chap04-解线性方程组及迭代法.pptVIP

第4章 解Ax=b的迭代法 4.1 向量序列和矩阵序列的极限 4.2 Jacobi迭代法 4.3 Gauss-Seidel迭代法 4.4 松弛迭代法 4.5 迭代法的收敛条件和误差估计 概述 迭代法的优势: 对高阶线性方程组，迭代法计算量比直接法小，容易控制误差。 迭代法的基本思想: (1)由 Ax=b 转化为 x=Bx+g 非线性方程的迭代法：由 f(x)=0 转化为 x=g(x) (2)任给初始向量x(0)，作迭代: x(m+1)=Bx(m)+g 概述 需解决的关键问题: (1)什么叫向量序列收敛？矩阵序列收敛？ 为迭代法的收敛性奠定理论基础 (2)怎样建立迭代公式? (方程组的同解变形) 为迭代公式寻找途径 (3)向量序列收敛的条件是什么? 为判断“是否收敛”寻找到可行的方法 (4)怎样估计误差? 确定数值求解时什么时候终止 4.1 向量序列和矩阵序列的极限 1. 向量序列{x(m)}的极限 4.1 向量序列和矩阵序列的极限 2. 矩阵序列{A(m)}的极限 4.2 Jacobi迭代法 4.2.1 Jacobi迭代公式 使用条件: Ax=b,|A|≠0, aii≠0 建立迭代公式: (1)方程组的同解变形: 由第k个方程解出xk. (2)取迭代初始向量: x(0)=0 (3)迭代停止的条件: 4.2 Jacobi迭代法 4.2.2 Jacobi迭代公式的矩阵形式 (1)对A作矩阵分解: A=D-L-U 其中 D=(aii) , L=(-aij)ji , U=(-aij)ji (2)对方程组Ax=b作等价变形: x=D-1(L+U)x+D-1b (3)记为: B1=D-1(L+U), g1=D-1b (4)得Jacobi迭代法的矩阵形式: x(m+1)=B1x(m)+g1b , x(0)=0 , m=0,1,… 4.2 Jacobi迭代法 4.2.3 Jacobi迭代法的计算步骤 4.2.4 Jacobi迭代法的计算实例 [例] 用Jacobi迭代法解方程组 4.3 Gauss-Seidel迭代法 4.3.1 迭代公式 1. 在Jacobi迭代公式基础上，立即用 xk(m+1) ?(代替)? xk(m) , k=1,2,…,i-1 去计算xi(m+1). 2. 迭代公式的方程组形式: 4.3 Gauss-Seidel迭代法 4.3.2 迭代公式的矩阵形式 1. 对矩阵A作分解: A=D-L-U 2. 可得: x(m+1)=D-1(Lx(m+1)+Ux(m)+b) 3. 记: B2=(D-L)-1U, g2=(D-L)-1b 4. 得矩阵形式的迭代公式: x(m+1)= B2x(m)+ g2 4.3 Gauss-Seidel迭代法 4.3.3 迭代公式的计算步骤 4.3.4 迭代公式的计算实例 [例] 用Gauss-Seidel迭代法解方程组 注: 如果方程组的系数矩阵A是严格对角占优矩阵，则Gauss-Seidel迭代法的收敛速度比Jacobi迭代法快. 4.4 松弛迭代法 4.4.1 迭代公式 4.4 松弛迭代法 4.4.2 迭代公式的矩阵形式 4.4 松弛迭代法 4.4.3 计算步骤 4.4.4 计算实例 [例] 分别用Jacobi法，Gauss-Seidel法，松弛迭代法求解Ax=b. 4.4 松弛迭代法 补充示例: 4.5 迭代法的收敛条件/误差估计 1. 两个概念 对角占优矩阵 弱对角占优 , 严格对角占优 不可约矩阵 经过行互换和列互换后，看是否存在“0子矩阵” [例1] P66页 关于矩阵A非奇异的两个定理 矩阵A严格对角占优 ? A非奇异 矩阵A不可约且弱对角占优 ? A非奇异 4.5 迭代法的收敛条件/误差估计 2. 迭代法的收敛条件、误差估计 收敛条件： 迭代公式 x(m+1)=Bx(m)+g 收敛 ?? 迭代矩阵B的谱半径p(B)1 回顾：谱半径的定义？ 误差估计公式：--------------(‖B‖1) 由迭代序列{x(m)}和理论解x*有： x(m+1)=Bx(m)+g x* =Bx* +g 两式相减，两边再取范数，整理可得。 4.5 迭代法的收敛条件/误差估计 误差估计的实际计算公式（精度e） 迭代次数的计算： 4.5 迭代法的收敛性 [例2-例4] 讨论Jacobi法,Gauss