python三对角矩阵_三对角线性方程组(tridiagonal systems of equations)的求解

三对角线性方程组(tridiagonal systems of equations)

三对角线性方程组,对于熟悉数值分析的同学来说，并不陌生，它经常出现在微分方程的数值求解和三次样条函数的插值问题中。三对角线性方程组可描述为以下方程组：

$$a_{i}x_{i-1}+b_{i}x_{i}+c_{i}x_{i+1}=d_{i}$$

其中$1\leq i \leq n, a_{1}=0, c_{n}=0.$ 以上方程组写成矩阵形式为$Ax=d$，即：

$$

{\begin{bmatrix}

{b_{1}}&{c_{1}}&{}&{}&{0}\\

{a_{2}}&{b_{2}}&{c_{2}}&{}&{}\\

{}&{a_{3}}&{b_{3}}&\ddots &{}\\

{}&{}&\ddots &\ddots &{c_{n-1}}\\

{0}&&&{a_{n}}&{b_{n}}\\

\end{bmatrix}}

{\begin{bmatrix}{x_{1}}\\{x_{2}}\\{x_{3}}\\\vdots \\{x_{n}}\\\end{bmatrix}}={\begin{bmatrix}{d_{1}}\\{d_{2}}\\{d_{3}}\\\vdots \\{d_{n}}\\\end{bmatrix}}

$$

三对角线性方程组的求解采用追赶法或者Thomas算法，它是Gauss消去法在三对角线性方程组这种特殊情形下的应用，因此，主要思想还是Gauss消去法，只是会更加简单些。我们将在下面的算法详述中给出该算法的具体求解过程。

当然，该算法并不总是稳定的，但当系数矩阵$A$为严格对角占优矩阵(Strictly D iagonally Dominant, SDD)或对称正定矩阵(Symmetric Positive Definite, SPD)时，该算法稳定。对于不熟悉SDD或者SPD的读者，也不必担心，我们还会在我们的博客中介绍这类矩阵。现在，我们只要记住，该算法对于部分系数矩阵$A$是可以求解的。

算法详述

追赶法或者Thomas算法的具体步骤如下：

1.创建新系数$c_{i}^{*}$和$d_{i}^{*}$来代替原先的$a_{i},b_{i},c_{i}$,公式如下：

$$

c^{*}_i = \left\{

\begin{array}{lr}

\frac{c_1}{b_1} & ; i = 1\\

\frac{c_i}{b_i - a_i c^{*}_{i-1}} & ; i = 2,3,...,n-1

\end{array}

\right.\\

d^{*}_i = \left\{

\begin{array}{lr}

\frac{d_1}{b_1} & ; i = 1\\

\frac{d_i- a_i d^{*}_{i-1}}{b_i - a_i c^{*}_{i-1}} & ; i = 2,3,...,n-1

\end{array}

\right.

$$

2.改写原先的方程组$Ax=d$如下：

$$

\begin{bmatrix}

1 & c^{*}_1 & 0 & 0 & ... & 0 \\

0 & 1 & c^{*}_2 & 0 & ... & 0 \\

0 & 0 & 1 & c^{*}_3 & 0 & 0 \\

. & . & & & & . \\

. & . & & & & . \\

. & . & & & & c^{*}_{n-1} \\

0 & 0 & 0 & 0 & 0 & 1 \\

\end{bmatrix} \begin{bmatrix}

x_1 \\

x_2 \\

x_3 \\

.\\

.\\

.\\

x_k \\

\end{bmatrix} = \begin{bmatrix}

d^{*}_1 \\

d^{*}_2 \\

d^{*}_3 \\

.\\

.\\

.\\

d^{*}_n \\

\end{bmatrix}

$$

3.计算解向量$x$，如下：

$$ x_n = d^{*}_n, \qquad x_i = d^{*}_i - c^{*}_i x_{i+1}, \qquad i = n-1, n-2, ... ,2,1$$

以上算法得到的解向量$x$即为原方程$Ax=d$的解。

下面，我们来证明该算法的正确性，只需要证明该算法保持原方程组的形式不变。

首先，当$i=1$时，

$$1*x_{1}+c_{1}^{*}x_{2}=d_{1}^{*} \Leftrightarrow 1*x_{1}+\frac{c_{1}}{b_{1}}x_{2}=\frac{d_{1}}{b_{1}}\Leftrightarrow b_{1}*x_{1}+c_{1}x_{2}=d_{1}$$

当$i>1$时，

$$

1*x_{i}+c_{i}^{*}x_{i+1}=d_{i}^{*} \Leftrightarrow 1*x_{i}+\frac{c_{i}}{b_{i} - a_{i} c^{*}_{i-1}}x_{i+1}=\frac{d_{i}- a_{i} d^{*}_{i-1}}{b_{i} - a_{i} c^{*}_{i-1}} \Leftrightarrow

(b_{i} - a_{i} c^{*}_{i-1})x_{i}+c_{i}x_{i+1}=d_{i}- a_{i} d^{*}_{i-1}

$$

结合$a_{i}x_{i-1}+b_{i}x_{i}+c_{i}x_{i+1}=d_{i}$，只需要证明$x_{i-1}+c_{i-1}^{*}x_{i}=d_{i-1}^{*}$,而这已经在该算法的第(3)步的中的计算$x_{i-1}$中给出。证明完毕。

Python实现

我们将要求解的线性方程组如下：

$$

{\begin{bmatrix}

4&1&{0}&{0}&{0}\\

{1}&{4}&{1}&{0}&{0}\\

{0}&{1}&{4}&{1}&{0}\\

{0}&{0}&{1}&{4}&{1}\\

{0}&{0}&{0}&{1}&{4}\\

\end{bmatrix}}

{\begin{bmatrix}{x_{1}}\\{x_{2}}\\{x_{3}}\\{x_{4}} \\{x_{5}}\\\end{bmatrix}}={\begin{bmatrix}{1\\0.5\\ -1\\3\\2}\\\end{bmatrix}}

$$

接下来，我们将用Python来实现该算法，函数为TDMA，输入参数为列表a,b,c,d, 输出为解向量x，代码如下：

# use Thomas Method to solve tridiagonal linear equation

# algorithm reference: https://en.wikipedia.org/wiki/Tridiagonal_matrix_algorithm

import numpy as np

# parameter: a,b,c,d are list-like of same length

# tridiagonal linear equation: Ax=d

# b: main diagonal of matrix A

# a: main diagonal below of matrix A

# c: main diagonal upper of matrix A

# d: Ax=d

# return: x(type=list), the solution of Ax=d

def TDMA(a,b,c,d):

try:

n = len(d) # order of tridiagonal square matrix

# use a,b,c to create matrix A, which is not necessary in the algorithm

A = np.array([[0]*n]*n, dtype='float64')

for i in range(n):

A[i,i] = b[i]

if i > 0:

A[i, i-1] = a[i]

if i < n-1:

A[i, i+1] = c[i]

# new list of modified coefficients

c_1 = [0]*n

d_1 = [0]*n

for i in range(n):

if not i:

c_1[i] = c[i]/b[i]

d_1[i] = d[i] / b[i]

else:

c_1[i] = c[i]/(b[i]-c_1[i-1]*a[i])

d_1[i] = (d[i]-d_1[i-1]*a[i])/(b[i]-c_1[i-1] * a[i])

# x: solution of Ax=d

x = [0]*n

for i in range(n-1, -1, -1):

if i == n-1:

x[i] = d_1[i]

else:

x[i] = d_1[i]-c_1[i]*x[i+1]

x = [round(_, 4) for _ in x]

return x

except Exception as e:

return e

def main():

a = [0, 1, 1, 1, 1]

b = [4, 4, 4, 4, 4]

c = [1, 1, 1, 1, 0]

d = [1, 0.5, -1, 3, 2]

'''

a = [0, 2, 1, 3]

b = [1, 1, 2, 1]

c = [2, 3, 0.5, 0]

d = [2, -1, 1, 3]

'''

x = TDMA(a, b, c, d)

print('The solution is %s'%x)

main()

运行该程序，输出结果为：

The solution is [0.2, 0.2, -0.5, 0.8, 0.3]

本算法的Github地址为： https://github.com/percent4/N... .

最后再次声明，追赶法或者Thomas算法并不是对所有的三对角矩阵都是有效的，只是部分三对角矩阵可行。

参考文献