lu分解法解线性方程组 python_数据与算法总结——基本数值算法2(线性方程组)...

本文介绍了线性方程组的解法,重点讨论了LU分解法。内容包括线性方程组的特性、直接解法如高斯消去法和LU分解,以及迭代解法如不动点迭代、雅可比方法和高斯-赛德方法。LU分解在解决线性方程组时具有较高的效率和准确性。
摘要由CSDN通过智能技术生成

fa0da1c8cb67407a4e490901a04cf7fc.png

4 基本数值算法

4.2 线性方程组

4.2.1 线性方程组的特性

解的存在性和唯一性

满足下面条件之一,A非奇异,可逆:

equation?tex=rank%28A%29%3Dn%5C%5C+det%28A%29%5Cneq+0

如果b属于A的列向量张成的空间,则称方程组是相容的。

范数需要满足次可加性(三角不等式)。

对于n维矢量x,可以定义p范数,p为大于0的整数:

equation?tex=%5Cparallel+x%5Cparallel_p%3D%28%5Csum_%7B%7Bi%3D1%7D%7D%5En%7Cx_i%7C%5Ep%29%5E%7B1%2Fp%7D 。所以1范数为相加,2范数为平方和开根,
equation?tex=%5Cinfty 范数为最大的x。

定义矩阵范数:

equation?tex=%5Cparallel+A%5Cparallel_p%3Dmax_%7Bx%5Cneq+0%7D%5Cfrac%7B%5Cparallel+Ax%5Cparallel+_p%7D%7B%5Cparallel+x%5Cparallel+_p%7D

根据相应的向量范数,我们可以得到:1范数为列向量求和最大,2范数为行向量求和最大。

矩阵范数:满足这些性质:

equation?tex=%5Cparallel+A%5Cparallel+%3E0 ,如果
equation?tex=A%5Cneq+0

对于任一标量

equation?tex=%5Cgamma+ ,有
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值