第三章 线性方程组求解.pptVIP

Matlab指令 zeros(m,n) ones(m,n) eys(n) rand(m,n) diag(A) diag(x) reshape(A,m,n) 将矩阵A的元素重排成m行n 列矩阵。 null(A) 返回A的零空间的基，即Ax=0的基 础解系 线性方程组求解 直接解法（矩阵除法） 利用左除运算符的直接解法 对于线性方程组Ax=b，可以利用左除运算符“\”求解：x=A\b 当A为方阵，A\b结果与inv(A)*b一致； 当A不是方阵， Ax=b存在唯一解， A\b将给出这个解； 当A不是方阵， Ax=b有无穷多解， A\b将给出一个具有最多零元素的特解； 当A不是方阵， Ax=b无解， A\b将给出最小二乘意义上的近似解。 例1 用直接解法求解下列线性方程组。 命令如下： A=[2,1,-5,1;1,-5,0,7;0,2,1,-1;1,6,-1,-4]; b=[13,-9,6,0]; x=A\b 例2 P51 线性方程组通解 用rref化为行最简形以后求解； 用除法求出一个特解，再用null求得一个齐次组的基础解系 用符号数学工具箱中的solve求解 例3 P52 利用矩阵的分解求解线性方程组 矩阵分解是指根据一定的原理用某种算法将一个矩阵分解成若干个矩阵的乘积。常见的矩阵分解有LU分解、QR分解、Cholesky分解，以及Schur分解、Hessenberg分解、奇异分解等。 (1) LU分解 矩阵的LU分解就是将一个矩阵表示为一个交换下三角矩阵和一个上三角矩阵的乘积形式。线性代数中已经证明，只要方阵A是非奇异的，LU分解总是可以进行的。 MATLAB提供的lu函数用于对矩阵进行LU分解，其调用格式为： [L,U]=lu(X)：产生一个上三角阵U和一个变换形式的下三角阵L(行交换)，使之满足X=LU。注意，这里的矩阵X必须是方阵。 [L,U,P]=lu(X)：产生一个上三角阵U和一个下三角阵L以及一个置换矩阵P，使之满足PX=LU。当然矩阵X同样必须是方阵。 实现LU分解后，线性方程组Ax=b的解x=U\(L\b)或x=U\(L\Pb)，这样可以大大提高运算速度。 例7-2 用LU分解求解例7-1中的线性方程组。 命令如下： A=[2,1,-5,1;1,-5,0,7;0,2,1,-1;1,6,-1,-4]; b=[13,-9,6,0]; [L,U]=lu(A); x=U\(L\b) 或采用LU分解的第2种格式，命令如下： [L,U ,P]=lu(A); x=U\(L\P*b) (2) QR分解 对矩阵X进行QR分解，就是把X分解为一个正交矩阵Q和一个上三角矩阵R的乘积形式。QR分解只能对方阵进行。MATLAB的函数qr可用于对矩阵进行QR分解，其调用格式为： [Q,R]=qr(X)：产生一个正交矩阵Q和一个上三角矩阵R，使之满足X=QR。 [Q,R,E]=qr(X)：产生一个正交矩阵Q、一个上三角矩阵R以及一个置换矩阵E，使之满足XE=QR。 实现QR分解后，线性方程组Ax=b的解x=R\(Q\b)或x=E(R\(Q\b))。 例7-3 用QR分解求解例7-1中的线性方程组。 命令如下： A=[2,1,-5,1;1,-5,0,7;0,2,1,-1;1,6,-1,-4]; b=[13,-9,6,0]; [Q,R]=qr(A); x=R\(Q\b) 或采用QR分解的第2种格式，命令如下： [Q,R,E]=qr(A); x=E*(R\(Q\b)) 迭代解法 迭代解法非常适合求解大型系数矩阵的方程组。在数值分析中，迭代解法主要包括 Jacobi迭代法、Gauss-Serdel迭代法、超松弛迭代法和两步迭代法。 1．Jacobi迭代法 对于线性方程组Ax=b，如果A为非奇异方阵，即aii≠0(i=1,2,…,n)，则可将A分解为A=D-L-U，其中D为对角阵，其元素为A的对角元素，L与U为A的下三角阵和上三角阵，于是Ax=b化为： x=D-1(L+U)x+D-1b 与之对应的迭代公式为： x(k+1)=D-1(L+U)x(k)+D-1b 这就是Jacobi迭代公式。如果序列{x(k+1)}收敛于x，则x必是方程Ax=b的解。 Jacobi迭代法的MATLAB函数文件Jacobi.m如下： function [y,n]=jacobi(A,b,x0,eps) if nargin==3 eps=1.0e-6; elseif nargin3 er