雅可比迭代法.pptxVIP

插 值 法 主讲教师：刘春凤 线性方程组的迭代解法 第 六章 Gauss迭代法 迭代法原理 1 3 Jacobi迭代法 2 迭代法的收敛性与稳定性 5 松弛迭代法 4 迭代法回顾 迭代法格式 典型例题 雅可比迭代法 雅可比迭代法 为了方便地给出迭代矩阵B把系数矩阵A分裂成 其中 雅可比迭代法 雅可比迭代法 迭代法格式： 雅可比迭代法 用雅可比迭代法解方程组 Jacobi 迭代格式为 k x1(k) x2(k) x3(k) 1 0.72 0.83 0.84 2 0.971 1.07 1.15 … … … … 11 1.099993 1.199993 1.299991 12 1.099998 1.199998 1.299997 取 x(0)=(0,0,0)T 计算结果如下： 雅可比迭代法 用Jacobi迭代法求解方程组 要求精确到 因为 故有 取 代入迭代式得 如此继续下去，可得方程组的近似解。 雅可比迭代法 Mathematica程序： Clear[A,b,f,x0,I1] A={{20,2,3},{1,8,1},{2,-3,15}}; MatrixForm[%]; b={24,12,30}; I1=IdentityMatrix[3]; DD=DiagonalMatrix[{A[[1,1]],A[[2,2]],A[[3,3]]}]; DDN=Inverse[DD]; J=I1-DDN.A; MatrixForm[%] f=DDN.b; R=Max[Abs[Eigenvalues[N[J]]]]-1//Chop x[0]={0,0,0}; x[n_]:=J.x[n-1]+f; Table[x[n],{n,0,13}]; MatrixForm[%]//N LinearSolve[A,b]//N 运行结果： 1.2 1.5 2. 0.75 1.1 2.14 0.769 1.13875 2.12 0.768125 1.13888 2.12522 0.76733 1.13833 2.12536 0.767363 1.13841 2.12536 0.767355 1.13841 2.12537 0.767354 1.13841 2.12537 0.767354 1.13841 2.12537 {0.767354, 1.13841, 2.12537} 迭代法格式 典型例题 程序设计 高斯赛德尔迭代法 为了方便地给出迭代矩阵B把系数矩阵A分裂成 其中 高斯赛德尔迭代法 高斯赛德尔迭代法 高斯赛德尔迭代法 分别用Jacobi迭代法和Gauss-Seidel迭代法解下列方程组是否收敛？ 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。 高斯赛德尔迭代法 高斯赛德尔迭代法 Gauss-Seidel 迭代格式为 用Gauss—Seidel 迭代法解题. 取 x(0)=(0,0,0)T 计算结果如下： k x1(k) x2(k) x3(k) 1 0.72 0.902 1.1644 … … … … 8 1.099998 1.199999 1.3 高斯赛德尔迭代法 高斯赛德尔迭代法 A={{8,-3,2},{4,11,-1},{6,3,12}}; MatrixForm[%]; b={20,33,36}; I1=IdentityMatrix[3];; DD={{A[[1,1]],0,0},{0,A[[2,2]],0},{0,0,A[[3,3]]}}; L=-{{0,0,0},{A[[2,1]],0,0},{A[[3,1]],A[[3,2]],0}}; DDLN=Inverse[DD-L]; G=I1-DDLN.A; MatrixForm[%]; R=Max[Abs[Eigenvalues[N[G]]]]-1 f=DDLN.b; x[0]={0,0,0}; x[n_]:=G.x[n-1]+f; Table[x[n],{n,1,8}]; MatrixForm[%]//N LinearSolve[A,b] 高斯赛德尔迭代法 A={{1,2,-2},{1,1,1},{2,2