雅可比迭代法和高斯超松弛迭代.docVIP

雅可比迭代法和高斯-赛德尔迭代法以及超松弛迭代 对于给定的方程用下式逐步代入求近似解的方法称为迭代法。如xk(当)的极限存在，此极限即方程组的真正解，此迭代法收敛，否则称迭代法收敛。 1、雅可比（Jacobi）迭代法 设有方程组 Ax=b??????????????? (56) 其展开形式为 (57) 系数矩阵A为非奇异阵，且(i=1-n)A可分解为 A＝D＋A0 （58）其中： 　 改写线性方程组（57)式，将第i个方程（i=1~n）表示为xi的表达式： （59） 改写后的（57）式的矩阵表达式为： （60）其中 很容易看出（56）式和（60）式间系数矩阵A与及自由项列阵b与之间存在如下关系 （61） 用迭代法解（60）式，其迭代公式为 （62） 初始向量为x0。此法称雅可比迭代法，称为雅可比迭代法的迭代矩阵。k为迭代次数。雅可比迭代法的分量形式为 　 （63） 　 雅可比迭代法分量形式（63）式也可改写为 　 （64） 　（64）式更方便于编程求解。 雅可比迭代法公式简单，迭代思路明确。每迭代一次只需计算n个方程的向量乘法，程序编制时需设二个数组分别存放xk和xk+1便可实现此迭代求解。 　 2、高斯－赛德尔（Gauss-seidel）迭代法 由雅可比迭代法可知，在计算xk+1的过程中，采用的都是上一迭代步的结果xk。考察其计算过程，显然在计算新分量xik+1时，已经计算得到了新的分量，。有理由认为新计算出来的分量可能比上次迭代得到的分量有所改善。希望充分利用新计算出来的分量以提高迭代解法的效率，这就是高斯－赛德尔迭代法（简称G－S迭代法）对（64）式进行改变可以得到G－S迭代法的分量形式 　 （65） 　 G－S迭代法的分量形式亦可表示为 　 （66） (65)式也可写成矩阵形式。方程组的系数A在（58）式基础上还可进一步分解，若将A0继续分解为一个下三角阵A0L和一个上三角阵A0U ，则系数矩阵的分解则可表达为 （67） 其中： （68） （65）式可写成矩阵形式 　 按向量的迭代次数归并可得 　 若（D＋）的逆存在，则有 　 高斯－赛德尔迭代的矩阵形式可表达为 （69） 　 　 高斯－赛德尔迭代法每步迭代的计算量与雅可比迭代相当，但在计算机进行计算时，只需存放x一个数组。 用迭代法求解时要注意迭代法的收敛性①。无论是用雅可比迭代法或高斯-赛德尔迭代法都存在解的收敛问题，甚至有的线性方程组，用雅可比迭代法解是收敛的，而用高斯-赛德尔迭代法解却是发散的。反之亦然。 当线性方程组(56)中的系数矩阵A(n阶矩阵)为严格对角优势矩阵，即A的每一行对角元素的绝对值都严格大于同行其它元素之和: 　 　 则可证明上述二种迭代法收敛。 定理 如果线性方程组的系数矩阵A为严格对角优势矩阵，则对求解线性方程组Ax=b的雅可比迭代法和高斯-赛德尔迭代法均收敛。 有限单元法的求解方程Ka=P中，系数矩阵K具有主元占优的特点，但却不能保证是严格对角优势矩阵，因此采用雅可比迭代法时要注意解的收敛问题。高斯-赛德尔迭代法的收敛性要求在下一节超松弛迭代法时一并讨论。 2、逐次超松弛迭代法 逐次超松弛迭代法(Successive Over Relaxation Merhod,简称SOR法)是高斯-赛德尔迭代法的一种加速收敛的方法。是大型稀疏矩阵线性方程组的有效解法之一。首先用另一种变换形式讨论一下迭代过程。对于(56)式的线性方程组 Ax=b当系数矩阵主元aii=1(I=1,2,..,n)时将式中系数矩阵分解为 （70） 则可（56）式的等价方程组 （71） 它的迭代公式为 　 当进行了k次迭代得到xk后，xk一般地与真解x间仍存在差异。如何改进xk得到下一次迭代的结果xk＋1，可以引入xk的剩余向量rk （73） 此时，迭代公式（72）可表示为 （74） 　 由此可见应用迭代法得到逐次改进的解xk＋1，实质上是用k次迭代后的剩余向量rk来改进解的第k次近似rk。因此可以引进一个加速迭代的模式来改进迭代法。令 （75） 其中ω称为松弛因子。 式（75）是迭代公式（74）的一个改进，可以选择松弛因子ω加速迭代过程的收敛。式（75）的分量形式为 　 （76） 若对上述改进的迭代公式，按高斯－赛德尔迭代法尽量利用最新迭代得到的分量的原则，又可得到新的迭代公式 （77） 当线性方程组的系数矩阵A具有非零主元（aii≠0,i=1,2,3,…n）的特点时，可以得到主元为1的方程组形式 （78） 　 此时迭代公式（77）可改写为 　 （79） 迭代公式（79）式称为松弛因子迭代法。当? =1，（79）式就是高斯-赛德尔迭代法；当ω1时（79）式称为低松弛法；当ω＞1时（79）式称为超松弛法，即SOR方法。由于