第三章线性方程组的数值解法1024.pptVIP

直接法：经过有限步算术运算，可求得方程组的精确解的方法（若在计算过程中没有舍入误差） 迭代法：用某种极限过程去逐步逼近线性方程组精确解的方法 迭代法具有占存储单元少，程序设计简单，原始系数矩阵在迭代过程中不变等优点，但存在收敛性及收敛速度等问题 为避免上述错误，可在每一次消元之前增加一个选主元的过程，将绝对值大的元素交换到主对角线的位置。根据交换的方法可分成全选主元和列选主元两种方法。 比较而言,Gauss顺序消去法条件苛刻,且数值不稳定; Gauss全主元消去法工作量偏大，算法复杂；对于Gauss-Jordan消去法形式上比其他消元法简单，且无回代求解，但计算量大。因此从算法优化的角度考虑， Gauss列主元消去法比较好。 杜里特尔分解 A=LU 杜里特尔分解(一般算法) 其它矩阵分解法求解特殊的线性方程组： 平方根法：主要用于求解正定矩阵的线性方程组 追赶法：主要用于求解特殊矩阵的三对角方程组 见书 P78——P87 矩阵范数是用于定义矩阵“大小”的量。 由于在大多数与估计误差有关的问题中,矩阵和向量的乘积经常出现,所以希望引进一种矩阵的范数,它与向量范数有某种关系。 由于计算条件数涉及到计算逆矩阵，很麻烦。因此实际计算中一般通过可能产生病态的现象来判断。 ⑴若在消元过程中出现小主元，则 A可能是病态矩阵。但病态矩阵未必一定有这种小主元。 ⑵若解方程组时出现很大的解，则A可能是病态矩阵。但病态矩阵也可能有一个小解。 ⑶从矩阵本身看，若元素间数量级相差很大且无一定规律；或者矩阵的某些行或列近似相关，这样的矩阵则有可能是病态矩阵。 要求熟练掌握的内容： 高斯消去法原理、算法、计算步骤； 主元消去法的意义、算法、计算步骤； 矩阵三角分解法解方程组的意义、算法、计算步骤 向量和矩阵范数的定义、性质和计算方法； 矩阵条件数的定义,并能估计直接法的误差. 要求掌握的内容： 采用雅可比迭代解线性方程组； 采用高斯塞德尔迭代解线性方程组； 逆阵的求法： 在工程实际中，线性方程组大多数的系数矩阵为对称正定这一性质，因此利用对称正定矩阵的三角分解式（即乔累斯基分解）是求解对称正定方程组的一种有效方法。其分解过程无需选主元，且计算量比高斯消去法、LU分解法要小，还有良好的数值稳定性。 定义：对称正定矩阵 A对称：AT=A A正定：A的各阶顺序主子式均大于零。即 A=LDLT (L为单位下三角矩阵） 利用改进平方根法求方程组 它们分别叫做向量的?-范数、1-范数、2-范数、p -范数（0p+?）。 p -范数是以上范数的统一表达形式。 常用的向量范数: 满足定义的范数不是唯一的. 设 x = ( x1 , x2 , … , xn)T ，常用的向量范数有 对于∞－范数，有 ⑴当 时，有 ， 只有当 时，才有 ⑵对任意实数 ，因为 ，所以 。 ⑶对任意向量 ，有 因此 是n维空间的一种范数 例：∞－范数的证明 不难证明这几种范数满足下述关系 事实上，对 Rn 上任意两种向量范数 ||x||α? , ||x||β? ，都存在与 x 无关的正常数 c1 , c2 使 这种性质称为向量范数的等价性。 向量序列收敛性定理： 向量序列收敛 (即 )的充要条件是 ，其中 为向量的任一种范数。 按不同方式规定的范数,其值一般不同。但在各种范数下考虑向量序列收敛性的结论是一致的。即向量序列如对某一种范数收敛则对其它范数也收敛，且有相同的极限。这样，在研究某一具体问题时，可以选择一较易简单的范数。 3.3.2 矩阵的范数 定义：设 ， ，定义矩阵 的范数 对于每一种向量范数 ，相应的矩阵范数 为 其中 是指 的最大可能值。即遍取所有不为0的 ，比值 中最大的，定义为 的矩阵范数。 矩阵范数的性质： ⑴ ,且仅当 时， ； ⑵ 对任意实数 ， ； ⑶ 对同维方阵 ，有: