SOR迭代法

SOR迭代法 求解线性方程组 (MATLAB)

在这里插入图片描述
(数值分析作业自编)

代码如下:
*将代码分块,很容易理解。
左端是输出项,右端输入自定义项

function [R,k,x] = SOR(A,b,error,w)
% Gauss-Seidel迭代
% R为迭代矩阵B的谱半径;k为迭代步数;x为解向量
% A为系数矩阵;b为常数项;error为指定相邻两次迭代精度;w为松弛因子

%% w的输入控制
while (1) 
    if w>0 & w<=2
       % 用谱半径判断收敛性 不满足敛散性退出程序并报错
       B=(diag(diag(A))-w*tril(-A,-1))\((1-w)*diag(diag(A))+w*triu(-A,1));
       R=max(sqrt(eig(B'*B)));
       if R<1
          break;
       else
          disp('错误,迭代不收敛');
          disp('请尝试重新输入一个w:');
          w=input('请输入w:');
       end
    else 
       disp('请尝试重新输入一个w∈(0,2}:');
       w=input('再次输入w:');
    end  
end

%% 初始化
n=length(b);
x=zeros(n,1);x0=zeros(n,1);
k=0;

%% 循环
while (1) 
    %x0上一次迭代的解向量 算法主体
    for i=1:n
        % 为防止代码过长,用中间变量y(i)过渡
        y(i)=b(i)-A(i,1:i-1)*x(1:i-1)-A(i,i+1:n)*x0(i+1:n);
        x(i)=(1-w)*x0(i)+w*(y(i))/A(i,i); 
    end
    % 用相邻两次迭代解的无穷范数作为判敛原则
    if norm(x-x0,Inf)<error
        break;
    end
    x0=x;
    k=k+1; 
end

end

输入:

A=[5 2 1; -1 4 2; 2 -3 10];
b=[-12 20 3]';
w=-1;
error=1e-4;

调用

[R,k,x]=SOR(A,b,error,w)

运行

当ω∉(0,2],提示再次输入

>> test_SOR
请尝试重新输入一个w∈(0,2}:
再次输入w:

当ω过大时计算不稳定,迭代不收敛

错误,迭代不收敛
请尝试重新输入一个w:
请输入w:

调试w至适宜迭代,运行类似:

再次输入w:0.8
R =
    0.4939
k =
     9
x =
   -4.0000
    3.0000
    2.0000
>> 

在这里插入图片描述

  • 2
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SOR(Successive Over-Relaxation method)是一种求解线性方程组的代方,它是对Gauss-Seidel的改进。SOR的基本思想是在Gauss-Seidel的基础上,引入一个松弛因子ω,使得每次代时,新的解向量与旧的解向量之间有一定的比例关系,从而加快收敛速度。 SOR代公式为: $$x_i^{(k+1)}=(1-\omega)x_i^{(k)}+\frac{\omega}{a_{ii}}\left(b_i-\sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)}-\sum_{j=i+1}^na_{ij}x_j^{(k)}\right)$$ 其中,$x_i^{(k)}$表示第k次代后第i个未知量的解,$a_{ij}$表示系数矩阵中第i行第j列的元素,$b_i$表示方程组中第i个方程的常数项,$\omega$为松弛因子。 SOR的收敛性与松弛因子有关,当$0<\omega<2$时,SOR收敛。当$\omega=1$时,SOR等价于Gauss-Seidel。 以下是使用Python实现SOR的代码: ```python import numpy as np def sor(A, b, omega, x0, tol=1e-6, max_iter=1000): """ 使用SOR求解线性方程组Ax=b :param A: 系数矩阵 :param b: 常数向量 :param omega: 松弛因子 :param x0: 初始解向量 :param tol: 收敛精度 :param max_iter: 最大代次数 :return: 解向量 """ n = len(b) x = x0.copy() for k in range(max_iter): for i in range(n): s1 = sum(A[i][j] * x[j] for j in range(i)) s2 = sum(A[i][j] * x[j] for j in range(i + 1, n)) x[i] = (1 - omega) * x[i] + omega / A[i][i] * (b[i] - s1 - s2) if np.linalg.norm(np.dot(A, x) - b) < tol: return x return x # 示例 A = np.array([[4, -1, 0, 0], [-1, 4, -1, 0], [0, -1, 4, -1], [0, 0, -1, 3]]) b = np.array([15, 10, 10, 10]) x0 = np.zeros_like(b) omega = 1.5 x = sor(A, b, omega, x0) print(x) ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值