线性方程组地解法.ppt

* 线性方程组的解法 解线性方程组的迭代法 Iterative Methods for Linear Systems Jacobi迭代和Gauss-Seidel迭代 迭代法的矩阵表示 Matrix form of the Iterative Methods 线性方程组的解法在计算数学中占有极其重要的地位。 线性方程组的解法大致分为迭代法与直接法两大类 雅可比(Jacobi)迭代法 举例说明雅可比迭代法的基本思路 例4.1 特点:系数矩阵主对角元均不为零 取迭代初值x1(0) =0， x2(0) =0， x3(0) =0 将方程改写成如下等价形式 据此建立迭代公式 x(0) 0 0 0 x(1) 0.7778 0.8000 0.8667 x(2) 0.9630 0.9644 0.9778 x(3) 0.9929 0.9935 0.9952 x(4) ········ 0.9987 0.9988 0.9991 x1*＝ 1.0000，x2*＝ 1.0000，x3*＝ 1.0000 准确解 可以看出，迭代每前进一步，结果就逼近准确解一步 迭代过程收敛 矩阵形式: 以上这种迭代方法称雅可比(Jacobi)迭代法。 基本思想：将方程组的求解问题转化为重复计算一组彼此独立的线性表达式。 (i = 1,2, ···,n; k=0,1,2, ···) (i = 1,2, ···,n) 设有方程组 将第i个方程的第i个变量xi分离出来，据此建立分量形式的雅可比迭代公式 如果 用矩阵形式来表示雅可比迭代公式 设有方程组: AX = b 其中A＝(aij)n为非奇异矩阵，X=(x1, x2, ···, xn)T, b=(b1, b2, ···, bn)T，唯一解为X*=(x1*, x2*, ···, xn*)T 将A分解为：A＝U+D+L 其中 于是 (U+D+L)X = b 得 X＝ －D－ (U+L)X +D－b 据此得矩阵形式的雅可比迭代公式 X(k+1)＝－D－(U+L)X(k) +D－b 记 B＝－D－ (U+L)， f＝ D－b 有 B：迭代矩阵 ( k=0,1,2,······ ) X(k+1)= BX(k) + f 任取 X(0), 迭代计算产生向量序列: 若 则迭代过程收敛。x* 是方程组 Ax = b 的解 X(1), X(2),······, X(k),······ 迭代法适用于解大型稀疏方程组 (万阶以上的方程组,系数矩阵中零元素占很大比例,而非零元按某种模式分布) 背景: 电路分析、边值问题的数值解和数学物理方程 问题: (1)如何构造迭代格式？ (2)迭代格式是否收敛？ (3)收敛速度如何？ (4)如何进行误差估计？ 高斯塞德尔Gauss-Seidel迭代法 Gauss-Seidel迭代法是通过对Jacobi迭代法稍加改进得到的。 Jacobi迭代法的每一步迭代新值 x(k+1)=[x1(k+1),x2(k+1) , ···,xn(k+1)]T 都是用前一步的旧值 x(k)=[x1(k),x2(k) , ···,xn(k)]T 的全部分量计算出来的。那么在计算第i个分量xi(k+1) 时，已经计算出 x1(k+1),x2(k+1) , ···,xi-1(k+1) (i-1)个分量，这些分量新值没用在计算xi(k+1) 上。将这些 (i = 1,2,…,n) (i = 1,2,···,n; k =0,1,2,···) 将这些分量利用起来，有可能得到一个收敛更快的迭代公式。 具体作法：将分量形式的雅可比迭代公式右端前(i-1)个分量的上标为k换成k+1，即 分量形式的高斯-塞德尔迭代公式。 用矩阵形式来表示高斯-塞德尔迭代公式 DX(k+1)＝b-LX(k+1) - UX(k) 即 (D+L)X(k+1) ＝ -UX(k)+b 如果 (D+L)－存在，则 X(k+1) ＝－(D+L)－ UX(k)+ (D+L)－ b 记 B＝(D+L)－， f＝ (D+L)－ b 则 ( k=0,1,2,···) X(k+1)= BX(k) + f 矩阵形式的高斯-塞德尔迭代公式。 B：迭代矩阵 例 例 Jacobi迭代算法 A=[