线性方程组的数值解法（结尾）

最新推荐文章于 2024-07-06 10:47:19 发布

随机森林不是森林

最新推荐文章于 2024-07-06 10:47:19 发布

阅读量113

点赞数

分类专栏：数值分析文章标签：学习方法

本文链接：https://blog.csdn.net/weixin_46008839/article/details/134652401

版权

数值分析专栏收录该内容

6 篇文章 1 订阅

订阅专栏

迭代法：

1.雅可比迭代

对于线性方程组：

$\left\{ \begin{array}{c} a_{11}x_1+a_{12}x_2+\cdots a_{1n}x_n\ =\ b_1\\ a_{21}x_1+a_{22}x_2+\cdots a_{2n}x_n\ =\ b_2\\ \cdots\\ a_{n1}x_1+a_{n2}x_2+\cdots a_{nn}x_n\ =\ b_n\\ \end{array} \right.$

对其进行转化，可以得到解为：

$\left\{ \begin{array}{c} x_1=\frac{1}{a_{11}}\left( b_1-a_{12}x_2-\cdots -a_{1n}x_n \right)\\ x_2=\frac{1}{a_{22}}\left( b_2-a_{21}x_1-\cdots -a_{2n}x_n \right)\\ \cdots\\ x_n=\frac{1}{a_{nn}}\left( b_n-a_{n1}x_1-\cdots -a_{n,n-1}x_n \right)\\ \end{array} \right.$

那么迭代形式为，等号左边为k+1次迭代，右边为K次迭代：

$\left\{ \begin{array}{c} x_{1}^{\left( k+1 \right)}=\frac{1}{a_{11}}\left( b_1-a_{12}x_{2}^{\left( k \right)}-\cdots -a_{1n}x_n \right)\\ x_{2}^{\left( k+1 \right)}=\frac{1}{a_{22}}\left( b_2-a_{21}x_{1}^{\left( k \right)}-\cdots -a_{2n}x_n \right)\\ \cdots\\ x_{n}^{\left( k+1 \right)}=\frac{1}{a_{nn}}\left( b_n-a_{n1}x_{1}^{\left( k \right)}-\cdots -a_{n,n-1}x_n \right)\\ \end{array} \right.$

直接带进去算就OK了，这是雅可比迭代公式。

假设有 $D\ =\ \left[ \begin{matrix} a_{11}& & \\ & \ddots& \\ & & a_{nn}\\ \end{matrix} \right]$ ，有 $Ax\ =\ \left( D+A-D \right) x\ =\ b$ ， $Dx\ =\ \left( D-A \right) x\ +\ b$ ，入过矩阵D可逆，那么：

$Dx\ =\ \left( D-A \right) x\ +\ b$

改写一下： $x\ =\ D^{-1}\left( D-A \right) x\ +D^{-1}b$

将其展开：

$\left( \begin{array}{c} x_{1}^{\left( k+1 \right)}\\ x_{2}^{\left( k+1 \right)}\\ \vdots\\ x_{n}^{\left( k+1 \right)}\\ \end{array} \right) =\left( \begin{matrix} 0& r_{12}& \cdots& r_{1n}\\ r_{21}& r_{22}& \cdots& r_{2n}\\ \vdots& \vdots& \ddots& \vdots\\ r_{n1}& r_{n2}& \cdots& r_{nn}\\ \end{matrix} \right) \left( \begin{array}{c} x_{1}^{\left( k \right)}\\ x_{2}^{\left( k \right)}\\ \vdots\\ x_{n}^{\left( k \right)}\\ \end{array} \right) +\left( \begin{array}{c} g_1\\ g_2\\ \vdots\\ g_n\\ \end{array} \right)$ ，

那么矩阵D为迭代矩阵，当该矩阵满足：

$\rho \left( R \right) \ =\ \max_{1\le i\le n}|\lambda _i|<1$ ，

即该矩阵的特征值的绝对值中最大的仍然小于1，说明该方法收敛，可以用于计算。

对角优：对于方阵任意行、列它的主对角线元素要绝对大于该元素分别对应的行、列值之和.

如果：若矩阵M为严格对角优，则M可逆；

若A为严格对角优，说明迭代收敛。

2.高斯迭代

高斯迭代的格式

$\left\{ \begin{array}{c} x_{1}^{\left( k+1 \right)}\ =\ \frac{1}{a_{11}}\left( b_1-a_{12}x_{2}^{\left( k \right)}-\cdots -a_{1n}x_{n}^{\left( k \right)} \right)\\ x_{2}^{\left( k+1 \right)}\ =\ \frac{1}{a_{22}}\left( b_2-a_{21}x_{1}^{\left( k+1 \right)}-\cdots -a_{2n}x_{n}^{\left( k \right)} \right) \\\ \vdots\\ x_{n}^{\left( k+1 \right)}\ =\frac{1}{a_{nn}}\left( b_n-a_{n1}x_{1}^{\left( k+1 \right)}-\cdots -a_{n,n-1}x_{n-1}^{\left( k+1 \right)} \right)\\ \end{array} \right.$ ，

和雅可比公式比较一下，区别在哪里？

首先，雅可比公式等式左边均为k+1次迭代，右边均为k次迭代。

而高斯迭代左边为均为k+1次迭代，右边第一行无k+1,第二行一个，最后均为K+1次迭代：

令 $Ax\ =\ \left( D+L+U \right) x\ =\ b$ ：

有 $\left( D+L \right) x\ +Ux\ =\ b$

$x\ =\ -\left( D+L \right) ^{-1}Ux\ +\ \left( D+L \right) ^{-1}b$

令： $S\ =\ -\left( D+L \right) ^{-1}U$ ，那么S为高斯迭代矩阵，判断方式和前面的雅可比迭代一样，这里不再赘述。

那么矩阵D为迭代矩阵，当该矩阵满足：

$\rho \left(S \right) \ =\ \max_{1\le i\le n}|\lambda _i|<1$ ，

即该矩阵的特征值的绝对值中最大的仍然小于1，说明该方法收敛，可以用于计算。

对角优：对于方阵任意行、列它的主对角线元素要绝对大于该元素分别对应的行、列值之和.

如果：若矩阵M为严格对角优，则M可逆；

若A为严格对角优，说明迭代收敛。

3.松弛迭代

松弛因子： $\omega$

关于松弛迭代的公式是：

$\left\{ \begin{array}{c} x_{1}^{\left( k+1 \right)}\ =\ \left( 1-\omega \right) x_{1}^{\left( k \right)}+\omega \left( r_{12}x_{2}^{\left( k \right)}\ +\ r_{13}x_{3}^{\left( k \right)}+\cdots +r_{1n}x_{n}^{\left( k \right)}+g_1 \right)\\ x_{2}^{\left( k+1 \right)}\ =\ \left( 1-\omega \right) x_{1}^{\left( k \right)}+\omega \left( r_{21}x_{1}^{\left( k \right)}\ +\ r_{23}x_{2}^{\left( k \right)}+\cdots +r_{2n}x_{n}^{\left( k \right)}+g_2 \right)\\ \vdots\\ x_{n}^{\left( k+1 \right)}\ =\ \left( 1-\omega \right) x_{1}^{\left( k \right)}+\omega \left( r_{n1}x_{2}^{\left( k \right)}\ +\ r_{n2}x_{2}^{\left( k \right)}+\cdots +r_{n,n-1}x_{n}^{\left( k \right)}+g_n \right)\\ \end{array} \right.$ ，

当 $\omega$ = 1时，松弛迭代即为高斯迭代。

随机森林不是森林

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
线性方程组的数值解法（结尾）

对于方阵任意行、列它的主对角线元素要绝对大于该元素分别对应的行、列值之和.对于方阵任意行、列它的主对角线元素要绝对大于该元素分别对应的行、列值之和.，那么S为高斯迭代矩阵，判断方式和前面的雅可比迭代一样，这里不再赘述。首先，雅可比公式等式左边均为k+1次迭代，右边均为k次迭代。该矩阵的特征值的绝对值中最大的仍然小于1。如果：若矩阵M为严格对角优，则M可逆；如果：若矩阵M为严格对角优，则M可逆；= 1时，松弛迭代即为高斯迭代。，说明该方法收敛，可以用于计算。，说明该方法收敛，可以用于计算。
复制链接

扫一扫