计算方法及误差理论-3.ppt

线性方程组—迭代法 n阶线性方程组的向量-矩阵形式：Ax=b A为系数矩阵,x为解向量,b为右端常数向量 线性方程组—迭代法 将AX=b变形成同解方程组x=Bx+f 建立迭代公式：x(k+1)=Bx(k)+f k=0,1,2,… 给定初始向量x(0)后，按此迭代公式得出解向量序列{x(k)} 线性方程组—迭代法 迭代法的收敛性 定义：设x(0),x(1),x(2),…是Rn中一向量序列，c€Rn是一个常向量。如果 则称向量序列{x(k)}k=0∞收敛于c，并记为 迭代矩阵：矩阵B 迭代序列：解向量序列{x(k)} 线性方程组—迭代法 迭代法的收敛性 定理：(充分条件判别)给定方程组x=Bx+f，如果||B||1，则： 方程组有唯一解x*； 对任意初始向量x(0)€Rn,迭代格式x(k+1)=Bx(k)+f 收敛于x* 迭代序列与方程组的解x*存在误差估计式： 线性方程组—迭代法 迭代法的收敛性 定理：(充要条件判别)给定方程组x=Bx+f，则迭代格式x(k+1)=Bx(k)+f对任意的初值x0都收敛的充要条件为： 是应用迭代法求解线性代数方程组的关键 线性方程组—迭代法 收敛速度 定义：设迭代法x(k+1)=Bx(k)+f收敛，定义 称R(B)为迭代法的渐近收敛速度 由此可见，R(B)越大，收敛越快 线性方程组—迭代法 收敛速度 x(0)越接近于x*，迭代收敛越快，即收敛速度与初值选取有关； 迭代矩阵的范数||B||越小，迭代收敛也越快 迭代矩阵的谱半径越小，迭代收敛也越快 线性方程组—迭代法 矩阵特征值及特征向量的计算 第八章（p164-p184） 方法： 按模最大与最小特征值的计算（幂法及反幂法） 雅克比法 QR法 线性方程组—迭代法 按模最大特征值的计算—幂法 计算步骤 任取一个初始向量v0≠0，u0=v0 构造迭代序列： 则有： 线性方程组—迭代法 按模最大特征值的计算—幂法 例：P73, 13题求||A||2 B=ATA= -1 30 25 25 21 -2 -1 -2 10 线性方程组—迭代法 按模最大特征值的计算—幂法 例：P73, 13题求||A||2 求B的绝对值最大的特征值——法一 。。。。。。 线性方程组—迭代法 按模最大特征值的计算—幂法 例：P73, 13题求||A||2 求B的绝对值最大的特征值——法二 1）取初值 2）迭代计算 。。。。。。。。。。。 线性方程组—迭代法 雅可比(Jocobi)迭代法 n阶线性方程组的一般形式 线性方程组—迭代法 雅可比(Jocobi)迭代法 由一般形式的方程组得到一个同解方程组: 线性方程组—迭代法 雅可比(Jocobi)迭代法 构造相应的迭代公式（雅可比迭代格式）: 线性方程组—迭代法 雅可比(Jocobi)迭代法 方程组的矩阵向量形式Ax=b 线性方程组—迭代法 雅可比(Jocobi)迭代法 将矩阵A分解为：一个严格下三角矩阵 、一个对角矩阵D、一个严格上三角矩阵 。 线性方程组—迭代法 雅可比(Jocobi)迭代法 雅可比迭代格式的矩阵表示形式 它的迭代矩阵（雅可比迭代矩阵）： 线性方程组—迭代法 雅可比迭代法(方法二) 迭代收敛性(模最大特征值、谱半径1) 考虑J的特征方程|λI-J|=0 按矩阵特征值计算方法直接求J的按模最大的特征值 线性方程组—迭代法 雅可比迭代法 迭代收敛性(模最大特征值、谱半径1) 例：判断对于给定方程组，雅可比迭代法是否收敛 所以，雅可比迭代法收敛。 线性方程组—迭代法 高斯-赛德尔(Gauss-Seidel)迭代法 雅可比迭代法：求xi(k+1)时使用的是第k次的计算结果x1(k),x2(k),…xi-1(k)，虽然已经计算出了x1(k+1),x2(k+1),…xi-1(k+1)，却没有用 高斯-赛德尔法：一旦新量已求出，马上用新量代替进行迭代计算 线性方程组—迭代法 高斯-赛德尔(Gauss-Seidel)迭代法 迭代公式 线性方程组—迭代法 高斯-赛德尔(Gauss-Seidel)迭代法 高斯-赛德尔迭代格式的矩阵表示形式 它的迭代矩阵（高斯-赛德尔迭代矩阵）： 线性方程组—迭代法 高斯-赛德尔迭代法(方法二) 迭代收敛性(模最大特征值、谱半径1) 考虑G的特征方程|λI-G|=0 按矩阵特征值计算方法直接求G的按模最大的特征值 线性方程组—迭代法 高斯-赛德尔迭代法 迭代收敛性(模最大特征值、谱半径1) 例：对于给定方程组，高斯-赛德尔迭代法是否收敛？ 所以，高斯-赛德尔法收敛。 线性方程组—迭代法 迭代收敛判别 定理: (充分条件)对于线性方程组Ax=b： 若A为严格对角占优阵，则雅可比迭代法和高斯-赛德尔迭代法均收敛 若A