ch03方程组迭代法教学课件.ppt

* 对于前面的例子 由迭代矩阵的特征方程 因而雅可比迭代公式是收敛的。 * 注 * 直接用矩阵A判定敛散性 收敛性定理虽然给出了判别迭代法收敛的充要条件， 但实际使用时很不方便，因为求逆矩阵和特征值的 难度并不亚于用直接法求解线性方程组。 下面对一些特殊的方程组，从方程组本身出发给出几个常用 的判别条件，而不必求迭代阵的特征值或范数。 定义 如果矩阵A满足条件 则称A是严格对角占优阵(strictly diagonally dominant matrix)； * A为按行按列严格对角占优阵；B为按行对角占优阵。 实例(Example) * 定理1 若A为严格对角占优阵，则Jacobi 迭代法和 G-S迭代法收敛。 定理2 若A为对称正定阵，则G-S迭代法收敛。 相关定理 可以总结，讨论迭代法的收敛性，应首先从A出发讨 论其是否具有主对角占优或对称正定性；其次对迭代 法的迭代阵讨论其是否有范数小于1；最后利用迭代 阵的谱半径讨论（这是充分必要条件）。 * 定理1的证明 证 首先证明Jacobi 迭代的收敛性。由 易求 由严格对角占优定义，得 ?? BJ ??∞1,所以, Jacobi 迭代法收敛。 * 下面证明G-S迭代法的收敛性。对于严格对角占优阵A，其对角元素 aii ≠ 0 ， i=1,2,??????,n，故 考虑BG的特征值λ，其特征方程为 det(?I-BG) = det(?I-(D-L)-1U) = det(D-L)-1det(?(D-L)-U)=０ = det(?(D-L)-U)=0 * 我们通过A的严格对角占优性质去证明det(?(D-L)-U)=0的根?有性质 | ? |1。用反证法：假设| ? |≥1，且由于A的严格对角占优性质，有 * 是严格对角占优阵，所以它是非奇异的，即 det(?(D-L)-U) ?0与特征值?满足det(?(D-L)-U) =0 矛盾。 故 | ? |1即ρ(BG) 1， G-S迭代法收敛。 定理得证。 * 注 值得注意的是，改变方程组中方程的次序，即将 系数矩阵进行行交换， 会改变迭代法的收敛性。 无法直接判断Jacobi 迭代法和G-S迭代法的收敛性，但如果将方程组的次序修改为 * 注 对于对称正定矩阵A，Jacobi迭代法不一定收敛。 迭代法程序简单，对于许多问题，收敛较快。因而，有时能够解决一些高阶问题。 但应注意，对于某些问题，迭代法可能发散或收敛很慢，以致失去使用价值。这种情况下，仍以采用直接法为宜。 * 超松弛迭代法(SOR) 通过引入参数，在Gauss-Seidel法的基础上 作适当修改，在不增加过多的计算量的条件下， 可得到一种新的，收敛更快的迭代法。 ： 首先用G-S法定义辅助量： 选择参数ω，取 * 超松弛迭代法(SOR) 即得SOR法 其中， ? 参数ω叫做松弛因子； ? 若 ω=1，它就是Gauss-Seidel迭代法。 * 超松弛迭代法(SOR) 另一种理解 将Gauss-Seidel迭代格式改写为 被称为增量形式。可以将 看做 加一个修正量 得到的。 * 超松弛迭代法(SOR) 如果将修正量改为 即为SOR. 通常，当ω1 时，称为超松弛算法，当ω1 时，称为亚松弛算法。 目前，还没有自动选择因子的一般方法，实际计算中，通常取（0，2）区间内几个不同的ω值进行试算，通过比较后，确定比较理想的松弛因子ω。 * 例 用SOR法求解线性方程组 ①取ω=1 ，即Gauss-Seidel迭代： ②取ω=1.25 ，即SOR迭代法： * 例 迭代结果见表3.3。 表3.3 Gauss-Seidel迭代法与SOR迭代法比较 ? Gauss-Seidel迭代法 SOR迭代法(ω=1.25) k x1 x2 x3 x1 x2 x3 0 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1 5.2500000 3.1825000 -5.0468750 6.3125000 3.9195313 -6.6501465 2 3.1406250 3.8828125 -5.0292969 2.6223145 3.9585266 -4.6004238 3 3.0