jacobi迭代法_迭代法解线性方程组、Jaboci迭代法、Gauss–Seidel迭代法、松弛法

适用方程组：系数矩阵为大型稀疏的方阵

引例

迭代法可以用来解方程，考虑解下面简单的方程

既然都说要用迭代法求解，就不能用正常的同除1.5求解。

利用迭代法，把方程改写为以下形式，也可以看作为 你

与

的交点（画出交点的话更加清晰）

设

，带入方程组，反复进行得到以下表格

反复进行，会发现逐渐趋于解。

更一般的说，对于

这个方程组，类似构造出迭代式

为了联系起来迭代式与原方程，令

，可得

，则对于原式

，有

为得到递推式，令

，

改写为

递推式，即

迭代函数就是

他的雅可比矩阵

这样对于方程组的迭代问题基本形式就清晰了，还存在的问题就是这样做能逼近正确解是有条件的。

若谱半径

则收敛，且

越小，收敛的越快

正确性依据

对于若

，则收敛的证明，首先要了解谱半径。

谱半径

定义：若A是n阶方阵，则有

其中

为是A的特征值。（区别于谱范数、也就是2-范数，谱范数是A的最大奇异值）

谱半径与范数相关定理

定理1：

。（

A的谱半径是A的任意一种范数的下界）

定理2：对于任何方阵A及任意正数

，存在某一种矩阵范数使得

成立

定理3（Gelfand定理）：

推论：

推论1：矩阵序列

收敛于0的充要条件是

。

推论2：级数

收敛于

的充要条件是

证明

回到对于问题的证明，也就是证明

由于

证明原命题成立 ，只用证明，

而根据推论1，在

的条件下，

,原命题成立。

Jacobi方法

数学公式：

将

改写为

。

根据递推公式

，让M尽量简单，令

，可得

此递推公式收敛的充要条件是

，也就是要求G的

最大绝对值特征值要小于1。下面给出一个计算特征值的技巧。

可以用

来计算出所有的特征值λ。

若可以迭代，就令

(可以是任意的数)进行迭代计算解

例题

迭代式为

令

进行计算

Gauss–Seidel方法

Gauss-Seidel方法是jacobi方法的升级版本。比jacobi先进的地方在于，他把新的分量立刻加入到计算中。

数学公式：

依然令A=D+L+U

，为了能够及时更新M，令

改写方程如下

同样针对是否可以迭代需要计算

的特征值，化简操作如下

利用最后一行的公式可以计算出所有的特征值。

例题：

迭代式为

注意对于右侧，从第二行开始已经把新的分量

加入到了计算中。

松弛法

松弛法是对Gauss-Seidel方法的进一步优化。

数学公式

其中

是松弛参数，

是通过Gauss-Seidel得到的解。当

为超松弛，当

为低松弛，

就是GS方法。通常来说取