第六章线性方程组地迭代解法.pptVIP

第六章 线性方程组的迭代解法 §1 向量和矩阵的范数 1.1 向量的范数 1.2 矩阵的范数 §2 迭代解法与收敛性? 2.1 迭代解法的构造 2.2 迭代解法的收敛性条件 §3 常用的三种迭代解法 2.1 Jacobi迭代法 2.2 Gauss-Seidel迭代法 2.2 超松弛(SOR)迭代法 §1 向量和矩阵的范数 一、向量的范数 二、矩阵的范数 三、矩阵的谱半径 四、矩阵的条件数 §2 迭代解法与收敛性 一、迭代解法 §3 常用的三种迭代解法 一、Jacobi迭代解法 第6章 线性方程组的迭代解法---习题 * * 为了对线性方程组数值解的精确程度，以及方程组本身的性态进行分析，需要对向量和矩阵的“大小”引进某种度量，范数就是一种度量尺度，向量和矩阵的范数在线性方程组数值方法的研究中起着重要的作用。 定义6.1 设||·||是向量空间Rn上的实值函数，且满足条件 （1）非负性：对任何向量x， || x ||≥0，且|| x ||＝0当且仅当x＝0 则称 ||·|| 为 Rn 空间上的范数，|| x ||为向量 x 的范数。 理论上存在多种多样的向量范数，但最常用的是如下三种。 （2）齐次性：对任何实数和向量x || α x||＝| α | || x || （3）三角不等式：对任何向量x和y，都有 || x＋y ||≤|| x ||＋|| y || 设向量x＝（x1，x2，…，xn）T，定义 向量1-范数： 向量2-范数： 向量∞-范数： 容易验证，以上三种范数都满足向量范数的三个条件。 例6-1 设向量x＝（1，－3，2，0）T，求向量范数|| x ||p，P＝1，2，∞。 解:对于 向量 x＝(1，－3，2，0)T ，根据定义可以计算出： || x||1＝| 1 |＋|－3 |＋| 2 |＋| 0 |＝6 由此例可见，向量不同范数的值不一定相同，但这并不影响对向量大小做定性的描述，因为不同范数之间存在如下等价关系。 定理6.1 （范数的等价性）对于Rn上任何两种范数||·||α和||·||β，存在的正常数 m，M，使得： 范数的等价性表明，一个向量若按某种范数是一个小量，则它按任何一种范数也将是一个小量。容易证明，常用的三种向量范数满足下述等价关系。 || x ||∞ ≤|| x ||1 ≤ n|| x ||∞ || x ||∞ ≤|| x ||2 ≤|| x ||∞ || x ||∞ ≤|| x ||1 ≤|| x ||2 例如： 定义6.2 对于向量序列 向量序列 {x(k)} 收敛于向量 x*，当且仅当它的每一个分量序列收敛于x*的对应分量，即 及向量 如果 则称向量序列 x(k) 收敛于向量 x*。记作 或 矩阵范数是反映矩阵“大小”的一种度量，具体定义如下。 定义2.3 设||·||是以n阶矩阵为变量的实值函数，且满足条件： （1）|| A ||≥0，且|| A ||＝0时，当且仅当A＝0 （2）||αA||＝|α| || A||，α∈R （3）||A＋B||＝|| A ||＋|| B || （4）|| AB ||≤|| A || || B || 则称|| A ||为矩阵A的范数。 设 n 阶矩阵 A＝（aij），常用的矩阵范数有： 矩阵1-范数： 矩阵2-范数： 矩阵∞-范数： 列和 行和 以上三种范数都满足矩阵范数的条件，通常将这三种矩阵范数统一表示为|| A ||p，P＝1，2，∞。 例2-6 设矩阵 求矩阵A的范数|| A ||p，P＝1，2，∞。 解 根据定义 由于 则它的特征方程为: 此方程的根为矩阵ATA的特征值，解得 因此 在线性方程组的研究中，经常遇到矩阵与向量的乘积运算，若将矩阵范数与向量范数关联起来，将给问题的分析带来许多方便。设||·||是一种向量范数，由此范数派生的矩阵范数定义为 注意，此式左端||A||表示矩阵范数，而右端是向量Ax 和 x 的范数，利用向量范数所具有的性质不难验证，由上式定义的矩阵范数满足矩阵范数的条件。 通常将满足上式的矩阵范数称为与向量范数相容的矩阵范数。 可以证明