八ppt线性方程组迭代法.ppt

第八章 线性方程组的迭代解法 Jacobi迭代法的算法 * 数值计算方法 数值计算方法 第二节 向量和矩阵的范数 第三节 迭代法的收敛性 第一节 基本迭代方法 一、基本思想 若方程组Ax = b可写成等价形式 x = Bx + f， (8-1) 则给定一个初始向量x(0)，可以得到迭代公式 x(k+1) = Bx(k) +f， k = 0，1，… (8-2) 若上式确定的向量序列{x(k)}收敛于x，则x显然是(8-1)的解，从而为方程组Ax = b的解。 形如(8-2)的逐次逼近的方法称为简单迭代法，B称为该迭代法的迭代矩阵。 §8.1 线性方程组迭代解法 2. 需要讨论的问题： 怎样建立迭代格式，迭代过程是否收敛，误差分析，如何加快收敛速度等等。 迭代法是一种逐次逼近的方法,与直接法(高斯消元法)比较, 具有: 程序简单,存储量小的优点。特别适用于求解系数矩阵为大型稀疏矩阵的方程组。 常用迭代方法： 雅可比迭代，高斯-赛德尔迭代，松弛迭代等。 二、Jacobi （雅可比）迭代法 建立迭代格式： 可以缩写为： 按此格式迭代求解的方法称为雅可比迭代法,简称J法。 例1 用雅可比迭代法解线性方程组 解 生成雅可比迭代格式： 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 从上表可以看出，迭代序列收敛于x*，若取x(12)作为近似解，则误差不超过 10-5 写成矩阵形式： B Jacobi 迭代阵，简记为BJ 三、Gauss – Seidel（高斯—塞德尔）迭代法 … … … … 写成矩阵形式： B Gauss-Seidel 迭代阵，简记为BGS Gauss-Seidel迭代法的分量形式为： 例2 分别给出以下线性方程组的Jacobi迭代格式和Gauss-Seidel迭代格式： 解 原方程等价于 上一页 下一页 返回 建立Jacobi迭代格式如下 建立Gauss-Seidel迭代格式如下 例3 用高斯-塞德尔迭代法求解例1中的方程组 建立Gauss-Seidel迭代格式 解 迭代8次可得 在本例中Gauss-Seidel迭代法比Jacobi迭代法收敛快。这个结论在多数情况下成立，但高斯-塞德尔的收敛更快是有条件的。 注：两种方法都存在收敛性问题。 有例子表明：Gauss-Seidel法收敛时，Jacobi法可能不收敛；而Jacobi法收敛时， Gauss-Seidel法也可能不收敛。 §8.2 向量和矩阵的范数 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，我们需要对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。 在一维数轴上，实轴上任意一点x到原点的距离用|x|表示。而任意两点x1，x2之间距离用 | x1-x2 |表示。 而在二维平面上，平面上任意一点P(x,y)到原点的距离用 表示。而平面上任意两点P1(x1,y1),P2(x2,y2)的距离用 表示。推广到n维空间，则称为向量范数。 定义8.2.1中的三个条件描述了向量范数的三个性质， 分别称为非负性、齐次性和三角不等式。 常见的向量范数 1-范数 2-范数 ∞-范数 矩阵范数 常见的矩阵范数 向量的收敛性 矩阵序列的收敛性 矩阵的谱半径和矩阵序列收敛性 迭代法收敛的充要条件: 定理 的收敛条件 一、一般迭代法 §8.3 线性方程组迭代法收敛条件 例6 设方程组的系数矩阵为 判别Jacobi迭代与Gauss-Seidel迭代是否收敛 。 解 Jacobi迭代矩阵为 所以，Jacobi迭代法发散。 高斯-塞德尔迭代矩阵为 所以，高斯-塞德尔迭代法收敛。 困 难：具体问题中， 很难计算。 定理 （充分条件）若存在某一个矩阵范数使得 || B || 1, 则迭代收敛，且有下列误差估计： ① ② 证明： ① ? ② ①