最陡下降法(steepest descent)解方程(python,数值积分)

第十一课 最陡下降法解方程

梯度法

前面描述的几种方法有时被称为“平稳”方法，因为它们没有根据试解中误差的值来修改收敛过程。
相比之下，在梯度法中，误差被重复评估，并生成新的试解。在我们的第一个例子中，我们将会针对正定系数矩阵的方程。在这种情况下，梯度方法编程非常简单，但它们背后的数学推理有些复杂。感兴趣的同学可以看一些详细介绍梯度法的书籍。

最陡下降法

对于任何试用解 x ，误差或“残差”可以表示为

我们从解向量{x}0开始计算。在最陡下降法中，根据以下的算法中使{r}k中隐含的误差最小化:

按照上面的方法迭代求出误差值r，从而求出解向量x。
本篇的例子和前两篇的例子一致，具体可以看高斯赛德尔迭代
程序如下：
其中有一个主程序，一个检查是否收敛的子程序checkit
主程序:

#线性联立方程的最陡下降法
import numpy as np
import math
import B
n=3
converged=np.array([False])
r=np.zeros((n,1))
u=np.zeros((n,1))
xnew=np.zeros((n,1))
a=np.array([[16,4,8],[4,