Jacobi-Gauss-Seidel-共轭梯度算法比较.docxVIP

第三章上机题目： 题目一：试分别用： （1）Jacobi迭代法；（2）Gauss-Seidel迭代法和；（3）共轭梯度法解线性方程组：10 迭代初始向量取. 解： Jacobi迭代法算法： 输入，，精度. 置i=1 对k=1,2,…，n，，，， 若，输出最终结果和迭代次数，停机；否则转5. 置i+1i，（k=1, 2, n），转3；否则，停机 源程序： clear clc i=1; a=[10,1,2,3,4; 1,9,-1,2,-3; 2,-1,7,4,-5; 3,2,3,12,-1; 4,-3,-5,-1,15]; d=diag(diag(a)); l=d-tril(a); u=d-triu(a); d0=inv(d); b=[12;-27;14;-17;12]; x0=[0,0,0,0,0]; B=d0*(l+u); f=d0*b; x=B*x0+f; while norm(x-x0,inf)=1e-4 x0=x; x=B*x0+f; i=i+1; end x i 运行结果： Gauss-Seidel迭代法 Gauss-Seidel迭代法算法： 输入，，精度，维数N. 置K=1. 由Gauss-Seidel算法， L=00000 若，输出“第次迭代”和最终结果，停机；否则转5. 置k+1k，（i=1, 2, n），转3；否则，停机 源程序： clear;clc; A=[10,1,2,3,4; 1,9,-1,2,-3; 2,-1,7,4,-5; 3,2,3,12,-1; 4,-3,-5,-1,15]; b=[12;-27;14;-17;12]; N=length(b); fprintf(库函数计算结果: ); x=inv(A)*b x=[0,0,0,0,0]; D=diag(diag(A)); E=-tril(A,-1); F=-triu(A,1); B=inv(D-E)*F; g=inv(D-E)*b; eps=0.001; for k=1:50 fprintf(第%d次迭代： ,k); y=B*x+g; fprintf(\n与上次计算结果距离（2 范数）：%f\n,norm(x-y)^2); if norm(x-y)eps break; end x=y end 运行结果： 共轭梯度法 共轭梯度法算法： 输入，初始向量，误差限. 库函数计算结果作对比. 计算 对于k=1,2,…,计算 若=0或，则终止计算，输出“第k次迭代”以及，否则转3. 源程序： clear A=[10,1,2,3,4; 1,9,-1,2,-3; 2,-1,7,4,-5; 3,2,3,12,-1; 4,-3,-5,-1,15]; b=[12;-27;14;-17;12];%自定义初始化非齐次部分 N=length(b); %解向量的维数 fprintf(库函数计算结果：); X=inv(A)*b %库函数计算结果 x=zeros(N,1);%迭代近似向量 eps=0.0000001;%精度 r=b-A*x;d=r; for k=0:N-1 fprintf(第%d次迭代,k+1); a=(norm(r)^2)/(d*A*d) x=x+a*d rr=b-A*x; %rr=r(k+1) if (norm(rr)=eps)||(k==N-1) break; end C=(norm(rr)^2)/(norm(r)^2); d=rr+C*d; r=rr; end 运算结果： 结果分析以及结论： 从结果来看，Jacobi迭代法用了45次迭代得到精确解，Gauss-Seidel迭代法用了21次迭代得到精确解，共轭梯度法仅仅用了5次就得到了精确解。所以，我们不难得出这样一个结论，对于此题所需解决的线性方程组求解问题，三种迭代方法都是收敛的，且由迭代次数可以看出，共轭梯度法的收敛速度最快，运用这种方法求解这道题的算法是最有效的，Gauss-Seidel迭代法次之，Jacobi迭代法最慢。 题目二：用共轭梯度法或最速下降法求解Hilbert矩阵问题。（程老师上课布置的作业） 解： 由于题目一种已使用共轭梯度法，在题目二中采用最速下降法求解。 算法： 按照每一个元素以及Hilbert矩阵的元素特性，即，建立Hilbert矩阵，对其中元素用循环语句逐一建立。要想完成此题，我们需要先建立一个Hilbert矩阵，在此我以5×5的Hilbert矩阵为例，并令非齐次项矩阵b=[1,1,1