计算方法之迭代法.pptVIP

* 为加速迭代，不妨取 代替 ，即 （3）计算 时， 已在(2)中求出 为加速迭代，不妨取 代替 ，即 一般地，对 n 阶线性方程组，当计算 时， 以 、 、 、 取代Jacobi迭代计 算式中的 、 、 、 ，以加速迭代。 即： * 此种迭代法 —— 高斯—赛德尔迭代法。 对3阶线性方程： * 2、 高斯—赛德尔迭代法算法 只须对Jacobi算法稍作修改（Step5） Step5 For i=1 To n Do temp=0 For j=1 To i-1 Do temp=temp+b[i][j]*x1[j] EndFor j For i+1 To n Do temp=temp+b[i][j]*x0[j] EndFor j x1[i]=temp+f[i] EndFor i * 3、高斯—赛德尔迭代法的矩阵变换 高斯—赛德尔迭代法相当于如下矩阵变换： A=D-L-U AX=y ? (D-L-U)X=y ? (D-L)X-UX=y ? (D-L)X=UX+y ? (D-L)-1(D-L)X=(D-L)-1UX+ (D-L)-1y ? X=(D-L)-1UX+ (D-L)-1y 令：S = (D-L)-1U ，f = (D-L)-1y ，则有 X=SX+f ? X(k+1)=SX(k) +f S —— 高斯-赛德尔迭代矩阵。 * 例 用高斯-赛德尔迭代法求解下面的方程组 解 先写出 D-L、U 矩阵： 下面再求出Gauss-Seidel迭代矩阵S和f ： * ，另外 * 任取初始向量x(0)=(0, 0, 0)T , 计算 x(1)=(2.5, 2.090909, 1.227272)T , …, x(5)=(2.99984, 2.000072, 1.000061)T 已知准确解向量 x*=(3, 2, 1 )T ，则 迭代次数为5，即已满足精度要求。可以验证采用Jacobi迭代法须迭代10次。 * 4、Gauss-Seidel迭代法的收敛条件 （1）收敛的充分必要条件，对迭代矩阵S 有 （2）收敛的充分条件：迭代矩阵S的某范数1 （3）若方程组AX=y的系数矩阵A为按行或列对角占优矩阵则Gauss-Seidel迭代一定收敛。 （4）若方程组AX=y的系数矩阵A为正定阵则Gauss-Seidel迭代一定收敛 * 注意：若Jacobi迭代和Gauss-Seidel迭代都收敛，则后者一般比前者收敛更快（但并非一定如此）；前者收敛，后者不一定收敛。 编程作业 分别用Jacobi迭代和Gauss-Seidel迭代求解下面的方程组，使误差小于10-5，并统计迭代次数。 * ▲松弛迭代法是对Gauss-Seidel迭代法的改进 ★松弛迭代法★ 由Gauss-Seidel迭代形式（三阶为例）： * 记 ?X(k)可视为X(k)的修正量，现考虑对?X(k)乘上一个因子?，以期提高收敛速度： ，有 * 上式称为松弛迭代格式，?为松弛因子。 迭代计算的分量形式为（3阶为例）： 显然，当?=1时即为Gauss-Seidel迭代。 * 将松弛迭代格式作变换： ▲松弛迭代法的矩阵变换 其中： 即为松弛迭代矩阵。 * 以3阶为例，设 Bs 有三个特征值?1 , ?2 , ?3 ,则有 ▲松弛因子?与收敛性 由 可得 * 由 可得 故有 对n阶矩阵则有 * 设?1是Bs 的按模最大特征值，即?(Bs)=|?1|，则 即 按迭代收敛条件?(Bs)1，可知 即 注意 是收敛的必要条件而非充分条件 * ▲松弛迭代算法（对G-S算法稍作修改） Step5 For i=1 To n Do temp=0 For j=1 To i-1 Do temp=temp+b[i][j]*x1[j] EndFor j For i+1 To n Do temp=temp+b[i][j]*x0[j] EndFor j x1[i]=temp+f[i] EndFor i x1[i]=?*x1[i] +(1-?)*x0[i] * 1、平面向量（二维向量）： 向 量 和 矩 阵 的 范 数 其长度即从原点到点(x , y)之间的距离： 2、空间向量（三维向量）： 其长度即从原点到点(x , y ,