北航数值分析作业.docVIP

数值分析作业1 1. 算法的设计方案 采用Jacobi算法理论上可以将所有特征值都能求出来，但实际计算后发现，Jabobi算法精度太低。对于最大和最小特征值（在该题中，这两个特征值模都在10左右，远离0），该算法尚能得出较高精度结果。而对于模最小特征值，得出结果为0。 于是改用幂法和反幂法。最先可以分别求出模最大特征值λ1和模最小特征值λs。从得到的结果发现λ1是负数，即λ1是最小特征值。分析一下，最小特征值减去最大特征值结果是模最大。于是将矩阵平移λ1，利用幂法，最后可以求出最大特征值λ501。 与λik最接近也就是与其差值的模最小，故而先将矩阵平移λik，然后采用反幂法，最后求出各λik。 在反幂法中用到了LU三角分解，矩阵A的行列式值就等于上三角阵U的行列式值，即U对角线元素的乘积。 2. 程序代码 using System; using System.Collections.Generic; using System.Linq; using System.Text; namespace SpecificRootsResolve { class Program//定义主类 { const int r = 2, s = 2, N = 501; static double beta = 0, beta0; static double[,] a = new double[N, N]; static double[,] u = new double[N, N]; static double[,] l = new double[N, N]; static double[] b = new double[N]; static double[] x = new double[N]; static double[] y = new double[N]; static void Main(string[] args) { int i; double λ1, λ501, λs, condA2, detA = 1; double[] dev = new double[39]; double[] λnew = new double[39]; Initialize(x);//初始化迭代初始向量x Initialize(a);//初始化矩阵a InversePowerMethod(a);//调用反幂法函数 λs = 1 / beta; Console.WriteLine(λs={0:E11}, λs); beta = 0; Initialize(x); PowerMethod(a);//调用幂法函数 λ1 = beta; beta = 0; Initialize(x); Deviate(a, λ1);//调用平移函数 PowerMethod(a); λ501 = beta + λ1; beta = 0; Initialize(x); Console.WriteLine(λ1= {0:E11}, λ1); Console.WriteLine(λ501= {0:E11}, λ501); for (i = 0; i 39; i++) { dev[i] = λ1 + (i + 1) * (λ501 - λ1) / 40; Deviate(a, dev[i]); InversePowerMethod(a); λnew[i] = beta + dev[i]; Console.WriteLine(λnew{0}={1:E11}, i + 1, λnew[i]); } Initialize(a);//初始化矩阵a