线性方程组迭代法

　　迭代法是通过迭代的方式，一步一步逼近线性方程组解。它不一定能获得精确解，但在迭代多次以后，精度可以无限接近解的真实值。所以当矩阵的维度很高时，在程序中常用这种方法来求解线性方程组。它的基本形式如下：

$x^{(k+1)} = Bx^{(k)} + f$

　　通常先设置一个随机初始值$x^{(0)}$，每次通过这个迭代式子计算下一次的$x^{(k)}$，通常使用前后两次的迭代结果之差来判断迭代解是否达到要求。

　　对于方程组$Ax = b$（要求$A$非奇异即可逆，否则迭代法不收敛），迭代法有以下几种：

基本迭代法

　　基本迭代法就是最简单的定义，用于理解。先将$A$分解为$M - N$，其中$M$可逆，得：

$(M - N)x = b$

$Mx = Nx + b$

$x = M^{-1}Nx + M^{-1}b$

　　分离出这个等式后，直接把左边的$x$作为迭代式的下一步。得到迭代式如下：

$x^{(k+1)} = M^{-1}Nx^{(k)} + M^{-1}b$

雅可比迭代法

　　雅可比迭代法把$A$分解为$D、L、U$三个矩阵，分别是$A$的主对角线、主对角线全为0下三角矩阵、主对角线全为0上三角矩阵，因为要求$D$的逆，所以要求$A$主对角线元素都非0：

$(D - L - U)x = b$

$Dx = (L + U)x + b$

　　得到迭代式：

$x^{(k+1)} = D^{-1}(L + U)x^{(k)} + D^{-1}b$

 高斯-赛德尔迭代法

　　高斯-赛德尔迭代法是基于雅可比迭代法的改进。它相对于雅可比在存储上少了一个$x$向量规模大小的存储空间，比如$x$是5维的，就少了存这5个浮点型数的空间（其它明显优势没看出来）。它实际上就是雅可比计算$x$向量的每个元素的时候，把计算结果再存回原来的元素位置。然而现在的矩阵、向量运算一般是集成好一次性计算的，所以要将它变换一下，当然这样前面说的唯一优势也没了。╮(╯▽╰)╭

　　以下进行修改雅可比迭代到高斯-赛德尔：

　　计算每一个元素的时候，因为$L、U$分别是主对角线为0的下、上三角阵，按照上面说的，在第$k$次的迭代中，参与计算的所有$k+1$代元素都乘在了$D^{-1}L$上，因为$D^{-1}U$的下三角都是0，乘了也没用。所以得：

$x^{(k+1)} = D^{-1}Lx^{(k+1)} + D^{-1}Ux^{(k)} + D^{-1}b$

$Dx^{(k+1)} = Lx^{(k+1)} + Ux^{(k)} + b$

$x^{(k+1)} = (D-L)^{-1}Ux^{(k)} + (D-L)^{-1}b$

SOR迭代法（逐次超松弛迭代）

　　基于高斯-赛德尔迭代，它又给加一个系数。由高斯-赛德尔迭代式：

$Dx^{(k+1)} = Lx^{(k+1)} + Ux^{(k)} + b$
$Dx^{(k+1)} = Lx^{(k+1)} + Ux^{(k)} + b + Dx^{(k)} - Dx^{(k)}$

　　将$Dx^{(k)}$拎出来，后面看做一个变化率一样的东西，加上一个系数$\omega$：

$Dx^{(k+1)} = Dx^{(k)} + \omega(Lx^{(k+1)} + Ux^{(k)} + b  - Dx^{(k)})$

　　这个式子可以形象地看做$x^{(k)}$到$x^{(k+1)}$是通过一个向量来变化的。变化一下得到迭代式：

$x^{(k+1)} = (D-\omega L)^{-1}[(1-\omega)D+\omega U]x^{(k)}+\omega(D-\omega L)^{-1}b$ 

　　对于$\omega$：$\omega$为1时，超松弛就是高斯-赛德尔，大于1时为超松弛，即迭代的步伐更快，小于1时为低松弛，迭代的步伐更小。显然越迭代到后期，$\omega$的值越要小。不然会出现震荡。

迭代法收敛条件

　　对于线性方程$Ax = b$，分裂为迭代的形式：$x^{(k+1)} = Bx^{(k)}+f$。

　　如果迭代法能最终收敛到$x^{(*)}=Bx^{(*)}+f$，就有：

$ \varepsilon^{(k)} := x^{(k)} - x^{(*)}, \lim\limits_{k \to +\infty}\varepsilon^{(k)} = 0$

　　因为有：

$\varepsilon^{(k)} = Bx^{(k-1)}+f-Bx^{(*)}-f$

$=B(x^{(k-1)}-x^{(*)})$
$=B\varepsilon^{(k-1)}$
$=B^2\varepsilon^{(k-2)}$

$=B^k\varepsilon^{(0)}=B^k(x^{(0)}-x^{(*)})$

　　所以，若：

$\lim\limits_{k \to +\infty}B^k = 0$

　　有迭代收敛。因此，简化一下，当$B$的谱半径小于1时，有迭代法收敛。谱半径就是矩阵绝对值最大的特征向量的绝对值。

　　实际上，一般只要$A$可逆，迭代就能收敛。