解方程组方法
对于线性方程组
y=Ax+b
常有如下几种求解方法。其中,
A
为系数矩阵,直接三角分解法(Dolittle分解法)
- 前提:系数矩阵 A 的各阶顺序主子式不为0.
- 公式:以下
L 表示单位下三角矩阵, U 表示一个上三角矩阵。
A=LU,Ly=b,Ux=y
平方根法(Cholesky分解法)
- 前提:系数矩阵 A 为对称正定矩阵.
- 公式:以下
G 表示下三角矩阵。
A=GGT,Gy=b,GTx=y
追赶法(Crout分解法)
- 前提:系数矩阵 A 的各阶顺序主子式不为0.
- 公式:以下
T 表示下三角矩阵, M 表示一个单位上三角矩阵。
A=TM,Ty=b,Mx=y
范数
概念
范数是一种对向量和矩阵的“大小”的度量尺度。
向量范数
定义2.1 向量范数
设
∥⋅∥
是向量空间
Rn
上的实值函数,且满足以下条件:
1. 非负性:对任何向量
x∈Rn
,
∥x∥⩾0,∥x∥=0⇔x=0
2. 齐次性:对任何实数 α 和向量 x∈Rn ,
∥αx∥=|α|∥x∥
3. 三角不等式:对任何向量 x,y∈Rn ,
∥x+y∥⩽∥x∥+∥y∥
则称 ∥⋅∥ 是向量空间 Rn 上的范数, ∥x∥ 为 向量 x 的范数。
常用的向量范数
向量2-范数:∥x∥2=∑i=1nx2i−−−−−√
向量∞ -范数:∥x∥∞=max1⩽i⩽n|xi|
矩阵范数
矩阵范数是反映矩阵“大小”的一种量度。
定义2.2 矩阵范数
设
∥⋅∥
是以
n
阶矩阵为自变量的实值函数,且满足以下条件:
1. 非负性
2. 齐次性
∥αA∥=|α|∥A∥,α∈R
3. 三角不等式
和:∥A+B∥⩽∥A∥+∥B∥
积:∥AB∥⩽∥A∥∥B∥
则称 ∥A∥ 为矩阵 A 的范数。
常用的向量范数
设
矩阵1-范数(列范数):∥A∥1=max1⩽j⩽n∑i=1n∣∣aij∣∣
矩阵2-范数(谱范数):∥A∥2=maxλ(ATA)−−−−−−−−−−√
矩阵∞-范数(行范数):∥A∥∞=max1⩽i⩽n∑j=1n∣∣aij∣∣
谱半径
定义2.3 谱半径
设
n
阶矩阵
ρ(A)=max1⩽i⩽n|λi|
为矩阵 A 的谱半径。
性质
条件数
概念
由原始数据误差所引起的方程组解的相对误差是否可控制,取决于量 ∥A∥∥∥A−1∥∥ 的大小,若其值很大,原始数据的误差对解的影响就可能很大;若它较小,这种影响也就较小.这个量被称为方程组 Ax=b 或矩阵 A 的条件数。记为
Condp(A)=∥A∥p∥∥A−1∥∥p,p=1,2,∞
当
A
为对称矩阵时,有