SSOR矩阵分解法的流程计算

基本思想是将系数矩阵(有限元和有限差分中都是稀疏矩阵)A,进行分解为

A =D-L-L.T

L：A的下三角矩阵的负数。

​​​​​​​

预处理矩阵则为：

有了预处理矩阵，则SSOR分解流程如下：

1：给定初始x,w,计算,,p初始值=z

def ssor_PCG_decompose(A,b,T):
    '''
       求Ax = b.迭代次数T,
    '''
    D = np.diag(np.diag(A))
    A_l = np.tril(-A,-1)#A的严格的下三角矩阵
    x = np.zeros(len(b),dtype=complex)#initial x
    w= 0.5
    DA_l = temp = D-w*A_l
    M = np.dot(np.dot(DA_l,np.linalg.inv(D)),DA_l.T)/np.sqrt(w*(2-w))#预处理矩阵
    M_1 = np.linalg.inv(M)   
    fai = np.zeros(T)
    r = b - np.dot(A,x)#residual
    z = np.dot(M_1,r)
    p = np.copy(z)

    for I in range(T):
        fai[i] = np.linalg.norm(r)
        Ap = np.dot(App)
        r_temp = np.dot(App)
        alpha = r_temp/np.dot(p.T,Ap)
        x = x+alpha*p
        r = r-alpha*Ap
        z = np.dot(M_1,r)
        beta = np.dot(r.T,z)/r_temp
        p = z+beta*p

return x,fai
    

对比直接使用求解的结果和普通的共轭梯度求得的解的结果：

 可见SSOR的收敛性相较于CG较好。

但是需要注意A和的谱条件数小（特征值分布值集中)