高等数值分析报告(最速下降法和共轭梯度法研究).docx

高等数值分析报告最速下降法与共轭梯度法的数值性质研究Xxx2011xxxxxx研究目的课本中给出了关于最速下降法和共轭梯度法的收敛性定理，按照定理，在不考虑计算摄入误差影响的情况下，收敛性似乎只与系数矩阵的最大最小特征值有关。那么，我们需要思考这样几个问题：舍入误差的影响如何？系数矩阵的中间特征值对收敛性会有怎样的影响呢？矩阵A的特征向量会对收敛性会有怎样的影响呢？带着这样几个问题，我们将进行一系列数值实验，通过设计的实例对上述几个问题进行探讨，并尝试发现其中的规律。最速下降法的数值性质研究构造方程组AX=b.在本实验中，构造了5个100阶对角方阵，对角元均大于0，记为。随机生成10个100阶矩阵Mj。J=1,….,10，作它们的QR分解，得到10个正交矩阵Qj。至此，可以得到50个对称的矩阵Aij=QjDiQjT,同时，也可以得到其对应的逆Bij=QjDi-1QjT,该矩阵主要用于计算系数矩阵为Aij的方程的精确解X*=Bijb。系数矩阵特征值分布对算法的影响固定系数矩阵A的特征向量，选择不同的特征值分布来观察其对结果的影响。试验中所采用的特征值最大值为100，最小值为1.,序号为j的实验组别中第i（2~98）位特征值为a[i,j]=100 - 0.2 x i x j+0.1;a[99,j] = 1.1 + 2 x (5-j) 。取迭代次数100(淡黄色区域)次，得到下表：表1 最速下降法计算结果之特征值分布对结果的影响序号A的特征值分布K(A)1100,99.7,…,9.1,11000.98020.9458 1.1742 2100,99.3,…,7.1,11000.98020.9442 1.1300 3100,98.9,…,5.1,11000.98020.9443 1.2608 4100,98.5,…,3.1,11000.98020.9372 1.1020 5100,98.1,…,1.1,11000.98020.93973.1205分析上表中数据可以得到如下结论：最速下降法是一个收敛的算法，随着迭代次数的增加，算法的结果能够不断逼近真实值。对于程序中的的n阶系数矩阵A和100的条件数，最速下降法收敛速度并不是很快。误差A-范数平均下降速率低于理论值，但是非常逼近理论值。在最大最下特征值不变的情况下，中间特征值的变化会对算法的收敛速度产生影响。下面将以倒数第二个特征值的变化为例说明单个特征值变化对误差A范数平均下降速率的影响我原本认为次最下特征值会对误差A范数平均下降速率有着较为显著的影响。为了说明问题，不妨固定其余特征值，在这里，序号为j的实验组别中第i（2~98）位特征值为a[i,j]=100 - 0.5 x i+0.1;a[99,j] = 1.01 + 5 x (5-j) .表2 最速下降法计算结果之次小特征值分布对结果的影响序号A的特征值分布K(A)1100,99,…,21.01,11000.98020.9422099,…,16.01,11000.98020.9420099,…,11.01,11000.98020.9417099,…,6.01,11000.98020.9411099,…,1.01,11000.98020.94210.8084说明单个特征值（次最小）不断接近最小特征值时，误差A范数平均下降速率几乎不受什么影响。特征向量对算法的影响选取上实验中的d{1}作为特征值序列，采用不同的Q生成矩阵A，研究不同特征向量对最速下降法收敛性的影响。黄色（100次）表3特征向量对最速下降法收敛速度的影响序号特征向量族K(A)1Q11000.98020.9327 0.0615 2Q21000.98020.9382 11.0727 3Q31000.98020.9447 2.28754Q41000.98020.9504 7.1919 5Q51000.98020.9404 14.5803 6Q61000.98020.9376 16.5006 7Q71000.98020.9413 0.2501 8Q81000.98020.9325 0.0877 9Q91000.98020.9460 0.7327 10Q101000.98020.950820.0051不难发现这样的事实：特征值分布相同的情况下，不同的Q会对收敛速度产生不同的影响，某些情况下可以很快的收敛，某些情况下收敛速度很慢。收敛率曲线图分析：在这5张图中可以看到，前几次迭代中，误差向量ek的A范数下降速度很快，然而当迭代次数超过一定后，下降速度迅速变慢。此外，