数值分析公式大赏（下）

线性代数知识

向量的范数

设x和y为n维实向量，则x和y的任意范数具有以下基本性质：
正定性：$||x||\ge 0$，只有x为零向量时||x||=0
齐次性：∀k∈R，$||kx||=|k|\cdot ||x||$
三角不等式：$||x+y||\le ||x||+||y||$
且只要与向量x对应的实值函数||x||满足上述四条性质，它就被定义为x的一种向量范数。

常用范数的计算：
1-范数：$||x|{|}_1=\sqrt[1]{\sum |x_i|}=\sum |x_i|$，史称“街区距离”、“曼哈顿距离”
2-范数：$||x|{|}_2=\sqrt{\sum |x_i{|}^2}=\sqrt{\sum x_i^2}$，史称“向量的长度”、“向量的模”、“欧氏距离”，最常用
p-范数：$||x|{|}_p=\sqrt[p]{\sum |x_i{|}^p}$，囊括了其它三种范数
∞-范数：$||x|{|}_{\infty }=\underset{p\to +\infty }{\lim }\sqrt[p]{\sum |x_i{|}^p}=\max (x_1,x_2,\cdots ,x_n)$，史称“棋盘距离”、“切比雪夫距离”

范数的性质：
连续性： 对于实向量x，其范数||x||是对于x的各个分量的n元连续函数
等价性： 对于Rⁿ上的任意两种范数||x||_a和||x||_b，∃m,n∈R，使∀x∈Rⁿ，都有$||x|{|}_b\in [m||x|{|}_a,n||x|{|}_a]$
按范数收敛性： 向量序列{x₁,x₂,⋯,x_n}收敛于精确值x*⇔对于某种范数有$\underset{k\to \infty }{\lim }||x^{\ast }-x_k||=0$⇔对于任意范数有$\underset{k\to \infty }{\lim }||x^{\ast }-x_k||=0$

矩阵的范数

设A和B为n阶实方阵，则A和B的任意范数具有以下基本性质：
正定性：$||A||\ge 0$，只有A=O时||A||=0
齐次性：∀k∈R，$||kA||=|k|\cdot ||A||$
三角不等式：$||A+B||\le ||A||+||B||$
相容性：$||AB||\le ||A||\cdot ||B||$
且只要与矩阵A对应的实值函数||A||满足上述四条性质，它就被定义为A的一种矩阵范数。
若实方阵A和实向量x满足$||Ax||\le ||A||\cdot ||x||$，则||A||是与向量范数||x||相容的矩阵范数。
对于算子范数有||E||=1，对于任意范数有||E||≥ρ(E)=1。

常用范数的计算：
行范数：$||A|{|}_{\infty }=\max ({\sum }_{j=1}^n|a_{1j}|,{\sum }_{j=1}^n|a_{2j}|,\cdots ,{\sum }_{j=1}^n|a_{nj}|)$
列范数：$||A|{|}_1=\max ({\sum }_{i=1}^n|a_{i1}|,{\sum }_{i=1}^n|a_{i2}|,\cdots ,{\sum }_{i=1}^n|a_{in}|)$
2-范数：$||A|{|}_2=\sqrt{\rho (A^{T}A)}$。A为对称矩阵时，$||A|{|}_2=\rho (A)$
F-范数：$||A|{|}_F=\sqrt{\sum a_{ij}^2}$

矩阵的谱半径

谱半径的定义为$\rho (A)=\max (|{\lambda }_1|,|{\lambda }_2|,\cdots ,|{\lambda }_n|)$。

设A为n阶实方阵，则A的谱半径具有以下基本性质：
（1）对任意一种算子范数||A||，均有$\rho (A)\le ||A||$
（2）∀ε>0，必存在一种或多种算子范数|A||，使$\rho (A)+\epsilon \ge ||A||$

直接法解方程组

顺序Gauss消元法

最普通、最没有技术含量的解法。
先将A写成增广矩阵[A,b]，然后从左到右一列列地消元成上三角阵，再从右往左一列列地回代成对角阵。
也可以从左到右一列列地消元成下三角阵，再从右往左一列列地前推成对角阵。

列主元Gauss消元法

列主元高斯消元法中，每次消元时把该列绝对值最大的一行换到对角线上。
在顺序高斯消元法中，系数矩阵A的顺序主子式不为0时，才能保证消元过程中的对角元素不会为0，而使用列主元高斯消元法时只需|A|≠0即可。

三角分解法

Doolittle分解法：
设L为单位下三角阵，U为上三角阵，则可唯一地将A分解为LU。于是，Ax=b即变为LUx=b，解x需依次解Ly=b和Ux=y。
其分解形式为$A=\left[\begin{array}{ccc}1& & \\ \times & 1& \\ \times & \times & 1\end{array}\right]\left[\begin{array}{ccc}\times & \times & \times \\ & \times & \times \\ & & \times \end{array}\right]$。
Crout分解法：
设L’为下三角阵，U为单位上三角阵，则可唯一地将A分解为L’U’。于是，Ax=b即变为L’U’x=b，解x需依次解L’y=b和U’x=y。
其分解形式为$A=\left[\begin{array}{ccc}\times & & \\ \times & \times & \\ \times & \times & \times \end{array}\right]\left[\begin{array}{ccc}1& \times & \times \\ & 1& \times \\ & & 1\end{array}\right]$。
LDU分解法：
设L为单位下三角阵，D为对角矩阵，U’为单位上三角阵，则可唯一地将A分解为LDU’。于是，Ax=b即变为LDU’x=b，解x需依次解Lz=b、Dy=z和U’x=y。
其分解形式为$A=\left[\begin{array}{ccc}1& & \\ \times & 1& \\ \times & \times & 1\end{array}\right]\left[\begin{array}{ccc}\times & & \\ & \times & \\ & & \times \end{array}\right]\left[\begin{array}{ccc}1& \times & \times \\ & 1& \times \\ & & 1\end{array}\right]$。

追赶法与平方根法

三对角方程组的系数矩阵的形式：$A=\left[\begin{array}{cccc}{b}_1& c_1& & \\ a_2& b_2& c_2& \\ & a_3& b_3& c_3\\ & & a_4& b_4\end{array}\right]$
追赶法实际上就是用基于Dooliitle分解的顺序高斯消元法解三对角方程组。

平方根法

当方程组的系数矩阵A对称正定时，根据LDU分解可将其分解为A=LDU’=A^T=U^T’DL^T=LDL^T（矩阵的LDU分解结果唯一）=L√D·√DL^T=(L√D)(L√D)^T。
因此，对称正定矩阵A可用Cholesky分解法分解成两个对称的三角阵，其形式为$A=L_1{L}_1^T=\left[\begin{array}{ccc}{a}_{11}& & \\ a_{21}& a_{22}& \\ a_{31}& a_{32}& a_{33}\end{array}\right]\left[\begin{array}{ccc}{a}_{11}& a_{21}& a_{31}\\ & a_{22}& a_{32}\\ & & a_{33}\end{array}\right]$。
在作Cholesky分解时，对角元素开根号后取正值。反之，若对称阵能被分解成上述形式，则其正定。

直接法的误差与条件数

用直接法解方程Ax+b的误差估计式为$\frac{||\delta x||}{||x||}\le \frac{||A^{-1}||\cdot ||A||}{1-||A^{-1}||\cdot ||\delta A||}(\frac{||\delta A||}{||A||}+\frac{||\delta b||}{||b||})$，其中$\frac{||\delta x||}{||x||},\frac{||\delta A||}{||A||},\frac{||\delta b||}{||b||}$为x、A、b的相对误差。
若A精确，b有扰动，则上式变为$\frac{||\delta x||}{||x||}\le ||A^{-1}||\cdot ||A||\cdot \frac{||\delta b||}{||b||}$。
若A有扰动，b精确，则上式变为$\frac{||\delta x||}{||x||}\le \frac{||A^{-1}||\cdot ||A||}{1-||A^{-1}||\cdot ||\delta A||}\cdot \frac{||\delta A||}{||A||}$。
若||A^-1||·||δA||很小的同时b精确，则上式变为$\frac{||\delta x||}{||x||}\approx ||A^{-1}||\cdot ||A||\cdot \frac{||\delta A||}{||A||}=||A^{-1}||\cdot ||A||$。

条件数的定义为$\mathrm{cond}(A)=||A^{-1}||\cdot ||A||$，相当于直接法解方程组的误差的“放大系数”。
若条件数很小，则A为良态矩阵，相应的方程组Ax=b则为良态方程组。
若条件数很大，则A为病态矩阵或病态条件，相应的方程组Ax=b则为病态方程组。
无论||A||为哪种算子范数，其对应的条件数均满足$\mathrm{cond}(A)\ge 1$。

迭代法解方程组

迭代法简介

解线性代数方程组Ax=b时，可以通过构造形如$x_{k+1}=B{x}_k+f,k\in N$的基本迭代公式求方程组的近似解。
在基本型迭代公式（也称单步定常线性迭代公式）中，如果$\underset{k\to \infty }{\lim }{x}_k=x^{\ast }$，则该迭代收敛于精确解。

Jacobi迭代法

首先，将A分裂为D、L、U三部分：$A=D-L-U=\left[\begin{array}{ccc}{a}_{11}& & \\ & a_{22}& \\ & & a_{33}\end{array}\right]-\left[\begin{array}{ccc}0& & \\ -a_{21}& 0& \\ -a_{31}& -a_{32}& 0\end{array}\right]-\left[\begin{array}{ccc}0& -a_{12}& -a_{13}\\ & 0& -a_{23}\\ & & 0\end{array}\right]$
然后，Ax=b ⇒ (D-L-U)x=b ⇒ Dx=(L+U)x+b ⇒ x_k+1=D^-1(L+U)x_k+D^-1b。
所以，雅可比迭代法的迭代矩阵为$B_J=D^{-1}(L+U)=E-D^{-1}A$，常数项为f=D^-1b。

Gauss-Seidel迭代法

它是雅可比迭代法的改进版，推导过程为Ax=b ⇒ (D-L-U)x=b ⇒ (D-L)x=Ux+b ⇒x_k+1=(D-L)^-1Ux_k+(D-L)^-1b 。
所以，高斯-塞屌迭代法的迭代矩阵为$B_{GS}=(D-L{)}^{-1}U$，常数项为f=(D-L)^-1b。

迭代法收敛性分析

由基本迭代公式得x_k=Bx_k-1+f，k→∞时有x*=Bx*+f，将两式相减可得x_k-x*=B(x_k-1-x*)。
将上式循环使用(n-1)次，则可得x_k-x*=B^k(x₀-x*)。
因此，基本迭代公式收敛等价于$\underset{k\to \infty }{\lim }{B}^k=O$，而$\underset{k\to \infty }{\lim }{B}^k=O$等价于ρ(B)<1。
因此，迭代公式收敛的充要条件为其迭代矩阵B满足ρ(B)<1，迭代公式收敛的充分条件为其某种算子范数满足||B||<1。
由ρ(B)≤||B||可知，||B||<1时必有ρ(B)<1，但ρ(B)<1时不一定有||B||<1。
迭代公式的误差估计式：$||x_k-x^{\ast }||\le \frac{||B||}{1-||B||}||x_k-x_{k-1}||$或$||x_k-x^{\ast }||\le \frac{||B|{|}^k}{1-||B||}||x_1-x_0||$
当某个迭代公式的ρ(B)≥1时称其发散，即“该迭代公式不是对任意初始向量都收敛”。

若方程组的系数矩阵A是严格对角占优矩阵，即$|a_{ii}|>{\sum }_{j=1,j\ne i}^n|a_{ij}|$，则解该方程组的J法和GS法均收敛。
若A是不可约弱对角占优矩阵，即$|a_{ii}|\ge {\sum }_{j=1,j\ne i}^n|a_{ij}|$，则解该方程组的J法和GS法均收敛。
若A是对称正定矩阵，则解方程组的GS法收敛。

当基本迭代公式收敛时，由x_k-x*=B^k(x₀-x*)可得$||x_k-x^{\ast }||\le ||B|{|}^k||x_0-x^{\ast }||$，可见：
（1）迭代初值x₀越靠近精确值x*，迭代公式收敛得越快。
（2）在||B||<1的前提下，||B||越小，迭代公式收敛得越快。
（3）由于ρ(B)≤||B||，所以ρ(B)越小，迭代公式收敛得越快。
迭代公式的渐进收敛速度的定义为$R(B)=-\ln \rho (B)$。
可见，R(B)>0，且R(B)越大，迭代公式收敛得越快。

SOR迭代法

SOR迭代法又叫“逐次超松弛迭代法”，在上述两种方法的基础上引入了松弛因子ω。
在0<ω<1时，这种迭代法为亚松弛算法；ω=1时，它和GS法一致；ω>1时，它成为超松弛算法。
与前文相同，SOR法收敛的充要条件为ρ(B_ω)<1，充分条件为||B_ω||<1。
不同的是，SOR法收敛的必要条件为0<ω<2。
若A为对称正定矩阵，且0<ω<2，则解对应方程组的SOR法收敛。
若A为对称正定的三对角矩阵，则ρ(B_GS)=ρ²(B_J)<1，ρ(B_ω)=ω-1，最佳松弛因子为${\omega }_{opt}=\frac{2}{1+\sqrt{1-\rho (B_{GS})}}$。

常微分方程的数值解法

数值解的概念

初值问题的基本形式为$\{\begin{array}{c}{y}^{\prime }=f(x,y)\\ y(x_0)=y_0\end{array}$。
上式的解析解y(x)在指定的离散点x_i（或指定步长）处的值y(x_i)的近似值y_i即被称为数值解。
对于一个定解问题，离散点x_i或步长由求解者按需确定。在用数值法解初值问题时，通常截取等步长。
微分方程初值问题的数值解法的特点是从已知的y₀出发，通过一定的公式依次求出y₁、y₂、⋯。

Euler方法及其局部截断误差

解初值问题的欧拉公式为$y_{n+1}=y_n+hf(x_n,y_n)$，它由一阶向前差分公式$\frac{y_{n+1}-y_n}{h}\approx f(x_n,y_n)$演变而来，h为步长。
隐式欧拉公式为$y_{n+1}=y_n+hf(x_{n+1},y_{n+1})$，它由一阶向后差分公式$\frac{y_{n+1}-y_n}{h}\approx f(x_{n+1},y_{n+1})$演变而来。
梯形公式为$y_{n+1}=y_n+\frac{h}{2}[f(x_n,y_n)+f(x_{n+1},y_{n+1})]$，它由上面两式求平均值而得。
改进欧拉公式为$\{\begin{array}{c}{\bar{y}}_{n+1}=y_n+hf(x_n,y_n)\\ y_{n+1}=y_n+\frac{h}{2}[f(x_n,y_n)+f(x_{n+1},{\bar{y}}_{n+1})]\end{array}$，它将隐式的梯形公式用欧拉公式显式化。

单步法的局部截断误差定义为$T_{n+1}=y(x_{n+1})-y_{n+1}=y(x_{n+1})-y(x_n)-h\phi (x_n,y(x_n),y(x_{n+1}),h)$。
由泰勒公式可得：
欧拉公式的局部截断误差为$T_{n+1}=\frac{1}{2}{y}^{\prime \prime }(x_n)h^2+O(h^3)$，它具有一阶精度。
隐式欧拉公式的局部截断误差为$T_{n+1}=-\frac{1}{2}{y}^{\prime \prime }(x_n)h^2+O(h^3)$，它具有一阶精度。
梯形公式的局部截断误差为$T_{n+1}=-\frac{1}{12}{y}^{\prime \prime \prime }(x_n)h^3+O(h^4)$，它具有二阶精度。
显然，当T_n+1中的第一个非零项含h^p+1时，对应公式的截断误差即含有p阶精度，含h^p+1的项也被称为局部截断误差主项。

单步法的收敛性与稳定性

解初值问题的显式单步法公式可统一写作$y_{n+1}=y_n+h\phi (x_n,y_n,h)$。
如果φ中没有x_n，且能将上式变成$y_{n+1}=f(h)y_n$，则y的近似数值解为$y_n=f^n(h)y_0$。
对于上式，若对于任一固定的$x_n=x_0+nh$皆有$\underset{h\to 0,n\to \infty }{\lim }{y}_n=y(x_n)$，则单步法公式收敛于精确解，隐式单步法也一样。
在初值问题中，如果用某一数值方法按某一固定步长h计算时，在节点值y_i上产生扰动δ_i，而且仅由这个扰动引起的y_i之后各节点值的变化量的绝对值≤|δ_i|，则称这个数值方法在取步长h时是绝对稳定的。

研究初值问题的稳定性时，可采用含负实数λ的试验方程/模型方程$y^{\prime }=\lambda y$，一般方程总可以线性化为该形式。
将$y^{\prime }=\lambda y$代入初值问题欧拉公式$y_{n+1}=y_n+hf(x_n,y_n)$得$y_{n+1}=(\lambda h+1)y_n$。
根据上式，若y_n有一扰动δ，则y_n+1的扰动为E(λh)δ=(λh+1)δ。
若初值问题欧拉公式数值稳定，则需误差放大倍数|E(λh)|<1，解得-2<λh<0，故该公式的绝对稳定区间为(-2,0)。

Runge-Kutta方法的原理

解初值问题的Runge-Kutta方法为$\{\begin{array}{c}{y}_{n+1}=y_n+\frac{h}{2}(k_1+k_2)\\ k_1=f(x_n,y_n)\\ k_2=f(x_n+h,y_n+h{k}_1)\end{array}$。
其特点是将$y^{\prime }=f(x_n,y_n),y^{\prime }=f(x_n+h,y_n+h{k}_1)$两个斜率加权求和为增量部分。
经典四阶Runge-Kutta公式为$\{\begin{array}{c}{y}_{n+1}=y_n+\frac{h}{6}(k_1+2k_2+2k_3+k_4)\\ k_1=f(x_n,y_n)\\ k_2=f(x_n+\frac{h}{2},y_n+\frac{h}{2}{k}_1)\\ k_3=f(x_n+\frac{h}{2},y_n+\frac{h}{2}{k}_2)\\ k_4=f(x_n+h,y_n+h{k}_3)\end{array}$，它是一种四级四阶公式。
虽然四阶RK公式精度较高，但计算量比较大，每求解一点需调用函数四次，而欧拉公式和梯形公式只需调用函数一两次。
掌握经典4阶Runge-Kutta公式的特点（性质）

线性多步法的概念

在求解初值问题的多步法中，某一步解的计算不只依赖于前一步解的值，还依赖于前两步（及以上）的解的值。
例如，中心差商公式为$\frac{y(x_{n+1})-y(x_{n-1})}{2h}\approx y^{\prime }(x_n)=f(x_n,y(x_n))$，变形可得欧拉两步法$y_{n+1}=y_{n-1}+2hf(x_n,y_n)$。

构造线性多步法的例子：
设有两步法公式$y_{n+1}=a_0{y}_n+a_1{y}_{n-1}+h(b_{0}f(x_n,y_n)+b_{1}f(x_{n-1},y_{n-1}))$，为使其精度尽量高，求参数a、b、c、d。
先将其变换成局部截断误差公式$T_{n+1}=y(x_{n+1})-a_{0}y(x_n)-a_{1}y(x_{n-1})-b_{0}h{y}^{\prime }(x_n)-b_{1}h{y}^{\prime }(x_{n-1})$。
然后代入向前和向后差商公式得$T_{n+1}=\left[\begin{array}{cccc}1& 1& \frac{1}{2!}& \frac{1}{3!}\\ -a_0& & & \\ -a_1& a_1& -\frac{a_1}{2!}& \frac{a_1}{3!}\\ & -b_0& & \\ & -b_1& b_1& -\frac{b_1}{2!}\end{array}\right]\left[\begin{array}{c}y(x_n)\\ h{y}^{\prime }(x_n)\\ h^2{y}^{\prime \prime }(x_n)\\ h^3{y}^{\prime \prime \prime }(x_n)\end{array}\right]+\frac{1-a_1+4b_1}{4!}{h}^4{y}^{(4)}(x_n)+O(h^5)$。
令h的0~3次项为0，可得方程组$\{\begin{array}{c}1-a_0-a_1=0\\ 1+a_1-b_0-b_1=0\\ \frac{1}{2}-\frac{a_1}{2}+b_1=0\\ \frac{1}{6}+\frac{a_1}{6}-\frac{b_1}{2}=0\end{array}$，解得$a_0=-4,a_1=5,b_0=4,b_1=2$。
所以，所求公式为$y_{n+1}=-4y_n+5y_{n-1}+h(4f(x_n,y_n)+2b_{1}f(x_{n-1},y_{n-1}))$，其局部截断误差为$T_{n+1}=\frac{1}{6}{h}^4{y}^{(4)}(x_n)+O(h^5)$，所以该公式具有三阶精度。