下，方程组常是“病态”的 行列式很大或很小（如某些行、列近似相关）； 元素间相差大数量级，且无规则； 主元消去过程中出现小主元； 特征值相差大数量级。 雅可比迭代 将线性方程组中每一行化成一个x的形式，然后将给定是初值代入，得到的结果，作为下一步计算的初值，如此循环。 附上一个例题： 高斯—赛德尔迭代 在雅可比迭代的基础上，将最新的信息如：x1，x2等代入到下面的式子中。 下面将两种迭代的公式放在一起， 雅可比迭代 高斯—赛德尔迭代 雅可比迭代的收敛性，充要条件：ρ(M)1，由于特征值难以计算，ρ(M)≤||M||,可以用||M||≤1作为判断收敛的充分条件。 高斯—赛德尔迭代收敛的充要条件是： 这个地方是有可能出计算题的： 把上面的公式B看懂，求逆不要求错，然后计算出特征值，通过充要条件或充分条件判断。 附上例题： 如果收敛性出证明题，你会吗？看题。 本例中，矩阵的范数小于1可以由充分条件得收敛，如果范数大于1则不能判断，需计算出特征值来判断。这里明白了充要条件和充分条件没？没有的话，回头再看一遍。 下面补充几个定理，辅助判断是否收敛，上面的方法是关键，下面的能掌握就掌握。 这几个定理对矩阵有要求，不太通用，后面的两条貌似书上都砍掉了。 理解什么是严格对角占优（某个元素大于这一行或这一列所有元素的和） 回顾本章重点： 概念：范数、条件数、谱半径 多特利尔和库朗分解法，雅可比迭代和高斯—赛德尔迭代 多特利尔和库朗分解法的考法，一般是计算4阶左右的矩阵的分解，注意那个是上三角单位阵，那个是下三角单位阵；那个先算行，那个先算列。只要不算错，出这样的题应该拿下。 雅可比迭代： 1.用雅可比迭代解线性方程组。把雅可比迭代行列式写对，然后一步一步算了。 2.判定雅可比迭代的收敛性。充分条件，某种范数小于1，若大于1，接着算出特征值来判断。 高斯—赛德尔迭代： 用高斯—赛德尔迭代解线性方程组。 判定收敛性。 注意：雅可比迭代和高斯—赛德尔迭代的迭代矩阵是什么。就是上面的B，求特征值是求B的。 若出证明题，证明雅可比迭代或高斯迭代的收敛性，则先写出雅可比迭代或高斯迭代的矩阵，看矩阵的1范数是否小于1,。小于1，用充分条件证明收敛，若范数大于1，则求出其特征值，判断特征值的绝对值与1的关系，大于1不收敛，小于1收敛。