Gauss-Seidel迭代法求n阶线性方程组（python）

（一）目的

通过设计、编制、调试2~3个求n阶线性方程组数值解的程序，加深对其数值计算方法及有关的基础理论知识的理解。

（二）要求

    用编程语言实现用高斯(Gauss)消元法求n阶线性方程组的解、用列主元高斯(Gauss)消元法求n阶线性方程组的解、用库郎(Courant)列主直接分解法求n阶线性方程组的解的程序。

二、示例

1、问题

用高斯(Gauss)消元法求n阶线性方程组的解。

2、算法描述

（略）

3、程序中变量说明

    （略）

4、源程序清单及运行结果

（略）

5、按以上4点要求编写上机实验报告。

Gauss-Seidel迭代法基本原理：

 

 python实现：

import numpy as np

def Jacobi(a,b,k):#k迭代次数
    m,n=a.shape
    if(m!=n):
        print("NO answer")
    times=0
    X=np.zeros(n)#初次迭代X[0,0,0]
    x=np.zeros(n)#迭代后更新x
    while times<k:
        for i in range(n):
            sum=0
            for j in range(n):
                if(i!=j):
                  sum=sum+a[i][j]*X[j]
            x[i]=(b[i]-sum)/a[i][i]
            X[i]=x[i].copy() #每算出一个x[i],就更新一个X[i],
        print(X)
        times=times+1
        X=x.copy()  #迭代X
a=np.array([[2.0,-1.0,0.0],[-1.0,3.0,-1.0],[0.0,-1.0,2.0]])
b = np.array([1.0,8.0,-5.0])
Jacobi(a,b,20)
#[2.0,3.0,-1.0]
#高斯-赛德尔迭代法于Jacobi迭代法只有一点细微的差别。

结果如下：

Gauss-Seidel迭代法输出结果：

E:\shuzhifenxishiyan\Gauss-Seidel\venv\Scripts\python.exe E:/shuzhifenxishiyan/Gauss-Seidel/main.py

[ 0.5         2.83333333 -1.08333333]

[ 1.91666667  2.94444444 -1.02777778]

[ 1.97222222  2.98148148 -1.00925926]

[ 1.99074074  2.99382716 -1.00308642]

[ 1.99691358  2.99794239 -1.00102881]

[ 1.99897119  2.99931413 -1.00034294]

[ 1.99965706  2.99977138 -1.00011431]

[ 1.99988569  2.99992379 -1.0000381 ]

[ 1.9999619  2.9999746 -1.0000127]

[ 1.9999873   2.99999153 -1.00000423]

[ 1.99999577  2.99999718 -1.00000141]

[ 1.99999859  2.99999906 -1.00000047]

[ 1.99999953  2.99999969 -1.00000016]

[ 1.99999984  2.9999999  -1.00000005]

[ 1.99999995  2.99999997 -1.00000002]

[ 1.99999998  2.99999999 -1.00000001]

[ 1.99999999  3.         -1.        ]

[ 2.  3. -1.]

[ 2.  3. -1.]

[ 2.  3. -1.]

Process finished with exit code 0

可以看出同样是迭代20次，高斯——赛德尔迭代法比Jacobi迭代法更快的收敛于精确解。