sor迭代法的matlab编程_逐次超松弛SOR迭代概述

本文使用 Zhihu On VSCode 创作并发布

逐次超松弛（SOR）迭代法概述

一、方法背景

​ 逐次超松弛迭代法是高斯-塞德尔迭代法的一种变种，是为了解决线性方程组的一种迭代方法。由David M. Young, Jr. 和Stanley P. Frankel于1950年提出，主要为了实现在计算机上求解线性方程组。逐次超松弛迭代法从高斯-塞德尔迭代出发，加入了

作为松弛因子，加快了迭代的收敛速度。

​ 高斯-塞德尔迭代：

​ 逐次超松弛迭代：

二、数学推导

1. 基础迭代法

​ 对于

，

​ ​假定A有如下分解

​

，其中M是非奇异方阵。

​ 有

或

，其中

且

​ 建立迭代公式：

​ 若

收敛于确定的向量

，则

，即

，

即为方程组

的解。

​​ 令

，其中

​

2. 迭代形式

​ 考虑高斯-塞德尔迭代法

​

​ 令

​

为第

次迭代时

的改变量

​ 因此

​ 在改变量r

前加一个因子

得

​

​

​ 合并

得到

​

​

3. 矩阵形式

​ 由高斯-塞德尔迭代的矩阵形式：

​

​ 故

​ 记

​ 则SOR迭代为

​

​ 两边同时左乘D，可得

​

​

​ 即

​

​ 令

​

​ 则

为SOR迭代的矩阵形式，

为SOR迭代法的迭代矩阵

三、收敛分析与误差分析

1. 收敛条件的判定

• 收敛的充要条件是
• 收敛的必要条件是
• 若系数矩阵A对称正定，则
  时SOR迭代收敛
• 若系数矩阵A为严格对角占优矩阵，则
  时SOR迭代收敛

2. 收敛速度分析

​ 假设

，Jacobi迭代矩阵

只有实特征值，Jacobi迭代收敛

，方程组存在唯一解即

​ 收敛速度可以如下表示

​

​ 最佳松弛参数

为

​

3. 误差分析

​ 给定初值

，

是真解，若

，则有如下估计

​

​

四、理论分析

​ 对于线性方程组，可以通过高斯消去、LU分解等直接法进行求解，但是直接法对于系数矩阵要求高，且程序复杂，对于求解大型线性方程组有较多限制。而像SOR迭代法的基础迭代法，只需按照迭代格式进行迭代，便于编程求解，可以迭代到任意精度，节省计算量和空间。

​ SOR迭代法由高斯-塞德尔迭代法改进而来，通过加入了松弛因子

，调整每次迭代的增量，在设定合适的

时，SOR迭代速度明显快于高斯－塞德尔迭代。

​​ 编程时常使用SOR迭代法的矩阵形式，当对角矩阵D中对角线上元素有0时，下三角矩阵

对角线上元素为0，此时无法求逆，进而无法进行迭代。故在编程实现时，进行线性方程组的预处理。由SOR收敛条件可知，当系数矩阵

对称正定且

时，SOR迭代收敛，对于非奇异方针

，

对阵正定，故若将求解

的线性方程组转化为求解

，新的系数矩阵为

，此时使用SOR迭代的矩阵形式可以避免无法求逆的情况出现。

五、MATLAB实现与实验

function [x,iter] = sor(A,b,x0,omega,tol)
if det(A) == 0
    error('无解或无唯一解');
end

%方程组预处理
b=A'*b;
A=A'*A;

D = diag(diag(A));
L = D-tril(A);
U = D-triu(A);
x=x0;
for iter=1:500
    B = (D-L*omega)((1-omega)*D+omega*U);
    f = (D-L*omega)b*omega;
    x = B*x+f;
    eerror = norm( b-A*x ) / norm(b);
    if ( eerror < tol )
        break;
    end
end

不同松弛因子的迭代速度对比

不同迭代方式的迭代速度对比

六、总结

​​ 逐次超松弛(SOR)迭代法从高斯-塞德尔迭代法出发，通过加入松弛因子

来加快收敛速度，对编程实现友好，常用于求解大型线性方程组。SOR迭代提出的目的是为在计算机上进行线性方程组的求解，通过SOR迭代的矩阵形式，可以很简洁地实现程序编写，并能通过简单地线性方程组预处理解决可能出现的无法求逆的情况。从实验中能够看出，SOR迭代的速度比高斯-塞德尔迭代快，但需要基于合适的松弛因子

。

七、参考资料

[1] https://en.wikipedia.org/wiki/Successive_over-relaxation

[2] https://zhuanlan.zhihu.com/p/31066592

[3] https://www.jianshu.com/p/e14d9e910984