江苏科技大学数值线性代数课程设计.docVIP

应用Jacobi迭代法和Gauss-Seidel迭代法求解线性方程组 数理学院 作者：耿志银（送给学弟学妹！） 摘要：在面对解线性方程组的问题时，直接法虽然很方便，但直接法大多数均需对系数矩阵A进行分解，无法保持A的稀疏性。但在实际应用中，我们常常得面对大型稀疏性方程的求解问题，此时，迭代法比直接法更适用。迭代法是按照某种规则构造一个向量序列{}，使其极限向量是方程组Ax=b的精确解。这里主要介绍Jacobi迭代和Gauss-Seidel迭代。 关键词：Jacobi迭代 Gauss-Seidel迭代 向量序列 极限向量 引言：Jacobi迭代法和Gauss-Seidel迭代法是两类重要的方法，他能充分利用系数矩阵的稀疏性，减少内存占用量，而且程序简单，缺点是计算量大，同时还有收敛性的问题需要讨论。 基本原理：Jacobi迭代 设有方程组AX=b，方程形式为（i=1,2,…,n），假设|A|0，且0（i=1,2,…,n），从第i个方程中解出，得，写成易于迭代的形式： ；k=0,1,2,…)这就是Jacobi迭代的分量形式。 令A=D-L-U，，其中D=diag(,,…,),L=,,此时AX=b可以写成x=Bx+g,其中B=.若给定初始向量，并带入x=Bx+g的右端，就能计算出一个新的向量,即; 再把代入x=Bx+g的右端，又得到了一个向量；依次类推有，k=1,2,3,…这个就是Jacobi迭代格式。B称为Jacobi迭代的迭代矩阵，g称为常数项。可见Jacobi迭代法公式简单，易于操作 Gauss-Seidel迭代 注意到Jacobi迭代各分量的计算顺序是没有关系的，无论先算哪个分量都一样。现在，假设不按Jacobi格式，而是在计算的第一个分量用的各个分量计算。但当计算的第二个分量时，因已经算出，用它代替，其他分量仍用.类似地，计算时，因,…,都已经算出，用它们代替,…,,其他分量仍用的分量计算，有 ， k=1,2,… 这就是Gauss-Seidel迭代。Gauss-Seidel迭代格式如下  Gauss-Seidel迭代的一个明显的好处就是在编写程序时存储量减少了。如果存在，Gauss-Seidel迭代可以改写成，我们把=叫做Gauss-Seidel迭代的迭代矩阵，叫做常数项。 对Gauss-Seidel迭代来说，计算分量的次序是不能改变的。 Jacobi迭代与Gauss-Seidel迭代的收敛性分析 通过上面的介绍不难发现Jacobi迭代与Gauss-Seidel迭代有一个共同的特点，那就是新的近似解是已知近似解的线性函数，并且只与有关，两种迭代法均可表示成如下的形式 .事实上，，对Jacobi迭代有M=，g=;对Gauss-Seidel迭代，有M=，g=. 所以，把形如的迭代称作单步线性定常迭代，其中M叫做迭代矩阵，g叫做初始向量.如果对任意的初始向量由产生的迭代序列都有极限，则称该迭代法是收敛的；否则就称它不是收敛的或是发散的。 如果迭代法是收敛的，并记其极限为，在两端取极限，得到，这表明迭代序列的极限恰恰是的解.如果线性方程组AX=b与等价，则该迭代序列也收敛到非奇异线性方程组AX=b的唯一解.因此，如果迭代序列收敛且存在非奇异矩阵使得，Gg=b,则对充分大的k,就可以作为方程组的近似解。当条件成立时，就称迭代法与线性方程组是相容的。 设为AX=b的解，向量称为的误差向量。由减去得 ， k=0,1,2,… 由此可导出，所以迭代法收敛的充分与必要条件是,又由于的充分与必要条件是，由此得到如下定理： 解方程组AX=b的单步线性迭代收敛的充分与必要条件是M的谱半径，有定理可知，迭代序列收敛取决于迭代矩阵的谱半径，而与初始向量的选取和常数项无关。 实验： 例1：分别用Jacobi迭代法和Gauss-Seidel迭代法求解下列方程组 Jacobi迭代法 相应的Jacobi迭代格式为 取迭代初始值为,按此迭代格式进行迭代计算，得到的精确计算结果为=1，=2，=3 当迭代次数增加时，迭代结果越来越接近精确值，下面来讨论Jacobi迭代的收敛性。 迭代矩阵的特征方程为，展开得到：解得 =，， 于是我们能得到，由此可知Jacobi迭代格式是收敛的。 用MathCAD设计的程序为 算法执行的结果为 有上述表格可知，当迭代次数增加时，迭代结果越来越接近精确值，精确值为=1，=2，=3 Gauss-Seidel迭代法 相应的Gauss-Seidel迭代格式为 取迭代初值为。按此迭代格式进行迭代计算，得到的精确计算结果为=1，=2，=3 当迭代次数增加时，迭代结果越来越接近精确值，下面来讨论Gauss-Seidel迭代的收敛性。 迭代矩阵的特征方程为，展开得到：，解得 ，， 于是我们能得到1,由此可知