第三章节线性方程组的迭代解法.pptVIP

* 第三章 线性方程组的迭代解法 线性方程组的直接法，用于阶数不太高的线性方程组效果较好.实际工作中有的线性方程组阶数很高，但其中的大多数系数为0，这一类的线性方程组的系数阵称为稀疏矩阵.稀疏矩阵的存贮和计算有一套技术处理，可以节约大量的存贮空间和计算工作量.用直接法计算时，因一次消元就可以使系数阵丧失其稀疏性，不能有效利用其稀疏的特点.下文介绍的迭代法就有保持系数阵稀疏的优点，此外迭代法也常用来提高已知近似解的精度. 线性方程组 Ax=b (3.1) 其中A非奇异，b≠0，因而它有唯一非零解. 构造与(3.1)等价的方程组 x=Bx+f (3.2) 即使得(3.2)与(3.1)同解，其中B是n×n矩阵，f是n维向量. 结束 * 3.1 迭代法的一般形式 任取一个向量x(0)作为x的近似解，用迭代公式 则有 x*=Bx* +f，即x*是(3.2)的解，当然x*也就是Ax=b的解. 1如何构造迭代公式x(k+1)=Bx(k)+f . 这样的构造形式不止一种，它们各对应一种迭代法. 2迭代法产生的向量序列{x(k)}的收敛条件是什么，收敛速度如何. 结束 * 从以上的讨论中，可以看出，迭代法的关键有：  x(k+1)=Bx(k)+f, (k=0,1,2,?) (3.3) 产生一个向量序列{x(k)}，若 先看一个算例： 按下式进行迭代  (k=0,1,2, ?) 结束 * 3.2 几种常用的迭代法公式 例1 3.2.1 Jacobi迭代法 从以上三个方程中分别解出x1, x2, x3 任取一初始向量，例如x(0)=(0,0,0)T，得到迭代序列{x(k)} (k=0,1,2,?)，列表如下表3-1。 容易验证，原方程组的精确解为 x = (1,2,3) T，从上面的计算可看出，{x(k)}收敛于精确解. 一般说来，对方程组：  设aii≠0(i=1,2,?,n)，从第i个方程解出xi，得等价的方程组： 2.9997 2.9977 2.9938 2.9823 2.9540 2.9540 2.6600 2.0000 0 x3 1.9998 1.9986 1.9961 1.9897 1.9700 1.9260 1.7600 1.5000 0 x2 0.9998 0.9985 0.9962 0.9804 0.9716 0.9180 0.8000 0.3000 0 x1 8 7 6 5 4 3 2 1 0 k 结束 * 迭代公式为： i=1,2,?,n (3.5) (3.6) 这种迭代形式称为Jacobi迭代法(雅可比迭代法)，也称简单迭代法. Jacobi迭代法的矩阵迭代形式: (推导) 结束 * 其中 3.2.2 Gauss-Seidel 迭代法 在Jacobi迭代法的迭代形式(3.6)中，可以看出，在计算 时，要使用 .但此时 已计算出来.看来此时可提前使 用 代替 ，一般地，计算 (n≥i≥2)时，使 用 代替 (i p≥1)，这样可能收敛会快一些，这就形成一种新的迭代法，称为Gauss-Seidel迭代法。 例2 用 Gauss-Seidel 迭代法计算例1并作比较. (k=0,1,2, ?) 结束 * 解 迭代公式为： 用它计算得到的序列{x(k)}列表如表3-2： 可见它对这一方程组比Jacobi迭代法收敛快一些。 Gauss-Seidel迭代法的公式如下： (3.9) Gauss-Seidel迭代法的矩阵迭代形式： （推导） k 0 1 2 3 4 5 6 x1 0 0.3000 0.8804 0.9843 0.9978 0.9997 1.0000 x2 0 1.5000 1.9448 1.9922 1.9989 1.9998 2.0000 x3 0 2.6840 2.9539 2.9938 2.9991 2.9999 3.0