第3讲线性方程组3.pptVIP

令 A的下三角部分 的负矩阵 A的上三角部分 的负矩阵 则有 故迭代过程(5)化为 等价线性方程组为 简单迭代法的更一般形式可以采用如下方法得到 ------(6) 称(6)式为解线性方程组(1)的Jacobi迭代法。 取迭代格式 例题 用Jacobi迭代法求解方程组,运算保留4位小数 解: x1= 2.5000 3.0000 3.0000 x2= 2.8750 2.3636 1.0000 x3= 2.1364 2.0455 0.9716 x4 = 3.0241 1.9478 0.9205 x5 = 3.0003 1.9840 1.0010 x6 = 2.9938 2.0000 1.0038 x7 = 2.9990 2.0026 1.0031 x8 = 3.0002 2.0006 0.9998 x9 = 3.0003 1.9999 0.9997 x10 = 3.0000 1.9999 0.9999 x11 = 3.0000 2.0000 1.0000 x12 = 3.0000 2.0000 1.0000 迭代结果如下： 方程组的解为 二、迭代法收敛的条件 若将迭代格式改写为如下形式 或 迭代格式（*）何时收敛，若收敛又收敛到何处？ 考察如下式子， 具体地，我们可给出如下结论 进一步分析Jacobi迭代法的迭代过程, 三、Gauss-Seidel迭代法 构造下列迭代格式 或 称上式为高斯—赛德尔（Gauss-Seidel）迭代格式。 * 矩阵的“范数”是对向量和矩阵的大小的一种度量, 可以看作是是二维和三维向量长度概念的推广。 数域: 数的集合,对加法、乘法和除法（除数 不为零）封闭。 线性空间: 线性代数中向量空间概念的抽象和 推广,定义了元素的加法与乘法。 向量空间 §3.5 向量和矩阵的范数 n维向量的非空集合，对于加法及数乘两种运算封闭。 定义 一、向量的范数 注：定义在n维向量空间上且满足上述条件的任意实的非负函数都是向量的范数。例如： --------(1) --------(2) --------(3) 显然 由于 --------(4) 例题 求下列向量的各种常用范数 解: 范数的性质 性质1 性质2 定义(向量序列收敛) 可用向量范数的大小判断向量序列的收敛性。 定理 证明： 定义 二、矩阵的范数（用 来表示全体n阶矩阵的集合） 关于向量范数与矩阵范数的关系，我们有： 定义（相容范数） 成立，则说上述矩阵范数和向量范数是相容的。 定义（算子范数，也叫从属范数） 可以证明它满足矩阵范数的4个条件 --------(5) --------(6) --------(7) 可以得到从属于1-范数、2-范数、 -范数的矩阵范数 不难验证其满足定义2的4个条件。 称为Frobenius范数,简称F-范数（又称为Schur范数） 另外，还有一种常用的矩阵范数，类似向量的 2-范数 可以验证： tr为矩阵的迹。 但它不是算子范数。 定义 定理 证明 例题 求矩阵A的各种常用范数 解: 由于 特征方程为 容易计算 计算较复杂; 但对矩阵元素的 变化比较敏感; 性质较好; 使用最广泛. 不是算子范数 较少使用 三、方程组的性态和条件数 用数值方法解线性方程组时，计算结果有时不准确。原因主要可能在两个方面。 1. 计算方法设计不合理； 2. 方程组本身有问题，再好的方法也无济于事。 关于第一个原因，我们在前面已经有这方面的例子，例如 用Gauss消去法解线性方程组(用3位十进制浮点数计算） 关于第二个原因，请看下例： 例4. 如下两个方程组 例5. 如下两个方程组 定义 即有 --------(8) --------(9) --------(10) 所以 又因为 可得 (8)和(9)两式相乘,得 相对误差 上式表明，由常数项产生的误差,最多可将解的 相对误差放大 倍。 如果假设 则 --------(11) 定义 同理可推导得 显然 即任意方阵的条件数不小于1 根据范数的不同也有不同的条件数: --------(12) --------(13) 根据矩阵范数定义,(10)式和(11)式可表示为 -----(14) 取 范数讨论前面例题中的条件数： 例4