[理学]线性方程组迭代法.pptVIP

8.1 雅可比迭代法 雅可比迭代格式 迭代格式 线性方程组 Ax = y，即 若aii≠0, i = 1,2,…,n ,（8.1）可变为 记 则 写成矩阵形式 或简记为 对任意初始向量 构造迭代格式： (8.2)是称为简单迭代或雅可比迭代。 令B=L+U，其中 则高斯-赛德尔迭代可写成矩阵形式 或写成 * 第八章 线性代数方程组的迭代解法 求解 迭代法 从一个初始向量出发,按照一定的递推格式,产生逼近方程组的近似解序列。 思路 与解f (x)=0 的不动点迭代相似 ， 将方程组 等价改写成 形式，从而建立迭代格式　 ，从 出发，生成迭代序列 迭代法：构造一个向量序列{x(k)}，使其收敛到某个极限向量 x*，即 则x*就是线性方程组的解。 迭代法是一种逐次逼近的方法,与直接法(高斯消元法)比较, 具有: 程序简单,存储量小的优点。特别适用于求解系数矩阵为大型稀疏矩阵的方程组。 常用迭代方法： 雅可比迭代，高斯-赛德尔迭代，松弛迭代等。 雅可比迭代矩阵 将系数矩阵分裂为： 其中 如果 原方程组可化为 其中 所以 称为雅可比迭代矩阵， 是常数项向量。 分量形式： 例1：利用Jacobi迭代法求解方程组 解： Jacobi迭代格式 计算结果 (0.9999981 1.0000020 0.9999981) 14 0.00001 (0.9999541 1.0001253 0.9999541) 10 0.0001 (1.0002507 1.0000694 1.0002507) 9 0.001 迭代 次数 要求 精度 取初值 方 程 组 的 近 似 解 高斯-塞德尔迭代的计算 在雅可比迭代(8.2)的迭代过程中，可用新求出的x(k+1)的分量来代替x(k)的分量参与计算，直到用x(k+1)的前n-1分量代替x(k)的前n-1个分量求出 为止，即可由（8.2）得到高斯-塞德尔迭代： 其中， 为高斯-塞德尔迭代矩阵， G-S迭代法是J迭代法的一种改进 ? G-S迭代法的分量形式： 对例1 用G-S迭代法 G-S迭代格式 Gauss-Seidel迭代法 (1.0000013 1.0000009 0.9999996) 8 0.00001 (0.9999929 0.9999949 1.0000022) 7 0.0001 (0.9997916 0.9998479 1.0000664) 5 0.001 迭代 次数 要求 精度 方 程 组 的 近 似 解 取初值 由J迭代法(8.2)与G-S迭代法（8.6）产生的向量序列 何时收敛，即 记 方程AX=b第k次近似解x(k的误差 8.2 向量和矩阵的范数 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。 在一维数轴上，实轴上任意一点x到原点的距离用|x|表示。而任意两点x1，x2之间距离用 | x1-x2 |表示。 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。 定义8.2.1中的三个条件描述了向量范数的三个性质， 分别称为非负性、齐次性和三角不等式。 常见的向量范数 1-范数 2-范数 ∞-范数 矩阵范数 常见的矩阵范数 向量的收敛性 矩阵的谱半径和矩阵序列收敛性 矩阵序列的收敛性 *