第五章 线性方程组的解法.pptVIP

第五章　线性方程组的解法 问题的提出：　 在自然科学与工程技术中，很多问题的解决常常归结为求解线性方程组，如电学中的网络问题，机械和建筑结构的设计和计算等，因此利用计算机求解线性方程组就成为一个非常重要的问题。 已知n阶线性代数方程组 克莱姆法则 　　 对线性方程组一般的传统解法是用克莱姆法则——即由其系数求方程组解的表达式。 　　　其中Dj是把系数行列式D中第j列的元素用方程组右端b的对应元素代替后得到的n阶行列式。 第一节 线性方程组的直接解法 直接法是指在没有舍入误差的假设下，经过有限步运算求得方程组的精确解的方法。由于在实际计算中由于舍入误差的存在和影响，这种方法求的也是方程组的近似解。 本章主要介绍高斯消去法，三角分解法，平方根法等。 三角形方程组 一般来说，形如下面三种形式的线性方程组较容易求解： 顺序高斯消去法 这种方法是我们熟悉的古老、简单而有效的解方程组的方法。下面我们举一个简单的例子来说明这一方法的求解步骤： 列主元素高斯消去法 如果在一列中选取绝对值最大的元素作 为主元素，并把它所在行与第 k 行对换以后 再进行消元，这种方法称为列主元素高斯消 去法。这里调换方程组的次序是为了使运算 中做分母量的绝对值尽量地大，减少舍入误 差的影响。 直接三角分解法 基本的三角分解法（Doolittle法） 克洛特分解法（Crout 法） 与 Doolittle 分解方法类似，这种方法也是采用三角分解的方法求解线性方程组，所不同的就是 A = LU 中U 为单位上三角阵而 L 为下三角阵。 讨论 追赶法 考虑下列形式的方程组： 第二节 向量和矩阵的范数 为了描述用计算机求解线性代数方程组时产生的舍入误差的影响，对误差的大小进行估计，所以引入描述向量和矩阵的范数概念。 雅可比迭代法 高斯-塞德尔（Gauss-Seidel）迭代法 　试用高斯消去法，列主元消去法解此方程组（计算取4位小数）并比较计算结果。 任意取初始向量 ， 用上面的方法就可以得到迭代向量序列 。 一般情况下雅可比迭代法的分量形式： 下面推导雅可比方法的迭代矩阵 设A=L+D+U 由Ax=(L+D+U)x=b，得等价方程： Dx=-(L+U)x+b 即 x=-D-1(L+U)x+D-1b 改写为迭代形式x(k+1)=D-1(L+U)x(k)+D-1b 对照公式得 GJ= -D-1(L+U) dJ = D-1b 其中： 例：用雅可比方法解下列方程组： 解：方程的迭代格式： 或 收敛性判断 因为||M||1=0.7，所以雅可比迭代收敛。 0.009687 1.00049 2.00197 -0.997543 7 0.01387 1.0026 2.00231 -1.00722 6 0.05695 0.99711 1.98844 -1.01445 5 0.0816 0.9847 1.9864 -0.9575 4 0.335 1.017 2.068 -0.915 3 0.48 1.09 2.08 -1.25 2 2.5 0.9 1.6 -1.5 1 1 1 1 0 ||x(k)-x(k-1)|| k 方程的准确解是(-1，2，1)T 取初始值x(0)=(1，1，1)T，计算结果如下 从上面雅可比迭代的过程中可以发现， 在求 时， 已经求出来了，然而在 计算 时却仍然用的是 ；同样，在 计算 时 和 均已求得，而公 式中使用的还是 和 。实际上，每一 次最新计算出来的分量比旧的分量更接近 方程组的准确解，因此设想等新的分量求 得后，马上用它来替代旧的分量，可能会 更快的接近方程组的准确解，基于这种思 想提出了高斯-塞德尔迭代法。 构造方程组Ax=b的高斯-塞德尔迭代 格式的步骤与雅可比迭代法类似，设 aii≠0(i=1，2，…，n)，将每个方程的 aiixi留在方程左边，其余各项移到方程右 边；方程两边除以aii，得同解方程组： 记gij=-aij/aii，di=bi/aii，对方程组对 角线以上的xi取第k步迭代的数值，对角 线以下的xi取第k+1步