数值分析-第8章线性方程组的解法.pptVIP

第8章 线性方程组的解法 内容概要 解线性方程组的直接法的基本概念 高斯消去法 高斯主元消去法 分解法 平方根法与 分解法 解线性方程组迭代法的基本概念 三种迭代法 迭代法的收敛性与误差估计 8．1 解线性方程组的直接法的基本概念 直接法：假定计算过程没有舍入误差的情况下，经过有限步算术运算后能求得线性方程组精确解的方法。 研究对象： 阶线性代数方程组 矩阵形式 克莱姆（Cramer）法则 8．2 高斯消去法 基本思想：用逐次消去未知数的方法把原方程组化为上三角形方程组再求解 。 消元：用初等变换将原方程组的系数矩阵化为上三角形矩阵（简称上三角阵）再求解的方法。 回代：解出上三角形方程组的最后一个方程，将求得的值逐步往前一个方程代入的方法。 一、第 k 次消元 ( 1≤ k≤n-1 ) 二、回代 8．2．2 高斯消去法的计算量 8．2．2 高斯消去法的计算量 8．3 高斯主元消去法 8．3．1 算法的引入 高斯消去法的主元 ，但很小时，会导致其它元素数量级的严重增长和舍入误差的扩散。 高斯主元消去法的基本思想 ：尽量避免选取绝对值小的主元素。 高斯主元消去法优越性：不增加求解过程的运算量，而大大减小误差。 8．3．2 高斯列主元消去法 8．3．3 高斯全主元消去法 算法的引入： 对解的精度有较高的要求时，高斯列主元消去法可能达不到给定精度。 方程组含有较多方程 的情况。 全主元消去法比列主元消去法的精度好，但比列主元消去法花费更多的机器运算时间。 8．3．3 高斯全主元消去法 8．3．4 主元消去法的MATLAB实现 8．3．4 主元消去法的MATLAB实现 程序8-2（第二部分） if Aug(p, p)==0 A是奇异阵，方程无惟一解 break end for k=p+1: N m=Aug(k, p)/Aug(p, p); Aug(k, p:N+1)=Aug(k, p:N+1)-m*Aug(p, p:N+1); end end %这里用到程序8-1中定义的函数backsub来进行回代。 X=backsub(Aug(1:N, 1:N)，Aug(1: N, N+1))； 8.4 分解法 8．4 ．1 　 分解的概念 8．4．2 用　　分解求解线性方程组 分解的具体实施 分解的要求 8．4．3 　 分解的MATLAB实现 8．4．3 　 分解的MATLAB实现 程序8-3（第一部分） function X=lufact(A, b) %A为n阶矩阵。 b是n维向量。X是所求的AX=b的解。 [N,N]=size(A); X=zeros(N, 1); Y=zeros(N, 1); C=zeros(1, N); R=1: N; for p=1: N-1 [max1, j]=max(abs(A(p: N, p))); C=A(p, :); A(p, :)=A(j+p-1, :); A(j+p-1, :)=C; d=R(p); R(p)=R(j+p-1); R(j+p-1)=d; if A(p, p)==0 A是奇异阵，方程组无惟一解 程序8-3（第二部分） 8．5 平方根法与 分解法 8．5．1 平方根法 8．5．1 平方根法 8．5．1 平方根法 8．5．2 分解法 8．5．2 分解法 8．5．2 分解法 8．6 解线性方程组迭代法的基本概念 8．6．1 迭代法的提出 对于阶数不太高的线性方程组，用直接法比较有效，但直接法很难解决存储问题. 迭代法就是用某种极限过程去逐步逼近线性方程组精确解的方法。 8．6．2 向量范数 常用向量范数 向量的收敛 向量的收敛 向量的收敛 8．6．3 矩阵范数 矩阵范数的性质  常用矩阵范数 矩阵的收敛 矩阵的收敛 8．6．4 谱半径 谱半径的性质 8．7．1 雅克比（Jacobi）迭代法 雅克比迭代法的MATLAB实现 程序8-4 function X=jacobi(A, b, P, delta, max1) %A是n维非奇异阵。b是n维向量。 P是初值。 %delta是误差界。max1是给定的迭代最高次数。 %X为所求的方程组AX=b的近似解。 N=length(b); for k=1: max1 for j=1:N X(j)