往学习资料汇聚平台插入资料

目前项目进入尾声，我目前的任务是往平台中插入一些测试数据。

我选择的专题是数值计算专题。

我往其中插入了一些数值计算专题的学习资料，markdown格式。
下面是其中的一个例子：

雅可比法

给定一个n×n的线性方程组
$$A\mathbf{x}=\mathbf{b}$$
其中:
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right],\mathbf{x}=\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right],\mathbf{b}=\left[\begin{array}{c}{b}_1\\ b_2\\ ⋮\\ b_n\end{array}\right].$$
可以分解成对角部分D和剩余部分R:
$$A=D+R\text{其 中}D=\left[\begin{array}{cccc}{a}_{11}& 0& \cdots & 0\\ 0& a_{22}& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & a_{nn}\end{array}\right],R=\left[\begin{array}{cccc}0& a_{12}& \cdots & a_{1n}\\ a_{21}& 0& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & 0\end{array}\right]$$
线性方程组可以重写为:
$$D\mathbf{x}=\mathbf{b}-R\mathbf{x}$$
雅可比法是一种迭代方法。在每一次迭代中，上一次算出的x被用在右侧，用来算出左侧的新的x。这个过程可以如下表示：
$${\mathbf{x}}^{(k+1)}=D^{-1}(\mathbf{b}-R{\mathbf{x}}^{(k)}).$$
对每个元素可以用以下公式：
$$x_i^{(k+1)}=\frac{1}{a_{ii}}\left(b_i-\sum _{j\ne i}{a}_{ij}{x}_j^{(k)}\right),i=1,2,\dots ,n.$$
注意计算 xi(k+1)需要x(k)中除了自己之外的每个元素。 不像高斯-赛德尔迭代，我们不能用 xi(k+1)覆盖xi(k)，因为在接下来的计算中还要用到这些值。这是雅可比和高斯-塞德尔方法最显著的差别，也是为什么前者可以用并行算法而后者不能的原因。最小需要的存储空间是两个长度为n的向量。

高斯-赛德尔迭代

对于一个含有n个未知量及n个等式的如下线性方程组
$$\begin{array}{rl}{a}_{11}\cdot x_1+a_{12}\cdot x_2+\dots +a_{1n}\cdot x_n& =b_1,\\ a_{21}\cdot x_1+a_{22}\cdot x_2+\dots +a_{2n}\cdot x_n& =b_2,\\ ⋮& =⋮\\ a_{n1}\cdot x_1+a_{n2}\cdot x_2+\dots +a_{nn}\cdot x_n& =b_n.\end{array}$$
为了求这个方程组的解$\vec{x}$，我们使用迭代法。k用来计量迭代步数。给定该方程组解的一个近似值${\vec{x}}^k\in {\mathbb{R}}^n$。在求k+1步近似值时，我们利用第m个方程求解第m个未知量。在求解过程中，所有已解出的k+1步元素都被直接使用。这一点与雅可比法不同。对于每个元素可以使用如下公式
$$x_m^{k+1}=\frac{1}{a_{mm}}\left(b_m-\sum _{j=1}^{m-1}{a}_{mj}\cdot x_j^{k+1}-\sum _{j=m+1}^n{a}_{mj}\cdot x_j^k\right),1\le m\le n.$$
重复上述的求解过程，可以得到一个线性方程组解的近似值数列：
$${\vec{x}}^0,{\vec{x}}^1,{\vec{x}}^2,\dots$$
在该方法收敛的前提下，此数列收敛于$\vec{x}$. 可以证明数列收敛若线性方程组系数矩阵为对称正定矩阵$(symmetricpositivedefinitematrix)$或对角优势矩阵$(diagonallydominantmatrix)$。

为了保证该方法可以进行，主对角线元素$a_{mm}$需非零。

明天将会整理项目有关文档。