MATLAB和Python迭代和最小二乘法求解线性系统

数学背景

本节介绍矢量范数的概念以及矢量空间${\mathbb{R}}^n$中序列的收敛性。

收敛序列与Cauchi收敛

设a为${\mathbb{R}}^{}$中的任意点，而$\epsilon \in {\mathbb{R}}^{+}$为任何正实数。 a的$\epsilon$ 邻域（用$\mathcal{N}\left(\alpha ,\epsilon \right)$ 表示）是位于开放区间$\left(\alpha -\epsilon ,\alpha +\epsilon \right)$ 中的所有点$\chi \in \mathbb{R}$的集合。 也就是说， N ( α , ε ) = { χ ∈ R : ∣ χ − α ∣ < ε } \mathscr{N}\left( \alpha ,\varepsilon \right) =\left\{ \chi \in \mathbb{R}:\left| \chi -\alpha \right|<\varepsilon \right\} N(α,ε)={χ∈R:∣χ−α∣<ε} 。

实数序列 { a n } n = 0 ∞ = a 0 , a 1 , a 2 , ⋯ \left\{ a_n \right\} _{n=0}^{\infty}=a_{0,}a_1,a_2,\cdots {an​}n=0∞​=a0,​a1​,a2​,⋯ 表示收敛到$\alpha \in \mathbb{R}$，如果对于任何$\epsilon >0$的选择，$\mathcal{N}\left(\alpha ,\epsilon \right)$ 包含一个 { a n } n = 0 ∞ \left\{ a_n \right\} _{n=0}^{\infty} {an​}n=0∞​无限子序列 { a n } n = N ∞ = a N , a N + 1 , a N + 2 , ⋯ \left\{ a_n \right\} _{n=N}^{\infty}=a_{N,}a_{N+1},a_{N+2},\cdots {an​}n=N∞​=aN,​aN+1​,aN+2​,⋯ 。为了数学上表达序列 { a n } n = 0 ∞ \left\{ a_n \right\} _{n=0}^{\infty} {an​}n=0∞​的收敛性，我们写成

$$\left|a_n-a\right|<\epsilon ,{\forall }_n⩾N$$

例如，序列

$$当n\to \infty 时{\left\{\frac{n}{n+1}\right\}}_{n=0}^{\infty }\to 1$$

因为，如果我们对$\epsilon >0$作任何选择，那么

$$\left|\frac{n}{n+1}-1\right|=\left|\frac{-1}{n+1}\right|=\frac{1}{n+1}<\epsilon ⟹n>\frac{1}{\epsilon }-1=\frac{1-\epsilon }{\epsilon }$$

因此，如果我们让

$$N=\left|\frac{1-\epsilon }{\epsilon }\right|$$

那么对于任何$n⩾N$的整数，我们发现

$$\left|\frac{n}{n+1}-1\right|<\epsilon$$

向量范数

如果x是具有分量$x_{1,}{x}_{2,}\cdots ,x_n$的向量，则其$p^{th}$-范数定义为：

$${\Vert x\Vert }_p={\left(\sum _{j=1}^n{\left|x_j\right|}^p\right)}^{\frac{1}{p}}={\left({\left|x_1\right|}^p+{\left|x_2\right|}^p+\cdots +{\left|x_n\right|}^p\right)}^{\frac{1}{p}}$$

满足${\Vert x\Vert }_1⩾{\Vert x\Vert }_2⩾\cdots ⩾{\Vert x\Vert }_{\infty }$。 范数${\Vert x\Vert }_2$给出了经典的欧几里得距离：

$${\Vert x\Vert }_2=\sqrt{x_1^2+x_2^2+\cdots x_n^2}$$

Python函数norm（位于numpy.linalg库中）接收向量x和整数p或np.inf，并返回${\Vert x\Vert }_p$。

In [27]: x = np.array([1, -1, 2, -2, 3, -3])
In [28]: from numpy.linalg import norm
In [29]: n1, n2, n3 = norm(x, 1), norm(x, 2), norm(x, np.inf)
In [30]: print(n1, n2, n3)
12.0
5.29150262213
3.0

向量的收敛序列

向量空间中的距离可以使用任何范数来定义。 如果我们有两个向量x和y都在${\mathbb{R}}^n$中，则x和y之间的距离可以由${\Vert x-y\Vert }_{1,}{\Vert x-y\Vert }_{2,}\cdots 或{\Vert x-y\Vert }_{\infty }$定义。 通常，将${\Vert x-y\Vert }_{2,}或{\Vert x-y\Vert }_{\infty }$用作两个向量x和y之间距离的值。

迭代方法

解决方程组线性系统的迭代方法是从给定的初始猜测$x^{\left(0\right)}$开始并生成向量$x^{\left(0\right)},x^{\left(1\right)},\cdots$ 的序列，收敛到线性系统$x=x^{\ast }$的解。 生成的序列在满足$\Vert x^{\left(s\right)}-x^{\left(s-1\right)}\Vert <\epsilon$的某些向量x（s）处停止。

其中$\Vert \Vert$ 是${\mathbb{R}}^n$中的一些范数，并且ε> 0是给定的公差。 然后，线性系统$x^{\ast }$的解近似为$x^{\left(s\right)}$，即$x^{\ast }\approx x^{\left(s\right)}$。

通常，有两种迭代方法：

1. 静态迭代方法：在迭代k时，迭代方法从$x^{\left(k-1\right)}$计算$x^{\left(k\right)}$，而无需参考先前的历史记录。 这类方法包括Jacobi方法，Gauss-Seidel方法和松弛方法。
2. 非平稳迭代方法：在迭代k时，迭代方法引用整个历史$x^{\left(0\right)},x^{\left(1\right)},\cdots ,x^{\left(k-1\right)}$来计算$x^{\left(k\right)}$。 这类方法包括共轭梯度法和GMRES子空间法。

整体思路

给定线性系统Ax = b，ε> 0且初始点$x^{\left(0\right)}$。 目的是在${\mathbb{R}}^n$中生成向量序列：

$x^{\left(0\right)},x^{\left(1\right)},x^{\left(2\right)},\cdots$

收敛到线性系统$Ax=b$的解，即是$\underset{k\to \infty }{\lim }{x}^{\left(k\right)}=x^{\ast }$。

序列的生成在某些迭代s处停止，如

$$\Vert x^{\left(s\right)}-x^{\left(s-1\right)}\Vert <\epsilon$$

在平稳迭代方法中，矩阵A表示为两个矩阵S和T的总和，即A = S T，其中S是可逆矩阵。 然后，将线性系统Ax = b替换为$\left(S+T\right)x=b$或$Sx=b-Tx$。

由于S是可逆的，所以我们将两侧乘以S -1并得到一个线性系统：$x=Bx+c$。

其中$B=S^{-1}T$和$C=S^{-1}b$。

上述线性系统的解是不动点$x^{\ast }$，其中$x^{\ast }=B{x}^{\ast }+c$。

从给定的初始点$x^{\left(0\right)}$开始，通过使用迭代关系$x^{\left(k+1\right)}=B{x}^{\left(k\right)}+c$来迭代逼近固定点。

在本节的整个过程中，我们假设矩阵A是三个矩阵L，D和U的和，其中：

$$L=\left(\begin{array}{ccccccc}l0& 0& 0& \cdots & 0& 0& 0\\ a_{2,1}& 0& 0& \cdots & 0& 0& 0\\ a_{3,1}& a_{3,2}& 0& \cdots & 0& 0& 0\\ ⋮& ⋮& ⋮& \ddots & ⋮& ⋮& ⋮\\ a_{n-2,1}& a_{n-2,2}& a_{n-2,3}& \cdots & 0& 0& 0\\ a_{n-1,1}& a_{n-1,2}& a_{n-1,3}& \cdots & a_{n-1,n-2}& 0& 0\\ a_{n,1}& a_{n,2}& a_{n,3}& \cdots & a_{n,n-2}& a_{n,n-1}& 0\end{array}\right)$$

$$\mathbf{D}=\left(\begin{array}{ccccccc}l{\mathbf{a}}_{1,1}& 0& 0& \cdots & 0& 0& 0\\ 0& {\mathbf{a}}_{2,2}& 0& \cdots & 0& 0& 0\\ 0& 0& {\mathbf{a}}_{3,3}& \cdots & 0& 0& 0\\ ⋮& ⋮& ⋮& \ddots & ⋮& ⋮& ⋮\\ 0& 0& 0& \cdots & {\mathbf{a}}_{\mathbf{n}-2,\mathbf{n}-2}& 0& 0\\ 0& 0& 0& \cdots & 0& {\mathbf{a}}_{\mathbf{n}-1,\mathbf{n}-1}& 0\\ 0& 0& 0& \cdots & 0& 0& {\mathbf{a}}_{\mathbf{n},\mathbf{n}}\end{array}\right)$$

$$\mathbf{U}=\left(\begin{array}{ccccccc}l0& {\mathbf{a}}_{1,2}& {\mathbf{a}}_{1,3}& \cdots & {\mathbf{a}}_{1,\mathbf{n}-2}& {\mathbf{a}}_{1,\mathbf{n}-1}& {\mathbf{a}}_{1,\mathbf{n}}\\ 0& 0& {\mathbf{a}}_{2,3}& \cdots & {\mathbf{a}}_{2,\mathbf{n}-2}& {\mathbf{a}}_{2,\mathbf{n}-1}& {\mathbf{a}}_{2,\mathbf{n}}\\ 0& 0& 0& \cdots & {\mathbf{a}}_{3,\mathbf{n}-2}& {\mathbf{a}}_{3,\mathbf{n}-1}& {\mathbf{a}}_{3,\mathbf{n}}\\ ⋮& ⋮& ⋮& \ddots & ⋮& ⋮& ⋮\\ 0& 0& 0& \cdots & 0& {\mathbf{a}}_{\mathbf{n}-2,\mathbf{n}-1}& {\mathbf{a}}_{\mathbf{n}-2,\mathbf{n}}\\ 0& 0& 0& \cdots & 0& 0& {\mathbf{a}}_{\mathbf{n}-1,\mathbf{n}}\\ 0& 0& 0& \cdots & 0& 0& {\mathbf{a}}_{\mathbf{n},\mathbf{n}}\end{array}\right)$$

在MATLAB中，可以使用以下命令获得矩阵L，D和U：

>> D = diag(diag(A)) ;
>> L = tril(A) - D ;
>> U = triu(A) - D;

在Python中，tril，triu在scipy.linalg包中实现，而diag在scipy和numpy中都实现。 可以通过以下命令获得它们：

In [1]: import scipy as sp, numpy as np
In [2]: A = np.array([[4, 1, -1], [-1, 5, 1], [0, -1, 4]])
In [3]: print(’L = \n’, sp.linalg.tril(A), ’\nU = \n’,
sp.linalg.triu(A), ...
’\nD = \n’, np.diag(np.diag(A)))
L =
[[ 4 0 0]
[-1 5 0]
[ 0 -1 4]]
U =
[[ 4 1 -1]
[ 0 5 1]
[ 0 0 4]]
D =
[[4 0 0]
[0 5 0]
[0 0 4]]

雅可比法

给定方程的线性系统：

$$\begin{gathered} {\mathbf{a}}_{11}{\mathbf{x}}_1+{\mathbf{a}}_{12}{\mathbf{x}}_2+\cdots +{\mathbf{a}}_{1\mathbf{n}}{\mathbf{x}}_{\mathbf{n}}={\mathbf{b}}_1 \\ {\mathbf{a}}_{21}{\mathbf{x}}_1+{\mathbf{a}}_{22}{\mathbf{x}}_2+\cdots +{\mathbf{a}}_{2\mathbf{n}}{\mathbf{x}}_{\mathbf{n}}={\mathbf{b}}_2 \\ ⋮ \\ {\mathbf{a}}_{\mathbf{i}1}{\mathbf{x}}_1+{\mathbf{a}}_{\mathbf{i}2}{\mathbf{x}}_2+\cdots +{\mathbf{a}}_{\mathbf{i}\mathbf{n}}{\mathbf{x}}_{\mathbf{n}}={\mathbf{b}}_{\mathbf{i}} \\ ⋮ \\ {\mathbf{a}}_{\mathbf{n}1}{\mathbf{x}}_1+{\mathbf{a}}_{\mathbf{n}2}{\mathbf{x}}_2+\cdots +{\mathbf{a}}_{\mathbf{n}\mathbf{n}}{\mathbf{x}}_{\mathbf{n}}={\mathbf{b}}_{\mathbf{b}} \end{gathered}$$

从上面的等式可以得出：

$$\begin{gathered} {\mathbf{x}}_1=\frac{1}{{\mathbf{a}}_{11}}\left({\mathbf{b}}_1-{\mathbf{a}}_{12}{\mathbf{x}}_2-\cdots -{\mathbf{a}}_{\mathbf{n}1}{\mathbf{x}}_{\mathbf{n}}\right) \\ {\mathbf{x}}_2=\frac{1}{{\mathbf{a}}_{22}}\left({\mathbf{b}}_2-{\mathbf{a}}_{21}{\mathbf{x}}_1-{\mathbf{a}}_{23}{\mathbf{x}}_3-\cdots -{\mathbf{a}}_{\mathbf{n}1}{\mathbf{x}}_{\mathbf{n}}\right) \\ ⋮⋮ \\ {\mathbf{x}}_{\mathbf{i}}=\frac{1}{{\mathbf{a}}_{\mathbf{i}\mathbf{i}}}\left({\mathbf{b}}_{\mathbf{i}}-{\mathbf{a}}_{\mathbf{i}1}{\mathbf{x}}_1-\cdots -{\mathbf{a}}_{\mathbf{i}\mathbf{i}-1}{\mathbf{x}}_{\mathbf{i}-1}-{\mathbf{a}}_{\mathbf{i}\mathbf{i}+1}{\mathbf{x}}_{\mathbf{i}+1}-\cdots -{\mathbf{a}}_{\mathbf{i}\mathbf{n}}{\mathbf{x}}_{\mathbf{n}}\right) \\ ⋮⋮ \\ {\mathbf{x}}_{\mathbf{n}}=\frac{1}{{\mathbf{a}}_{\mathbf{n}\mathbf{n}}}\left({\mathbf{b}}_{\mathbf{n}}-{\mathbf{a}}_{\mathbf{n}1}{\mathbf{x}}_1-\cdots -{\mathbf{a}}_{\mathbf{n}\mathbf{n}-1}{\mathbf{x}}_{\mathbf{n}-1}\right) \end{gathered}$$

雅可比法是一种迭代方法，它从对解${\left[{\mathbf{x}}_1^{\left(0\right)},{\mathbf{x}}_2^{\left(0\right)},\cdots ,{\mathbf{x}}_{\mathbf{n}}^{\left(0\right)}\right]}^{\mathbf{T}}$的初始猜测开始。 然后，使用迭代$k$中的解来找到迭代$k+1$中系统解的近似值。
完成如下：

$$\begin{gathered} {\mathbf{x}}_1^{\left(\mathbf{k}+1\right)}=\frac{1}{{\mathbf{a}}_{11}}\left({\mathbf{b}}_1-{\mathbf{a}}_{12}{\mathbf{x}}_2^{\left(\mathbf{k}\right)}-\cdots -{\mathbf{a}}_{\mathbf{n}1}{\mathbf{x}}_{\mathbf{n}}^{\left(\mathbf{k}\right)}\right) \\ {\mathbf{x}}_2^{\left(\mathbf{k}+1\right)}=\frac{1}{{\mathbf{a}}_{22}}\left({\mathbf{b}}_2-{\mathbf{a}}_{21}{\mathbf{x}}_1^{\left(\mathbf{k}\right)}-{\mathbf{a}}_{23}{\mathbf{x}}_3^{\left(\mathbf{k}\right)}-\cdots -{\mathbf{a}}_{\mathbf{n}1}{\mathbf{x}}_{\mathbf{n}}^{\left(\mathbf{k}\right)}\right) \\ ⋮⋮ \\ {\mathbf{x}}_{\mathbf{i}}^{\left(\mathbf{k}+1\right)}=\frac{1}{{\mathbf{a}}_{\mathbf{i}\mathbf{i}}}\left({\mathbf{b}}_{\mathbf{i}}-{\mathbf{a}}_{\mathbf{i}1}{\mathbf{x}}_1^{\left(\mathbf{k}\right)}-\cdots -{\mathbf{a}}_{\mathbf{i}\mathbf{i}-1}{\mathbf{x}}_{\mathbf{i}-1}^{\left(\mathbf{k}\right)}-{\mathbf{a}}_{\mathbf{i}\mathbf{i}+1}{\mathbf{x}}_{\mathbf{i}+1}^{\left(\mathbf{k}\right)}-\cdots -{\mathbf{a}}_{\mathbf{i}\mathbf{n}}{\mathbf{x}}_{\mathbf{n}}^{\left(\mathbf{k}\right)}\right) \\ ⋮⋮ \\ {\mathbf{x}}_{\mathbf{n}}^{\left(\mathbf{k}+1\right)}=\frac{1}{{\mathbf{a}}_{\mathbf{n}\mathbf{n}}}\left({\mathbf{b}}_{\mathbf{n}}-{\mathbf{a}}_{\mathbf{n}1}{\mathbf{x}}_1^{\left(\mathbf{k}\right)}-\cdots -{\mathbf{a}}_{\mathbf{n}\mathbf{n}-1}{\mathbf{x}}_{\mathbf{n}-1}^{\left(\mathbf{k}\right)}\right) \end{gathered}$$

通常，迭代${\mathbf{x}}_{\mathbf{i}}^{\left(\mathbf{k}+1\right)}$中的解可以表示为：

$${\mathbf{x}}_{\mathbf{i}}^{\left(\mathbf{k}+1\right)}=\frac{1}{{\mathbf{a}}_{\mathbf{i}\mathbf{i}}}\left({\mathbf{b}}_{\mathbf{i}}-\sum _{\mathbf{j}=1,\mathbf{j}\ne \mathbf{i}}^{\mathbf{n}}{\mathbf{a}}_{\mathbf{i}\mathbf{j}}{\mathbf{x}}_{\mathbf{j}}^{\left(\mathbf{k}\right)}\right),\mathbf{i}=1,\cdots ,\mathbf{n}$$

对于任意$\mathbf{\epsilon }>0$，当$\Vert {\mathbf{x}}_{\mathbf{i}}^{\left(\mathbf{k}+1\right)}-{\mathbf{x}}_{\mathbf{i}}^{\left(\mathbf{k}\right)}\Vert <\mathbf{\epsilon }$时，雅可比迭代停止。

**示例1，**为线性系统编写雅可比方法的前三个迭代：

$$\left(\begin{array}{ccc}2& -1& 1\\ -2& 5& -1\\ 1& -2& 4\end{array}\right)\left(\begin{array}{c}{\mathbf{x}}_1\\ {\mathbf{x}}_2\\ {\mathbf{x}}_3\end{array}\right)=\left(\begin{array}{c}-1\\ 1\\ 3\end{array}\right)$$

从零向量开始

$${\mathbf{x}}^{\left(0\right)}=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)$$

解决

我们写成：

$$\begin{gathered} {\mathbf{x}}_1^{\left(\mathbf{k}+1\right)}=\frac{1}{2}\left(-1+{\mathbf{x}}_2^{\left(\mathbf{k}\right)}-{\mathbf{x}}_3^{\left(\mathbf{k}\right)}\right) \\ {\mathbf{x}}_2^{\left(\mathbf{k}+1\right)}=\frac{1}{5}\left(1+2{\mathbf{x}}_1^{\left(\mathbf{k}\right)}+{\mathbf{x}}_3^{\left(\mathbf{k}\right)}\right) \\ {\mathbf{x}}_3^{\left(\mathbf{k}+1\right)}=\frac{1}{4}\left(3-{\mathbf{x}}_1^{\left(\mathbf{k}\right)}+2{\mathbf{x}}_2^{\left(\mathbf{k}\right)}\right) \end{gathered}$$

1. 第一次迭代$k=0$

   $$\begin{gathered} {\mathbf{x}}_1^{\left(1\right)}=\frac{1}{2}\left(-1+{\mathbf{x}}_2^{\left(0\right)}-{\mathbf{x}}_3^{\left(0\right)}\right)=\frac{1}{2}\left(-1+0-0\right)=-\frac{1}{2} \\ {\mathbf{x}}_2^{\left(1\right)}=\frac{1}{5}\left(1+2{\mathbf{x}}_1^{\left(0\right)}+{\mathbf{x}}_3^{\left(0\right)}\right)=\frac{1}{5}\left(1+2\left(0\right)+0\right)=\frac{1}{5} \\ {\mathbf{x}}_3^{\left(1\right)}=\frac{1}{4}\left(3-{\mathbf{x}}_1^{\left(0\right)}+2{\mathbf{x}}_2^{\left(0\right)}\right)=\frac{1}{4}\left(3-0+2\left(0\right)\right)=\frac{3}{4} \end{gathered}$$

2. 第二次迭代$k=1$

   $$\begin{gathered} {\mathbf{x}}_1^{\left(2\right)}=\frac{1}{2}\left(-1+{\mathbf{x}}_2^{\left(1\right)}-{\mathbf{x}}_3^{\left(1\right)}\right)=\frac{1}{2}\left(-1+\frac{1}{5}-\frac{3}{4}\right)=-\frac{31}{40} \\ {\mathbf{x}}_2^{\left(2\right)}=\frac{1}{5}\left(1+2{\mathbf{x}}_1^{\left(1\right)}+{\mathbf{x}}_3^{\left(1\right)}\right)=\frac{1}{5}\left(1+2\cdot \frac{-1}{2}+\frac{3}{4}\right)=\frac{3}{20} \\ {\mathbf{x}}_3^{\left(2\right)}=\frac{1}{4}\left(3-{\mathbf{x}}_1^{\left(1\right)}+2{\mathbf{x}}_2^{\left(1\right)}\right)=\frac{1}{4}\left(3-\frac{-1}{2}+2\frac{1}{5}\right)=\frac{39}{40} \end{gathered}$$

3. 第三次迭代$k=2$

   $$\begin{gathered} {\mathbf{x}}_1^{\left(3\right)}=\frac{1}{2}\left(-1+{\mathbf{x}}_2^{\left(2\right)}-{\mathbf{x}}_3^{\left(2\right)}\right)=\frac{1}{2}\left(-1+\frac{3}{20}-\frac{39}{40}\right)=-\frac{73}{80} \\ {\mathbf{x}}_2^{\left(3\right)}=\frac{1}{5}\left(1+2{\mathbf{x}}_1^{\left(2\right)}+{\mathbf{x}}_3^{\left(2\right)}\right)=\frac{1}{5}\left(1+2\cdot \frac{-31}{40}-\frac{-73}{80}\right)=\frac{17}{200} \\ {\mathbf{x}}_3^{\left(3\right)}=\frac{1}{4}\left(3-{\mathbf{x}}_1^{\left(2\right)}+2{\mathbf{x}}_2^{\left(2\right)}\right)=\frac{1}{4}\left(3-\frac{31}{40}+2\frac{3}{20}\right)=\frac{163}{160} \end{gathered}$$

**示例2，**雅可比方法将用于求解线性系统：

$$\left(\begin{array}{ccc}-5& 1& -2\\ 1& 6& 3\\ 2& -1& -4\end{array}\right)\left(\begin{array}{c}{\mathbf{x}}_1\\ {\mathbf{x}}_2\\ {\mathbf{x}}_3\end{array}\right)=\left(\begin{array}{c}13\\ 1\\ -1\end{array}\right)$$

MATLAB代码

function x = JacobiSolve(A, b, Eps)
	 n = length(b) ;
	 x0 = zeros(3, 1) ;
	 x = ones(size(x0)) ;
	 while norm(x-x0, inf) ≥ Eps
		 x0 = x ;
		 for i = 1 : n
			 x(i) = b(i) ;
			 for j = 1 : n
				 if j , i
				 x(i) = x(i) - A(i, j)*x0(j) ;
			 end
		 end
		 x(i) = x(i) / A(i, i) ;
	 end

>> A = [-5 1 -2; 1 6 3; 2 -1 -4] ;
>> b = [13; 1; -1] ;
>> JacobiSolveLinSystem(A, b)
-2.0000
1.0000
-1.0000

使用Python，功能JacobiSolve具有以下代码：

def JacobiSolve(A, b, Eps):
 import numpy as np
 n = len(b)
 x0, x = np.zeros((n, 1), 'float'), np.ones((n, 1), 'float')
 while np.linalg.norm(x-x0, np.inf) ≥ Eps:
	 x0 = x.copy()
	 for i in range(n):
		 x[i] = b[i]
		 for j in range(n):
			 if j != i:
				 x[i] -= A[i][j]*x0[j]
		 x[i] /= A[i][i]
 return x

通过调用函数JacobiSolve求解给定的线性系统，我们获得：

In [3]: A = np.array([[-5, 1, -2], [1, 6, 3], [2, -1, -4]])
In [4]: b = np.array([[13], [1], [-1]])
In [5]: x = JacobiSolve(A, b, Eps)
In [6]: print(’x = \n’, x)
Out[6]:
x =
[[-2. ],
[ 1.00000002],
[-1.00000002]]

矩阵形式的雅可比法

向量形式的高斯-塞德尔方法

松弛法

最小二乘解

最小二乘解的一些应用

详情请参考 - 亚图跨际