对线性方程组和矩阵特征值特征向量数值解法的研究.docVIP

2 - PAGE 1 对线性方程组和矩阵特征值特征向量数值解法的研究 摘 要：线性方程组数值解法主要包括直接法和迭代法，一般直接方法包括列主元Guass消去法，选主元的LU分解法，追赶法法等方法。对于迭代法主要包括共轭梯度法，GMRES法，Bicgstab法。迭代法适用于解决在实际中大量出现矩阵为稀疏的大型方程组。 矩阵计算是科学与工程计算的核心，大部分科学与工程问题都要归结为一个矩阵计算问题，在大量的实际问题中，经常会碰到求矩阵特征值和特征向量的问题，这类问题统称为特征值问题。本文求解矩阵特征值和特征向量的方法包括Jacobi法，QR法，幂法和反幂法。本文主要针对以上提出的算法进行分析比较。 关键词：列主元Guass消去法; 选主元LU分解法; 共轭梯度法; GMRES法; Bicgstab法; 追赶法; Jacobi法; QR法; 幂法 1 引言 线性方程组是线性代数历史上的第一个分支，是线性代数许多思想的源头。许多科学和工程技术问题，都归结为求解线性方程组。比如，行列式和矩阵都产生于方程组的研究。线性方程组不但是最基本最重要的数学理论和研究工具，而且有广泛的应用。对于线性方程组的求解本文采用直接法和迭代法，其中直接法是经过有限次运算后可求得方程组精确解的方法(不计舍入误差)；迭代法是从解的某个近似值出发，通过构造一个无穷列去逼近精确解的方法（一般有限步内得不到精确解）。 在实际应用中，特征值问题有着广泛的应用背景，例如微分方程的刚性比和数值方法的稳定性；动力系统和结构系统的振动问题；电力系统的静态稳定问题等，实质上都是矩阵的特征值问题。幂法，Jacobi方法及QR方法是求矩阵特征值和特征向量的常用数值方法，它们都是造构造迭代产生的矩阵序列来达到目的的。 本文采用C语言编写以上算法，并进行了算法间的比较，最后采用图表的方式分析所得到的结果。 2 问题分析 研究线性方程组主要解决下面三个问题：（1）方程组是否有解，即解的存在性问题；（2）若方程组有解，那么有多少解，解与解之间有什么关系，即解的结构问题；（3）解的求法。求解线性方程组的方法可以分为两大类：直接法和迭代法。直接法的特点是，运用此类方法求解线性方程组时，如果计算过程没有舍入误差，那么经过有限次运算就能求出方程组的精确解。迭代法求解方程组就是构造一个无限的向量序列，使它的极限是方程组的解向量。即使计算过程是精确进行的，迭代法也不能通过有限次算术运算求得方程组的精确解，而只能逐步逼近它。因此，凡是迭代法都存在收敛性与精度控制的问题。迭代法常用于求解大型稀疏线性方程组。 一般的，代数方法只适用于阶数较低的矩阵，当矩阵阶数较高时，用代数方法求矩阵的特征值和特征向量是极其困难的。本文主要采用三种方法，幂法、Jacobi法及QR分解法。 算法及算法分析 表1 求解线性方程组算法的比较 算法 适用范围 计算复杂度 优点 不足 列主元素高斯消去法 中小型方程组 具有良好的数值稳定性 存储量大 选主元的LU分解法 中小型方程组 与三角分解相比，精度得到了提高 要求矩阵为非奇异阵 求解三对角线性方程组的追赶法 中小型方程组 ①计算量小；②所占用的存储单元少；③方法简单，算法稳定。 有时可能导致求解不精确甚至求解失败。 共轭梯度法 ①稀疏矩阵；②求解无约束优化问题 存储量少，计算方便 收敛速度一般而言要比BICGSTAB慢 GMRES法 解大规模线性方程组 有较好的收敛特性 高效性和稳定性 运算量和存储空间需求量大 BICGSTAB法 大型稀疏矩阵 收敛速度快，精度高，而且稳定性好 存储量大 表2 求矩阵特征值和特征向量算法的比较 算法 适用问题 优点 不足 Jacobi法 中小型矩阵 ①收敛快；②精度高；③便于并行计算且算法稳定 ①不能有效地利用矩阵的各种特殊形状以节省工作量；② n收敛速度减慢 QR法 中小型对称矩阵 ①收敛快；②精度高 只适用于实对称矩阵 幂法 大型稀疏矩阵 计算量小 只能求解矩阵按模最大的特征值；② 收敛速度慢 4 结果分析 本文采用C语言在WIN-TC环境下编写了上述算法的程序，实现了对线性方程组、矩阵特征值和特征向量的求解，以进一步解决实际中的问题。 4.1 直接法求解线性方程组的结果分析 针对3种不同的算法，为便于分析比较，我们将输入同一个线性方程组，计算其结果。采用的方程组为： 此方程组的精确解舍入到4位有效数字是： ，， 对于求解线性方程组的直接法和迭代法，程序采