ch2-6(略),3-1w.pptVIP

二、方阵的范数 三、谱半径 谱范数 四、方程组的状态,条件数 条件数计算举例 Ch3 解线性方程组的迭代法 Interative Methods 大型稀疏线性方程组的求解思路： 稀疏直接法 利用稀疏性作适当修改； (巧妙利用矩阵结构,即零元素的分布和 特殊的选主元技巧，保持原有稀疏性) 一、Jacobi 迭代法 求解 Ax = b 例 3.1 二、Gauss-Seidel 迭代法 三、迭代公式的矩阵表示 作业 P 95 1(1)　 3(1) * 1--范数: 2--范数: --范数: (Euclid欧氏-范数) 例1 设 计算三种范数. 解 一、向量的范数 (3) 三角不等式, 则称 为方阵 的范数. (1) , 等号成立当且仅当 (2) 对任意实数 , 有 (4) 定义4 对任意n阶方阵A ,若对应一个非负实数 , 满足条件 为方阵 的 范数. (1) 列范数 (2)(欧氏--范数) 定理2 设 ,则 (3) 行范数 可以验证该范数满足定义4的四个条件. 定义5 设 定义非负实数 例2 解 为方阵 的谱半径. 定理3 对于 均有 称 为 的谱范数. 若 为实对称矩阵, 定义6 设n阶方阵A的特征值为 ， 称 方程组 Ax=b 的系数矩阵和常数项数据,因为观测或实验,或离散化得到,在计算机上会进行舍入,可能会有误差,需要考虑系数矩阵和常数项有微小变化时,解的变化情况. 例3 考察方程组 一个解为 病态方程组 上述方程组尽管只是常数项有微小扰动，但解 大不相同： 一个解为 方程组Ax=b的病态程度与 的大小有关系，这个值愈大，扰动对解的影响愈大. 用来度量计算结果相对误差的量 即使已知量的相对误差不变,计算结果的相对误差也可能由于该因子的的增大而增大. 是用已知量 A 或 b 的相对误差 乘以同一个因子 来估计的. 条件数越小,方程组的状态越好；条件数很大,已知量扰动很小时,其解将产生很大的扰动. 定义7 设 是非奇异阵, 称 为矩阵 的条件数. 条件数很大的方程组称为“坏条件”或“病态”方程组. 方程组越病态,越难得到比较精确的解. 常用的条件数有: 谱条件数 为对称矩阵时 为绝对值最大,最小的特征值. 例4 求 的条件数 解 (2) 为正交矩阵,则 (3)对任意常数 ,有 (4)谱条件数对正交变换不变,即 正交变换不改变方程组的状态. 条件数有下列性质: (1) 求解偏微分方程常引出大型稀疏线性方程组的问题.非零元素分布不规则;阶数高,存储困难;舍入误差积累,答案不可靠. §3.1 Jacobi 和Seidel 迭代法 优点: 算法简单，因而编程比较容易. 迭代法 按某种规则产生近似解序列{x(k)} ，使 其极限逼近精确解(好坏主要集中体现 在此迭代序列的收敛速度上) 缺点: 要求方程组的系数矩阵具有某种特殊性 质，以保证迭代过程的收敛性, 发散的迭代过程是没有实用价值的. 迭代法建立. 考虑Ax=b (矩阵B 不唯一) 一般简单迭代法(Simple) 对应写出 产生向量序列 若收敛,记 注意: 迭代阵B不唯一,影响收敛性. 叫简单迭代法,B叫迭代矩阵. 则于(3.3)两端取极限有： 上式说明： 是解向量,从而当k充分大时 解向量 若向量序列收敛 迭代过程何时可以结束? 例3.2 用Seidel迭代法求解方程组 取初始向量 ,当 时迭代终止 Seidel迭代格式为 解：因为系数矩阵严格对角占优，故Seidel方 法对任意 收敛。 计算结果可列表如下 注意：Seidel方法未必一定比Jacobi方法好。 线性方程组 Ax=b ,若将A变为 如果将所给方程 改写为 对雅可比迭代法 其中D为对角阵，L和D分别为严格下三角和 严格上三角阵. 据此建立的迭代公式 即为雅可比迭代公式. 对高斯—塞德尔迭代法 如果将方程 改写为 改写为 即为高斯—塞德尔迭代公式. 据此建立的