南开大学计算物理讲义4.ppt

* 2. The Gauss-Seidel Iteration In the Jacobi Iteration * In the Gauss-Seidel Iteration * 高斯――赛得尔（Gauss-Seidel）迭代法 （i = 1, 2,…, n） * Jacobi 迭代法 B = I – D-1A F = D-1 b Gauss-Seidel迭代法 * 用高斯――赛得尔（Gauss-Seidel）迭代法求解方程组 前三次叠代的结果，要求取 * * * Gauss-Seidel Iteration Jacobi Iteration * 从此例看出,高斯—塞德尔迭代法比雅可比迭代法收敛快(达到同样的精度所需迭代次数少),但这个结论,在一定条件下才是对的,甚至有这样的方程组,雅可比方法收敛，而高斯—塞德尔迭代法却是发散的. * 定义1：如果矩阵的每一行中，不在主对角线上的所有元素绝对值之和小于主对角线上元素的绝对值，即 则称矩阵A按行严格对角占优，类似地，也有按列严格对角占优。 迭代收敛的充分条件 * 定理：若线性方程组AX = b的系数矩阵A按行严格对角占优，则雅克比迭代法和高斯―赛得尔迭代法对任意给定初值均收敛。 如果矩阵A严格对角占优，那么高斯――赛得尔迭代法的收敛速度快于雅克比迭代法的收敛速度。 * 用 Gauss-Seidel 迭代法求解时方程组 前三次叠代的结果，要求取 * 3. Successive Over Relaxation (SOR)超松驰法 使用迭代法的困难是计算量难以估计，有些方程组的迭代格式虽然收敛，但收敛速度慢而使计算量变得很大。 超松驰迭代法是一种线性加速方法。 超松驰迭代法是高斯—塞德尔方法的一种加速方法，是解大型稀疏矩阵方程组的有效方法之一，它具有计算公式简单，程序设计容易,占用计算机内存较少等优点,但需要较好的加速因子(即最佳松驰因子). * 超松驰迭代法是一种线性加速方法。这种方法将前一步的结果 与高斯――赛得尔方法的迭代值 适当进行线性组合，以构成一个收敛速度较快的近似解序列。改进后的迭代方案是： * In the Gauss-Seidel Iteration In the Successive Over Relaxation 其中系数 要保证迭代格式收敛必须要求 称松驰因子。可以证明， * 当 = 1时，即为高斯――赛得尔迭代法，为使 松驰因子的选取对迭代格式的收敛速度影响极大。实际计算时，可以根据系数矩阵的性质，结合经验通过反复计算来确定松驰因子。 收敛速度加快，通常取 1 ，即为超松驰法。 要保证迭代格式收敛必须要求 * = 1.046 * * Gauss-Seidel Iteration * * Eigenvalue problem Ax=?x ? ? ? ? * Eigenvalue problem Ax=?x (A-?I)x=0 Solutions for the system (1) exist if, and only if, the determinant of the matrix A-?I is zero * Eigen-vectors Ax=?x (A-?I)x=0 Once we have determined the eigenvalues, we may solve the system of linear equations to find a set of solutions for each value of ?. These solutions are called the eigen-vectors. * 矩阵特征值和特征向量的数值解法 设矩阵 R A ? ，如果存在数 及非零向量 x 满足方程 l x Ax = ，则l称为矩阵A的一个特征值， l 特征值的计算，直接从特征方程 0 ) det( = - A I l 当 n 稍大一些，会遇到很大困难。行列式展开本身就很不容易，随后是高次代数。 因此，矩阵特征值的求解，主要是数值解法。 x 为矩阵A的相应于特征值l的特征向量。 * 矩阵特征值和特征向量的数值解法 幂法 逆幂法 古典Jacobi法 Jacobi法的改进 QR算法 * QR算法是目前求一般矩阵全部特征值和特征向量行之有效的一种方法，它适合于对称矩阵，也适合于非对称矩阵。QR算法最早在1961年由J.G.Francis提出的，后来经一系列数学家进行深入讨论,并作出了做有成效的改进与发展。 QR算法 * 矩阵的QR分解 定理: 设矩阵A非奇异，则一定存在正交矩阵Q，上三角矩阵R，使 且当要求R的主对角元素均为