二、超松弛迭代法(SOR)
1.原理:
回顾:
在一般情况下 : 收敛过慢甚至不收敛的 B B B与 f f f,经过对系数矩阵 A A A分裂成 A = M − N A = M - N A=M−N的形式, 使得迭代公式变为: x k + 1 = ( I − M − 1 ) A x k + M − 1 f x^{k+1}=(I-M^{-1})Ax^{k}+M^{-1}f xk+1=(I−M−1)Axk+M−1f
***雅克比迭代法***选取 : 现将 A A A如下分解 A = D − L − U A = D-L-U A=D−L−U, D D D为对角阵, L L L为下三角阵, U U U为上三角阵,取 M ≡ D M \equiv D M≡D,取 N ≡ L + U N \equiv L+U N≡L+U,
在这一章中我们选取下三角矩阵
M
=
1
ω
(
D
−
ω
L
)
,
ω
>
0
M=\frac{1}{\omega}(D-\omega L),\omega>0
M=ω1(D−ωL),ω>0,其中
ω
\omega
ω为松弛因子,我们可以发现当
ω
\omega
ω为1时,
M
=
D
−
L
M=D-L
M=D−L,正是***高思-赛德尔***迭代法,下面推导迭代公式:
x
k
+
1
=
I
−
M
−
1
A
x
k
+
M
−
1
b
\textbf{x}_{k+1}=I-M^{-1}A\textbf{x}_{k}+M^{-1}b
xk+1=I−M−1Axk+M−1b
x k + 1 = I − ω ( D − ω L ) − 1 A x k + ω ( D − ω L ) − 1 b \textbf{x}_{k+1}=I-\omega(D-\omega L)^{-1}A\textbf{x}_{k}+\omega (D-\omega L)^{-1}b xk+1=I−ω(D−ωL)−1Axk+ω(D−ωL)−1b
x k + 1 = ( D − ω L ) − 1 ( ( 1 − ω ) D + ω U ) x k + ω ( D − ω L ) − 1 b \textbf{x}_{k+1}=(D-\omega L)^{-1}((1-\omega)D+\omega U)\textbf{x}_{k}+\omega (D-\omega L)^{-1}b xk+1=(D−ωL)−1((1−ω)D+ωU)xk+ω(D−ωL)−1b
推导完毕,我们较为常用的是下式:
(
D
−
ω
L
)
x
k
+
1
=
(
(
1
−
ω
)
D
+
ω
U
)
x
k
+
ω
b
(D-\omega L)\textbf{x}_{k+1}=((1-\omega)D+\omega U)\textbf{x}_{k}+\omega b
(D−ωL)xk+1=((1−ω)D+ωU)xk+ωb
以及:
{
x
(
0
)
=
(
x
1
(
0
)
,
...
,
x
n
(
0
)
)
T
,
x
i
(
k
+
1
)
=
x
i
(
k
+
)
+
Δ
x
i
Δ
x
i
=
ω
b
i
−
∑
j
=
1
i
−
1
a
i
j
x
j
(
k
+
1
)
−
∑
j
=
1
n
a
i
j
x
j
(
k
)
a
i
i
i
=
1
,
2
,
.
.
.
,
n
,
k
=
0
,
1
,
.
.
.
,
ω
为
松
弛
因
子
\left\{ \begin{matrix} \textbf{x}^{(0)} &=& (x_1^{(0)},\textbf{...},x_n^{(0)})^{T}, \\ x_i^{(k+1)} &=& x_i^{(k+)}+ \Delta x_{i} \\ \Delta x_{i} &=& \omega \frac{b_{i}- \sum\limits_{j=1}^{i-1}a_{ij}x_{j}^{(k+1)}-\sum\limits_{j=1}^{n}a_{ij}x_{j}^{(k)}}{a_{ii}} \\ i &=&1,2,...,n,k=0,1,...,\\ \omega为松弛因子 \end{matrix} \right.
⎩⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎧x(0)xi(k+1)Δxiiω为松弛因子====(x1(0),...,xn(0))T,xi(k+)+Δxiωaiibi−j=1∑i−1aijxj(k+1)−j=1∑naijxj(k)1,2,...,n,k=0,1,...,
当 ω > 1 \omega>1 ω>1时为超松弛迭代,当 ω < 1 \omega<1 ω<1时为低松弛迭代
迭代终止条件: m a x 1 ≤ i ≤ n ∣ Δ x i ∣ = m a x 1 ≤ i ≤ n ∣ x i ( k + 1 ) − x i ( k ) ∣ < ε \mathop{max}\limits_{1\le i\le n}|\Delta x_{i}| = \mathop{max}\limits_{1\le i\le n}|x_{i}^{(k+1)}-x_{i}^{(k)}|<\varepsilon 1≤i≤nmax∣Δxi∣=1≤i≤nmax∣xi(k+1)−xi(k)∣<ε,下面我们试试用Python实现这一功能.
2.实现:
import numpy as np
import matplotlib.pyplot as plt
MAX = 110 # 遍历最大次数
A = np.array([[-4, 1, 1, 1], [1, -4, 1, 1], [1, 1, -4, 1], [1, 1, 1, -4]])
b = np.array([[1], [1], [1], [1]]) # 注意这里取列向量
omega_list = [1 + 0.005 * i for i in range(100)] # 取到不同的omega值,观察趋势
length = len(A)
count = [] # 记录遍历的次数
for omega in omega_list: # 遍历每一个omega值
times = 0
x_0 = np.zeros((length, 1))
x_hold = x_0 + np.ones((length, 1))
while (np.linalg.norm(x_hold - x_0, ord=2) >= 10 ** (-5)) and (times <= MAX):
# 遍历停止条件以k+1次与k次迭代的向量差的二范数以及遍历最大次数为标准
x_hold = x_0.copy() # 这里不要用赋值,要用copy
x_new = x_0.copy()
for i in range(length):
# 根据迭代公式迭代
x_new[i][0] = x_0[i][0] + omega * (b[i][0] - sum([A[i][j] * x_new[j][0] for j in range(i)]) - sum(
[A[i][j] * x_0[j][0] for j in range(i, length)])) / A[i][i]
x_0 = x_new.copy()
times += 1
count.append(times)
plt.plot(omega_list, count) # 观察omega与迭代次数的关系
plt.show()
思路:
1.遍历设限:第一种是到达精度,到达精度停止迭代,第二种是到达规定最大次数,这个可以自己设定.
2.在根据迭代公式改变各个向量分量时,要注意遍历范围.