预处理共轭梯度(PCG)解线性联立方程(python,数值积分)

第十四课 线性联立方程的预处理共轭梯度(PCG)

系数矩阵病态

百度解释：求解方程组时如果对数据进行较小的扰动，则得出的结果具有很大波动，这样的矩阵称为病态矩阵
在直接求解的诸多方法中，线性方程可能无法准确地求解，尤其是在使用“手动”计算时。在这种情况下，方程组就被说成是“病态的”。现代电子计算器已经能够精确到小数点后许多位，因此方程组的处理并不像“手动”计算，只需要选择精确到小数点后几位。在下表中，四舍五入到小数点后4、5、6、7和8位的数值解与真实解进行比较。可以看出，对于一个适当的工程项目而言，精确到小数点后8位是必要的。当使用32位字的计算机时，建议同学们使用“双精度”，即64位字，达到大约15位小数的精度，以满足大多数实际用途。

本文描述的程序执行的计算精度通常为“双精度”，虽然可以去用数字去度量这个‘病态’，称为“条件数”，但这个过程是很辛苦的，而且并不适用在工程实践。到目前为止，最准确性的解决方案是对结果的物理一致性进行独立检查。
在迭代过程中，这种‘病态’会是的方程变得收敛速度慢或者是根本就不收敛。。因此，要看下面的方程

是否可以转化成一个等效的方程

之后迭代过程的收敛特性会变得更好。这种使用“预处理”矩阵[P]转化的过程称为“预处理”，得到

上面的叫做左处理

这种叫做右处理
如果[P]是[A]的逆，则不需要迭代，但计算工作却很难实现。而得到的另外一种有效方式是，寻找可以方便获得的[A]-1的近似值。其中最简单的是通过取[A]的主对角项的倒数形成的对角矩阵(存储作为一个向量)。这个想法可以通过在逆近似(称为“不完全因子分解”)中包含更多的[A]的主对角线项来扩展，但是在下面的程序中，我们只针对纯主对角线形式。对共轭梯度法的计算过程进行预处理，形成“预处理共轭梯度”或“PCG”算法。算法的步骤如下面所示。
初始阶段：


迭代阶段：

算例采用第一篇中的基础算例

具体求解过程可以看高斯赛德尔迭代
程序如下：
其中有一个主程序和一个检查是否收敛的子程序checkit
主程序：

#线性联立方程的预条件共轭梯度法
import numpy as np
import math
import B
n=3
converged=np.array([False])
d=np.zeros((n,1))
p=np.zeros((n,1))
u=np.zeros((n,1))
precon=np.zeros((n