线性代数课程论文.docVIP

基于自适应遗传算法的SOR迭代 I1 (华南理工大学 理学院数学系 计算数学 牛海静) 摘要： 对于确定逐次超松驰迭代法小的最佳松驰因子问题，迄今，人们还 没有给出一可行实用的方法.利用自适应遗传算法全局搜索性能、并行性及其遗 传操作，构造出近似确定最佳松驰因子的一种自适应进化方法，并由此得到一 近似确定W功能的自适应逐次超松驰迭代算法.数值算例表明，该算法在求解 线性方程组屮是可行的，实用和快捷的. 关键词：逐次超松驰迭代法；遗传算法；最佳松驰因子；线性 方程组 1引言 在科学计算和工程设计屮，人们经常会遇到求解线性代数方程组问题，而 且在计算方法的其它分支的研究也往往归结为此类问题.H前，大型的线性方 程组都是利用计算机进行数值求解，归结起来，主要有两类：一类是直接解法， 就是指经过有限步运算求得方程组的解的一类方法，此类方法比较适用于系数 矩阵稠密的屮、小型线性方程组；另一类是迭代解法，适用于解大型、稀疏矩阵 的线性方程组.逐次超松驰迭代法(Successive Over-Relaxation)是解线性方 程组的一种迭代加速法，是求解大型线性方程组的有效方法之一.通过选择恰 半的松驰因子w,它能使收敛速度变得较快，也使发散的可能变成收敛，因此， 超松驰迭代法算法有着极高的应用价值?本文利用自适应遗传算法全局搜索性 能和并行性、及其遗传操作，构造出--种近似确定最佳松驰因子的自适应进化算 法，并由此得到一个近似确定w功能的自适应遗传逐次超松驰迭代法(A daptive Genetic Algorithm Successive Over-Relaxation) 算法，简称为 A GA SOR. 2逐次超松驰迭代法 超松驰迭代法简称为SOR法，是求解线性代数方程组的一种迭代加速法, 它是在Gauss?SSdH迭代法的基础上进行加速的，将前一步的结果无： 与Gauss- S凶d创迭代方法的迭代值 适当的加权平均，期望获得更好的近 似值兀:山).其迭代公式如下： 其中：w为松弛因子.SOR法屮⑷取值对迭代公式的收敛速度影响很尢 它的好 坏直接影响到收敛速度的快慢.为了保证迭代过程的收敛，必须要求0 vv2, 但是在0和2之间有很多的取值，究竟如何取值至今没有较好的解决方法.基 于此H的，文屮提出一个可一般确定w近似值的自适应数值进化方法，该方法利 用的是自适应遗传算法屮全局性、并行性及其遗传操作，使其快捷方便?该算法 适用于满足SOR迭代方法的大型稀疏矩阵的线性方程组. 3遗传算法原理与A GA SOR算法 3.1适应度函数与编码实现 若一个代数方程组，它由n个方程组组成，涉及m个变量: 戸A fm= a（x 端） ?.? ⑴ fSx^A,. 其屮：齐()可为除分段函数外的任意形式的函数表达式, X=R1，靭…，九JF={ X\x. a，bj)\ 求解方程组⑴等价于求极值问题：求一 X ,以使式(2)取值最小.当最小值为0 吋，所对应的X,即为方程之解；当其最小值不为0吋，则此方程组无解.设适应 度函数：F(X)= 輪 (2) /= 1 本文是用遗传算法寻找SO/?法中的最佳松驰因子w,确定w在(0,2)区间的 最优值.对于w,选定迭代初始值后，它与方程组的解X联系是比较紧密，较好 的w可以在较少的迭代次数内得到较精确的解.因而，为了更好的平衡这种关系, 可以用式(2)与迭代次数K的平均值的负值做为适应度函数，即： F(X)+ K F(X)+ K2 a \f^)- A + k上一 搖輪 (或者可 以选择适应度函数为 Fit(w) = 1 = 也可 f(x)+k W(x)?a]+k /= 1 以吧，不知道效果怎么样) 求适应度函数吋，也要把迭代次数考虑进来?如果比w较差，有可能达不到 所要求的精度，就会无限迭代下去.因此，给出i个限定条件，如果迭代次数达 到最大限定，贝弘取最大限，适应度还按式⑶ 进行处理.同吋为使算法能适用 于任意的线性方程组，必须根据用户输入的系数矩阵4和常数项向量还有选 代初始值X。和要求精度-用上述方法生成适应度函数. 对于染色体编码，本文采用实数编码.与二进制编码相比，采用实数编码方 式，使算法具有较高的通用性.同时，为了更好地与实际问题相结合，将方程组 的解X和迭代次数K放在w的后面，-?起组成一个染色体Pop ,即： P的其屮的X和K都是采用实数表示，即用原值表示.这样更利于最 佳松驰因子w寻优和方程求解. 3.2 遗传算子 3.2.1 选择算子 选择算子采用轮盘法、锦标赛选择法和儿何规划排序选择法的结合.轮盘 法的基本精神是个体被选小的概率取决于个体的相对适应度： A =亠 ⑷ a Z 其屮：p广个体,被选小的概率；厂个体，的适应度；a /；?群体的累加适应 度. 显然，个体适应度越高被选