【数值分析】线性方程组的迭代方法,jacobi,高斯赛德尔GS,SOR

线性方程组的迭代解法

2024年1月1日
#analysis


文章目录

  • 线性方程组的迭代解法
    • 基本迭代法
        • Jacobi迭代
        • 高斯-赛德尔(GS)迭代
        • SOR迭代
    • 迭代的收敛性分析和误差估计
    • 下链


基本迭代法

Jacobi迭代

A = D − L − U A=D-L-U A=DLU
D x ( k + 1 ) = ( L + U ) x ( k ) + b Dx^{(k+1)}=(L+U)x^{(k)}+b Dx(k+1)=(L+U)x(k)+b
B j = D − 1 ( L + U ) = I − D − 1 A B_j =D^{-1}(L+U)=I-D^{-1}A Bj=D1(L+U)=ID1A
matlab实现

%% 迭代法例子
A = [2 -1 0;-1 3 -1;0 -1 2];
b = [1 8 -5]';
[x,i] = jacobi(A,b,1e-5,10000)%% Jacobi迭代
% 输入矩阵A,向量b,精度,最大迭代次数
% 输出解向量x,迭代次数i
function [x,i] = jacobi(A,b,eps,max_iter)D = diag(diag(A));L = D-tril(A);U = D-triu(A);x = zeros(size(b)); %!for i = 1:max_iterx = D\(b+L*x+U*x);err = norm(b-A*x)/norm(b); %!if err<epsbreak;endend
end
高斯-赛德尔(GS)迭代

A = D − L − U A=D-L-U A=DLU
( D − L ) x ( k + 1 ) = U x ( k ) + b (D-L)x^{(k+1)}=Ux^{(k)}+b (DL)x(k+1)=Ux(k)+b
B g s = ( D − L ) − 1 U = I − ( D − L ) − 1 A B_{gs} =(D-L)^{-1}U=I-(D-L)^{-1}A Bgs=(DL)1U=I(DL)1A
matlab实现

%% 迭代法例子
A = [2 -1 0;-1 3 -1;0 -1 2];
b = [1 8 -5]';
[x,i] = GS(A,b,1e-5,10000)%% GS迭代
% 输入矩阵A,向量b,精度,最大迭代次数
% 输出解向量x,迭代次数i
function [x,i] = GS(A,b,eps,max_iter)D = diag(diag(A));L = D-tril(A);U = D-triu(A);x = zeros(size(b)); %!for i = 1:max_iterx = (D-L)\(b+U*x);err = norm(b-A*x)/norm(b); %!if err<epsbreak;endend
end
SOR迭代

A = D − L − U A=D-L-U A=DLU
x ( k + 1 ) = x ( k ) + ω D − 1 ( L x ( k + 1 ) + U x ( k ) − D x ( k ) + b ) x^{(k+1)}=x^{(k)}+ \omega D^{-1}(Lx^{(k+1)}+Ux^{(k)}-Dx^{(k)}+b) x(k+1)=x(k)+ωD1(Lx(k+1)+Ux(k)Dx(k)+b)
x ( k + 1 ) = ( D − ω L ) − 1 [ ( 1 − ω ) D + ω U ] x ( k ) + ω ( D − ω L ) − 1 b x^{(k+1)}= (D- \omega L)^{-1}[(1- \omega )D+ \omega U]x^{(k)} + \omega (D- \omega L)^{-1}b x(k+1)=(DωL)1[(1ω)D+ωU]x(k)+ω(DωL)1b
B S O R = ( D − ω L ) − 1 [ ( 1 − ω ) D + ω U ] B_{SOR} = (D- \omega L)^{-1}[(1- \omega )D+ \omega U] BSOR=(DωL)1[(1ω)D+ωU]
matlab实现

%% 迭代法例子
A = [2 -1 0;-1 3 -1;0 -1 2];
b = [1 8 -5]';
[x,i] = SOR(A,b,1e-5,10000,1.1)%% SOR迭代
% 输入矩阵A,向量b,精度,最大迭代次数
% 输出解向量x,迭代次数i
function [x,i] = SOR(A,b,eps,max_iter,w)D = diag(diag(A));L = D-tril(A);U = D-triu(A);x = zeros(size(b)); %!for i = 1:max_iterx = (D-w*L)\(((1-w)*D+w*U)*x + w*b);err = norm(b-A*x)/norm(b); %!if err<epsbreak;endend
end

迭代的收敛性分析和误差估计

排列矩阵 每行每列仅有唯一非零元的方阵。
可约矩阵 A {A} A n {n} n 阶矩阵, n ≥ 2 {n\ge2} n2 ,如果存在 n {n} n 阶排列矩阵 P {P} P ,使得
P T A P = [ A 11 A 12 0 A 22 ] P^ \mathrm TAP= \begin{bmatrix} A_{11} & A_{12} \\ 0 & A_{22} \end{bmatrix} PTAP=[A110A12A22]
其中 A 11 {A_{11}} A11 A 22 {A_{22}} A22 分别为 r {r} r 阶和 n − r {n-r} nr 阶方阵, 1 ≤ r ≤ n − 1 {1\le r\le n-1} 1rn1 ,则称 A {A} A 为可约矩阵,否则为不可约矩阵。
对角占优矩阵 A {A} A n {n} n 阶矩阵,满足
∣ a i i ∣ ≥ ∑ j = 1 , j ≠ i n ∣ a i j ∣ , i = 1 , 2 , ⋯ , n | a_{ii} |\ge \sum_{j=1,j\ne i}^{ n}|a_{ij}| \,\,,\,\, i=1,2,\cdots,n aiij=1,j=inaij,i=1,2,,n
即对角元素大于等于该行其他元素的和,如果 A {A} A 中至少有一行使不等式严格成立,则称A为弱对角占优矩阵,如果每一行都使不等式严格成立,则称 A {A} A 为严格行对角占优矩阵。

一些定理

  • 如果 n {n} n 阶矩阵 A {A} A 是严格对角占优矩阵或不可约弱对角占优矩阵,则 A {A} A 是非奇异矩阵
  • n {n} n 阶矩阵 A {A} A k {k} k 次幂 A k → 0 {A^k\to0} Ak0 的充要条件为谱半径 ρ ( A ) < 1 {\rho (A)<1} ρ(A)<1
  • 任一矩阵 A {A} A 的谱半径均不大于 A {A } A 的任一与某一向量范数相容的矩阵范数,即 ρ ( A ) ≤ ∣ ∣ A ∣ ∣ {\rho(A)\le ||A||} ρ(A)∣∣A∣∣
  • 对于迭代格式
    x ( k + 1 ) = B x ( k ) + g x^{(k+1)}=Bx^{(k)}+g x(k+1)=Bx(k)+g
    给定任意的初值 x ( 0 ) {x^{(0)}} x(0) ,有下列收敛结果和误差估计0
    1. 迭代格式收敛的充要条件为谱半径 ρ ( B ) < 1 {\rho(B)<1} ρ(B)<1
    2. 如果 ∣ ∣ B ∣ ∣ < 1 {||B||<1} ∣∣B∣∣<1 ,则有估计
      ∣ ∣ x ( k ) − x ∗ ∣ ∣ ≤ ∣ ∣ B ∣ ∣ k 1 − ∣ ∣ B ∣ ∣ ∣ ∣ x ( 1 ) − x ( 0 ) ∣ ∣ ∣ ∣ x ( k ) − x ∗ ∣ ∣ ≤ ∣ ∣ B ∣ ∣ 1 − ∣ ∣ B ∣ ∣ ∣ ∣ x ( k ) − x ( k − 1 ) ∣ ∣ \begin{align*} ||x^{(k)}-x ^{*} ||\le& \frac{||B||^k}{1-||B||}||x^{(1)}-x^{(0)}|| \\ \\ ||x^{(k)}-x ^{*} ||\le& \frac{||B||}{1-||B||}||x^{(k)}-x^{(k-1)}|| \end{align*} ∣∣x(k)x∣∣∣∣x(k)x∣∣1∣∣B∣∣∣∣Bk∣∣x(1)x(0)∣∣1∣∣B∣∣∣∣B∣∣∣∣x(k)x(k1)∣∣
  • A {A} A 是严格对角占优矩阵或不可约弱对角占优矩阵,则Jacobi迭代和GS迭代都收敛
  • A {A} A 对称正定,则Jacobi迭代收敛的充要条件为 2 D − A {2D-A} 2DA 也是对称正定矩阵
  • SOR迭代收敛的必要条件为 1 < ω < 2 {1< \omega <2} 1<ω<2
  • 系数矩阵 A {A} A 对称正定,则 0 < ω < 2 {0<\omega <2} 0<ω<2 时SOR迭代收敛

例题看同济《现代数值计算》习题6.6。


下链


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/590775.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【LMM 006】LLaVA-Plus:可以学习如何使用工具的多模态Agent

论文标题&#xff1a;LLaVA-Plus: Learning to Use Tools for Creating Multimodal Agents 论文作者&#xff1a;Shilong Liu, Hao Cheng, Haotian Liu, Hao Zhang, Feng Li, Tianhe Ren, Xueyan Zou, Jianwei Yang, Hang Su, Jun Zhu, Lei Zhang, Jianfeng Gao, Chunyuan Li 作…

【大数据面试知识点】Spark的DAGScheduler

Spark数据本地化是在哪个阶段计算首选位置的&#xff1f; 先看一下DAGScheduler的注释&#xff0c;可以看到DAGScheduler除了Stage和Task的划分外&#xff0c;还做了缓存的跟踪和首选运行位置的计算。 DAGScheduler注释&#xff1a; The high-level scheduling layer that i…

大数据 - Hadoop系列《三》- HDFS(分布式文件系统)概述

&#x1f436;5.1 hdfs的概念 HDFS分布式文件系统,全称为:Hadoop Distributed File System。 它是一个文件系统&#xff0c;用于存储文件&#xff0c;通过目录树来定位文件&#xff1b;其次&#xff0c;它是分布式的&#xff0c;由很多服务器联合起来实现其功能&#xff0c;集…

(五)分文件编程

文章目录 为什么要引入分文件编程.C文件怎么添加.H文件怎么书写以及如何进行链接.H书写格式&#xff1a;“有头有尾标识符”例如&#xff08;timer.h) .H链接链接到头文件所在路径的文件夹路径即可 提供一个分文件编程的一种代码最后附上视频演示 为什么要引入分文件编程 C程序…

neovim调试xv6-riscv过程中索引不到对应头文件问题

大家好&#xff0c;我叫徐锦桐&#xff0c;个人博客地址为www.xujintong.com&#xff0c;github地址为https://github.com/jintongxu。平时记录一下学习计算机过程中获取的知识&#xff0c;还有日常折腾的经验&#xff0c;欢迎大家访问。 和这篇文章neovim调试linux内核过程中索…

2024最新前端React面试题:JSX是什么,它和JS有什么区别

JSX是什么&#xff0c;它和JS有什么区别 回答思路&#xff1a;1.编写方式--->2.分别是什么&#xff1f;--->3.分别是怎么编译的&#xff1f;1.编写方式2.分别是什么&#xff1f;3.分别是怎么编译的&#xff1f; 回答思路&#xff1a;1.编写方式—>2.分别是什么&#x…

中国电科网安C++开发工程师校招一面面经

本文介绍2024届秋招中&#xff0c;中国电子科技网络信息安全有限公司的C/C开发工程师岗位一面的面试基本情况、提问问题等。 10月投递了中国电子科技网络信息安全有限公司的C/C开发工程师岗位&#xff0c;并不清楚所在的部门。目前完成了一面&#xff0c;在这里记录一下一面经历…

mysqlbinlog查看binlog

根据位置 mysqlbinlog --no-defaults -v --base64-outputdecode-rows --databasedbname --start-position1180 --stop-position1313 /www/server/data/mysql-bin.000007 > /path/db.sql根据时间 mysqlbinlog -v --base64-outputdecode-rows --databasedbname --start-date…

Oracle exists和in的效率问题

使用exists&#xff1a; select * from T1 where exists(select 1 from T2 where T1.aT2.a) ; 使用exists写法时&#xff0c;其中 “select 1 from T2 where T1.aT2.a” 相当于一个关联表查询&#xff0c;相当于“select 1 from T1,T2 where T1.aT2.a”&#xff0c; “selec…

git的使用基础教程

最近项目在搞自动化测试&#xff0c;需要将各种测试脚本集成到自动化框架里边&#xff0c;这个就需要用到版本管理系统了,下面简单价绍一下git的使用。 首先从官网下载并安装git工具&#xff0c;下面以wins系统为例子说明 https://git-scm.com/downloads wins安装好后&#xff…

灸哥问答:软件架构在软件研发中的作用

软件架构在软件开发中扮演着至关重要的角色。我们在软件研发的过程中&#xff0c;类比于建造一座公寓楼&#xff0c;而软件架构就像是盖楼之前的设计图纸&#xff0c;如果没有设计图纸就直接盖楼&#xff0c;可想而知带来的后果是什么。我对软件架构的作用表现总结如下&#xf…

[C语言]时间戳

时间戳的概念 时间戳就是定义一个时间点作为0秒, 之后每过一秒依此加一, 将当前的时间戳换算成年月日, 再加上起点, 获得的就是现在时刻的时间. 根据地球时区的偏移, 比如北京时间是东八区, 做一个偏移量的加减. 0起点: 1900年1月1日0时0分0秒. 0偏移地点: 英国伦敦 时间戳…

gradio-osprey-demo

创建需要的dockerfle ################### # 使用 Ubuntu 作为基础镜像 FROM nvcr.io/nvidia/cuda:11.8.0-devel-ubuntu22.04 # 更新软件包列表并安装依赖项 RUN apt update && \ apt install -y python3 python3-pip git ffmpeg libsm6 libxext6 curl wget …

JS变量和函数提升

JS变量和函数提升 JS变量提升编译阶段执行阶段相同变量或函数 变量提升带来的问题变量容易不被察觉的遭覆盖本应销毁的变量未被销毁 如何解决变量提升带来的问题 JS变量提升 sayHi()console.log(myname)var myname yyfunction sayHi() {console.log(Hi) }// 执行结果: // Hi …

[蓝桥杯 2023省模拟题]判断蓝桥

问题描述 输入一个字符串&#xff0c;请判断这个字符串是否正好是 lanqiao 。在输入时如果只是大小写不同也算作相同。 输入格式 输入一行包含一个字符串。 输出格式 如果是 lanqiao &#xff0c;输出全小写的字符串 yes &#xff0c;否则输出全小写的字符串 no 。 样例输…

深度学习——PIL和OpenCV

PIL 官方文档 格式互转 opencv cv2.imread() 参数&#xff1a; filepath&#xff1a;读入imge的完整路径 flags&#xff1a;标志位&#xff0c;{cv2.IMREAD_COLOR&#xff0c;cv2.IMREAD_GRAYSCALE&#xff0c;cv2.IMREAD_UNCHANGED} cv2.IMREAD_COLOR&#xff1a;默认参数&…

Attention机制

前置知识&#xff1a;RNN&#xff0c;LSTM/GRU 提出背景 Attention模型是基于Encoder-Decoder框架提出的。Encoder-Decoder框架&#xff0c;也就是编码-解码框架&#xff0c;主要被用来处理序列-序列问题。 Encoder&#xff1a;编码器&#xff0c;将输入的序列<x1,x2,x3……

如何理解IoC和DI?(小知识)

IOC就是控制反转&#xff0c;通俗的说就是我们不用自己创建实例对象&#xff0c;这些都交给Spring的bean工厂帮我们创建管理。这也是Spring的核心思想&#xff0c;通过面向接口编程的方式来是实现对业务组件的动态依赖。这就意味着IOC是Spring针对解决程序耦合而存在的。在实际…

『番外篇十』SwiftUI 实战:打造一款“五脏俱全”的网络图片显示 App(下)

概览 在上篇文章中,我们初步实现了一款小巧的网络图片显示器。 我们先是创建了 json 数据对应的图片模型,然后将 App 界面“分而治之”划分为独立的三个组件以便“逐个击破”,最后我们将所有这些融合在一起。 不过,目前的实现仍有一些问题。比如我们添加了一层不必要的 …

Spring MVC注解详解与实战:从请求处理到数据绑定

文章目录 第一部分&#xff1a;注解详解第二部分&#xff1a;代码示例 第一部分&#xff1a;注解详解 RequestBody 作用&#xff1a;主要用来处理Content-Type为application/json、application/xml等类型的请求体&#xff0c;将请求体中的参数绑定到方法的形参上。常用于处理PO…