数值微积分与方程求解（二）

 

线性方程组求解

（1）利用左除运算符的直接解法

Ax=b    即     x=A\b

注意，如果矩阵A是奇异的或接近奇异的，则MATLAB会给出警告信息。

MATLAB提供了一个左除运算符“\”用于求解线性方程组，它使用列主元消去法，使用起来十分方便。对于线性方程组Ax=b，可以利用左除运算符反斜杠求解，b左除以A可获得线性方程组的数值解x。

(2)利用矩阵分解求解线性方程组

 LU分解

①LU分解的基本思想

矩阵的LU分解就是将一个n阶矩阵表示为一个下三角矩阵和一个上三角矩阵的乘积。线性代数中已经证明，只要方阵是非奇异的，LU分解总是可以进行的。

②MATLAB的LU分解函数

LU分解函数是根据列主元LU分解算法定义的，具有较好的数据稳定性。lu函数有两种调用格式：

 [L,U]=lu(A)：产生一个上三角阵U和一个变换形式的下三角阵L，使之满足A=LU。注意，这里的矩阵A必须是方阵。

 [L,U,P]=lu(A)：产生一个上三角阵U和一个下三角阵L以及一个置换矩阵P，使之满足PA=LU。同样，矩阵A必须是方阵。

当使用第一种格式时，矩阵L往往不是一个下三角阵，但可以通过行交换成为一个下三角阵。

③用LU分解求解线性方程组

Ax=b→LUx=b→x=U\(L\b)

或

Ax=b→ PAx=Pb→ LUx=Pb → x=U\(L\P*b)

通过LU分解后可以大大提高运算速度。

对于三角方程很容易求解，于是可以首先求解向量y使Ly=b，再求解Ux=y，从而达到求解线性方程组Ax=b的目的。

 QR分解

 Cholesky分解

（3）线性方程组的迭代解法

迭代法是一种不断用变量的原值推出它的新值的过程，是用计算机解决问题的一种基本方法。

（1）雅可比（Jacobi）迭代法

>> [x,n]=jacobi(A,b,[0,0,0]',1.0e-6)

（A，b，初值，精度）

雅可比迭代的函数文件

function [y,n]=jacobi(A,b,x0,ep)
D=diag(diag(A));
L=-tril(A,-1);
U=-triu(A,1);
B=D\(L+U);
f=D\b;
y=B*x0+f;
n=1;
while norm(y-x0)>=ep
x0=y;
y=B*x0+f;
n=n+1;
end

（2）高斯-赛德尔（Gauss-Serdel）迭代法

>> [x,n]=gauseidel(A,b,[0,0,0]',1.0e-6)

非线性方程数值求解

（1）单变量非线性方程求解

函数的调用格式为：

x=fzero(filename,x0)

其中，filename是待求根方程左端的函数表达式，x0是初始值。

（2）非线性方程组的求解

在MATLAB的最优化工具箱中提供了非线性方程组的求解函数fsolve，其调用格式如下：

x=fsolve(filename,x0,option)

其中，x为返回的近似解，filename是待求根方程左端的函数表达式，x0是初值，option用于设置优化工具箱的优化参数，可以调用optimset函数来完成。例如，Display参数设置为‘off’时不显示中间结果。

 

函数极值的计算

函数极值包括极大值和极小值，或者叫最大值和最小值。MATLAB只考虑最小值问题的计算，如果要求f(x)的最大值，可以通过求-f(x)的最小值来解决。

（1）无约束最优化问题

无约束最优化问题的一般描述为：

其中， 。

求最小值的函数为：

[xmin,fmin]=fminbnd(filename,x1,x2,option)

[xmin,fmin]=fminsearch(filename,x0,option)

[xmin,fmin]=fminunc(filename,x0,option)

其中，xmin表示极小值点，fmin表示最小值，filename是定义的目标函数。第一个函数的输入变量xl、x2分别表示被研究区间的左、右边界。后两个函数的输入变量x0是一个向量，表示极值点的初值。option为优化参数，可以通过optimset函数来设置。

 

（2）有约束最优化问题

有约束最优化问题的一般描述为：

其中， 。

即求取一组x，使得目标函数f(x)为最小，且满足约束条件G(x)≤0。记号s.t.是英文subject to的缩写，表示x要满足后面的约束条件。

约束条件可以进一步细化为：线性不等式约束、线性等式约束、非线性不等式约束、非线性等式约束以及x的下界和上界。

求有约束条件下最小值的函数为：

[xmin,fmin]=fmincon(filename,x0,A,b,Aeq,beq,Lbnd,Ubnd,NonF,option)

详解fmincon函数