解线性方程组迭代法数值计算上机实习报告.docx

解线性方程组的迭代法数值计算上机实习报告 一．综述： 考虑用迭代法求解线性方程组 Anx=bn，取真解为x?=1,1,…,1T，初始向量x0取为零，以 l2 范数为度量工具，取误差指标为ε=10-6. Tn=2-1-1????-1-12 其中An=Tn?In+In?Tn。 分别完成下面各小题： 第六题：编制程序实现Jacobi迭代方法和Gauss-Seidel 方法。对应不同的停机标准（例如残量，相邻误差，后验误差停机标准），比较迭代次数以及算法停止时的真实误差。 其中残量准则：rk≤ε、相邻误差准则：δk=xk-xk-1≤ε 后验误差停机准则：δk2δk-1-δk≤ε 解：为了结果的可靠性，这里我分别对矩阵阶数为400、2500、10000进行试验，得到对应不同的方法、取不同的停机标准，迭代次数和真实误差的数据如下： 1.残量作为停机标准： 矩阵阶数 Jacobi迭代方法Gauss-Seidel 方法迭代次数真实误差迭代次数真实误差 40012069.4155e-076049.3474e-07 250066672.1743e-0633352.1677e-0610000247464.2294e-06123754.2242e-06 2.相邻误差作为停机标准： 矩阵阶数 Jacobi迭代方法Gauss-Seidel 方法迭代次数真实误差迭代次数真实误差 40010833.7483e-065741.8339e-06 250059378.6936e-0631524.3428e-0610000218821.6907e-05116588.4541e-06 3.后验误差作为停机标准： 矩阵阶数 Jacobi迭代方法Gauss-Seidel 方法迭代次数真实误差迭代次数真实误差 40014834.1941e-087424.2108e-08 250092381.6502e-0846201.6483e-0810000376598.1831e-09188308.1848e-09分析上面数据可知，对应不同的停机标准，GS方法的迭代次数都近似为J方法的一半，这与理论分析一致。而且从迭代次数可以看出，在这个例子中，作为停机标准，最强的依次为后验误差，再到残量，再到相邻误差。 第七题： 编写程序实现SOR 迭代方法。以真实误差作为停机标准，数值观测SOR 迭代方法中松弛因子ω对迭代次数的影响，找到最佳迭代因子的取值。 解：本题中考虑n=50，即对2500阶的矩阵A。由于我们已经知道要使SOR方法收敛，松弛因子w需要位于(0,2)。下面来求SOR方法中对应的最佳松弛因子。应用筛选法的思想，第一次我们取松弛因子w=1:0.01:1.95，间距为0.05，得到的对应的图像如下，从图中可以看出迭代次数随着w的增大，先减小后变大，这与理论相符。同时可以看出最佳松弛因子1.85≤wopt≤1.95. 第二次将区间[1.85,1.95]细分为10份，即取w=1.85:0.01:1.95，可得下面第二幅图像，从图像中可以看出最佳松弛因子ωopt≈1.89 第八题： 对于J 方法，GS方法和（带有最佳松弛因子的）SOR 方法，分别绘制误差下降曲线以及残量的下降曲线（采用对数坐标系），绘制（按真实误差）迭代次数与矩阵阶数倒数的关系； 解： 对于J方法，考虑n=50时，采用相邻误差为迭代的终止条件，误差下降曲线及残量的下降曲线如下： 对于GS方法，考虑n=50的时候，采用相邻误差作为迭代的终止条件，所得到的残量和误差的下降曲线如下图： 从中可以看出，当相邻误差满足误差指标ε=10-6时，真实误差却并不小于误差指标ε=10-6，而为2.6281e-04。 从上面两图可以看出，J方法和GS方法的残量及误差的下降都与迭代次数成一条直线，同时GS收敛速率将近为J方法的两倍。 对于SOR方法，考虑n=50，即对应2500阶矩阵，由第7题结果可以取最佳松弛因子ω=1.89,得到误差和残量的下降曲线如下： 下面来绘制迭代次数与矩阵阶数的倒数关系： 从上面最后两图可以看出，对J方法，GS方法和 SOR方法都满足迭代次数与矩阵阶数的倒数成反比的关系。 第九题：编制变系数的Richardson 迭代方法，绘制误差下降曲线以及残量的下降曲线。观测循环指标m对收敛速度的影响。 解：对于n=30，即900阶的矩阵，取循环指标m=20时的误差和残留的下降曲线见下图。 从上图中可以看出，这里残量和误差的下降曲线都成锯齿状，由于是取得循环指标m=20，即应用重启技术，每一次迭代20步，然后在对迭代20步之后的值，作为