(注:该程序C和C++通用)
我们知道在Matlab中,矩阵的求解是非常方便的,对于Ax = b,只需要做x = A \ b的运算就可以得到x的结果,然而对于C语言,我们就需要寻找一些算法来实现线性矩阵的求解。
由于本学期刚学完数值分析,并且目前做的项目中刚好有需要求解线性方程组的需求,于是将求解线性方程组的三种方法(其实还有更多,我这里仅给出三种):LU分解、雅可比迭代以及高斯-赛德尔迭代。这三个算法的基本原理就不过多赘述了,大家想进一步学习的可以网上搜,一大堆教程,而且原理也较为简单。
下面给出该三个算法对应的函数:
(1)LU分解:
float* LU(float* A, float* b)
{
//LU分解求方程的简单解释
//系数矩阵各阶顺序主子式det(Ai)≠0时,可以进行LU分解
//A = LU → Ax = b → LUx = b → Ly = b (其中Ux = y)
//在计算得到LU矩阵后,先计算Ly = b
//计算得到y后计算Ux = y就可以得到方程的解
int i, j, n;
float temp = 0;
//生成一个二维数组保存LU分解所得的系数
float** mat = (float**)malloc(N * sizeof(float*));
for (i = 0; i < N; i++)
{
*(mat + i) = (float*)malloc(N * sizeof(float));
// 将申请的数组中的值全部置零,方便后续使用
memset(*(mat + i), 0, N * sizeof(float));
}
//为了节约内存,这里没有同时申请x和y,而是仅申请x,但这样也够用了
float* x = (float*)malloc(N * sizeof(float));
memset(x, 0, N * sizeof(float));
//下面首先对LU矩阵的第一行和第一列进行计算,因为这两行有规律,容易写出
i = 0;
//LU分解矩阵的第一行和系数矩阵是一致的
for (j = 0; j < N; j++)
mat[i][j] = A[i * N + j];
//LU的第一列结果可以通过除以第一列第一个(即A[0][0])计算得到
j = 0;
for (i = 1; i < N; i++)
mat[i][j] = A[i * N + j] / A[0];
//下面开始对LU其他位置的值进行求解
for (i = 1; i < N; i++)
for (j = 1; j < N; j++)
{
if (i <= j)
{
temp = 0;
for (n = 0; n < i; n++)
temp += mat[n][j] * mat[i][n];
mat[i][j] = A[i * N + j] - temp;
}
else
{
temp = 0;
for (n = 0; n < j; n++)
temp += mat[n][j] * mat[i][n];
mat[i][j] = (A[i * N + j] - temp) / mat[j][j]; //列上方若有对角值(即i = j),需要处于该对角值
}
}
//首先计算Ly = b,这里是自上而下的计算
//这里的x的就是y
for (i = 0; i < N; i++)
{
temp = 0;
for (j = 0; j < i; j++)
{
temp += mat[i][j] * x[j];
}
x[i] = b[i] - temp;
}
//然后计算Ux = y,这里是自下而上的计算
for (i = N-1; i >= 0; i--)
{
temp = 0;
for (j = N - 1; j > i; j--)
{
temp += mat[i][j] * x[j];
}
x[i] = (x[i] - temp)/mat[i][i];
}
//free(x);(×) //这里切记不要释放x,否则计算结果会消失,可以在之后的主函数中释放
free(mat); //释放内存
return x; //将计算结果返回
}
LU分解可以获得线性方程的精确解
(2)雅可比迭代算法
//雅可比迭代函数
float* Jacobi(float* A, float* b)
{
int i, j;
int iter_num = 0; //目前的迭代次数
float error_now = 100; //目前迭代下的误差
//生成数组用于保存每次迭代得到的x结果并保存上一次迭代结果至x0
float* x = (float*)malloc(N * sizeof(float));
memset(x, 0, N * sizeof(float));
float* x0 = (float*)malloc(N * sizeof(float));
memset(x0, 0, N * sizeof(float));
while(error_now > ERROR)
{
//将上一次迭代的结果保存到x0中去
memcpy(x0, x, N * sizeof(float));
for (i = 0; i < N; i++)
{
float sum = 0;
for (j = 0; j < N; j++)
{
//printf("%f\t", A[i * N + j]);
if (i != j)
sum += A[i * N + j] * (x0[j]);
}
x[i] = (b[i] - sum) / A[i * N + i];
}
error_now = current_error(x, x0);
iter_num++;
printf("当前迭代次数为:%d,迭代误差为:%f\n", iter_num, error_now);
if (iter_num > IterMaxNum)
{
printf("迭代次数超过最大值要求,返回最后一次迭代结果");
break;
}
}
free(x0);
return x;
}
雅可比迭代可以获得线性方程组的近似解,近似程度和我们所设置ERROR误差参数有关,越小接近程度越好,但迭代的次数就会越多。
其中的current_error函数如下,用于计算前后两次迭代之间的误差,当误差小于我们所设置的ERROR参数时,迭代就会结束,返回迭代结果。
float current_error(float* last, float* now)
{
float max_error = 0;
float temp;
for (int i = 0; i < N; i++)
{
temp = *(now + i) - *(last + i);
//这里不用abs的原因:abs不知道为什么一直报错,说是函数重载
if (temp < 0)
temp = -temp;
if (temp > max_error)
max_error = temp;
}
return max_error;
}
这里我用的是Visual Studio 2022版本,我引入头文件<stdlib.h>后abs函数一直报错,不知道为什么,于是我就换了一种写法,多了一步if负数判断。
(3)高斯-赛德尔迭代法
//高斯-赛德尔迭代函数
float* GS(float* A, float* b)
{
int i, j;
int iter_num = 0; //目前的迭代次数
float error_now = 100; //目前迭代下的误差
//生成数组用于保存每次迭代得到的x结果并保存上一次迭代结果至x0
float* x = (float*)malloc(N * sizeof(float));
memset(x, 0, N * sizeof(float));
float* x0 = (float*)malloc(N * sizeof(float));
memset(x0, 0, N * sizeof(float));
while (error_now > ERROR)
{
memcpy(x0, x, N * sizeof(float));
for (i = 0; i < N; i++)
{
float sum = 0;
for (j = 0; j < N; j++)
{
//printf("%f\t", A[i * N + j]);
if (i != j)
sum += A[i * N + j] * (x[j]);
}
x[i] = (b[i] - sum) / A[i * N + i];
}
error_now = current_error(x, x0); //获得当前迭代的误差结果
iter_num++; //迭代次数加1
printf("当前迭代次数为:%d,迭代误差为:%f\n", iter_num, error_now); //输出当前迭代信息
if (iter_num > IterMaxNum)
{
printf("迭代次数超过最大值要求,返回最后一次迭代结果");
break;
}
}
free(x0);
return x;
}
高斯-赛德尔迭代法的程序和上面的雅可比迭代法的程序是非常相似的,但高斯-赛德尔是雅可比的改进算法,比雅可比有更快的收敛速度(即迭代次数更少)。
(4)一个使用例程
下面我给出了一个完整的使用例程,利用#ifdef函数来判断你想运行的算法,只需要在前面把你想运行的方法取消注释,不用的方法打上注释即可。
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <string.h>
#define N 4 //要求解的数组大小N x N
#define ERROR 0.00001 //误差要求
#define IterMaxNum 50000 //最大迭代次数
#define iter_Jacobi //运行雅可比迭代(非常近似的解)
//#define iter_GS //运行高斯-赛德尔迭代(非常近似的解)
//#define LU_Count //运行LU分解求解方程解(精确解)
float current_error(float* last, float* now)
{
float max_error = 0;
float temp;
for (int i = 0; i < N; i++)
{
temp = *(now + i) - *(last + i);
//这里不用abs的原因:abs不知道为什么一直报错,说是函数重载
if (temp < 0)
temp = -temp;
if (temp > max_error)
max_error = temp;
}
return max_error;
}
//雅可比迭代函数
float* Jacobi(float* A, float* b)
{
int i, j;
int iter_num = 0; //目前的迭代次数
float error_now = 100; //目前迭代下的误差
//生成数组用于保存每次迭代得到的x结果并保存上一次迭代结果至x0
float* x = (float*)malloc(N * sizeof(float));
memset(x, 0, N * sizeof(float));
float* x0 = (float*)malloc(N * sizeof(float));
memset(x0, 0, N * sizeof(float));
while(error_now > ERROR)
{
//将上一次迭代的结果保存到x0中去
memcpy(x0, x, N * sizeof(float));
for (i = 0; i < N; i++)
{
float sum = 0;
for (j = 0; j < N; j++)
{
//printf("%f\t", A[i * N + j]);
if (i != j)
sum += A[i * N + j] * (x0[j]);
}
x[i] = (b[i] - sum) / A[i * N + i];
}
error_now = current_error(x, x0);
iter_num++;
printf("当前迭代次数为:%d,迭代误差为:%f\n", iter_num, error_now);
if (iter_num > IterMaxNum)
{
printf("迭代次数超过最大值要求,返回最后一次迭代结果");
break;
}
}
free(x0);
return x;
}
//高斯-赛德尔迭代函数
float* GS(float* A, float* b)
{
int i, j;
int iter_num = 0; //目前的迭代次数
float error_now = 100; //目前迭代下的误差
//生成数组用于保存每次迭代得到的x结果并保存上一次迭代结果至x0
float* x = (float*)malloc(N * sizeof(float));
memset(x, 0, N * sizeof(float));
float* x0 = (float*)malloc(N * sizeof(float));
memset(x0, 0, N * sizeof(float));
while (error_now > ERROR)
{
memcpy(x0, x, N * sizeof(float));
for (i = 0; i < N; i++)
{
float sum = 0;
for (j = 0; j < N; j++)
{
//printf("%f\t", A[i * N + j]);
if (i != j)
sum += A[i * N + j] * (x[j]);
}
x[i] = (b[i] - sum) / A[i * N + i];
}
error_now = current_error(x, x0); //获得当前迭代的误差结果
iter_num++; //迭代次数加1
printf("当前迭代次数为:%d,迭代误差为:%f\n", iter_num, error_now); //输出当前迭代信息
if (iter_num > IterMaxNum)
{
printf("迭代次数超过最大值要求,返回最后一次迭代结果");
break;
}
}
free(x0);
return x;
}
//利用LU分解求解方程解
float* LU(float* A, float* b)
{
//LU分解求方程的简单解释
//系数矩阵各阶顺序主子式det(Ai)≠0时,可以进行LU分解
//A = LU → Ax = b → LUx = b → Ly = b (其中Ux = y)
//在计算得到LU矩阵后,先计算Ly = b
//计算得到y后计算Ux = y就可以得到方程的解
int i, j, n;
float temp = 0;
//生成一个二维数组保存LU分解所得的系数
float** mat = (float**)malloc(N * sizeof(float*));
for (i = 0; i < N; i++)
{
*(mat + i) = (float*)malloc(N * sizeof(float));
// 将申请的数组中的值全部置零,方便后续使用
memset(*(mat + i), 0, N * sizeof(float));
}
//为了节约内存,这里没有同时申请x和y,而是仅申请x,但这样也够用了
float* x = (float*)malloc(N * sizeof(float));
memset(x, 0, N * sizeof(float));
//下面首先对LU矩阵的第一行和第一列进行计算,因为这两行有规律,容易写出
i = 0;
//LU分解矩阵的第一行和系数矩阵是一致的
for (j = 0; j < N; j++)
mat[i][j] = A[i * N + j];
//LU的第一列结果可以通过除以第一列第一个(即A[0][0])计算得到
j = 0;
for (i = 1; i < N; i++)
mat[i][j] = A[i * N + j] / A[0];
//下面开始对LU其他位置的值进行求解
for (i = 1; i < N; i++)
for (j = 1; j < N; j++)
{
if (i <= j)
{
temp = 0;
for (n = 0; n < i; n++)
temp += mat[n][j] * mat[i][n];
mat[i][j] = A[i * N + j] - temp;
}
else
{
temp = 0;
for (n = 0; n < j; n++)
temp += mat[n][j] * mat[i][n];
mat[i][j] = (A[i * N + j] - temp) / mat[j][j]; //列上方若有对角值(即i = j),需要处于该对角值
}
}
//首先计算Ly = b,这里是自上而下的计算
//这里的x的就是y
for (i = 0; i < N; i++)
{
temp = 0;
for (j = 0; j < i; j++)
{
temp += mat[i][j] * x[j];
}
x[i] = b[i] - temp;
}
//然后计算Ux = y,这里是自下而上的计算
for (i = N-1; i >= 0; i--)
{
temp = 0;
for (j = N - 1; j > i; j--)
{
temp += mat[i][j] * x[j];
}
x[i] = (x[i] - temp)/mat[i][i];
}
//free(x);(×) //这里切记不要释放x,否则计算结果会消失,可以在之后的主函数中释放
free(mat); //释放内存
return x; //将计算结果返回
}
void main()
{
//这里给的例子为:
//8a - 3b + 2c = 20
//4a + 11b - c = 33
//6a + 3b + 12c = 36
//float A[N][N] = { {8,-3,2},{4,11,-1},{6,3,12} }; //要求解的矩阵
//float b[N] = { 20,33,36 };
//该方程精确解为 a = 3 、b = 2 、c = 1
//另外一个例子
float A[N][N] = { {1,0,2,0},{0,1,0,1},{1,2,4,3},{0,1,0,3} }; //要求解的矩阵
float b[N] = { 5,3,17,7 };
//该方程精确解为 a = 1 、b = 1 、c = 2 、d = 2
float* x;
#ifdef LU_Count
x = LU((float*)A, b);
#endif
#ifdef iter_Jacobi
x = Jacobi((float*)A, b);
#endif
#ifdef iter_GS
x = GS((float*)A, b);
#endif
for (int i = 0; i < N; i++)
printf("%f\n", x[i]);
free(x); //释放x
}
(5)小结
总之,想要精确解就LU算法,想要程序运行更快就选择迭代法(当然,前提是需要满足其分解条件和迭代条件)。