算法误差和Gauss消元

饕餮之徒和頑丫头

已于 2023-10-06 17:30:11 修改

阅读量157

点赞数

文章标签：算法

于 2023-10-06 16:47:12 首次发布

本文链接：https://blog.csdn.net/m0_74981381/article/details/132890403

版权

声明资料来源：此篇文将“猪老师爱做饭”在哔哩哔哩的视频《数值计算方法数值分析计算方法》的内容、个人在课上的笔记搬运过来，是个纯粹的搬运工和整理员。

模型误差（描述误差）：指建立的数学模型和实际事物的差距（数学模型为在定量分析事物时抓住主要，忽略次要而建立的数学关系式）
观测误差（测量误差）：指计算公式中的往往通过观测、实验获得的参数与真实值间的误差
截断误差（方法误差）：指数学模型的准确解与用数值算法求得的准确解之差
舍入误差：指在参加运算的数据只能是具有有限位的数据下，原始数据在机器表示的每一次运算中都可能产生的误差

1.5近似数的误差表示

绝对误差

相对误差

er(x)=(x-x^)/x=e(x)/x, $\varepsilon$ r(x)=| $\varepsilon$ (x)|/x

在真实计算过程中由于x往往是未知量，所以我们将相对误差和相对误差限的分母换成x^,er(x)=(x-x^)/x^=e(x)/x^, $\varepsilon$ r(x)=| $\varepsilon$ (x)|/x^

二、Gauss Elemination and triangle factorization

2.1不消主元法

对于Ax=b线性方程组中的系数矩阵 $A_(nn)$ ，依次消去每列aii（i=1,2,...n）主元以下元素

$A=[a_{1}^{0},a_{2}^{0},...,a_{n}^{0}],L1A=$ $[a_{1}^{1},a_{2}^{1},...,a_{n}^{1}]$ , $L2A=[a_{1}^{2},a_{2}^{2},...a_{n}^{2}]$

最终得到上三角矩阵 $L_{n}*L_{n-1}...L_{2}*L_{1}*A=U$

2.2主元消去法

(1)列主元消除法

文字解释：对于第j列（j=1,2,...n),选择该列最大元素aij作为主元ajj,i=1,2,...nt

代码：

[maxvalue,indexi]=max(abs(A(:,j)));

if indexi~=j

temp=A(j,:);

A(j,:)=A(indexi,:);

A(indexi,:)=temp;

end

(2)全选主元消除法

文字解释：a)每次进行aii主元以下元素的消除时都在右下角矩阵A(n-i+1)(n-i+1)中寻找绝对值最大的元素，b)并交换到A(n-i+1)(n-i+1)矩阵的第一主元位置,c)之后进行高斯消元.a)、b)、c)重复进行知道生成upper triangular上三角形

代码：

2.3直接三角分解

给定矩阵 $A_{mn}$ （m=n),根据 $A_{mn}$ 的元素，得到 $L_{nm}$ 矩阵, $U_{nn}$ =( $L_{nm}$ ^(-1)) $A_{mn}$ ，或者为了节省内存占用，直接在 $A_{mn}$ 进行三角分解

2.4杜立特分解

对于解 $Ax=b$ ,有两个步骤：

$1)A=LU$ ,先假设出L、U的模型

$LU=\begin{bmatrix} 1& & \\ l21& 1& \\ l31& l32& 1\end{bmatrix}$ $\begin{bmatrix} u11& u12 &u13 \\ & u22& u23\\ & & u33\end{bmatrix}$ $=\begin{bmatrix} u11 &u12 &u13 \\ l21u11&l21u12+u22 &l21u13+u23 \\ l31u11&l31u12+l32u22 &l31u13+l32u23+u33 \end{bmatrix}$