线性方程组的迭代法5_1.ppt

一、Jacobi迭代法 第五章 线性方程组的迭代法 §1 迭代公式的建立 二、Gauss-Seidel迭代法 三、超松弛法 引言 线性方程组解法在数值分析中占有极其重要的地位。 线性方程组解法大致分为两类：迭代法和直接法 一、Jacobi迭代法 1. Jacobi迭代法举例 例：求解方程组 其中 精确解是x*=(1.1, 1.2, 1.3)T 解：将原方程组改写为 则迭代公式为： 若选 x(0) =(0, 0, 0)T, 则迭代9次有 x(9) = (1.09994, 1.19994, 1.29992)T 这就是Jacobi迭代法！ 2. Jacobi迭代法一般形式 由方程组 的系数矩阵A非奇异，不妨设 aii≠0，方程组 变形为 对应上述的方程组，可得迭代公式为 其中 x(k)为第 k 次迭代向量. Jacobi迭代法的一般公式 3. Jacobi迭代法的矩阵形式 将方程组记为 Ax = b 其中A非奇异且aii ≠0 (I=1, 2, …, n). 将A分裂为 A = Ｌ+ D +Ｕ 其中 由此可将变形过程用矩阵表示为 Dx = -(L + U)x +b 即 x = D-1[b-(L + U)x] =D-1(-L - U)x + D-1b 简记为 x = Gx + f 故Jacobi迭代公式的矩阵形式为 二、Gauss-Seidel迭代法 1. Gauss-Seidel迭代法举例 例：求解方程组 精确解是x*=(1.1, 1.2, 1.3)T 解：将原方程组改写为 则迭代公式为： 若选 x(0) =(0, 0, 0)T, 则迭代6次有 x(6) = (1.09999, 1.19999, 1.30000)T 这就是Gauss-Seidel迭代法:认为最新计算出的分量可能比旧的分量要好些！ 2. Gauss-Seidel迭代法一般形式 对应于变形方程组 G-S迭代公式可写为： 其中 x(k)为第 k 次迭代向量. 3. Gauss-Seidel迭代法的矩阵形式 将方程组记为 Ax = b 其中A非奇异且aii ≠0 (I=1, 2, …, n). 将A分裂为 A = Ｌ+ D +Ｕ 其中 由此可将方程组的变形过程用矩阵表示为 Dx = -(L + U)x +b 这G-S迭代可表示为 Dx(k+1) =-Lx(k+1) - Ux(k) + b 整理得 x(k+1) = D－1(b－Lx(K+1) － Ux(k) ) x(k+1) = -(D+L)－1Ux(k) + (D+L)－1b 故G-S迭代公式的矩阵形式为 注： 对有些问题Gauss-Seidel迭代法确实比Jacobi迭代法收敛得快; 但也有Gauss-Seidel迭代法比Jacobi迭代法收敛得慢; 甚至还有Jacobi迭代法收敛，而Gauss-Seidel迭代法发散的情形。 三、超松弛法 1. 超松弛法的一般形式 为了加速迭代过程的收敛，我们通过引入参数，在Gauss-Seidel迭代的基础上得到一种新的迭代法。 将前一部的结果 与高斯—赛德尔方法的迭代值 适当加权平均，期望获得更好的近似值 或合并表示为 迭代 加速 具体计算公式如下： （i = 1, 2, …, n） 可以把 △x 看作G-S迭代的修正项， 即第 k 次近似解 x(k) 以此项修正后得到新的 近似解 x(k+1) = x(k) + △x 松弛法是将△x 乘上一个参数因子ω作为修 正项而得到新的近似值，其具体公式为： 记 其中x(k+1)由G-S方法算出。于是有 x(k+1) = x(k) + ω △x 即 按上式计算方程组近似解序列的方法称为 松弛法， ω 1时，称为低松弛； ω=1时，是G-S法； ω 1时，称为超松弛法，简称SOR法 2. 超松弛迭代法举例 例：用超松弛法求解下列方程组，取ω=1.4 精确解是x*=(3, 2, 1)T 解：将原方程组改写为 则迭代公式为： 3. 超松弛迭代法的矩阵形式 用分解式 A = D+Ｌ+Ｕ，则可写为 迭代公式也可写为： 即 显然对任何ω值，(D+ωL)非奇异，故 这就是松弛迭代法的矩阵表示。 注： 松弛法是G-S法的一种加速方法； 具有计算公式简单，程序设计容易； 但需要选择较好的加速因子。 举例 用松弛法解方程组 其精确解为 x* = (-1, -1, -1, -1)T 解：取ｘ(0) = 0，建立相应的迭代