雅可比迭代c++实现_线性方程组(3)-静态迭代法

上一节讲到直接解法有误差积累和破坏矩阵稀疏性的问题。

实际中应用较广泛的是解法通常是迭代法。相比直接解法，迭代解法在高性能并行实现上拥有很大的优势。但是，在此之前先要确定迭代法能否在可以接受的步数之内收敛。

不严谨地说，迭代法收敛性的大致趋势是：对于常用的大多数迭代法，矩阵的条件数越小收敛越快。

常用的迭代终止条件有：

、

等，

的选取取决于对解的精度要求。

---

静态迭代法（stationary iterative methods）是指形如

的迭代法。因为

和

不随迭代步数而变化，所以叫静态迭代法。这里介绍三种静态迭代法：雅可比法（Jacobi method）、高斯-赛德尔法（Gauss-Seidel method）和松驰法（successive relaxation method）。

静态迭代法收敛的充分条件是，存在算子范数

，使得

；更直观的一个充分条件是，

的最大特征值的模小于

。

---

雅可比法

一个线性方程组的第

个方程是

假设除了

以外的所以未知数都已被解出，那么

即可推导出迭代法

若将矩阵

分解为三部分

，其中

为不包括对角线的下三角部分，

为对角线，

为不包括对角线的上三角部分；则雅可比法可写成矩阵形式

高斯-赛德尔法

在雅可比法中，新值是用旧值代入解出的，而我们通常认为新值比旧值更接近精确解。如果

到

是按顺序依次计算的，那么在计算

时可以用前面已经计算出来的

个新值，即

高斯-赛德尔法也可以写成矩阵形式

或

高斯-赛德尔法还有其反向形式，即先计算

到

，再计算

，迭代公式为

矩阵形式

雅可比法与高斯-赛德尔法的总结与比较

雅可比法和高斯-赛德尔法收敛的一个充分条件是系数矩阵

严格对角占优或不可约弱对角占优。

高斯-赛德尔法由于使用了新值，收敛性比雅可比法好。但是前面提到，

到

是按顺序依次计算的，这就使得高斯-赛德尔法的并行性有限，从而迭代一步的计算时间比雅可比法要长。

松驰法

高斯-赛德尔法迭代公式可写为

将这个变化量乘上松弛因子

，得到

即

松弛法中的

可以证明，其最大特征值的模

，所以应该选取

。在实际应用中通常取

时收敛较快，这个条件下的松弛法又称为超松驰法（successive over-relaxation method）。

---

静态迭代法的迭代式又可以写为

在这里雅克比法和高斯-赛德尔法分别取

其实在此基础上任选

都能构造一种静态迭代法，例如后面要提到的不完全LU分解等更精确的方法。不过在不完全LU分解法出现时，已经有收敛更快的克雷洛夫子空间法，静态迭代法因收敛性不足而逐渐被取代。这里为何还要讲静态迭代法呢？这些

的近似方法，在克雷洛夫子空间法中还会用到，这个之后会讲到。