共轭梯度法(Conjugate Gradients)解方程(python,数值积分)

最新推荐文章于 2023-11-03 11:45:25 发布

深渊潜航

最新推荐文章于 2023-11-03 11:45:25 发布

阅读量2k

点赞数 3

分类专栏：有限元数值分析文章标签： python 线性代数

本文链接：https://blog.csdn.net/seventonight/article/details/115862847

版权

本文介绍了共轭梯度法在解决线性方程中的优势，对比最陡下降法，共轭梯度法通过优化下降向量和误差处理，提高了迭代效率。以高斯-赛德尔例子为例，展示共轭梯度法的程序实现，经过4次迭代即达到预期结果，证明其高效性。

摘要由CSDN通过智能技术生成

第十二课共轭梯度法解方程

运行上一篇的程序得到的结果表明，最陡下降法与迄今为止所其它迭代方法比较，在迭代次数上没有竞争力。然而，如果从根本上改进与[A]相互“共轭”的下降向量。于是，引入了满足以下关系的“下降向量”
按照我的个人理解，共轭梯度法不仅在试解上做修正，还在误差值上做改进，这样做的目的是为了提高迭代效率
在这里插入图片描述
最陡下降法将被改进为，

算例依然采用高斯赛德尔的例子
程序代码如下：分别为一个主程序和一个检查收敛的子程序checkit
主程序

#线性联立方程的共轭梯度法
import numpy as np
import math
import B
n=3
converged=np.array([False])
p=np.zeros((n,1))
r=np.zeros((n,1))
u=np.zeros((n,1))
xnew=np.zeros((n,1))
a=np.array([[16,4,8],[4,5,-4