MATLAB Jacobi迭代法求解线性方程组

最新推荐文章于 2025-03-10 21:15:42 发布

施风

最新推荐文章于 2025-03-10 21:15:42 发布

阅读量4w

点赞数 69

分类专栏： MATLAB知识点文章标签： matlab 线性代数算法

本文链接：https://blog.csdn.net/qq_40264271/article/details/120611627

版权

MATLAB知识点专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍了雅克比迭代法的概念及其在求解线性方程组中的应用。通过公式推导展示了迭代过程，并提供了一个MATLAB代码示例，解释了如何编程实现Jacobi迭代法。在示例中，成功求解了一个3x3线性方程组，并达到了预设的精度要求。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

前言
一、Jacobi迭代法是什么？
二、对应的编程思想以及公式推导
- 1.Jacobi迭代法公式推导
- 2.Jacobi迭代法求解线性方程组例子
- 3.Jacobi迭代法编程实现
总结

前言

雅克比（Jacobi）迭代法求解线性方程组

一、Jacobi迭代法是什么？

简单的讲其实就是我们平时求解的方法（最常用的方法）

以下是Jacobi的迭代过程：

二、对应的编程思想以及公式推导

1.Jacobi迭代法公式推导

线性方程组为： $Ax=b$

将A分裂：    $A=D+L+U$

从而得到迭代公式为： $x=-D^{-1}\left( L+U \right) x+D^{-1}b$

由于D为对角元素，从而有：    $D^{-1}=\frac{1}{D}$

即编程语言可以写为： $x=-\left( L+U \right) *x/D+b/D$

推到过程为：

   $Ax=b \\\ \\ A=D+L+U \\\ D=\left( \begin{matrix} a_{11}& & & \\ & a_{22}& & \\ & & \ddots& \\ & & & a_{nn}\\ \end{matrix} \right) \ \\\L=\left( \begin{matrix} 0& & & \\ a_{21}& 0& & \\ \vdots& & \ddots& \\ a_{n1}& \cdots& a_{nn-1}& 0\\ \end{matrix} \right) \ \\\ U=\left( \begin{matrix} 0& a_{12}& \cdots& a_{1n}\\ & 0& & a_{2n}\\ & & \ddots& \vdots\\ & & & 0\\ \end{matrix} \right) \\\ Ax=\left( D+L+U \right) x=b \\\ Dx=-\left( L+U \right) x+b \\\ x=-D^{-1}\left( L+U \right) x+D^{-1}b$

2.Jacobi迭代法求解线性方程组例子

3.Jacobi迭代法编程实现

完整程序代码为：

function [x,error,iter]=GJJacobi_solve(A,b,epsilon,max_iter)
% x , error , iter 为输出变量     A ，b epsilon,max_iter为输入变量
n=length(b);
x=zeros(n,1);
% 首先编写第一步代码目的  x =-(L+U)*x/D+b/D
%第二部明确符号的意义 D表示对角线的元素 L表示下三角的元素 U表示上三角的元素 b表示列向量的长度
%确定误差error = norm(x-y)

%输入矩阵A 以及 列向量b


%表示L  U  D
L=tril(A); %tril（A）表示取矩阵A的下三角元素,  包含了对角线元素
U=triu(A); %triu(A) 表示取矩阵A的上三角元素，  包含了对角线元素
D=diag(diag(A)); %表示取矩阵A的主对角元素



%想办法使得L，U对角线元素都为0
                             % L(logical(eye(size(L))))=0; %由于维度不对，从而只是等号右边为零不对
                             %  U(logical(eye(size(U))))=0;
%改正
                              %B =  zeros(1,n);              %[0,0,0]
L(logical(eye(size(L))))=0;   %[8;11;12]
U(logical(eye(size(U))))=0;

                             

%需要看看是否输出的是对角线元素为0
disp(L)
disp(U)







% 先写一个循环(发现运用一个变量时需要先初始化error=1)
% 设置最小误差为10e-6
error = 1 ;%初始化误差变量
iter = 0;  %初始化迭代步数变量
while error>epsilon && iter<max_iter % 给出循环条件，以及函数输入变量epsilon,max_iter
    for i =1:max_iter
        y=x;%迭代前的矩阵，用来计算迭代误差
        x=-D\(L+U)*x+D\b ;  %从这里知道需要把L,U,D,b表示出来 x=-(L+U)*x/D+b/D 这个维度错误
        error=norm(x-y);  %知道迭代前的数据y，以及迭代后的数据x，设定误差为（x-y)的范数
        
        if error>epsilon %给出判断误差是否减小
            iter =iter+1;
            break
        end     %if 需要 end 结束
    end         %for 需要 end 结束
end             %while 需要 end 结束

测试代码为：

 A=[8 -3 2
    4 11 -1
    6 3 12];
b=[20;33;36];
epsilon=10e-6;
max_iter=15;
[x,error,iter]=GJJacobi_solve(A,b,epsilon,max_iter);
disp('程序计算的精确解为：');
disp(x);
disp('最大迭代次数下的误差：');
disp(error);
disp('最小迭代次数：');
disp(iter+1);

运行结果为：

     0     0     0
     4     0     0
     6     3     0

     0    -3     2
     0     0    -1
     0     0     0

程序计算的精确解为：
    3.0000
    2.0000
    1.0000

最大迭代次数下的误差：
   4.1060e-12

最小迭代次数：
    14