1 实验目的
正确理解原始高斯消去法,并清楚其优缺点,正确理解列主元消去法,并且可以在程序中体现出其优势。
2 实验任务
3 实验相关知识
原始高斯消去原理:
将方程组换成增广矩阵,利用初等行变化把增高矩阵转换成行阶梯阵,然后回代求出方程的解。
列主元加入的原因:
列主元消去法是为控制舍入误差而提出来的,在高斯消去法的消元过程中,若出现 a=0,则消元无法进行,即使其不为 0,但很小,把它作为除数,就会导致其他元素量级的巨大增长和舍入误差的扩散,最后使计算结果不可靠.使用列主元消去法计算,基本上能控制舍入误差的影响。
列主元加入的方法:
对给定的 n 阶线性方程组 Ax=b,首先进行列主元消去过程,然后进行回代过程,最后得到解或确定该线性方程组是奇异的。
其具体方法是:在进行第 k(k=1,2,…,n-1)步消元时,从第 k 列的 akk 及其以下的各元素中选取绝对值最大的元素,然后通过行变换将它交换到主元素 akk 的位置上,再进行消元。
4 实验流程图
原始高斯消去法:
列主元消去法:
5 实验代码
原始高斯消去法:
import numpy as np
def gauss(a, b):
cout = 0 #定义计算次数
m, n = a.shape #矩阵a的行数和列数
if ( m < n ):
print("There is a 解空间。")#保证方程个数大于未知数个数
else:
l = np.zeros((n,n))
for i in range(n):
# 限制条件
if (a[i][i] == 0):
print("no answer")
# j表示列
for k in range(n - 1): # k表示第一层循环,(0,n-1)行
for i in range(k + 1, n): # i表示第二层循环,(k+1,n)行,计算该行消元的系数
l[i][k] = a[i][k] / a[k][k] #计算l
cout += 1 #计算次数加一
for j in range(m): # j表示列,对每一列进行运算
a[i][j] = a[i][j] - l[i][k] * a[k][j]
cout += 1
b[i] = b[i] - l[i][k] * b[k]
# 回代求出方程解
x = np.zeros(n) #先将解赋值为零,再一一计算
x[n - 1] = b[n - 1] / a[n - 1][n - 1] #先算最后一位的x解
for i in range(n - 2, -1, -1): #依次回代倒着算每一个解
for j in range(i + 1, n):
b[i] -= a[i][j] * x[j] #自增自减
x[i] = b[i] / a[i][i]
for i in range(n):
print("x" + str(i + 1) + " = ", x[i])
print("x" " = ", x)
print("计算次数", "=", cout)
if __name__ == '__main__':
a = np.array([[0.9428, 0.3475, -0.8468], [0.3475, 1.8423, 0.4759], [-0.8468, 0.4759, 1.2147]]) # 输入的系数矩阵
b = np.array([0.4127, 1.7321, -0.8621]) #增广的一列矩阵
gauss(a, b) #进行函数guassin运算
列主元消去法:
import numpy as np
def swap(a, b, k, n): # 找到主元并交换,这仅是一个仅用来交换的函数
ans = 0
for i in range(k, n):
if ans < np.fabs(a[i][k]): #fabs是绝对值,将a中绝对值最大的找出来
ans = a[i][k]
maxn = i
a[[k, maxn], :] = a[[maxn, k], :] #交换
b[k], b[maxn] = b[maxn], b[k]
#主算法
def gaussin(a, b):
cout = 0 #定义计算次数
m, n = a.shape #矩阵a的行数和列数
if ( m < n ):
print("There is a 解空间。")#保证方程个数大于未知数个数
else:
l = np.zeros((n,n))
for i in range(n):
# 限制条件
if (a[i][i] == 0):
print("no answer")
# j表示列
for k in range(n - 1): # k表示第一层循环,(0,n-1)行
swap(a, b, k, n) #在每次计算前,找到最大主元,进行换行
for i in range(k + 1, n): # i表示第二层循环,(k+1,n)行,计算该行消元的系数
l[i][k] = a[i][k] / a[k][k] #计算
cout += 1
for j in range(m): # j表示列,对每一列进行运算
a[i][j] = a[i][j] - l[i][k] * a[k][j]
cout += 1
b[i] = b[i] - l[i][k] * b[k]
# 回代求出方程解
x = np.zeros(n)
x[n - 1] = b[n - 1] / a[n - 1][n - 1] #先算最后一位的x解
for i in range(n - 2, -1, -1): #依次回代倒着算每一个解
for j in range(i + 1, n):
b[i] -= a[i][j] * x[j]
#自增自减
x[i] = b[i] / a[i][i]
for i in range(n):
print("x" + str(i + 1) + " = ", x[i])
print("x" " = ", x)
print("计算次数","=",cout)
if __name__ == '__main__': #当模块被直接运行时,以下代码块将被运行,当模块是被导入时,代码块不被运行。
a = np.array([[0.9428, 0.3475, -0.8468], [0.3475, 1.8423, 0.4759], [-0.8468, 0.4759, 1.2147]]) # 输入的系数矩阵
b = np.array([0.4127, 1.7321, -0.8621])
gaussin(a, b)
6 实验结果
原始高斯消去法:
列主元消去法:
7 总结
线性方程组有很多种解法,可以最简单的直接代入消元计算,但是运算量较大,且过程复杂不直观。而高斯消元法,不仅可用来求解线性方程组,并可以求出矩阵的秩,以及求出可逆方阵的逆矩阵;高斯消元法目的是预处理方程组的系数矩阵,将系数矩阵变换为上三角矩阵,这样整个方程就变得清晰直观很多。
而列主元高斯消元法,是为了克服高斯消元法的”除法 bug“的改进版本,因为消元过程中用到了除法,对于计算机来说,如果一个很小的值作为分母,则其在迭代中产生的误差,在做除法后会被放大很多倍。如 0.0001 与 0.0002 的误差小,但是1/0.0001 与 1/0.0002 的误差巨大。列主元思想,就是顺应而生,在消元前,把列中最大的元素所在行放到矩阵的最上方,那么就可以让较大值做分母,从而避免了误差被除法放大的问题。所以高斯列主元消去法在求解方程组时,使得求解得到的结果更加的准确。