Jacobi 松弛法
Jacobi 松弛法是一种迭代方法,用于解线性方程组。在每次迭代中,Jacobi方法将方程组中的每个变量分别表示为其他变量的线性组合,并利用这些线性组合来更新每个变量的值。松弛法是Jacobi方法的一种改进,它引入了一个松弛因子,可以加快收敛速度。
已知求解线性方程组
A
x
=
b
\boldsymbol{A x}=\boldsymbol{b}
Ax=b 的迭代格式:
x
i
(
k
+
1
)
=
x
i
(
k
)
+
μ
a
i
i
(
b
i
−
∑
j
=
1
n
a
i
j
x
j
(
k
)
)
,
i
=
1
,
2
,
…
n
x_{i}^{(k+1)}=x_{i}^{(k)}+\frac{\mu}{a_{i i}}\left(b_{i}-\sum_{j=1}^{n} a_{i j} x_{j}^{(k)}\right), i=1,2, \ldots n
xi(k+1)=xi(k)+aiiμ(bi−j=1∑naijxj(k)),i=1,2,…n
(1) 求此迭代法的迭代矩阵
M
(
A
=
D
−
L
−
U
)
\boldsymbol{M}(\boldsymbol{A}=\boldsymbol{D}-\boldsymbol{L}-\boldsymbol{U})
M(A=D−L−U) ;
(2) 当 A A A 是严格行对角占优矩阵, μ = 0.5 {\mu}={0 . 5} μ=0.5 时, 给出 ∥ M ∥ ∞ \|\boldsymbol{M}\|_{\infty} ∥M∥∞ 表达式, 并证明此时迭代格式收敛.
(1) 要求迭代矩阵 M M M ,我们首先需要明确分解系数矩阵 A \boldsymbol{A} A 为 D − L − U \boldsymbol{D}-\boldsymbol{L}-\boldsymbol{U} D−L−U ,其中 D \boldsymbol{D} D 是 A \boldsymbol{A} A 的对角部分, L \boldsymbol{L} L 是严格下三角部分 (所有上三角元素为0), U \boldsymbol{U} U 是严格上三角部分(所有下三角元素为 $ 0) $ .
将迭代格式重写为更符合矩阵运算的形式:
x
(
k
+
1
)
=
x
(
k
)
+
μ
D
−
1
(
b
−
A
x
(
k
)
)
\boldsymbol{x}^{(k+1)}=\boldsymbol{x}^{(k)}+\mu \boldsymbol{D}^{-1}\left(\boldsymbol{b}-\boldsymbol{A} \boldsymbol{x}^{(k)}\right)
x(k+1)=x(k)+μD−1(b−Ax(k))
展开后得到:
x
(
k
+
1
)
=
(
I
−
μ
D
−
1
A
)
x
(
k
)
+
μ
D
−
1
b
\boldsymbol{x}^{(k+1)}=(\boldsymbol{I}-\mu \boldsymbol{D}^{-1}\boldsymbol{A})\boldsymbol{x}^{(k)}+\mu \boldsymbol{D}^{-1}\boldsymbol{b}
x(k+1)=(I−μD−1A)x(k)+μD−1b
因此
M
=
I
−
μ
D
−
1
A
\boldsymbol{M}=\boldsymbol{I}-\mu \boldsymbol{D}^{-1}\boldsymbol{A}
M=I−μD−1A.
(2) 将
A
=
D
−
L
−
U
\boldsymbol{A}=\boldsymbol{D}-\boldsymbol{L}-\boldsymbol{U}
A=D−L−U 代入
M
\boldsymbol{M}
M得:
M
=
I
−
μ
D
−
1
(
D
−
L
−
U
)
=
I
−
μ
D
−
1
D
+
μ
D
−
1
(
L
+
U
)
=
I
−
μ
I
+
μ
D
−
1
(
D
−
A
)
=
(
1
−
μ
)
I
+
μ
(
I
−
D
−
1
A
)
\begin{aligned} \boldsymbol{M}&=\boldsymbol{I}-\mu \boldsymbol{D}^{-1}(\boldsymbol{D}-\boldsymbol{L}-\boldsymbol{U}) \\ &=\boldsymbol{I}-\mu \boldsymbol{D}^{-1} \boldsymbol{D}+\mu \boldsymbol{D}^{-1}(\boldsymbol{L}+\boldsymbol{U})\\ &=I-\mu I+\mu \boldsymbol{D}^{-1}(\boldsymbol{D}-\boldsymbol{A}) \\ &=(1-\mu) \boldsymbol{I}+\mu( \boldsymbol{I}-\boldsymbol{D}^{-1}\boldsymbol{A}) \end{aligned}
M=I−μD−1(D−L−U)=I−μD−1D+μD−1(L+U)=I−μI+μD−1(D−A)=(1−μ)I+μ(I−D−1A)
其中矩阵
I
−
D
−
1
A
=
(
0
−
a
12
a
11
⋯
−
a
1
n
a
11
−
a
21
a
22
0
⋯
−
a
2
n
a
22
⋮
⋮
⋮
−
a
n
1
a
n
n
−
a
n
2
a
n
n
⋯
0
)
\boldsymbol{I}-\boldsymbol{D}^{-1} \boldsymbol{A}=\left(\begin{array}{cccc} 0 & -\frac{a_{12}}{a_{11}} & \cdots & -\frac{a_{1 n}}{a_{11}} \\ -\frac{a_{21}}{a_{22}} & 0 & \cdots & -\frac{a_{2 n}}{a_{22}} \\ \vdots & \vdots & & \vdots \\ -\frac{a_{n 1}}{a_{n n}} & -\frac{a_{n 2}}{a_{n n}} & \cdots & 0 \end{array}\right)
I−D−1A=
0−a22a21⋮−annan1−a11a120⋮−annan2⋯⋯⋯−a11a1n−a22a2n⋮0
由
A
\boldsymbol{A}
A是严格行对角占优知
∥
I
−
D
−
1
A
∥
∞
=
max
1
⩽
i
⩽
n
∑
j
=
1
j
≠
i
∣
a
i
j
∣
∣
a
i
i
∣
=
max
1
⩽
i
⩽
n
∑
j
=
1
j
≠
i
n
∣
a
i
j
∣
∣
a
i
i
∣
<
1
\left\|\boldsymbol{I}-\boldsymbol{D}^{-1} \boldsymbol{A}\right\|_{\infty}=\max _{1 \leqslant i \leqslant n} \sum_{\substack{j=1 \\ j \neq i}} \frac{\left|a_{i j}\right|}{\left|a_{i i}\right|}=\max _{1 \leqslant i \leqslant n} \frac{\sum\limits_{\substack{j=1 \\ j \neq i}}^{n}\left|a_{i j}\right|}{\left|a_{i i}\right|}<1
I−D−1A
∞=1⩽i⩽nmaxj=1j=i∑∣aii∣∣aij∣=1⩽i⩽nmax∣aii∣j=1j=i∑n∣aij∣<1
当$ {\mu}={0 . 5} $ 时
∥
M
∥
∞
=
∥
1
2
I
+
1
2
(
I
−
D
−
1
A
)
∥
∞
\|\boldsymbol{M}\|_{\infty}=\|\frac12\boldsymbol{I} +\frac12( \boldsymbol{I}-\boldsymbol{D}^{-1}\boldsymbol{A}) \|_{\infty}
∥M∥∞=∥21I+21(I−D−1A)∥∞
再由范数的的齐次性及三角不等式可得:
∥
M
∥
∞
=
∥
1
2
I
+
1
2
(
I
−
D
−
1
A
)
∥
∞
⩽
1
2
∥
I
∥
∞
+
1
2
∥
I
−
D
−
1
A
∥
∞
<
1
2
⋅
1
+
1
2
⋅
1
=
1
\|\boldsymbol{M}\|_{\infty}=\|\frac12\boldsymbol{I} +\frac12( \boldsymbol{I}-\boldsymbol{D}^{-1}\boldsymbol{A}) \|_{\infty}\leqslant \frac12 \|I\|_{\infty}+\frac12 \|\boldsymbol{I}-\boldsymbol{D}^{-1}\boldsymbol{A}\|_{\infty}<\frac 12\cdot1+\frac 12\cdot1=1
∥M∥∞=∥21I+21(I−D−1A)∥∞⩽21∥I∥∞+21∥I−D−1A∥∞<21⋅1+21⋅1=1
此时迭代格式收敛得证.
上面的问题实质上是对Jacobi 迭代法引进迭代参数以此加快迭代速度,与Gauss-Seidel方法(SOR)类似, 相比之下Jacobi 的松弛法更加简单.
若求解
A
x
=
b
\boldsymbol{Ax=b}
Ax=b的Jacobi 方法收敛,则Jacobi 松弛法收敛的充分必要条件是
ρ
(
I
−
μ
D
−
1
A
)
<
1
\rho(\boldsymbol{I}-\mu \boldsymbol{D}^{-1}\boldsymbol{A})<1
ρ(I−μD−1A)<1.
x
(
k
+
1
)
=
(
I
−
μ
D
−
1
A
)
x
(
k
)
+
μ
D
−
1
b
\boldsymbol{x}^{(k+1)}=(\boldsymbol{I}-\mu \boldsymbol{D}^{-1}\boldsymbol{A})\boldsymbol{x}^{(k)}+\mu \boldsymbol{D}^{-1}\boldsymbol{b}
x(k+1)=(I−μD−1A)x(k)+μD−1b
下面证明对任意
0
<
μ
⩽
1
0<\mu\leqslant1
0<μ⩽1都有Jacobi 松弛法收敛.
证明: 令
λ
j
,
λ
j
′
(
j
=
1
,
⋯
,
n
)
\lambda_{j}, \lambda_{j}^{'}(j=1, \cdots, n)
λj,λj′(j=1,⋯,n) 分别为
I
−
D
−
1
A
I-D^{-1} A
I−D−1A 和
I
−
μ
D
−
1
A
I-\mu D^{-1} A
I−μD−1A 的特征值. 由
I
−
μ
D
−
1
A
=
μ
(
I
−
D
−
1
A
)
+
(
1
−
μ
)
I
I-\mu D^{-1} A=\mu\left(I-D^{-1} A\right)+(1-\mu) I
I−μD−1A=μ(I−D−1A)+(1−μ)I
可以导出
λ
j
′
=
μ
λ
j
+
(
1
−
μ
)
.
\lambda_{j}^{'}=\mu \lambda_{j}+(1-\mu) .
λj′=μλj+(1−μ).
令
λ
j
=
r
j
e
i
θ
j
\lambda_{j}=r_{j} \mathrm{e}^{\mathrm{i} \theta_{j}}
λj=rjeiθj, 则由 Jacobi 方法收敛的假设可知
r
j
<
1
r_{j}<1
rj<1. 于是对
0
<
μ
⩽
1
0<\mu \leqslant 1
0<μ⩽1 有
∣
λ
j
′
∣
2
=
∣
μ
r
j
e
i
θ
j
+
1
−
μ
∣
2
⩽
(
1
−
μ
+
μ
r
j
)
2
<
1
,
\left|\lambda_{j}^{'}\right|^{2}=\left|\mu r_{j} \mathrm{e}^{\mathrm{i} \theta_{j}}+1-\mu\right|^{2} \leqslant\left(1-\mu+\mu r_{j}\right)^{2}<1,
λj′
2=
μrjeiθj+1−μ
2⩽(1−μ+μrj)2<1,
所以 Jacobi 松弛法收敛. 证毕.