[理学]第2章 线性方程组的迭代法yjs10n.ppt

2.1 迭代法的一般理论 为了研究线性方程组近似解的误差估计和迭代法的收敛性，我们需要对Rn(n维向量空间)中的向量或Rnxn中矩阵的“大小”引入一种度量，——向量和矩阵的范数。 向量和矩阵的范数 而在二维平面上，平面上任意一点P(x,y)到原点的距离用 表示。而平面上任意两点P1(x1,y1),P2(x2,y2)的距离用 表示。 推广到n维空间，则称为向量范数。 2.3.2 收敛条件 我们看一下Gauss-Seidel迭代法收敛的充分条件 定理：若A满足下列条件之一，则Seidel i迭代收敛。 ①A为行或列对角占优阵 ②A对称正定阵（证略） 迭代格式收敛??(B)1 。若‖B‖1?迭代法收敛. det(?I-B)= det(?I-(D-L)-1U) 证明： = det((D-L)-1)det(?(D-L)-U)=0 所以有 det(?(D-L)-U)=0 若|?|?1, 则矩阵?(D-L)-U 是严格对角占优矩阵, 这与 det(?(D-L)-U)=0矛盾, 所以|?|1,于是?(B)1. 注：二种方法都存在收敛性问题。 有例子表明：Gauss-Seidel法收敛时，Jacobi法可能不收敛；而Jacobi法收敛时， Gauss-Seidel法也可能不收敛。 2.4 逐次超松弛迭代法 记 则 可以看作在前一步上加一个修正量。若在修正量前乘以一个因子 ，有 对Gauss－Seidel迭代格式 (2.22) 故SOR的迭代格式 （2.23） SOR的迭代矩阵 写成分量形式，设 加速 （迭代公式） ?是松驰因子(0?2), 当0?1时叫低松弛，?1时叫超松弛， ?=1时，就是Gauss-Seidel迭代法。 松弛法计算过程如下： 程序见P28。 2.4.2 SOR迭代法的收敛条件 迭代格式收敛??(B)1 。若‖B‖1?迭代法收敛. 对于SOR迭代，我们有一些收敛的结果. 定理2.10 若SOR方法收敛的必要条件是0?2. 证 设SOR方法收敛, 则?(B?)1,所以|det(B?)| =|?1?2… ?n|1 而 det(B?) =det[(D-?L)-1 ((1-?)D+?U)] =det[(I-?D-1L)-1 ]det[(1-?)I+?D-1U)] =(1-?)n 于是 |1-?|1, 或 0?2 定理2.11 设A是对称正定矩阵, 则当0?2时,解方程组Ax=b的SOR方法收敛. 证 设?是B?的任一特征值, y是对应的特征向量, 则 [(1-?)D+?U]y=? (D-?L)y 于是 (1-?)(Dy,y)+?(Uy,y)=?[(Dy,y)-?(Ly,y)] 由于A=D-L-U是对称正定的, 所以D是正定矩阵, 且L=UT. 若记(Ly,y)=?+i?, 则有 (Dy,y)=? 0 (Dy,y)=?0 (Uy,y)=(y,Ly)=(Ly,y) =?-i? 0(Ay,y)=(Dy,y)-(Ly,y)-(Uy,y) =?-2? 所以 当0?2时,有 (?-??+??)2-(?-??)2= (2??-??)(2?-??) = ?? (2?-?)(2-?)0 所以|?|21, 因此?(B?)1,即S0R方法收敛. 推论2.1 A是对称正定矩阵, Jacobi迭代法收敛的充要条件是2D-A也对称正定。 证 设?是Jacobi迭代矩阵B的任一特征值, y是对应的特征向量, 则 (L+U)y=?Dy 于是 (Ly,y)+(Uy,y)=?(Dy,y) 可得 ?=2?/? 当A对称正定时,即2?-?0时,|?|1? 2?+?0 而 ((2D-A)y,y)=(Dy,y)+(Ly,y)+(Uy,y) =?+2? 即,当A对称正定时,Jacobi迭代法收敛?2D-A正定. SOR方法收敛的快慢与松弛因子?的选择有密切关系.但是如何选取最佳松弛因子,即选取?=?*,使?(B?)达到最小,是一个尚未很好解决的问题.实际上可采用试算的方法来确定较好的松弛因子.经验上可取1.4?1.6. 用SOR方法解线性方程组 解 SOR方法迭代公式为 方程组的精确解是x*=(2,1,-1)T