线性方程组的解法.ppt

线性方程组的解法;线性方程组的解法在计算数学中占有极其重要的地位。 线性方程组的解法大致分为迭代法与直接法两大类;取迭代初值x1(0) =0， x2(0) =0， x3(0) =0; x(0) 0 0 0;矩阵形式: ;(i = 1,2, ···,n; k=0,1,2, ···);用矩阵形式来表示雅可比迭代公式;于是 (U+D+L)X = b 得 X＝ －D－ (U+L)X +D－b 据此得矩阵形式的雅可比迭代公式 X(k+1)＝－D－(U+L)X(k) +D－b 记 B＝－D－ (U+L)， f＝ D－b 有 B：迭代矩阵;;迭代法适用于解大型稀疏方程组;高斯塞德尔Gauss-Seidel迭代法;(i = 1,2,…,n);用矩阵形式来表示高斯-塞德尔迭代公式;例;例;;Jacobi迭代算法;Gauss-Seidel迭代算法;从计算结果可以明显看出，Gauss-Seidel迭代法比Jacobi迭代法效果好。 一般而言， Gauss-Seidel迭代法收敛速度比Jacobi迭代法快，但这两种迭代法的收敛范围并不完全重合，而只是部分相交，有的时候Jacobi迭代法可能比Gauss-Seidel迭代法收敛速度更快。甚至可以举出Jacobi迭代法收敛而Gauss-Seidel迭代法发散的例子。;Gauss-Seidel迭代法和Jacobi迭代法的异同： Jacobi迭代法：公式简单，每次只需做矩阵和向量的 一次乘法；特别适合于并行计算； 不足之处：需存放X(k)和X(k+1)两个存储空间。 Gauss-Seidel迭代法：只需一个向量存储空间，一旦计算出了xj(k+1)立即存入xj(k)的位置，可节约一套存储单元 ；有时起到加速收敛的作用。 是一种典型的串行算法，每次迭代中必须依次计算解的各个分量。;超松驰(SOR)迭代法; X(k+1)＝ X(k)+w(b－ AX) w称作松驰因子。其分量形式为 选择适当的松驰因子，可期望获得较快的收敛速度。如果在计算分量xi(k+1) 时，考虑利用已经计算出来的分量x1(k+1),x2(k+1) , ···,xi-1(k+1) ，又可得到一个新的迭代公式 特别当aii≠0时，将上面迭代公式应用于方程组 ;由此得下列超松驰(SOR)迭代公式;定理4.8 若A是对称正定矩阵,则当0w2时SOR迭代法解方程组 Ax = b 是收敛的;例4.3 用SOR方法解方程组(w=1.4); 块迭代法简介 设 A∈Rn×n, x∈Rn, b∈Rn 将方程组A x = b中系数矩阵A分块;将A分解, A = DB – LB – UB ;迭代法的收敛性 Convergence of iterative method 迭代矩阵谱半径 Spectral radius 对??占优矩阵 diagonally dominant matrix;原始方程: Ax = b;证 对任何 n 阶矩阵B都存在非奇矩阵P使 B = P –1 J P 其中, J 为B的 Jordan 标准型;B k = (P –1 J P) (P –1 J P) ··· (P –1 J P)= P –1 J k P;例 线性方程组 Ax = b, 分别取系数矩阵为;(2) A2=[2, -1, 1; 1, 1, 1; 1, 1, -2];两种迭代法之间没有直接联系 对矩阵A1,求A1x = b 的Jacobi迭代法收敛,而Gauss-Seidel迭代法发散; 对矩阵A2,求A2x = b 的Jacobi迭代法发散,而Gauss-Seidel迭代法收敛.;证 由?(k) = B ?(k-1),得 || ?(k)|| ≤ || B|| || ?(k-1)|| (k = 1, 2, 3, ······);定义4.1 A=(aij)n×n, 如果 则称A为严格对角占优阵.;定理4.3 若Ax=b的系数矩阵A是严格对角占优矩阵,则Jacobi迭代和Seidel迭代均收敛;例4.2 试对下列方程组建立收敛的迭代公式;收敛速度：称R(B)=-ln?(B) 为迭代法的渐进收敛速度简称收敛速度。