第三章线性方程组求解的数值方法.pptVIP

第三章 线性方程组求解的数值方法 线性方程组求解的数值方法 function X=gseid(A,b,P,delta,max1) %A是n维非奇异阵。%b是n维向量。%P是初值。 %delta是误差界。%max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。 N=length(b); for k=1:max1 for j=1:N if j==1 X(1)=(b(1)-A(1,2:N)*P(2:N))/A(1,1); elseif j==N X(N)=(b(N)-A(N,1:N-1)*(X(1:N-1)))/A(N,N); else X(j)=(b(j)-A(j,1:j-1)*X(1:j-1)-A(j,j+1:N)*P(j+1:N))/A(j,j); end end err=abs(norm(X-P)); P=X； if(errdelta) break end end X=X; err,k 矩阵的收敛 谱半径 §3.4 三种迭代法 雅可比迭代法的Matlab程序 function X=jacobi(A,b,P,delta,max1) %A是n维非奇异阵。%b是n维向量。%P是初值。%delta是误差界。 %max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。 N=length(b); for k=1:max1 for j=1:N X(j)=(b(j)-A(j,[1:j-1,j+1:N])*P([1:j-1,j+1:N]))/A(j,j); end err=abs(norm(X-P)); P=X； if(errdelta) break end end X=X;k,err; 塞德尔迭代法的迭代程序： * 3.1 Gauss消去法与矩阵的LU分解 3.2 Cholesky分解 3.3 向量范数与矩阵范数 3.4 古典迭代法的构造 3.5 迭代法的分析 3.6 超松弛迭代（SOR）及分块迭代方法 3.7 线性方程组的条件 3.8 稀疏矩阵的计算 §3.1 Gauss消去法与矩阵的LU分解 基本思想：用逐次消去未知数的方法把原方程组化为三角形方程组再求解 。 消元：用初等变换将原方程组的系数矩阵化为三角形矩阵（简称三角阵）再求解的方法。 回代：解出三角形方程组的最后一个方程，将求得的值逐步往前一个方程代入的方法。 消元 为什么选主元 避免方法：高斯主元消元法 function X=uptrbk(A,b) %A是一个n阶矩阵。 %b是一个n维向量。 %X是线性方程组AX=b的解。 [N N]=size(A); X=zeros(1,N+1); Aug=[A b]; for p=1:N-1 [Y,j]=max(abs(Aug(p:N,p))); C=Aug(p,:); Aug(p,:)=Aug(j+p-1,:); Aug(j+p-1,:)=C; 高斯主元消去法的MATLAB实现 if Aug(p,p)==0 A是奇异阵，方程无惟一解 break end for k=p+1:N m=Aug(k,p)/Aug(p,p); Aug(k,p:N+1)=Aug(k,p:N+1)-m*Aug(p,p:N+1); end end %这里用到程序8-1中定义的函数backsub来进行回代。 X=backsub(Aug(1:N,1:N)，Aug(1:N,N+1)； A=[0.001 2 3;-1 3.712 4.623;-2 1.072 5.643]; b=[1 2 3]; uptrbk(A,b) 比较计算结果：主元消元法 -0.4904 -0.0510 0.3675 用x=A\b -0.4904 -0.0510 0.3675 一般消元法 -0.4 -0.09980 0. 4 function X=backsub(A,b) %A是一个n阶上三角非奇异阵。 %b是一个n维向量。 %X是线性方程组AX=b的解。 n=length(b); X=zeros(n,1); X(n)=b(n)/A(n,n); for k=n-1:-1:1 X(k)=(b(k)-A(k,k+1:n)*X(k+1:n))/A(k,k); End 用回代法求解上三角线性方程组AX=B，其中A为非奇异。 矩阵的LU分解 function X=lufact(A,b) %A为n阶矩阵。