高等教育大学课件《函数》 线性方程组的迭代解法.ppt

第六章 线性方程组的迭代解法 第六章 线性方程组的迭代解法 §1 向量和矩阵的范数 1.1 向量的范数 1.2 矩阵的范数 §2 迭代解法与收敛性? 2.1 迭代法的构造 2.2 迭代法的收敛性条件 §3 常用的三种迭代解法 2.1 Jacobi迭代法 2.2 Gauss-Seidel迭代法 2.2 超松弛(SOR)迭代法 §1 向量和矩阵的范数 一、向量的范数 二、矩阵的范数 三、矩阵的谱半径 §2 迭代解法与收敛性 一、迭代解法 二、迭代法收敛性条件 §3 常用的三种迭代解法 一、Jacobi迭代法 二、 Gauss-Seidel迭代法 三.超松弛(SOR)迭代法 (Successive Over Relaxation Method) 第6章 复习小结 一、向量、矩阵的范数、矩阵的谱半径和条件数 二、迭代格式的构造与收敛性条件 三、常用的三种迭代法 1. Jacobi迭代法 2. Gauss-Seidel迭代法 3. 超松弛(SOR)迭代法 四、了解基本概念、掌握迭代算法的构造方法、 收敛性 条件以及编程计算。 第6章习题:线性方程组的迭代解法 解：先改写方程如下 再写出Jacobi迭代格式 取初值为: x(0)=(0，0，0)T , 求得: x(1)=(1.4，0.5，1.4)T x(6)=(1.00025，1.00580，1.00251)T 误差为由x*=(1，1，1)T 得到 ||x(6)-x*||∞=0.00580 。 初值也取为: x(0)=(0，0，0)T , 求得近似解： Gauss-Seidel迭代格式为 误差为由x*=(1，1，1)T 得到 ||x(4)-x*||∞=0.00846 。 Jacobi迭代法迭代6次与Gauss-Seidel迭代法迭代4次的精度一致，说明Gauss-Seidel迭代法收敛较快（一定条件下）求出 后 不用保存。 x(1)=(1.4，0.78，1.026)T x(4)=(0.99154，0.99578，1.00210)T 对Gauss-seidel迭代进行改写 令 即为在第 k次迭代时的改变量。 再通过加权加速收敛： 并称其为超松弛迭代法，ω称为松弛因子。 当 0≤ω < 1 时，称为低松弛； 当 ω =1 时，为Gauss-Seidel 迭代格式 ； 当 1< ω ≤2 时，称为高松弛。 加权平均 超松弛迭代法(SOR)也可以用矩阵的形式来表示 令 Bω =(D+ ω L)-1[D- ω(D+U)] 则有 x(k+1)=Bω x(k)+Fω , k=0,1, 2 , …。 改写SOR 为 或者 Fω = ω(D+wL)-1 b 说明： 定理6.6 Gauss-Seidel 迭代法 收敛的充要条件是ρ(BG)<1 ，收敛的充分条件是 ||BG||<1 。 定理6.7 对于 线性方程组 Ax=b ，如果系数矩阵A严格对角占优，则Jacobi、G-S迭代法都收敛。 定理6.8 SOR迭代法收敛的必要条件是 0< ω <2 。 定理6.9 如果系数矩阵A对称正定，且 0< ω <2 ，则SOR 法收敛 定理6.10 如果系数矩阵A对称正定，则G-S迭代法收敛。 四、收敛性条件 定理6.5 Jacobi迭代法收敛的充要条件是ρ(BJ)<1 ，收敛的充分条件是 ||BJ ||<1 。 B由矩阵A确定，通过A可直接判定收敛性 例6.4 分别用Jacobi迭代法和Gauss-Seidel迭代法解下列方程组是否收敛？ 解：由于第一个方程组的系数矩阵严格对角占优，所以Jacobi迭代法和Gauss-Seidel迭代法均收敛。 第二个方程组的系数矩阵不是严格对角占优的，但可以交换两个方程的次序，将原方程变为同解方程组： 这时方程组得系数矩阵严格对角占优，两种迭代法都收敛。 例6.5 用Jacobi迭代法解下列方程组，问是否收敛？ 解：方程组的系数矩阵为 非严格对角占优，无法判断迭代法是否收敛。需要通过谱半径判断，先写出Jacobi迭代法的迭代矩阵： 由于无穷范数 ||BJ ||∞=3>1, 还无法判断迭代法是否收敛。 这时只能通过求迭代矩阵的谱半径来判断，由迭代矩阵 解得特征值 谱半径 ρ(BJ)<1 故Jacobi迭代法收敛. 例6.6 分别用Jacobi迭代法和Gauss-Seidel迭代法解下列方程组，问是否收敛？ 由于该矩阵非严格对角占优，无法判断；但由于对称，