研究生数值分析高斯–赛德尔(Gauss–Seidel)迭代法.pptVIP

* * 研究雅可比迭代法，我们发现在逐个求 的分量时，当计算到 时,分量 都已经求得，而仍用旧分量 计算 。由于新计算出的分量比旧分量准确些， 求出，马上就用新分量 代替雅可比迭代法中 来求 , 这就是高斯-赛德尔(Gauss-Seidel)迭代法。 2 高斯-赛德尔（Gauss-Seidel）迭代法 因此设想一旦新分量 高斯-赛德尔迭代公式如下： （5） 其矩阵表示形式为 现将 显式化，由 得 令 （称为高斯-赛德尔（Gauss-Seidel）迭代矩阵）， 则得 为高斯-赛德尔迭代法的矩阵表示形式。 上式左端为将系数矩阵 A 的对角线及对角线以下元素同乘以 λ 后所得新矩阵的行列式。 我们用定理2来判断高斯-赛德尔迭代公式是否收敛，需要考虑高斯-赛德尔迭代矩阵 的特征方程 即 将上式写成 由于 所以 例9 用高斯-赛德尔迭代法解方程组 解：相应的高斯-赛德尔迭代公式为 取迭代初值 按此迭代公式进行迭代，计算结果为 0 2.684 2.9539 2.9938 2.9991 2.9999 0 1.56 1.9445 1.9923 1.9989 1.9999 0 0.3 0.8804 0.9843 0.9978 0.9997 0 1 2 3 4 5 高斯-赛德尔迭代矩阵 的特征方程为 即 解得 于是 因而高斯-赛德尔迭代公式是收敛的。 我们先引入一个叫矩阵谱半径的概念。 3 迭代法收敛条件与误差估计 定义 矩阵 的所有特征值 的模的最大值称为矩阵 A 的谱半径,记作 即 前面,我们在应用雅可比迭代法与高斯-赛德尔迭代法解一阶线性方程组时，判断各迭代公式是收敛还是发散，都要计算雅可比迭代矩阵 BJ 与高斯-赛德尔迭代矩阵 BG 的特征值.由于矩阵 A 有些算子范数(比如 与 )远比矩阵 A 的特征值容易计算,为此给出如下结论。 定理3 矩阵A的谱半径不超过矩阵A的任何一种算子范数 , 即 证明：设λ为A的任一特征值，X为对应于λ的A的特征向量，即 AX= λX, (X ≠0) 由范数的性质立即可得 因为 X ≠0 ， 所以 即A的任一特征值的模都不超过 于是 定理给出了一阶线性定常迭代法 收敛的充分条件，它表明只要迭代矩阵 B 的某种子 范数 小于1，立即可以断定该迭代过程对任给 在例8例9中，我们分别用雅可比迭代法和高斯-赛德尔迭代法解方程组 初始向量都收敛于方程组AX=b的唯一解 雅可比迭代矩阵 高斯-赛德尔迭代矩阵 雅可比迭代过程必收敛； 高斯-赛德尔迭代过程也收敛。 由定理的误差估计式 可以看出， 且可用来估计迭代次数。 越小收敛速度越快， 在例8例9中，显然 比 小， 所以高斯-赛德尔迭代法比雅可比迭代法收敛速度快。 若在例8例9中要求近似解 的误差 则由误差估计式知，只要 k 满足 将 代入得 ，故Jacobi迭代22次即可； 代入得 ，故Gauss-Seidel迭代9次就可以。 将