计算方法第六章迭代法
计算方法-迭代法讲义

计算 xi(k1) 时,
x(k 1) j
(
j
i)的值已经算出
所以迭代公式可以修改成:
X (k1) D1LX(k1) D1UX (k) D1b
或写成分量形式
i1
n
x(k1) i
(bi
aij
x
( j
k 1)
aij x(jk) ) / aii
j 1
j i 1
7
把矩阵A 记为 A = D – L – U ,则方程组等价为 (D – L)X = UX+b , 从而有: X = (D – L)-1 UX + (D – L)-1b
2
4.1、雅可比(Jacobi)迭代法
把矩阵A 记为 A = D – L – U ,则方程组等价为
DX = (L+U)X+b ,
若 det(D)0, 则有:
X = D-1(L + U)X + D-1b
得到雅可比迭代矩阵:
BJ = D-1(L + U),b’= D-1b 从而,得到雅可比迭代公式:
注意:这里的对角 矩阵的D-1是非常 容易计算的。
(精度要求)
得到满足要求的近似解。
例子:p.55(p.52)例8 ,10-3的精度,迭代10 次。
3x1x12xx22
5 5
x( 1
k
1)
x(k) 2 3
5 3
x2( k
1)
x(k) 1
2
5 2
x(0 1
x2(0
) )
0 0
6
4.2、高斯-赛德尔迭代法 雅可比方法中
X (k1) D1(L U) X (k) D1b
|| B || 0.62875, || B ||1 0.648065375,
数值分析--第6章 解线性方程组的迭代法

数值分析--第6章解线性方程组的迭代法第6章 解线性方程组的迭代法直接方法比较适用于中小型方程组。
对高阶方程组,即使系数矩阵是稀疏的,但在运算中很难保持稀疏性,因而有存储量大,程序复杂等不足。
迭代法则能保持矩阵的稀疏性,具有计算简单,编制程序容易的优点,并在许多情况下收敛较快。
故能有效地解一些高阶方程组。
1 迭代法概述迭代法的基本思想是构造一串收敛到解的序列,即建立一种从已有近似解计算新的近似解的规则。
由不同的计算规则得到不同的迭代法。
迭代法的一般格式(1)()(1)()(,,,),0,1,k k k k m kF k +--==x x x x式中(1)k +x 与()(1)(),,,k k k m --x x x 有关,称为多步迭代法。
若(1)k +x 只与()k x 有关,即(1)()(),0,1,k k kF k +==x x称为单步迭代法。
再设kF 是线性的,即(1)(),0,1,k kk kk +=+=x B x f式中n nk ⨯∈B R ,称为单步线性迭代法。
kB 称为迭代矩阵。
若k B 和kf 与k 无关,即(1)(),0,1,k k k +=+=x Bx f称为单步定常线性迭代法。
本章主要讨论具有这种形式的各种迭代方法。
1.1 向量序列和矩阵序列的极限由于nR 中的向量可与nR 的点建立——对应关系,由点列的收敛概念及向量范数的等价性,可得到向量序列的收敛概念。
定义6.1 设(){}k x 为n R 中的向量序列,nx R ∈,如果()lim 0k k x x →∞-=其中为向量范数,则称序列(){}k x 收敛于x ,记为()lim k k x x →∞=。
定理6.1 nR 中的向量序列(){}k x 收敛于nR 中的向量x 当且仅当()lim (1,2,,)k i i k x x i n →∞==其中()()()()1212(,,,),(,,,)k k k k T Tnnx x x x x x x x ==。
计算方法 6 非线性方程迭代法资料

推论 设 C[a, b]满足上面的条件1),且对x [a, b],存在常数L (0,1),使
| ( x) | L 1, 则 ( x)在[a, b]上存在唯一的不动点.
充分性条件
迭代法的全局收敛性
定理2.2. 设 C[a, b]满足定理2.1中的条件,则对x0 [a, b],由格式
产生的序列{xk }收敛到的不动点x* ,且有误差估计 收敛速度?误差估计?
1)如果对x [a, b],有a ( x) b,则 ( x)在[a, b]上一定存在不动点.
2)在条件1)的基础上,且存在常数L (0,1),使对x, y [a, b]都有
| ( x) - ( y) | L | x - y |, 称为全局Lipschitz条件
则不动点唯一.
证明. 令g( x) x- ( x), 注意到,
是:a2 : a1; b2 : x1.
否:a2 : x1; b2 : b1. 可知,[a2,b2 ] [a1,b1]. 上述过程继续下去
长度为b - a . 22
可得出一系列有根区间 [ak ,bk ] [a2,b2] [a1,b1] [a,b]. 区间[ak ,bk ]的长度为b2-ka .
事前误差估计
| xk
-
x*
|
L 1 L
|
xk
xk 1
|,
k
1, 2,
| xk
事后误差估计
-
x*
|
Lk 1 L
|
x1
x0
|,
k
1, 2,
称序列是适定的,它表明 迭代法算出的每个点是有 意义的!
证明. 设x*是在[a, b]上的唯一不动点.由格式产生的序列{xk }[a, b],
迭代法(iterative method

迭代法(iterative method
迭代法是一种数学方法,通过不断地迭代逼近来求解数学问题。
这种方法通常用于求解方程、优化问题、积分问题等。
迭代法的基本思想是:给定一个初始值或初始解,然后根据一定的规则进行迭代,每次迭代都得到一个新的解,直到满足某个终止条件为止。
这个终止条件可以是精度要求、迭代次数限制等。
常见的迭代法包括:
1.牛顿迭代法:用于求解非线性方程的根,通过不断地逼近方程的根来求解。
2.梯度下降法:用于求解最优化问题,通过不断地沿着负梯度的方向搜索来找到最优
解。
3.牛顿-拉夫森方法:结合了牛顿法和二分法的优点,用于求解非线性方程的根。
4.雅可比迭代法:用于求解线性方程组,通过不断地逼近方程组的解来求解。
5.高斯-赛德尔迭代法:用于求解线性方程组,通过不断地逼近方程组的解来求解。
使用迭代法时需要注意初始值的选择、迭代规则的合理性、终止条件的设定等问题,以确保迭代过程的收敛性和有效性。
同时,迭代法也有一定的局限性,对于一些非线性问题或复杂问题,可能需要进行多次迭代或者采用其他方法进行求解。
迭代法

迭代法
迭代法也叫辗转法,是一种不断用变量的旧值递推新值的过程,跟迭代法相对应的是直接法(或者称为一次解法),即一次性解决问题。
对非线性方程,利用递推关系式,从开始依次计算,来逼近方程的根的方法,若仅与有关,即,则称此迭代法为单步迭代法,一般称为多步迭代法;对于线性方程组,由关系从开始依次计算来过近方程的解的方法。
若对某一正整数,当时,与k 无关,称该迭代法为定常迭代法,否则称之为非定常迭代法。
称所构造的序列为迭代序列。
求通项公式的方法(用迭代法)已知数列{An},a1=2,an=2a(n-1)-1(n>或=2)求通项公式
an=2a(n-1)-1 an-1=2(a(n-1)-1 ) n>或=2
所以an-1 为等比数列
an-1=(a1-1)*2^(n-1)
an-1=2^(n-1)
an=2^(n-1)+1
牛顿迭代法求开方
数方程不存在求根公式,因此求精确根非常困难,甚至不可能,从而寻找方程的近似根就显得特别重要。
方法使用函数的泰勒级数的前面几项来寻找方程的根。
牛顿迭代法是求方程根的重要方法之一,其最大优点是在方程的单根附近具有平方收敛,而且该法还可以用来求方程的重根、复根,此时线性收敛,但是可通过一些方法变成超线性收
敛。
另外该方法广泛用于计算机编程中。
用迭代法求平方根
对于A>1,求其平方根可构造用如下公式迭代:
f(x)=(1/a)(x+a/x),a=A/(A-1),迭代初值x0=[√A]+1,[x]为x的取整.如想求70的平方根,可令初值x0=9.
对于A1,用如上方法求出平方根后,在成10^(-n),即得结果.。
第六章 迭代法-数值分析

由极限存在准则得 即
k
lim xi( k ) xi =0
k
(i 1, 2, , n)
, n)
lim xi( k ) xi
(i 1, 2,
定义:设{ A( k ) }为n阶方阵序列,A为n阶方阵,如果 lim A( k ) A 0
k
其中 为矩阵范数,则称序列{ A( k ) }收敛于矩阵A,记为 lim A( k ) A
g
n
其中bij
aij aii
, (i j , i, j 1, 2,
, n), g i
bi (i 1, 2, aii
, n).
迭代公式x ( k 1) Bx ( k ) g (k 0,1, 2, )用方程组表示为
(k ) (k ) (k ) ( k 1) b13 x 3 b1n x n g x b 1 12 x 2 1 (k ) (k ) (k ) ( k 1) b 23 x 3 b 2 n x n g x2 b 21 x 1 2 ( k 1) (k ) (k ) (k ) b n1 x1 b n 2 x 2 b n,n 1 x n 1 g x n n 因此,在Jacobi迭代法的计算过程中,需同时保留两个
k k
即x是方程组Ax b的解。
引入误差向量
k
(k ) (k ) lim x x lim 0 所以 等价于 k
( k 1)
x
( k 1)
x
由
x ( k 1) Mx ( k ) g
x Mx g
则可得
( k 1)
第六章6.3迭代法的收敛性

一阶定常迭代法的收敛性
det 1 det( I B J) 2 2
2
2 3 1 0
所以
( B max(| |) 0 1 0 J)
即Jaobi迭代法收敛。
8
一阶定常迭代法的收敛性
(2) 求Gauss-Seidel法的迭代矩阵
j 1 j i 1 j i 1
14
i 1
n
n
如果 | | 1 ,则有
| | | a | | | | a | | a | ii ij ij
j 1 j i 1 i 1 n
则 [(DL )U] 为严格对角占优矩阵
从而 det[ ( D L ) U ] 0
16
补充例题
例:方程组
x1 x2 b1 x1 2x2 b2
(1)写出解该方程组的Jacobi迭代的迭代
阵,并讨论迭代收敛的条件;
(2)写出解该方程组的G-S迭代的迭代阵,
并讨论迭代收敛的条件。
17
补充例题
例:AX=b为二阶线性方程组, 证明:解该方程组的Jacobi迭代与G-S迭 代同时收敛或同时发散。
的充要条件为: (B ) 1
5
一阶定常迭代法的收敛性
例:判别下列方程组用Jacobi迭代法和G-S 法求解是否收敛。
1 2 2 x1 1 1 1 1 x2 1 2 2 1 x 1 3
6
一阶定常迭代法的收敛性
由于 B 的形式不易确定 , G
13
B 的特征值 满足 det( I B ) 0 G G
即
计算方法第六章(迭代法)

3、插值加速法
由线性插值公式:
x xk x xk 1 y xk xk 1 xk 1 xk xk xk 1
x xk x xk 1 x xk xk 1 xk 1 xk xk xk 1
xk 1 xk 1 xk 2 x xk 1 2 xk xk 1
2.102599958448522 2.094749937881704 2.094556446501749 2.094551657513653 2.094551538972266 2.094551536038016
x=2.5 10 y=x x=(2*y+5)**(1.0/3.0) if (abs(x-y).lt.0.00000001) then goto 15 endif 15 x=2.5 goto 10 20 y=x x=(2*y+5)**(1.0/3.0) x=1.15*x+(1.0-1.15)*y if (abs(x-y).lt.0.00000001) then goto 30 endif goto 20 30 end
1 2 f ( ) f ( xk ) f ( xk )( xk ) f ( xk )( xk ) 2! 1 (n) 1 n f ( xk )( xk ) f ( n 1) ( k )( xk ) n 1 n! (n 1)!
f ( ) f ( xk ) f ( xk )( xk )
f ( xk ) f ( xk ) 2 改进牛顿法: xk 1 xk f ( xk ) 3 f ( xk ) 2 f ( xk )
牛顿迭代法的收敛性: 牛顿迭代法二阶收敛,两种改进牛顿迭代法三阶收敛
1 0 f ( ) f ( xk ) f ( xk )( xk ) f ( xk )( xk ) 2 2!
计算方法第六章迭代法

计算方法第六章迭代法迭代法是一种重要的数值计算方法,在数学和计算机科学中有广泛的应用。
本章将介绍迭代法的基本概念、原理和应用,以及相关的数学原理和计算技巧。
首先,我们来了解迭代法的基本概念。
迭代法是通过逐步逼近的方式得到一个问题的解。
迭代法的基本思路是从一个初始值开始,通过重复计算和更新,得到更加接近最终解的近似值。
迭代法的优点是简单和灵活,但需要注意选择合适的迭代公式和初始值,以及控制迭代的停止条件。
迭代法的原理可以用以下的一般形式表示:```x_(n+1)=f(x_n)```其中,x_n表示第n次迭代得到的近似值,x_(n+1)表示第(n+1)次迭代的近似值,f是一个函数,表示迭代公式。
迭代法的思想是通过不断迭代更新x的值,直到满足一些停止条件为止。
迭代法的应用非常广泛,特别是在求解非线性方程和优化问题方面有重要的应用。
在求解非线性方程时,我们可以将方程转化为形式为f(x)=0的等式,然后通过迭代法逼近方程的根。
在优化问题中,我们可以通过最小化或最大化一个函数来寻找最优解,也可以使用迭代法逐步逼近最优解。
在迭代法的实际应用中,我们需要注意一些数学原理和计算技巧。
首先,迭代法的收敛性是关键的,即通过迭代公式逐步逼近的值是否趋于问题的解。
在评估迭代法的收敛性时,常用的方法有判断迭代序列的极限是否存在和是否满足一些收敛条件。
其次,选择合适的迭代公式和初始值对于迭代法的成功应用非常重要。
迭代公式应该是简单和有效的,能够在迭代过程中逐步逼近问题的解。
初始值的选择也会直接影响迭代的结果,通常需要根据问题的特点和经验进行选择。
另外,迭代法的计算精度和计算效率也是需要考虑的问题。
在迭代过程中,我们需要根据问题的要求不断调整迭代的次数和迭代的停止条件,以达到较高的计算精度。
同时,我们也需要通过优化迭代公式和使用更加高效的计算技巧来提高计算的效率。
最后,迭代法的应用还可以进一步扩展到其他领域。
例如,在图像处理中,我们可以使用迭代法逐步改进图像的质量;在机器学习中,我们可以使用迭代法来调整模型的参数,以求得更好的拟合效果。
_第六章_线性方程组的数值解法迭代法

b 1
a 11
b2
f
a 22 bn
a nn
x(k1) B0x(k)f
--------(5)
第四节 解线性方程组的迭代法
令:
0 0 0
L
a 21
0
0 A的下三角部分矩阵
a n1 a n 2 0
0
U
0
a12 0
a1n a2n
A的上三角部分矩阵
第三节 向量范数和矩阵范数
(2)范数的另一个简单例子是二维欧氏空间的长度
0M x2 y2
欧氏范数也满足三个条件:
(勾股定理)
设x = (x1, x2) ① x 0 x >0 ② ax = a x a为常数 ③ x+ y ≤ x + y 前两个条件显然,第三个条件在几何上解释为三角形一边的长度不大于其它 两边长度之和。因此,称之三角不等式。
满足:
① A0,且A0,当且A 仅 0当
,若 A
正定
② A A,为任意实数
奇次
③ ABAB,A和 B为任意 n阶两 方个 三阵 角不等
则称 A 为矩阵A的范数。
第三节 向量范数和矩阵范数
2、矩阵范数与向量范数的相容性 对于任意的n维向量x,都有:
Ax A x
这一性质称为矩阵范数与向量范数的相容性。
n
A
max
1in
j1
aij
A的每行绝对值之和的最大值, 又称A的行范数
第三节 向量范数和矩阵范数
(3)矩阵的2范数
2范数 ||A|2 | : (AT A )
(AAT) ?
矩阵的谱半径:
矩阵B的诸特征值为: i(i1,2, ,n)
第六章 解线性方程组的迭代法.ppt

称 J 为解 Ax b的雅可比迭代法的迭代阵.
(2.5)
15
研究雅可比迭代法(2.5)的分量计算公式.
记 x(k ) ( x1(k ) ,, xi(k ) ,, xn(k ) )T ,
由雅可比迭代公式(2.5), 有
Dx(k1) (L U )x(k ) b,
或
i1
n
aii
9
定义1 (1) 对于给定的方程组 x Bx f,用公式(1.6) 逐步代入求近似解的方法称为迭代法(或称为一阶定常迭代 法,这里 B与 k无关).
(2) 如果 lim x(k) 存在(记为 x * ),称此迭代法收敛, k
显然 x *就是方程组的解,否则称此迭代法发散. 研究 {x(k )}的收敛性. 引进误差向量
22
例2 用高斯-塞德尔迭代法解线性方程组(1.2).
8x1 3x2 2x3 4x1 11x2 x3
20, 33,
6x1 3x2 12x3 36.
(1.2)
取 x(0) (0, 0, 0)T, 按高斯-塞德尔迭代公式
x ( k 1) 1
记为 Ax b , 其中
(1.2)
8 A4
6
3 2 11 1, 3 12
x1 x x2 ,
x3
20 b 33 .
36
方程组的精确解是 x* (3, 2, 1)T . 现将(1.2)改写为
4
12
于是,求解 Ax b转化为求解 Mx Nx b,即求解
Ax b 求解x M 1Nx M 1b.
可构造一阶定常迭代法
数值分析第六章线性方程组迭代解法

数值分析第六章线性方程组迭代解法线性方程组是数值分析中的重要内容之一,其求解方法有很多种。
其中一种常用的方法是迭代解法,即通过不断迭代逼近方程组的解。
本文将介绍线性方程组迭代解法的基本思想和常用方法。
线性方程组可以用矩阵形式表示为Ax=b,其中A是系数矩阵,b是常数向量,x是未知向量。
线性方程组的解可以是唯一解,也可以是无穷多个解。
迭代解法的基本思想是通过不断迭代,并利用迭代序列的极限,逼近线性方程组的解。
迭代解法适用于大型的线性方程组,而直接求解法则适用于小型的线性方程组。
常用的迭代解法有雅可比迭代法、高斯-赛德尔迭代法和逐次超松弛迭代法。
雅可比迭代法是最简单的线性方程组迭代解法之一、它的基本思想是将线性方程组的每个方程都单独表示为未知数x的显式函数,然后通过不断迭代求解。
雅可比迭代法的迭代公式为:x(k+1)=D^(-1)(b-(L+U)x(k))其中,D是A的对角元素构成的对角矩阵,L是A的下三角矩阵,U 是A的上三角矩阵,x(k)是第k次迭代的解。
高斯-赛德尔迭代法是雅可比迭代法的改进版。
它的基本思想是将每个方程的解带入到下一个方程中,而不是等到所有方程都迭代完毕后再计算下一组解。
高斯-赛德尔迭代法的迭代公式为:x(k+1)=(D-L)^(-1)(b-Ux(k))其中,D是A的对角矩阵,L是A的下三角矩阵(除去对角线),U是A的上三角矩阵(除去对角线),x(k)是第k次迭代的解。
逐次超松弛迭代法是对高斯-赛德尔迭代法的改进。
它引入了松弛因子w,通过调节松弛因子可以加快收敛速度。
逐次超松弛迭代法的迭代公式为:x(k+1)=(D-wL)^(-1)[(1-w)D+wU]x(k)+w(D-wL)^(-1)b其中,D是A的对角矩阵,L是A的下三角矩阵(除去对角线),U是A的上三角矩阵(除去对角线),w是松弛因子,x(k)是第k次迭代的解。
线性方程组迭代解法需要设置迭代停止准则,通常可以设置迭代次数上限或者设置一个精度要求。
计算方法第六章(迭代法)分析

x0 [a, b] , xk 1 ( xk ) ( k 0,1, 2, ) lim xk x , ( x ) x
* * k *
例:在区间[1,)上求解方程
x ( x ) , ( x) x 1 1 1 ( x) 1 2 x 2
可用迭代法求解,迭代序列 x0 100, xn1 ( xn )
xn
误差估计:第k步迭代计算值与精确值误差为
Lk a xk x1 x0 1 L
使用迭代法求解方程值得注意的事项:
1、将要求解的方程化成 x ( x) 的形式。
2、该迭代法第一个条件不易验证。因此,实际使用时,总在 根的附近区间内进行迭代计算,以保证每次迭代的值都在 迭代区间内。 3、L很小时迭代收敛非常快,但如果L与1很接近,则收敛相 当慢。
3
的根
迭代格式:
xk 1 3 2 xk 1 5
取 =1.15,
x xk (1 ) xk 1
* k
计算结果要求准确到小数后8位数字
2.154434739312699 2.103612082648350 2.095927464327627 2.094760599916342 2.094583304649520 2.094556363492997 2.094552269550262 2.094551647438705 2.094551552903205 2.094551538537676 2.094551536354704
定理: ( x) 满足下面条件时,为压缩映射: (1)当 x [a, b] 时, ( x) [a, b] (2)存在正数 L < 1,使得
x ( x) ,可以通过迭代求解。
计算方法 解线性方程组的迭代法

已知精确解: x*=(3, 2, 1)T
解:以下列独特的方式分离出
x1, x,x 2 3
右端不含x1 右端不含x2 右端不含x3
3 1 5 x 1 8 x 2 4 x 3 2 4 1 x1 x3 3 x 2 11 11 1 1 x 3 x 1 x 2 3 2 4
写成
n j 1
… a1n x n b1 … a2n x n b2 … … ann x n bn … ,n i 1,2,
aijx j bi
… , n) ,分离出变量 x 若 aii 0, (i 1,2, i
1 xi (bi aii
aijx j )
j 1 j i
n
… ,n i 1,2,
由此,得到如下的被称为解方程组的 Jacobi迭代公式:
x
(k 1) i
1 (bi aii
a x
j 1 j i ij
n
(k) j
)
…n i 1,2,
实际计算中,要用雅可比迭代法公式的分量形式:
(k 1) 1 (k) (k) (k) … x ( a x a x a x 12 2 13 3 1n n b1 ) 1 a 11 (k 1) 1 (k) (k) (k) … ( a21x1 a23x 3 a2nx n b2 ) x 2 a22 … (k 1) 1 (k) (k) (k) … x ( a x a x a x n1 1 n2 2 n n 1 n 1 bn ) n ann
1 b1 a a 1 11 11 b1 b1 1 b 2 b2 b2 a22 a22 ann bn bn 1 bn ann ann
第6章 线性方程组的迭代法

( 0) ( 0) ( 0) X 0 ( x1 , x2 ,, xn ),
雅可比迭代法公式的分量形式为:
( k 1) 1 (k ) (k ) (k ) (b1 a12 x 2 a13 x 3 a1n x n ) x1 a11 ( k 1) 1 (k ) (k ) (k ) x ( b a x a x a x 2 2 21 1 23 3 2n n ) a 22 1 ( k 1) (k ) (k ) (k ) x ( b a x a x a x n n1 1 n2 2 n n 1 n 1 ) n a nn
x( k 1) x( k ) 10m
这种方法称为迭代法。
2016/11/19
接下来的问题就是迭代矩阵 G 的构造法。
5
§6.2 雅可比(Jacobi)迭代法
考察一般的 n元线性方程组
a11 x1 a12 x 2 a1n x n b1 a x a x a x b 21 1 22 2 2n n 2 a n1 x1 a n 2 x 2 a nn x n bn
或 构造方程组的等价方程组
x1 x1 x2 3 x2 2 x1 4 x2 3
Jacobi迭代公式。
(k ) ( k 1) 3 x2 x 1 2 2 (k ) 3 2 x ( k 1) 1 x2 5 5
据此建立迭代公式
第六章 解线性方程组的迭代法
1. 雅可比(Jacobi)迭代法 2. 高斯-塞德尔(Gauss-Seidel)迭代法
3. 超松弛迭代法(SOR方法)
4. 迭代法的收敛性
第六章 解线性方程组的迭代法-2

j= 1 j=i i− 1 n
21
(2) 如 p > p0 则 0 ← p 果 p
(3) xi ←xi + p
6. 输 p0 出 7. 如 p0 <eps 则 出k,ω,x, 停 果 输 机
8. 如 k< N0 则 3 果 转
A 11 A 21 A= M A q1 A 12 A 22 M A2 q L Aq A 1 11 L Aq 2 , D= M L A qq A 22 , O A qq
24
0 −A 21 L= M −A q1
0 M −A 2 q
0 − A 12 0 , U = O L 0
L −Aq 1 L −A q 2 . O M 0
q
n , , 且 A (i =1 2,L q) 为 ni ×ni非奇异矩阵, ∑ i =n. ii
i= 1
对 x及 b同样分块
aii ≥ ∑ aij
1 j= j ≠i n
(i =1 2,L n). , ,
弱对角占优阵. 弱对角占优阵 且上式至少有一个不等式严格成立,称 A为弱对角占优阵
1
定义4 (可约与不可约矩阵) 设 A = (aij )n×n (n ≥ 2) , 定义4 如果存在置换阵 P使
A P AP = 11 0
之根. 记
λa 11 λa21 C ≡λ(D−L)−U = M λa n1
λa22
M λan2
a 12
an 1 L a2n , M L λann L
迭代解法(全章)讲解ppt课件

10/18/2023
第六章 线性方程组的迭代解法
21
§3 常用的三种迭代解法
一、 Jacobi迭代法
对于线性方程组 Ax=b
(1)
设 det(A)≠ 0 ,aii ≠ 0,i=0,1,2,…,n ,按照如下方式对A
进行分裂:
A=L+D+U
(2)
10/18/2023
第六章 线性方程组的迭代解法
22
则由 Ax=b 得到 (L+D+U) x=b >D x=-(L+U)x+b
或 向量序列 {x(k)} 收敛于向量 x* ,当且仅当它的每一 个分量序列收敛于x* 的对应分量,即
10/18/2023
第六章 线性方程组的迭代解法
7
二、矩阵的范数
矩阵范数是反映矩阵“大小”的一种度量,具体定义如下。 定义6.3 设||·||是以n阶矩阵为变量的实值函数,且满足 条件:
(1) || A ||≥0,且|| A ||=0时,当且仅当A=0
矩阵1-范数:
列和
矩阵2-范数:
矩阵∞-范数:
行和
以上三种范数都满足矩阵范数的条件,通常将这三种 矩阵范数统一表示为||A ||p,P=1 ,2 ,∞。
10/18/2023
第六章 线性方程组的迭代解法
9
例6.2 设矩阵
求矩阵A的范数||A ||p,P=1 ,2 ,∞ 。 解 根据定义
由于 则它的特征方程为:
25
对于 n 元线性方程组 其一般式为:
从中解出:
得Jacobi迭代格式
通过|| x(k+1)-x(k)||<ε 控制迭代次数。
10/18/2023
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
f (xk )(xk xk1) f (xk ) f (xk1)
同样,此法具有局部
收敛性。其收敛是超
线性收敛,收敛阶为
1.618
单点弦割法:用固定点 (x0 , f (x0 )) 代替 (xk1, f (xk1))
xk 1
xk
f (xk )(xk x0 ) f (xk ) f (x0 )
goto 15
endif goto 10
15 x=2.5 20 y=x
x=(2*y+5)**(1.0/3.0) x=1.15*x+(1.0-1.15)*y if (abs(x-y).lt.0.00000001) then goto 30 endif goto 20
30 end
Aitken加速法(适用于线性收敛情况)
2.102599958448522 2.094749937881704 2.094556446501749 2.094551657513653 2.094551538972266 2.094551536038016
x=2.5
10 y=x
x=(2*y+5)**(1.0/3.0)
if (abs(x-y).lt.0.00000001) then
误差估计:第k步迭代计算值与精确值误差为
a xk
Lk 1 L
x1 x0
使用迭代法求解方程值得注意的事项:
Байду номын сангаас
1、将要求解的方程化成 x (x) 的形式。
2、该迭代法第一个条件不易验证。因此,实际使用时,总在 根的附近区间内进行迭代计算,以保证每次迭代的值都在 迭代区间内。
3、L很小时迭代收敛非常快,但如果L与1很接近,则收敛相 当慢。
(x) (x) (1)x
( ) ( ) (1) 0 1 1( )
xk 1 xk 2
xk1 (xk1) xk2 (xk2 )
例子:求方程 x3 2x 5 0 的根
迭代格式: xk1 3 2xk1 5
按如下格式
迭代
xk 1
xk
f (xk ) f (x0 )
( f (xk ) 0)
几何意义 如图
进一步,取任意常数 c 代替迭代公式中的导数值,迭代公式为
xk 1
xk
f (xk ) c
迭代函数为 (x) x f (x) ,为使迭代序列收敛, c 应满足
c (x) L 1 0 f (x) 2
得到
x0 [a, b] , xk1 (xk ) (k 0,1, 2,L )
lim
k
xk
x*
,
(x*) x*
例:在区间[1,)上求解方程
x (x) , (x) x Q (x) 1 1 1 1
2x 2
可用迭代法求解,迭代序列 x0 100, xn1 (xn ) xn
定理:设函数 f(x) 在区间[a,b]上二阶导数存在,且:
10 f (a) f (b) 0 20 f (x) 0 , x [a,b] 30 f (x)不变号, x [a,b] 40 初值x0 [a,b] , f (x0 ) f (x0 ) 0
则牛顿迭代序列收敛于f(x) =0 在区间[a,b]上的唯一根。
( yk
)
( yk
)(0
yk
)
1
2!
(
yk
)(0
yk
)2
L
( yk )
1 f (xk )
( yk )
f (xk ) f 3(xk )
改进牛顿法:
xk 1
xk
f (xk ) f (xk )
f (xk ) 2 f 3(xk )
f 2 (xk )
y
x xk xk 1 xk
xk
x xk1 xk xk 1
xk 1
x
x xk xk 1 xk
xk
x xk1 xk xk 1
xk 1
x xk1xk1 xk 2 xk1 2xk xk1
x
xk 1
(xk1 xk )2 xk1 2xk xk1
通常取 1 ,然后逐步减半。 牛顿下山法当 1 时,只有线性收敛速度,但对初值的选取
却放的相当宽。
第二节 线性代数方程组迭代解法
求解代数方程组 Ax b
方法:将方程组改造为一个等价的方程组 x Bx g x
构造迭代格式:x(k1) Bx(k) g x(k)
收敛阶:
定义:设
lim
k
xk
, k xk (xk ) ,如果存在实数 p
和非零常数 c,使:
k 1 k p
c
则称序列 p 阶收敛,特别,p=1时,称为线性收敛,p > 1 时,
称为超线性收敛,p=2时称为平方收敛。 p 越大,序列收敛越快。如果是线性收敛,则 0 < c < 1
xk*
xk 1
(xk1 xk )2 xk1 2xk xk1
斯特芬森迭代(迭代两次后用Aitken加速):
xk (xk1)
xk
xk 1
(xk 1 xk 2 )2 xk 1 2xk 2 xk 3
迭代一次用插值加速,称为插值加速迭代:
1 2!
f
(xk )(
xk )2
L
L
1 n!
f
(n) (xk
)(
xk
)n
(n
1 1)!
f
( (n1) k
)(
xk
)n1
f () f (xk ) f (xk )( xk )
xk
f (xk ) f (xk )
xk 1
xk
f (xk ) f (xk )
定理:对于上面的迭代格式,如果B的范数小于1,则对于任 意的初始向量与常向量 g ,迭代格式收敛,迭代误差估计:
x(k ) x* B k x(1) x(0) 1 B
设 为事先给定的误差精度,
k ln
(1
B)
则可以得到迭代次数:
利用泰勒展开容易证明, 牛顿迭代法具有二阶收 敛性,即平方收敛。收 敛速度快这是牛顿迭代 法的主要优点。
计算步骤(框图):
例子:建立求某个 正实数 c 的平方根 的迭代格式。
设函数方程 f (x) = 0 的根为 ,将 f () 泰勒展开
f
( )
f
(xk )
f
(xk )(
xk )
牛顿迭代法的收敛性: 牛顿迭代法二阶收敛,两种改进牛顿迭代法三阶收敛
0
f
( )
f
(xk )
f
(xk )(
xk )
1 2!
f
(xk )(
xk )2
xk 1
xk
f (xk ) f (xk )
0 f (xk ) f (xk )(xk1 xk )
xk 1
c
x [a ,a ]
这称为简化牛顿法,显然,当 c 与导数同号且满足上面式子时, 迭代收敛。
本例中, c 与导数异号,迭代发散
弦割法:用过 (xk1, f (xk1)) , (xk , f (xk )) 两个点的直线的斜
率代替函数在点 xk 处函数的导数,进行迭代。
迭代公式:
xk 1 xk
xn x*
kn 1 k
x1 x0
2、简单迭代:
对于形如的方程 x (x) ,可以通过迭代求解。
定理: (x) 满足下面条件时,为压缩映射:
(1)当 x [a,b] 时,(x) [a,b]
(2)存在正数 L < 1,使得
x[a,b] , (x) L 1 则方程在区间上有唯一解 x* ,且解可以用下面迭代
可以证明,单点法 也是局部收敛的, 且收敛阶为线性收 敛,即 1 阶收敛。
牛顿下山法:
目的是解决初值的选取范围太小这以困难。
构造迭代格式为:
xk 1
xk
f (xk ) f (xk )
其中的参数满足: f (xk1) f (xk )
这个方法称为牛顿下山法。其中的参数称为下山因子,
0 3 1
第六章 迭代法
第一节 非线性方程求根
( f (x) 0 )
1、二分法 利用连续函 数的性质进 行对分。
计算框图为:
压缩映射:
集合 A 上的映射 : A A , A 上两个点 x1 , x2 之间的距离
记为 d (x1, x2 ) ,如映射满足下面条件,称为压缩映射 x1, x2 A, k (0,1) , s.t.
x1 xk
1
z0 xk
(x0 ) , zk (xk
(xk xk1)(xk zk ) xk1 zk1 xk zk
)
3. 对于一般的函数方程 f (x) = 0 的求解,解决方案为:构造
等价的方程 x = (x) ,利用迭代法求解。
x x f (x) ( f (x) 0) , (x) x f (x)
设迭代 xk1 (xk )收敛到a,充分可导,则迭代p 阶收敛 (a) (a) L ( p1)(a) 0, 但 ( p)(a) 0