线性映射的迭代与特征向量的计算.docVIP

实验九 线性映射的迭代与特征向量的计算 [实验目的] 1. 掌握线性映射的性质； 2. 了解特征值、特征向量的计算方法：乘幂法； 用线性映射的性质解决两个实际问题：天气问题与比赛排名问题。 §1 基本理论 关系式 x1(n+1) =a11x1(n)+a12x2(n), x2(n+1) =a21x1(n)+a22x2(n), 将向量(x1(n),x2(n),…,xm(n))T映射为向量(x1(n+1),x2(n+2),…xm(n+1))T。它可以写成xn+1=Ax（其中xn , xn+1为m维向量，A为m×m矩阵）的形式。我们把形如y=Ax的映射称为线性映射。给出一个初始向量x0=(x1(0),x2(0),…,xm(0))T ,将上述映射反复作用可得到序列：x0 , x1=Ax0, x2=Ax1, …,xn+1=Axn,…我们将这一过程称为线性映射的迭代，其中矩阵A称为迭代矩阵。 2实验内容与练习 2.1平面线性映射的迭代 在（9.1）式中，取m=2，就得到比较简单的平面线性映射((x1(n),x2(n))T可以看作平面上的点)： x1(n+1) =a11x1(n)+a12x2(n), (9.2) x2(n+1) =a21x1(n)+a22x2(n), 对于给定的迭代矩阵A=及初始向量(x1(0),x2(0))T，利用（9.2）进行迭代所得到的序列具有什么样的性质呢？这是本节所要解决的问题。 我们先从一个具体的例子着手。取迭代矩阵A=，(x1(0),x2(0))T=（1，2）T。 A={{4，2}，{1，3}}； x={1,2} t={}; For[i=1,i=20,i++, x=A.x; t=Append[t,x]]; t ListPlot[t,PlotStule-AbsolutePointSize[4]] 练习1 取迭代矩阵，初始向量(x1(0),x2(0))T=(1,2)T，求出点列(x1(n),x2(n))T(n=1,2,…)，并画出这些点的散点图。 如果知道{xn}的通项，就可以很方便地研究迭代序列的性质。下面来研究x1(n)与x2(n)的通项。 由迭代的过程可以知道， xn= Axn-1 =A*Axn-2=A2xn-2 =…=Anx0 因此，如果已知x0，只要设法求出，就可以写出xn的一般表达式。 如果A是对角矩阵，显然有An=。如果A不是对角矩阵，它在一定的条件下与对角矩阵相似，即存在可逆矩阵P与对角矩阵D=，使得A=PDP-1。此时有：An=PDnP-1，A的幂可以很方便的求出来。 在Mathematica软件中，可以用下面的JordanDecomposition命令很方便地求出上述的矩阵P与D。 A={{4,2},{1,3}}; {p,d}=JordanDecomposition[A]; p d 程序的结果为P=与D= 练习2 对A=，(x1(0),x2(0))T=(1,2)T，求出{x1}的通项。 练习3 对于练习1中的，(x1(0),x2(0))T=(1,2)T,求出{xn }的通项。 下面来研究平面线性迭代序列的极限性质。首先通过图形来观察。 对A=，而初始向量取-1与1之间的随机数，我们进行多次迭代，用下面的程序将所得到的迭代点列画在同一个图上（见图9.1）。 9.1 迭代序列散点图 A={{4，2}，{1，3}}； t={}; Do[x={2*Random[]-1,2*Random[]-1}; T=Append[t,x]; For[i=1,i=40,i++, X=A.x; T=Append[t,x]], {j,1,20}]; ListPlot[t,PlotStule-AbsolutePointSize[3]] 可以看出，迭代点列似乎在一条通过原点的直线上。为什么会出现这种现象呢？ 若一个点列位于平面上的直线上，则这个点列的两个分量的比值是一个常数。那么，上述序列的两个分量的比值是否是一个常数呢？ 练习4 对随机给出的 (x1(0),x2(0))T，观察数列{}。该数列有极限吗？ 练习5 对x0 =(x1(0),x2(0))T，给出{xn }的通项公式，从理论上研究数列{}的极限，并与练习4的结论作对比。 练习6 对于练习1中的迭代矩阵B，取随机的初始值，画出迭代序列的散点图。并研究{}的极限。 2.2 一般线性映射的迭代 在前一节中，我们研究了平面线性映射的迭代，即在（9.1）中取m=2的情况。下面来研究m取一般值的情况。此时仍然有 （9.3） 类似于2.1节，如果A是一个对角矩阵或与一个对角矩阵相似，则可以比较方便的求出矩阵A的幂，从而求出x的一般表达式。 对A=,用