数值分析第一次程序题.docxVIP

数值分析第一次程序题题目：病态线性方程组的求解理论分析表明，数值求解病态线性方程组很困难。考虑求解如下的线性方程组的求解Hx = b，期中H是Hilbert矩阵，，，i，j = 1,2，…，n估计矩阵的2-条件数和阶数的关系对不同的n，取，分别用Gauss消去，Jacobi迭代，Gauss-seidel迭代，SOR迭代和共轭梯度法求解，比较结果。结合计算结果，试讨论病态线性方程组的求解。解答过程1.估计矩阵的2-条件数和阶数的关系矩阵的2-条件数定义为：，将Hilbert矩阵带入有：调用cond(H)函数对其进行计算，取阶数n = 500，可得从1阶到500阶的2-条件数，以五位有效数字输出，其中前10项见表1。表1. 前十阶Hilbert矩阵的2-条件数阶数123452-条件数119.281524.061.5514e+0044.7661e+005阶数6789102-条件数1.4951e+0074.7537e+0081.5258e+0104.9315e+0111.6025e+013从表1可以看出，随着阶数每递增1，Hilbert矩阵的2-条件数都至少增加一个数量级，但难以观察出明显的相依规律。故考虑将这些数据点绘制在以n为横轴、Cond(H)2为纵轴的对数坐标系中，生成结果如图1。 图1.不同阶数(前50阶)下Hilbert矩阵的2-条件数分布图2.不同阶数(前500阶)下Hilbert矩阵的2-条件数分布由图可见，当维数较小时，在y-对数坐标系中cond(H)与n有良好的线性关系；但n超过12后，线性趋势开始波动，n超过14后更是几乎一直趋于平稳。当n较大时，H矩阵已经接近奇异，计算结果可能是不准确的。通过查阅相关资料，我找到了造成这种现象的原因：在matlab中，用inv函数求条件数过大的矩阵的逆矩阵将是不可靠的。而调用系统自带的专门对Hilbert矩阵求逆的invhilb(n)函数则不存在这个问题，但当n大于200时仍然无法计算出现Inf的提示，生成结果如图3。图3. 修正后的不同阶数(前200阶)下Hilbert矩阵的2-条件数分布简便起见，取n不大于200的项进行线性拟合，结果如图4。图4 200阶Hilbert矩阵2-条件数的线性拟合由拟合结果知，Cond(H)与n的关系为：Log(cond(H)) = 3.5191n - 5.0634 其线性相关系数r=1，可见二者具有较好的线性关系。这就是对Hilbert矩阵的-2条件数与其阶数n的关系估计。可见Hilbert矩阵的2-条件数会随其阶数n的增加呈指数增大趋势，因此当n较大时Hilbert矩阵将是严重病态的，甚至导致matlab中inv求逆运算失真。2.对不同的n，采用各种方法求解方程首先对几种算法作简要说明：a、matlab算法采用分量形式进行计算，以避免矩阵求逆计算所带来的误差b、除Jacobi迭代以外不设迭代次数上限，因为GS法与SOR法均可收敛c、SOR函数中自动寻找最优松弛因子，然后以最优因子进行求解d、迭代法设定终止计算精度为，本实验中误差定义为b-H*x的模，所得计算结果以16位有效数字输出e、分别取n = 2,5,10,20,50，对计算结果进行比较，进行比较的内容有：迭代次数和迭代结果x与真值x*差的最大值即(x-x*)的无穷范数具体内容详见表2~表6。表2. n=2的计算结果求解方法迭代矩阵谱半径p；是否收敛迭代次数N解向量x误差eGAUSS消元——1.0000000000000000.9999999999999995.551115123125783e-016Jacobi迭代0.866025403784439收敛1640.999999999943112 0.9999999999431115.688938209402750e-011GS迭代0.75收敛741.000000000378829 0.9999999994317575.682433412701471e-010SOR迭代0.35（）收敛701.000000000322447 0.9999999992900287.099717480585355e-010CG迭代—收敛21.000000000000003 1.0000000000000024.325892909233043e-015从表2可看出，n=2时，四种迭代法都能够收敛，迭代次数最大为e+2量级（J法），最小仅要2次（CG法），并且五种解法都能给出非常精确的结果，最大误差为e-10量级（GS法）。表3 n=5的计算结果求解方法迭代矩阵谱半径p；是否收敛迭代次数N解向量x误差eGAUSS消元——0.999999999999992 1.000000000000002 1.000000000000387 0.99999999999899