matlab在科学计算中的应用4+-+线性代数问题求解 .ppt

4.3.2 Gauss-Seidel迭代法 由原方程构造迭代方程 x(k+1)=G x(k)+f 其中：G=(D-L)-1 U, f=(D-L)-1 b D=diag[a11,a22,…,ann], -L、-U分别为A的严格下、上三角部分（不包括对角线元素）. function y=seidel(a,b,x0) D=diag(diag(a));U=-triu(a,1);L=-tril(a,-1); G=(D-L)\U ;f=(D-L)\b; y=G*x0+f; n=1; while norm(y-x0)=1.0e-6 x0=y; y=G*x0+f; n=n+1; end n 例：对上例用Gauss-Seidel迭代法求解 a=[10 -1 0; -1 10 -2; 0 -2 10]; b=[9; 7; 6]; seidel(a,b,[0;0;0]) n = 7 ans = 0.9958 0.9579 0.7916 例：分别用Jacobi和G-S 法迭代求解,看是否收敛。 a=[1 2 -2; 1 1 1; 2 2 1]; b=[9; 7; 6]; jacobi(a,b,[0;0;0]) n = 4 ans = -27 26 8 seidel(a,b,[0;0;0]) n = 1011 ans = 1.0e+305 * -Inf Inf -1.7556 4.3.3 SOR迭代法 在很多情况下，J法和G-S法收敛较慢，所以考虑对G-S法进行改进。于是引入一种新的迭代法－逐次超松弛迭代法（Succesise Over-Relaxation),记为SOR法。 迭代公式为： X(k+1)= (D-wL)-1((1-w)D+wU)x(k) + w(D-wL)-1 b 其中：w最佳值在[1, 2）之间，不易计算得到，因此 w通常有经验给出。 4.2 线性方程组直接解法4.2.1线性方程组直接求解－矩阵除法 关于线性方程组的直接解法，如Gauss消去法、选主元消去法、平方根法、追赶法等等，在MATLAB中，只需用“／”或“\”就解决问题。它内部实际包含着许许多多的自适应算法，如对超定方程用最小二乘法，对欠定方程时它将给出范数最小的一个解，解三对角阵方程组时用追赶法等等。 格式： x=A\b 例：解方程组 A=[.4096,.1234,.3678,.2943;.2246,.3872,.4015,.1129; .3645,.1920,.3781,.0643;.1784,.4002,.2786,.3927]; b=[0.4043 0.1550 0.4240 -0.2557]; x=A\b; x ans = -0.1819 -1.6630 2.2172 -0.4467 4.2.2线性方程组直接求解－判定求解 例： A=[1 2 3 4; 4 3 2 1; 1 3 2 4; 4 1 3 2]; B=[5 1; 4 2; 3 3; 2 4]; C=[A B]; rank(A), rank(C) ans = 4 ans = 4 x=inv(A)*B x = -1.8000 2.4000 1.8667 -1.2667 3.8667 -3.2667 -2.1333 2.7333 检验 norm(A*x-B) ans = 7.4738e-015 精确解 x1=inv(sym(A))*B x1 = [ -9/5, 12/5] [ 28/15, -19/15] [ 58/15, -49/15] [ -32/15, 41/15] 检验 norm(double(A*x1-B)) ans = 0 原方程组对应的齐次方程组的解 求取A矩阵的化零矩阵： 格式： Z=null(A) 求取A矩阵的化零矩阵的规范形式： 格式： Z=null(A, ‘ r ’) 例： 判断可解性 A=[1 2 3 4; 2 2 1 1; 2 4 6 8; 4 4 2 2]; B=[1;3;2;6]; C=[A B]; [rank(A), rank(C)] ans =