第四讲 线性方程组迭代解法.pptVIP

第四章 线性方程组 迭代解法 第四章目录 第四章 方程组的迭代解法概述 §1 向量与矩阵的范数 4.1 向量与矩阵的范数 常用的向量范数 对2范数 Rn中范数的等价性 矩阵范数 常用的矩阵范数 常用的矩阵范数（续） 最大行和矩阵范数的证明 最大行和矩阵范数的证明 范数的相容性 求范数举例 向量序列与矩阵序列的极限 向量序列与矩阵序列的极限（续） 矩阵序列的收敛概念及定理 矩阵的谱半径（续） 公式 的重要性说明 定理3（续） 4.2 方程组的误差分析 方程组的性态讨论 ——病态、良态 方程组的性态讨论（续2） 方程组的性态讨论续（3） 方程组的性态讨论续（4） 矩阵的条件数 判断病态矩阵的几点参考 利用条件数判断矩阵的性态举例 §3 雅可比（Jacobi）迭代法 雅可比（Jacobi）迭代法（续） Jacobi迭代法定义 Jacobi迭代法定义（续） Jacobi迭代法举例 Jacobi迭代法举例 §3 高斯塞德尔(Gauss-Seidel)迭代法 Gauss-Seidel迭代法求解 求例2中的Gauss-Seidel法的迭代阵M的两种方法 求例2中的Gauss-Seidel法的迭代阵M的两种方法续1 求例2中的Gauss-Seidel法的迭代阵M的两种方法续2 两种迭代法举例 例4（ Jacobi迭代法续） 例4（ G-S迭代法续） 两种迭代法说明 两种迭代法说明（续） §4 松驰法 松驰法（续） 用SOR法解线性方程组（例3） 例 3 （续1） 例 3 （续2） 迭代法的收敛条件（续2） 直接用矩阵A判定敛散性 直接用矩阵A判定敛散性（续） 三种迭代法判定敛散性举例 例 5 (续） 两点注释 两点注释（续） 例3 取? =1.4,x (0) = (1,1,1)T， 用SOR法解线性方程组 继续下去，计算结果如下： 0 1.0000 1.0000 1.0000 1 1.0000 1.0000 1.5600 2 1.0000 1.3920 1.6184 3 1.2744 1.4682 1.6406 4 1.2180 1.4136 1.5934 5 1.2023 1.3916 1.6068 6 1.1932 1.4034 1.6007 7 1.2051 1.4027 1.6016 8 1.1999 1.4000 1.5994 9 1.2000 1.3996 1.6001 表3-3 k x1(k) x2(k) x3(k) 所以，方程组近似解为: 松驰因子?的选取对收敛速度影响极大，如何选取?使收敛速度加快，或达到最快？这是非常重要的，但又很困难，目前尚无可供实用的计算最佳松驰因子的办法，通常的作法是采用试算法：即从同一初值出发，选不同的松驰因子进行试算，迭代相同的次数，来比较残量r (k) = b ? Ax(k) 的大小，选取使r(k) 最小（各分量总体相差最小）的松驰因子。这样做较简单，但比较有效。 小结如下： 定理4表明，迭代法收敛与否只决定于迭代矩阵的谱半径，与初始向量及方程组的右端项无关。 对同一方程组，由于不同的迭代法其迭代矩阵不同，因此可能出现有的方法收敛，有的方法发散的情形。 推论2 定理4虽然给出了判别迭代法收敛的充要条件，但实际 使用时很不方便，因为求逆矩阵和特征值的难度并不亚于 用直接法求解线性方程组。而推论1仅为充分条件。很多 情况下如例3，由推论1无法判别收敛性。下面对一些特殊 的方程组，从方程组本身出发给出几个常用的判别条件， 而不必求迭代阵的特征值或范数。 且至少有一个 i 值，使上式中不等号严格成立，则称A为弱对角占优阵。若对所有 i，上式中不等号均严格成立，则称A为严格对角占优阵。 定义4 而当A,b同时有微小扰动?A，?b时，则可进一步导出更一般的误差估计式： 注意到： 在?b充分小时， 此式右端实际上即为： 在三种情况下得到的这三个不等式反映了解的相对误 差与A及b的相对误差的关系；数||A||||A-1||越小，解的相对 误差也越小；反之数||A||||A-1||越大，解的相对误差也越大，实际上这个数反映了解对方程组原始数据的敏感程度，揭示了矩阵A和方程组本身的性态，称之为方程组或矩阵A的条件数，记作： cond(A)越大