线性代数方程组数值解法及MATLAB实现综述
(完整word版)线性方程组的直接解法及matlab的实现
本科毕业论文（2010 届）题目线性方程组的直接解法及matlab的实现学院数学与信息工程学院专业数学与应用数学班级2006级数学1 班学号0604010127学生姓名胡婷婷指导教师王洁完成日期2010年5月摘要随着科技技术的发展及人类对自然界的不断探索模拟。
在自然科学和工程问题中的很多问题的解决常常归结为线性代数问题！本文的主要内容是对线性方程组求解方法的探讨,主要介绍了四种求解线性方程组的方法，第一种是教科书上常见的消元法，我们称之为基本法。
第二种方法是标准上三角形求解法，即将增广矩阵经过初等变换后化成标准上三角形，然后求解.它改进了一般教科书上的常见方法，与常见方法比较有如下优点:1)规范了自由未知量的选取;2）只用矩阵运算；3)减少了计算量.第三种方法是对特定的方程组（系数矩阵A为n阶对称正定矩阵，且A的顺序主子式均不为零。
）的求解方法进行描述，并且为这种线性方程的求解提供了固定的公式化的方法。
第四种方法是对现在实际问题中常常会遇到的系数矩阵为三对角矩阵的方程组的求解方法。
同时给出这几种方法的数值解法（matlab程序），由于运用电脑软件求解,所以必须考虑计算方法的时间、空间上的效率以及算法的数值稳定性问题,所以针对不同类型的线性方程组有不同的解法.但是，基本的方法可以归结为两大类,即直接法和迭代法.关键词高斯消去法;三角分解法；乔莱斯基分解法;追赶法AbstractSystems of linear equations are associated with many problems in engineering and scinence ，as well as with applications of mathematics to the social sciences and the quantitative study of business and economic problems.The main content of this article is the method for solving linear equations，we introduce four methods for solving linear equations in this paper。
数值分析中求解线性方程组的MATLAB程序(6种)
数值分析中求解线性方程组的MATLAB程序（6种）1.回溯法（系数矩阵为上三角）function X=uptrbk(A,B)%求解方程组，首先化为上三角，再调用函数求解[N,N]=size(A);X=zeros(N,1);C=zeros(1,N+1);Aug=[A B];for p=1:N-1[Y,j]=max(abs(Aug(p:N,p)));C=Aug(p,:);Aug(p,:)=Aug(j+p-1,:);Aug(j+p-1,:)=C;if Aug(p,p)==0'A was singular.No unique solution.'break;endfor k=p+1:Nm=Aug(k,p)/Aug(p,p);Aug(k,p:N+1)=Aug(k,p:N+1)-m*Aug(p,p:N+1);endendD=Aug;X=backsub(Aug(1:N,1:N),Aug(1:N,N+1));2.系数矩阵为下三角function x=matrix_down(A,b)%求解系数矩阵是下三角的方程组n=length(b);x=zeros(n,1);x(1)=b(1)/A(1,1);for k=2:1:nx(k)=(b(k)-A(k,1:k-1)*x(1:k-1))/A(k,k);end3.普通系数矩阵（先化为上三角，在用回溯法）function X=uptrbk(A,B)%求解方程组，首先化为上三角，再调用函数求解[N,N]=size(A);X=zeros(N,1);C=zeros(1,N+1);Aug=[A B];for p=1:N-1[Y,j]=max(abs(Aug(p:N,p)));C=Aug(p,:);Aug(p,:)=Aug(j+p-1,:);Aug(j+p-1,:)=C;if Aug(p,p)==0'A was singular.No unique solution.'break;endfor k=p+1:Nm=Aug(k,p)/Aug(p,p);Aug(k,p:N+1)=Aug(k,p:N+1)-m*Aug(p,p:N+1);endendD=Aug;X=backsub(Aug(1:N,1:N),Aug(1:N,N+1));4.三角分解法function [X,L,U]=LU_matrix(A,B)%A是非奇异矩阵%AX=B化为LUX=B，L为下三角，U为上三角%程序中并没有真正解出L和U，全部存放在A中[N,N]=size(A);X=zeros(N,1);Y=zeros(N,1);C=zeros(1,N);R=1:N;for p=1:N-1[max1,j]=max(abs(A(p:N,p)));C=A(p,:);A(p,:)=A(j+p-1,:);A(j+p-1,:)=C;d=R(p);R(p)=R(j+p-1);R(j+p-1)=d;if A(p,p)==0'A is singular.No unique solution'break;endfor k=p+1:Nmult=A(k,p)/A(p,p);A(k,p)=mult;A(k,p+1:N)=A(k,p+1:N)-mult*A(p,p+1:N);endendY(1)=B(R(1));for k=2:NY(k)=B(R(k))-A(k,1:k-1)*Y(1:k-1);endX(N)=Y(N)/A(N,N);for k=N-1:-1:1X(k)=(Y(k)-A(k,k+1:N)*X(k+1:N))/A(k,k);endL=tril(A,-1)+eye(N)U=triu(A)5.雅克比迭代法function X=jacobi(A,B,P,delta,max1);%雅克比迭代求解方程组N=length(B);for k=1:max1for j=1:NX(j)=(B(j)-A(j,[1:j-1,j+1:N])*P([1:j-1,j+1:N]))/A(j,j);enderr=abs(norm(X'-P));relerr=err/(norm(X)+eps);P=X';if (err<delta)|(relerr<delta)breakendendX=X';k6.盖斯迭代法function X=gseid(A,B,P,delta,max1);%盖斯算法，求解赋初值的微分方程N=length(B);for k=1:max1for j=1:Nif j==1X(1)=(B(1)-A(1,2:N)*P(2:N))/A(1,1);elseif j==NX(N)=(B(N)-A(N,1:N-1)*(X(1:N-1))')/A(N,N);elseX(j)=(B(j)-A(j,1:j-1)*X(1:j-1)-A(j,j+1:N)*P(j+1:N))/A(j,j);endenderr=abs(norm(X'-P));relerr=err/(norm(X)+eps);P=X';if (err<delta)|(relerr<delta)break;endendX=X';k。
MATLAB计算方法3解线性方程组计算解法
MATLAB计算方法3解线性方程组计算解法线性方程组是数学中的一个重要问题，解线性方程组是计算数学中的一个基本计算，有着广泛的应用。
MATLAB是一种功能强大的数学软件，提供了多种解线性方程组的计算方法。
本文将介绍MATLAB中的三种解线性方程组的计算方法。
第一种方法是用MATLAB函数“linsolve”解线性方程组。
该函数使用高斯消元法和LU分解法求解线性方程组，可以处理单个方程组以及多个方程组的情况。
使用该函数的语法如下：X = linsolve(A, B)其中A是系数矩阵，B是常数向量，X是解向量。
该函数会根据A的形式自动选择求解方法，返回解向量X。
下面是一个使用“linsolve”函数解线性方程组的例子：A=[12;34];B=[5;6];X = linsolve(A, B);上述代码中，A是一个2×2的系数矩阵，B是一个2×1的常数向量，X是一个2×1的解向量。
运行代码后，X的值为[-4.0000;4.5000]。
第二种方法是用MATLAB函数“inv”求解逆矩阵来解线性方程组。
当系数矩阵A非奇异（可逆）时，可以使用逆矩阵求解线性方程组。
使用“inv”函数的语法如下：X = inv(A) * B其中A是系数矩阵，B是常数向量，X是解向量。
该方法先计算A的逆矩阵，然后将逆矩阵与B相乘得到解向量X。
下面是一个使用“inv”函数解线性方程组的例子：A=[12;34];B=[5;6];X = inv(A) * B;上述代码中，A是一个2×2的系数矩阵，B是一个2×1的常数向量，X是一个2×1的解向量。
运行代码后，X的值为[-4.0000;4.5000]。
第三种方法是用MATLAB函数“mldivide”（或“\”）求解线性方程组。
该函数使用最小二乘法求解非方阵的线性方程组。
使用“mldivide”函数的语法如下：X=A\B其中A是系数矩阵，B是常数向量，X是解向量。
实验5_线性代数方程组的数值解法
实验5 线性代数方程组的数值解法化工系 毕啸天 2010011811【实验目的】1. 学会用MATLAB 软件数值求解线性代数方程组，对迭代法的收敛性和解的稳定性作初步分析；2. 通过实例学习用线性代数方程组解决简化的实际问题。
【实验内容】题目3已知方程组Ax=b ，其中A ，定义为⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡--------------=32/14/12/132/14/14/12/132/14/14/12/132/14/12/13A试通过迭代法求解此方程组，认识迭代法收敛的含义以及迭代初值和方程组系数矩阵性质对收敛速度的影响。
实验要求：（1）选取不同的初始向量x (0)和不同的方程组右端项向量b ，给定迭代误差要求，用雅可比迭代法和高斯-赛德尔迭代法计算，观测得到的迭代向量序列是否均收敛？若收敛，记录迭代次数，分析计算结果并得出你的结论；（2）取定右端向量b 和初始向量x (0)，将A 的主对角线元素成倍增长若干次，非主对角线元素不变，每次用雅可比迭代法计算，要求迭代误差满足 ，比较收敛速度，分析现象并得出你的结论。
3.1 模型分析选取初始向量x(0) =(1,1,…,1)T ，b=(1,1,…,1)T ，迭代要求为误差满足 ，编写雅各比、高斯-赛德尔迭代法的函数，迭代求解。
3.2 程序代码function x = Jacobi( x0,A,b,m ) D=diag(diag(A)); U=-triu(A,1); L=-tril(A,-1); B1=D\(L+U); f1=D\b; x(:,1)=x0;x(:,2)=B1*x(:,1)+f1; k=1;while norm((x(:,k+1)-x(:,k)),inf)>m x(:,k+2)=B1*x(:,k+1)+f1; k=k+1; endendfunction x = Gauss( x0,A,b,m )D=diag(diag(A));U=-triu(A,1);L=-tril(A,-1);B2=(D-L)\U;f2=(D-L)\b;x(:,1)=x0;x(:,2)=B2*x(:,1)+f2;k=1;while norm((x(:,k+1)-x(:,k)),inf)>mx(:,k+2)=B2*x(:,k+1)+f2;k=k+1;endendA1=3.*eye(20,20);A2=sparse(1:19,2:20,-1/2,20,20);A3=sparse(1:18,3:20,-1/4,20,20);AA=A1+A2+A3+A2'+A3';A=full(AA);b=ones(20,1); %输入自选右端项向量b x0=ones(20,1); %输入自选初始向量x0 m=1e-5;x1=Jacob(x0,A,b,m);x2=Gauss(x0,A,b,m);结果输出数据：3.3.1将x0各分量初值置为0【分析】从数据中可以看出，当迭代的初值变化了，达到相同精度所需要的迭代次数也变化了。
实验一用matlab求解线性方程组
实验1.1 用matlab 求解线性方程组第一节 线性方程组的求解 一、齐次方程组的求解rref （A ） %将矩阵A 化为阶梯形的最简式null （A ） %求满足AX ＝0的解空间的一组基，即齐次线性方程组的基础解系【例１】 求下列齐次线性方程组的一个基础解系，并写出通解：我们可以通过两种方法来解： 解法1：>> A=[1 -1 1 -1;1 -1 -1 1;1 -1 -2 2]; >> rref(A) 执行后可得结果： ans=1 -1 0 0 0 0 -1 1 0 0 0 0 由最简行阶梯型矩阵，得化简后的方程⎪⎩⎪⎨⎧=+--=+--=-+-02200432143214321x x x x x x x x x x x x取x2，x4为自由未知量，扩充方程组为即提取自由未知量系数形成的列向量为基础解系，记所以齐次方程组的通解为解法2： clearA=[1 -1 1 -1;1 -1 -1 1;1 -1 -2 2];B=null(A, 'r') % help null 看看加个‘r ’是什么作用,若去掉r ，是什么结果？执行后可得结果： B=1 0 1 0 0 1 0 1⎩⎨⎧=-=-004321x x x x ⎪⎪⎩⎪⎪⎨⎧====44432221x x x x x x x x ⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡+⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡11000011424321x x x x x x ,00111⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=ε,11002⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=ε2211εεk k x +=易见，可直接得基础解系所以齐次方程组的通解为二、非齐次线性方程组的求解 Matlab 命令的基本格式：X ＝A\b %系数阵A 满秩时，用左除法求线性方程组AX ＝b 的解注意：A/B 即为AB -1, 而A\B 即为A -1B.C =[A,b];D ＝rref(C) % 求线性方程组AX ＝b 的特解，即D 的最后一列元素【例2】 求下列非齐次线性方程组的解：,00111⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=ε,11002⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=ε⎪⎪⎪⎩⎪⎪⎪⎨⎧=+=++=++=++=+150650650651655454354332121x x x x x x x x x x x x x 2211εεk k x +=解： clearA=[5 6 0 0 0;1 5 6 0 0;0 1 5 6 0;0 0 1 5 6;0 0 0 1 5]; b=[1;0;0;0;1];format rational %采用有理数近似输出格式,比较format short 看看x=A\b执行后可得所求方程组的解. 作业：【第一题】 求下列非齐次线性方程组的通解.A=[1 2 3 1;1 4 6 2;2 9 8 3;3 7 7 2] B=[3;2;7;12] format rational x=A\B x =⎪⎪⎩⎪⎪⎨⎧=+++=+++=+++=+++1227737389222643324321432143214321x x x x x x x x x x x x x x x x42/31/2684838239393950-7/3【第二题】计算工资问题一个木工，一个电工，一个油漆工，三个人相互同意彼此装修他们自己的房子。
线性方程组的直接解法及matlab的实现
本科毕业论文（ 2010 届）题目线性方程组的直接解法及matlab的实现学院数学与信息工程学院专业数学与应用数学班级2006级数学1 班学号**********学生姓名胡婷婷指导教师王洁完成日期2010年5月摘要随着科技技术的发展及人类对自然界的不断探索模拟.在自然科学和工程问题中的很多问题的解决常常归结为线性代数问题！本文的主要内容是对线性方程组求解方法的探讨,主要介绍了四种求解线性方程组的方法,第一种是教科书上常见的消元法,我们称之为基本法.第二种方法是标准上三角形求解法,即将增广矩阵经过初等变换后化成标准上三角形,然后求解.它改进了一般教科书上的常见方法,与常见方法比较有如下优点:1)规范了自由未知量的选取;2)只用矩阵运算;3)减少了计算量.第三种方法是对特定的方程组（系数矩阵A为n阶对称正定矩阵,且A的顺序主子式均不为零.）的求解方法进行描述,并且为这种线性方程的求解提供了固定的公式化的方法.第四种方法是对现在实际问题中常常会遇到的系数矩阵为三对角矩阵的方程组的求解方法.同时给出这几种方法的数值解法（matlab程序）,由于运用电脑软件求解,所以必须考虑计算方法的时间、空间上的效率以及算法的数值稳定性问题,所以针对不同类型的线性方程组有不同的解法.但是,基本的方法可以归结为两大类,即直接法和迭代法.关键词高斯消去法;三角分解法;乔莱斯基分解法;追赶法AbstractSystems of linear equations are associated with many problems in engineering and scinence ,as well as with applications of mathematics to the social sciences and the quantitative study of business and economic problems.The main content of this article is the method for solving linear equations, we introduce four methods for solving linear equations in this paper. The first is the elimination method which is commonly found in textbooks, and we call the Basic Law. The second method is Standard on the triangle Solution, that first change Augmented matrix into standards in primary triangle, and then solving. It improves the general textbook on common methods, compared with the common method has the following advantages:1) Specification of the free choice of unknowns; 2)Only matrix operations;3) Reduce the computation. The third method describes a way to solve a Specific equations(N coefficient matrix A is symmetric positive definite matrix, and A are not zero-order principal minor), And for this linear equation provides a fixed formulaic approach. The fourth method is to present practical problems often encountered in the coefficient matrix is tridiagonal matrix method for solving the equations. These methods are given numerical solution of (matlab program), As the use of computer software to solve, it is necessary to consider ways of computing time and space efficiency and numerical stability of algorithms, Therefore, different types of linear equations have a different solution. However, the basic method can be classified into two categories, namely direct methods and iterative methods.Key wordsGaussian elimination; Triangular decomposition; Cholesky decomposition method;Thomas algorithm目录1. 引言 (1)2．相关知识 (2)2.1 向量和矩阵 (2)2.2 特殊矩阵 (3)3.问题叙述 (3)4．问题分析 (4)4.1高斯分解法 (4)4.2三角分解法 (6)4.3乔莱斯基分解法 (6)4.4追赶法 (7)5. 举例说明与总结 (9)5.1举例说明 (9)5.1.1高斯分解的matlab程序方法 (9)5.1.2三角分解法的matlab程序方法 (10)5.1.3乔莱斯基分解法的matlab程序方法 (11)5.1.4追赶法的matlab程序方法 (13)5.2总结 (14)参考文献 (16)谢辞 (17)线性方程组的直接解法及matlab的实现Direct solution of linear equations and matlab implementation数学与信息工程学院数学与应用数学专业胡婷婷指导教师:王洁1.引言随着科技技术的发展及人类对自然界的不断探索模拟.在自然科学和工程问题中的很多问题的解决常常归结为线性代数问题！例如电学中的网络问题,用最小二乘法求实验数据拟合问题（如大地测量数据处理）,解非线性方程组问题,用差分法或有限元法解常微分方程、偏微分方程边值问题等最终都归结于解线性代数方程组.从实际数据来看,这些方程组的系数矩阵大致分为两种,一种是低阶稠密矩阵（阶数不超过150）.另一种是大型稀疏矩阵（矩阵阶数高且零元素较多）.所以,现在我们需要对求线性方程组的方法进行探究,以便能够找到一些简便的方法来加以应用！本文主要就线性方程组的直接解法予以讨论.线性方程组是线性代数的主要内容,包括线性方程组有解性的判定、消元法解线性方程组和线性方程组解的结构. 它与矩阵、向量的内容密切相关,与矩阵、向量组相关的许多重要结论都是线性方程组有关结论的应用和推广. 如:一个向量是否可以由一个向量组线性表示、表示形式是否唯一往往与非齐次线性方程组是否有解、有唯一解还是无穷多解是等价的;一个向量组是否线性相关与齐次线性方程组是否有非零解是等价的等等.而且随着现代工业的发展,线性方程组的应用出现在各个领域,伴随着大量方程和多未知数的出现, 例如电学中的网络问题,用最小二乘法求实验数据拟合问题（如大地测量数据处理）,解非线性方程组问题,用差分法或有限元法解常微分方程、偏微分方程边值问题等最终都归结于解线性代数方程组。
实验五(线性方程组的数值解法和非线性方程求解)
1大学数学实验 实验报告 | 2014/4/5一、 实验目的1、学习用Matlab 软件数值求解线性代数方程组，对迭代法的收敛性和解的稳定性作初步分析；2、通过实例学习用线性代数方程组解决简化问题。
二、 实验内容项目一：种群的繁殖与稳定收获：种群的数量因繁殖而增加，因自然死亡而减少，对于人工饲养的种群（比如家畜）而言，为了保证稳定的收获，各个年龄的种群数量应维持不变。
种群因雌性个体的繁殖而改变，为方便起见以下种群数量均指其中的雌性。
种群年龄记作k=1,2,…,n ,当年年龄k 的种群数量记作x k ，繁殖率记作b k （每个雌性个体1年的繁殖的数量），自然存活率记作s k （s k =1−d k ，d k 为1年的死亡率），收获量记作ℎk ，则来年年龄k 的种群数量x ̌k 应该为x ̌k =∑b k n k=1x k , x ̌k+1=s k x k −ℎk , (k=1,2,…,n -1)。
要求各个年龄的种群数量每年维持不变就是要求使得x ̌k =x k , (k=1,2,…,n -1).(1) 如果b k , s k 已知，给定收获量ℎk ，建立求各个年龄的稳定种群数量x k 的模型（用矩阵、向量表示）.(2) 设n =5,b 1=b 2=b 5=0,b 3=5,b 4=3,s 1=s 4=0.4,s 2=s 3=0.6,如要求ℎ1~ℎ5为500,400,200,100,100，求x 1~x 5.(3) 要使ℎ1~ℎ5均为500，如何达到？问题分析：该问题属于简单的种群数量增长模型，在一定的条件（存活率，繁殖率等）下为使各年龄阶段的种群数量保持不变，各个年龄段的种群数量将会满足一定的要求，只要找到种群数量与各个参量之间的关系，建立起种群数量恒定的方程就可以求解出各年龄阶段的种群数量。
模型建立：根据题目中的信息，令x ̌k =x k ，得到方程组如下：{x ̌1=∑b k nk=1x k =x 1x ̌k+1=s k x k −ℎk =x k+1整理得到：{−x 1∑b k nk=1x k =0−x k+1+s k x k =ℎk2 大学数学实验 实验报告 | 2014/4/52写成系数矩阵的形式如下：A =[b 1−1b 2b 3s 1−100s 2−1…b n−1b n0000⋮⋱⋮000000000⋯00−10s n−1−1]令h =[0, ℎ1,ℎ2,ℎ3,…,ℎn−2,ℎn−1]Tx =[x n , x n−1,…,x 1]T则方程组化为矩阵形式：Ax =h ，即为所求模型。
解线性方程组直法Matlab实现
解线性方程组的直接法的Matlab实现姓名**********摘要：给出用MATLAB解线性方程组的各种方法,用MATLAB直接操作,不用编程,便可立即求出线性方程组的解.方法直观、简便、速度快,具有较强的实用性,另外提供了Jacobi迭代法程序.关键字：线性方程组数值解程序设计MATLAB Jacobi迭代法数据结构1 引言线性方程组Ax=b是我们在科学和工程计算中经常出现的数学模型,大量的科技与工程实际问题，常常归结为解线性代数方程组，有关线性方程组解的存在性和唯一性在“线性代数”理论中已经作过详细介绍，本章的主要任务是讨论系数行列式不为零的n阶非齐次线性方程组Ax=b的两类主要求方法：直接法（精确法）和迭代法。
对它的解法我们最熟悉的就是主元消去法,但它只是适用于A是低价稠密的矩阵,对于由工程技术中产生的大型稀疏矩阵方程组(即A的阶数n很大,但零元素较多,例如求某些偏微分方程数值解所产生的线性方程组,n≥104),还需利用迭代法求解。
如在计算机内存和运算两方面,都可以根据A中有大量零元素的特点采用迭代法。
本文将介绍两种常见的迭代:Jacobi 迭代法和Gauss-Seidel迭代,并用迭代法在数学软件Matlab上实现线性方程组的解。
1迭代法的基本思想迭代法是按照某种规则构造一个向量序列{x(k)},使其极限向量x*是Ax=b的精确解。
因此,对迭代法来说一般有下面几个问题:(1)如何构造迭代序列?(2)构造的迭代法序列是否收敛?在什么情况下收敛?(3)如果收敛,收敛的速度如何?我们应该给予量的刻划,用以比较各种迭代法收敛的快慢。
2 相关知识线性方程组的概念及分类线性方程组的一般形式为a11x1+a12x2+…+a1nxn=b1a21x1+a22x2+…+a2nxn=b2am1x1+am2x2+…+amnxn=b{n(1)若记X=x1x2(…x n)T,b=b1 b2(…bn)TA=a11 a12…a1na21 a22…a2n…am1 am2…a mn则线性方程组(1)记为AX=b.(2)若b的元素不全为零,则称方程组(1)为非齐次线性方程组;若b的元素全为零,即b1=b2=…=bn=0,则AX=0.(3)并称方程组(3)为齐次线性方程组,也称作方程组(2)的导出方程组,称(A b)=a11 a12…a1n…b1a21 a22…a2n…b2…am1 am2…amn…b n为线性方程组(1)的增广矩阵,记作A.若在方程组(1)中,当mn,即方程的个数多于未知数的个数时,方程组称为超定方程组.3、算法用高斯消元法解线性方程组bAX的MATLAB程序输入的量：系数矩阵A和常系数向量b；输出的量：系数矩阵A和增广矩阵B的秩RA,RB, 方程组中未知量的个数n和有关方程组解X及其解的信息.function [RA,RB,n,X]=gaus(A,b) B=[A b]; n=length(b); RA=rank(A); RB=rank(B);zhica=RB-RA; if zhica>0, disp('请注意：因为RA~=RB，所以此方程组无解.') returnend if RA==RB if RA==n disp('请注意：因为RA=RB=n，所以此方程组有唯一解.') X=zeros(n,1); C=zeros(1,n+1); for p= 1:n-1（1）LU分解法lu 分解法解线性方程组function x=luxiaoyuan(A,b)[m,n]=size(A);[l u]=lu(A);s=inv(l)*[A,b];x=ones(m,1);for i=m:-1:1h=s(i,m+1);for j=m:-1:1;if j~=ih=h-x(j)*s(i,j);endendx(i)=h/s(i,i)end（2）高斯消元法高斯消元法的基本思想：Ax=b其对应的增广矩阵为为(A，b)对线性方程组的增广矩阵进行以下一系列初等变换（1）对换(A，b)某两行的顺序（2）(A，b)中的某行乘以一个不为零的数。
数值分析(hilbert矩阵)病态线性方程组的求解matlab程序
（Hilbert 矩阵）病态线性方程组的求解理论分析表明，数值求解病态线性方程组很困难。
考虑求解如下的线性方程组的求解Hx = b ，期中H 是Hilbert 矩阵，()ij n n Hh ，11ij h i j ，i ，j = 1,2，…，n 1.估计矩阵的2条件数和阶数的关系2.对不同的n ，取(1,1,,1)nx K ?，分别用Gauss 消去，Jacobi 迭代，Gauss-seidel 迭代，SOR 迭代和共轭梯度法求解，比较结果。
3.结合计算结果，试讨论病态线性方程组的求解。
第1小题：condition.m %第1小题程序t1=20;%阶数n=20x1=1:t1;y1=1:t1;for i=1:t1H=hilb(i);y1(i)=log(cond(H));endplot(x1,y1);xlabel('阶数n');ylabel('2-条件数的对数（log(cond(H)）');title('2-条件数的对数（log(cond(H)）与阶数n 的关系图');t2=200;%阶数n=200x2=1:t2;y2=1:t2;for i=1:t2H=hilb(i);y2(i)=log(cond(H));endplot(x2,y2);xlabel('阶数n');ylabel('2-条件数的对数（log(cond(H)）');title('2-条件数的对数（log(cond(H)）与阶数n 的关系图');画出Hilbert 矩阵2-条件数的对数和阶数的关系n=200时n=20时从图中可以看出，1）在n小于等于13之前，图像近似直线log（cond（H））~1.519n-1.8332）在n大于13之后，图像趋于平缓，并在一定范围内上下波动，同时随着n的增加稍有上升的趋势第2小题：solve.m%m第2小题主程序N=4000;xGauss=zeros(N,1);xJacobi=zeros(N,1);xnJ=zeros(N,1);xGS=zeros(N,1);xnGS=zeros(N,1);xSOR=zeros(N,1);xnSOR=zeros(N,1);xCG=zeros(N,1);xnCG=zeros(N,1);for n=1:N;x=ones(n,1);t=1.1;%初始值偏差x0=t*x;%迭代初始值e=1.0e-8;%给定的误差A=hilb(n);b=A*x;max=100000000000;%可能最大的迭代次数w=0.5;%SOR迭代的松弛因子G=Gauss(A,b);[J,nJ]=Jacobi(A,b,x0,e,max);[GS,nGS]=G_S(A,b,x0,e,max);[S_R,nS_R]=SOR(A,b,x0,e,max,w);[C_G,nC_G]=CG(A,b,x0,e,max);normG=norm(G'-x);xGauss(n)=normG;normJ=norm(J-x);nJ;xJacobi(n)=normJ;xnJ(n)=nJ;normGS=norm(GS-x);nGS;xGS(n)=normGS;xnGS(n)=nGS;normS_R=norm(S_R-x);nS_R;xSOR(n)=normS_R;xnSOR(n)=nS_R;normC_G=norm(C_G-x);nC_G;xCG(n)=normC_G;xnCG(n)=nC_G;endGauss.m%Gauss消去法function x=Gauss(A,b)n=length(b);l=zeros(n,n);x=zeros(1,n);%消去过程for i=1:n-1for j=i+1:nl(j,i)=A(j,i)/A(i,i);for k=i:nA(j,k)=A(j,k)-l(j,i)*A(i,k);endb(j)=b(j)-l(j,i)*b(i);endend%回代过程x(n)=b(n)/A(n,n);for i=n-1:-1:1c=A(i,:).*x;x(i)=(b(i)-sum(c(i+1:n)))/A(i,i);endJacobi.m%Jacobi迭代,x0表示迭代初值,e表示允许误差(迭代停止条件),n表示迭代次数,m 可能最大的迭代次数function [x,n]=Jacobi(A,b,x0,e,m)n=length(A);D=diag(diag(A));U=-triu(A,1);L=-tril(A,-1);B=D\(L+U);f=D\b;x=B*x0+f;n=1;while norm(x-x0)>ex0=x;x=B*x0+f;n=n+1;if n>mdisp('Jacobi迭代次数过多，迭代可能不收敛');break;endendG_S.m%Gauss-Seidel迭代,x0表示迭代初值,e表示允许误差(迭代停止条件),n表示迭代次数,m可能最大的迭代次数function [x,n]=G_S(A,b,x0,e,m)n=length(A);D=diag(diag(A));U=-triu(A,1);L=-tril(A,-1);B=(D-L)\U;f=(D-L)\b;x=B*x0+f;n=1;while norm(x-x0)>ex0=x;x=B*x0+f;n=n+1;if n>mdisp('Gauss-Seidel迭代次数过多，迭代可能不收敛');break;endendSOR.m%SOR超松弛迭代,x0表示迭代初值,e表示允许误差(迭代停止条件),n表示迭代次数,m可能最大的迭代次数,w松弛因子function [x,n]=SOR(A,b,x0,e,m,w)n=length(A);D=diag(diag(A));U=-triu(A,1);L=-tril(A,-1);B=(D-w*L)\((1-w)*D+w*U);f=(D-w*L)\b*w;x=B*x0+f;n=1;while norm(x-x0)>ex0=x;x=B*x0+f;n=n+1;if n>mdisp('SOR超松弛迭代次数过多，迭代可能不收敛');break;endendCG.m%CG共轭梯度法,x0表示迭代初值,e表示允许误差(迭代停止条件),n表示迭代次数,m可能最大的迭代次数function [x,n]=CG(A,b,x0,e,m)r=b-A*x0;p=r;alpha=(r'*r)/(p'*(A*p));x=x0+alpha*p;r1=b-A*x;n=1;while norm(r1)>ebelta=(r1'*r1)/(r'*r);p=r1+belta*p;r=r1;x0=x;alpha=(r'*r)/(p'*(A*p));x=x0+alpha*p;r1=b-A*x;n=n+1;if n>mdisp('CG共轭梯度法迭代次数过多，迭代可能不收敛');break;endend。
matlab 方程组 解
matlab 方程组解一、概述Matlab是一种强大的数学计算软件，它可以用来解决各种数学问题，包括解方程组。
在Matlab中，求解方程组是一个非常重要的功能，因为很多实际问题都可以转化为方程组的形式。
本文将详细介绍如何使用Matlab求解线性方程组和非线性方程组。
二、线性方程组1. 线性方程组的定义线性方程组是指各个未知量的次数都不超过1次的代数方程组。
例如：2x + 3y = 54x - 5y = 6就是一个包含两个未知量x和y的线性方程组。
2. Matlab中求解线性方程组方法在Matlab中，可以使用“\”或者“inv()”函数来求解线性方程组。
其中，“\”表示矩阵左除，即Ax=b时，求解x=A\b；“inv()”函数表示矩阵求逆，即Ax=b时，求解x=inv(A)*b。
例如，在Matlab中求解以下线性方程组：2x + 3y = 54x - 5y = 6可以使用以下代码：A=[2,3;4,-5];b=[5;6];x=A\b输出结果为：x =1.00001.0000其中，“A”为系数矩阵，“b”为常数矩阵，“x”为未知量的解。
三、非线性方程组1. 非线性方程组的定义非线性方程组是指各个未知量的次数超过1次或者存在乘积项、幂项等非线性因素的代数方程组。
例如：x^2 + y^2 = 25x*y - 3 = 0就是一个包含两个未知量x和y的非线性方程组。
2. Matlab中求解非线性方程组方法在Matlab中，可以使用“fsolve()”函数来求解非线性方程组。
该函数需要输入一个函数句柄和初始值向量，输出未知量的解向量。
例如，在Matlab中求解以下非线性方程组：x^2 + y^2 = 25x*y - 3 = 0可以使用以下代码：fun=@(x)[x(1)^2+x(2)^2-25;x(1)*x(2)-3];x0=[1;1];[x,fval]=fsolve(fun,x0)输出结果为：Local minimum found.Optimization completed because the size of the gradient is less thanthe default value of the function tolerance.<stopping criteria details>ans =1.60561.8708其中，“fun”为函数句柄，表示要求解的非线性方程组，“x0”为初始值向量，“[x,fval]”为输出结果，其中“x”表示未知量的解向量，“fval”为函数值。
利用Matlab进行线性代数问题求解的方法与案例
利用Matlab进行线性代数问题求解的方法与案例引言线性代数是数学的一个重要分支，广泛应用于工程、物理、计算机科学等领域。
而Matlab作为一种功能强大的数值计算软件，提供了各种实用的工具和函数，可以方便地解决线性代数问题。
本文将介绍一些常用的线性代数问题求解方法，并通过具体的案例来展示Matlab在实际应用中的效果。
一、线性方程组的求解线性方程组是线性代数中最基础的问题之一。
Matlab提供了多种求解线性方程组的函数，如“backslash”操作符（\）和“linsolve”函数等。
下面通过一个实例来说明Matlab的线性方程组求解功能。
案例：假设有以下线性方程组需要求解：2x + 3y - 4z = 53x - 2y + z = 8x + 5y - 3z = 7在Matlab中输入以下代码：A = [2 3 -4; 3 -2 1; 1 5 -3];b = [5; 8; 7];x = A\b;通过以上代码，我们可以得到线性方程组的解x=[1; -2; 3]。
这表明在满足以上方程组的条件下，x=1，y=-2，z=3。
可以看出，Matlab在求解线性方程组时，使用简单且高效。
二、矩阵的特征值和特征向量求解矩阵的特征值和特征向量也是线性代数中的重要概念。
利用特征值和特征向量可以得到矩阵的许多性质和信息。
在Matlab中，我们可以通过“eig”函数来求解矩阵的特征值和特征向量。
案例：假设有一个2x2矩阵A，需要求解其特征值和特征向量。
在Matlab中输入以下代码：A = [2 3; 1 4];[V, D] = eig(A);通过以上代码，我们可以得到矩阵A的特征向量矩阵V和特征值矩阵D。
具体结果如下：特征向量矩阵V = [0.8507 -0.5257; 0.5257 0.8507]特征值矩阵D = [1.5858 0; 0 4.4142]由结果可知，矩阵A的特征向量矩阵V和特征值矩阵D可以提供有关该矩阵的很多信息，如相关线性变换、对称性等。
MATLAB线性方程组和代数方程数值求解
第10讲 线性方程组和代数方程数值求解 （第8章 MATLAB 方程数值求解）目的：一、 掌握矩阵的分解与线性方程组的解 二、 代数方程数值求解的方法。
—————————————————————————————————————— 一、掌握线性方程组和代数方程数值求解的方法。
（一）矩阵的分解 1、化简矩阵的计算工作量当方程组AX b =的系数矩阵为方阵且可逆时，方程组有唯一解。
1X A b −=，求1A −或者1A b −的方法是将()()1,~,rA E E A−或者()()1,~,rA b E A b −这两个方法都需要经过将矩阵A 化为单位矩阵E 这一过程，而将矩阵A 化为单位矩阵E 通常采用高斯消元法。
假设110a ≠利用11a 将红框内的元素化为0，在计算化简的过程中，蓝框内的元素也要一起同步计算。
重复这一过程，可以将A 从上往下化简为上三角矩阵：可以继续将这个矩阵从下往上化简为对角矩阵，在往上化简时，比如用nn b 化简红框元素，由于主对角线下元素是零，此时蓝框内的元素不会一起同步计算。
112233000000000000nn a b b b，（2）对比从上往下，和从下往上化简的过程可知，化简一般矩阵为单位矩阵的计算工作量远远大于将三角矩阵化简为单位矩阵的计算工作量。
2、方阵的LU 分解与方程组n A X b =的求解矩阵的LU 分解是指将矩阵A 分解为下三角矩阵L 与上三角矩阵U 的乘积，即A L U =⋅，方程组AX b =等同于LUX b =，解得11X U L b −−=，由于,L U 是三角矩阵，求逆时运算量比较小。
所以如果,L U 已知，用11X U L b −−=求解比用1X A b −=更加有效。
但如果,L U 未知，用11X U L b −−=求解方程组，还需要将A 分解为,L U ，如果求出的,L U 只用于求解一个方程组AX b =，显然并不比用1A −求解更有效。
基于MATLAB的线性方程组数值算法实现
基于MATLAB 的线性方程组数值算法实现摘要：MATLAB 图形用户界面（GUI ）编程技术是当今计算机数值计算的重大成就之一，它在软件编程上具有着友好性、直观性、易懂性的优点而被广泛应用。
本文主要介绍图形用户界面在求解线性方程组中的应用，同时介绍了求解大型线性方程组的主要迭代算法。
首先,对一些经典迭代法(Jacobi 方法、Gauss- Seidel 方法)进行了详细的讨论,并从理论上给出了迭代公式。
最后通过用MATLAB 图形用户界面（GUI ）编程对求解线性方程组的设计一个用户与计算机直接交互界面，实现简单的求解线性方程组的应用软件。
关键字：图形用户界面；线性方程组；直接求解法；迭代法一、 引言MATLAB 以强大的科学计算与可视化功能、简单易用、开放式可扩展环境，成为计算机辅助设计和分析、算法研究和应用开发的基本工具和首选平台。
MATLAB 的附带功能图形用户界面（GUI ）更具有友好性、直观性、易懂性的优点而被广泛应用[1]。
与此同时, 数值计算软件的发展与成熟，在强调数值计算方法的原理、思想和基本理论的同时, 适当淡化了算法的细节和繁杂的理论证明,并在一个通用的软件平台上开展。
而在当今社会中，线性方程组被广泛应用，如一个实际问题中归纳出来的数学模型中出现的函数、方程或不等式都是线性的。
线性模型在社会经济中的数据计算、信息处理、均衡生产、减少消耗、增加产出等方面有着广泛的应用，是我们改善企业生产管理、提高经济的有效工具。
由于线性方程组在各学科的广泛应用,其重要性是显而易见的,有必要对线性方程组的求解进行讨论.但随着社会的发展,线性模型即线性方程组的求解也越来越复杂，针对解线性方程组有几种很好的经典算法，如Jacobi 迭代法、Guass-Seidel 迭代法和SOR 迭代法等。
本文根据人们需要方便快捷，通俗易懂的原则，设计了一个求解线性方程组的软件应用界面，在GUI 上实现解线性方程组的直接法、Jacobi 迭代法、Guass-Seidel 迭代法。
使用Matlab求解线性代数问题（一）
使用Matlab求解线性代数问题一、用行列式求解线性方程组x1+ x2–2*x3 = -35*x1–2*x2+ 7*x3 = 222*x1–5*x2+ 5*x3 = 4解法1：使用矩阵求解方程组在Matlab 7.1命令行界面中输入（A表示系数矩阵，b表示向量）A = [1 1 -2; 5 -2 7; 2 -5 5]; % 系数矩阵b = [-3; 22; 4]; % 向量format rat; % 设置结果的显示形式为分数x = A\b; % 计算结果x = x' % 转置以行向量形式显示界面显示结果为x = 47/56 163/56 27/8即方程的解为x1 = 47/56; x2 = 163/56; x3 = 27/8解法2：使用Cramer法则求解方程组在Matlab 7.1命令行界面中输入D（系数行列式）D = [1 1 -2; 5 -2 7; 2 -5 5]; % 系数矩阵DD1 = [b D(:,2) D(:, 3)]; % D1D2 = [D(:,1) b D(:, 3)]; % D2D3 = [D(:, 1) D(:,2) b]; % D3format rat; % 设置结果的显示形式为分数x1 = det(D1)/det(D)x2 = det(D2)/det(D)x3 = det(D3)/det(D)输出结果为x1 = 47/56x2 = 163/56x3 = 27/8即方程的解为：x1 = 47/56; x2 = 163/56; x3 = 27/8二、求排列65872134的逆序数，并确定其奇偶性。
解：排列的逆序数定义为：如在1,2,3,…,n的一个全排列（s1 s2 s3…s n）中，有i<j时，s i >s j，这时s i、s j违反了自然顺序，就说它们构成了一个逆序。
排列（s1 s2 s3…s n）中逆序的总数称为该序列的逆序数。
根据定义计算逆序数的Matlab程序如下：a = [6 5 8 7 2 1 3 4]; % 将排列看作行向量Num = 0; % 逆序数初始值设为0Len = length(a); % 行向量中元素的个数for i = 1:1:(Len-1)n = length(find( a(i+1: Len) < a(i))); % 计算第i个元素% 的逆序数disp(strcat('第', num2str(i), '个元素', num2str(a(i)), '的逆序数为', num2str(n) ));Num = Num + n; %增加序列逆序数的个数end;disp(strcat('排列', num2str(a), '的逆序数为', num2str(Num)))将上述Matlab命令输入Matlab窗口命令行，执行结果为：第1个元素6的逆序数为5第2个元素5的逆序数为4第3个元素8的逆序数为5第4个元素7的逆序数为4第5个元素2的逆序数为1第6个元素1的逆序数为0第7个元素3的逆序数为0排列6 5 8 7 2 1 3 4的逆序数为19即排列65872134的逆序数为19，由于19为基数，所以排列65872134为逆排列。
MATLAB试验报告线性方程组求解
「-「
f3)
f0)
f2)
f-1)
x=
2
,x=
4
,x=
10
,x=
7
,x=
3
1
3
2
2
3
11
4
3
5
2
\^)
V37
R3的一组基。
生成R3,从x,x,x,x,x中找出
"-4
设A = 7
11
3 12、
-11 0.分别用poly、roots和eig计算A的特征值.
12 3,
7.判断下列矩阵是否相似（提示：用Jordan标准型）？
,
壬式。
及rref函数，计算下列线性方程组的
x-3x=0
5x+x=8b)
-x+4x=2
2 3
：1
4,%=10
27 V117
是线性相关的.
戋性无关的
生方程组的通解。
至解
=2
二10
8
来计算A-1的第三列，并将结果
通解
2x+x-3x=0
4x+5x+x=8
2x+4x+4x=8
1 1 2 3
实验序号：实验2
实验项目名称：线性方程组求解
>> x1=det(D1)/det(D);x2=det(D2)/det(D);
>> x1,x2
x1 =
-1
Байду номын сангаас>> a=[2,3,-1;5,1,4];
>> rref(a)
f2 0 0)
f2 0
A=
0 4 0
数值分析MATLAB科学计算—线性方程组
科学计算—理论、方法及其基于ＭＡＴＬＡＢ的程序实现与分析 三、 解线性方程组（线性矩阵方程）解线性方程组是科学计算中最常见的问题。
所说的“最常见”有两方面的含义：１） 问题的本身是求解线性方程组；２） 许多问题的求解需要或归结为线性方程组的求解。
关于线性方程组B A x B Ax 1-=⇒=（１）其求解方法有两类：１） 直接法：高斯消去法（Gaussian Elimination ）； ２） 间接法：各种迭代法（Iteration ）。
１、高斯消去法１） 引例考虑如下（梯形）线性方程组：()⎪⎩⎪⎨⎧==+==+-=⇒⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎭⎫ ⎝⎛⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--⇔⎪⎩⎪⎨⎧==-=+-5.0141315.3221122004301211214322332321321332321x x x x x x x x x x x x x x x 高斯消去法的求解思路：把一般的线性方程组（１）化成（上或下）梯形的形式。
２）高斯消去法——示例考虑如下线性方程组：⎪⎪⎪⎭⎫ ⎝⎛-=⎪⎪⎪⎭⎫ ⎝⎛⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---⇔⎪⎩⎪⎨⎧=++-=-+-=+-306015129101.2001.221113060129501.2001.221321321321321x x x x x x x x x x x x １） 第一个方程的两端乘12加到第二个方程的两端，第一个方程的两端乘－１加到第三个方程的两端，得⎪⎪⎪⎭⎫⎝⎛-=⎪⎪⎪⎭⎫ ⎝⎛⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--3060031110001.0001.00111321x x x２） 第二个方程的两端乘001.010-加到第三个方程的两端，得 ⎪⎪⎪⎭⎫⎝⎛-=⎪⎪⎪⎭⎫ ⎝⎛⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--60600311010001.0001.00111321x x x３） 从上述方程组的第三个方程依此求解，得()⎪⎩⎪⎨⎧==+-==+-=600300001.03100024011332321x x x x x x ３）高斯消去法的不足及其改进——高斯（全、列）主元素消去法在上例中，由于建模、计算等原因，系数2.001而产生0.0005的误差，实际求解的方程组为⎪⎪⎪⎭⎫⎝⎛-=⎪⎪⎪⎭⎫ ⎝⎛⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---306015129101.20005.22111321x x x ⎪⎩⎪⎨⎧===⇒70.4509.30142.2565321x x x注：数值稳定的算法高斯列主元素消去法就是在消元的每一步选取（列）主元素—一列中绝对值最大的元取做主元素，高斯列主元素消去法是数值稳定的方法。
线性代数方程组数值解法及MATLAB实现综述
线性代数方程组数值解法及MATLAB 实现综述廖淑芳 20122090 数计学院 12计算机科学与技术1班（职教本科） 一、分析课题随着科学技术的发展，提出了大量复杂的数值计算问题，在建立电子计算机成为数值计算的主要工具以后，它以数字计算机求解数学问题的理论和方法为研究对象。
其数值计算中线性代数方程的求解问题就广泛应用于各种工程技术方面。
因此在各种数据处理中，线性代数方程组的求解是最常见的问题之一。
关于线性代数方程组的数值解法一般分为两大类：直接法和迭代法。
直接法就是经过有限步算术运算，可求的线性方程组精确解的方法（若计算过程没有舍入误差），但实际犹如舍入误差的存在和影响，这种方法也只能求得近似解，这类方法是解低阶稠密矩阵方程组级某些大型稀疏矩阵方程组的有效方法。
直接法包括高斯消元法，矩阵三角分解法、追赶法、平方根法。
迭代法就是利用某种极限过程去逐步逼近线性方程组精确解的方法。
迭代法具有需要计算机的存储单元少，程序设计简单，原始系数矩阵在计算过程始终不变等优点，但存在收敛性级收敛速度问题。
迭代法是解大型稀疏矩阵方程组（尤其是微分方程离散后得到的大型方程组）的重要方法。
迭代法包括Jacobi 法SOR 法、SSOR 法等多种方法。
二、研究课题-线性代数方程组数值解法 一、 直接法 1、 Gauss 消元法通过一系列的加减消元运算，也就是代数中的加减消去法，以使A 对角线以下的元素化为零，将方程组化为上三角矩阵；然后，再逐一回代求解出x 向量。
1.1消元过程1. 高斯消元法(加减消元)：首先将A 化为上三角阵，再回代求解。
11121121222212n n n n nn n a a a b a a a b a a a b ⎛⎫ ⎪ ⎪ ⎪ ⎪⎝⎭ (1)(1)(1)(1)11121311(2)(2)(2)(2)222322(3)(3)(3)3333()()000000n n n n n nn n a a a a b a a a b a a b a b ⎛⎫ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭ 步骤如下：第一步：1111,2,,i a i i n a -⨯+=第行第行11121121222212n n n n nnn a a a b a a a b a a a b ⎛⎫⎪ ⎪⎪⎪⎝⎭ 111211(2)(2)(2)2222(2)(2)(2)200n n n n n n a a a b a a b a a b ⎛⎫ ⎪⎪ ⎪ ⎪⎝⎭ 第二步：(2)2(2)222,3,,i a i i n a -⨯+=第行第行111211(2)(2)(2)2222(2)(2)(2)200n nn nnn a a a b a a b a a b ⎛⎫⎪ ⎪ ⎪ ⎪⎝⎭11121311(2)(2)(2)(2)222322(3)(3)(3)3333(3)(3)(3)300000n n n n nn n a a a a b a a a b a a b a a b ⎛⎫ ⎪⎪ ⎪ ⎪ ⎪ ⎪⎝⎭类似的做下去，我们有：第k 步：()()k ,1,,k ikk kka i i k n a -⨯+=+第行第行。
线性代数方程组的求解与Matlab编程
在数学领域中，线性代数方程组经常会需要使用到，这也是线性代数的重要内容。
基础理论知识，矩阵的构成，这些是学习线性代数求解的基本模块,矩阵的初等行（列）变换则是线性方程组求解的基础步骤。
这也延伸出了很多种线性代数方程组的求解办法，比如行阶梯法、矩阵运算法等一系列办法，根据具体线性代数题U的不同，我们在求解中也可以灵活运用不同的方法。
这些方法的不同优点可以更方便的帮助我们解决线性方程组求解中不同类型的题U,在具体求解过程中，矩阵和向量是基础也是重中之重，它使我们解决问题的关键。
我们生活中也有很多问题会用到线性代数方程组方面的知识，所以它与我们的生活也是密不可分的。
MATLAB作为一门科学与计算机方向的重要编程语言，是现如今我们可以在计算机上找到的最优秀的工具之一，它拥有强大的计算能力、图形编程能力、符号推算能力、文字处理能力、动态模拟仿真能力。
Matlab拥有的强大的编程讣算能力，让它可以根据本文中线性方程组的这些求解方法，分别给出在求解线性方程组中的Matlab应用，并且利用计算机对线性代数方程组进行求解。
［关键词］Mat lab线性方程组矩阵求解初等变换摘要........................................................... -1 一ABSTRACT ............................................................................................. 错误!未定义书签。
目录........................................................... -1 -1前言............................................................. - 2 -1.1国内外研究现状............................................. -2 -1.2课题的研究意义............................................. _ 3 -1.3本文所完成的工作............................................ -3 - 2预备知识......................................................... -4 -2.1线性方程组的定义............................................ -4 -2.2线性方程组有解判别定理...................................... -4 -2.3线性方程组解的结构.......................................... -5 -2. 3. 1齐次线性方程组的性质................................. -6 -2. 3. 2基础解系及其存在性................................... -6 -2. 3. 3 一般线性方程组的解的结构............................. -7 - 3线性方程组的求解方法............................................. -8 -3.1行阶梯法解线性方程.......................................... -8 -3. 1. 1初等行变换........................................... -8 -3.1.2行阶梯矩阵的生成（高斯消元过程）...................... - 8 -3.1. 3行阶梯法解欠定方程组................................ -10 -3.2用矩阵运算法解线性方程组 .................................. -10 -3.2.1矩阵运算规则及MATLAB实例........................... - 10 -3.2. 2 行列式.............................................. - 12 -3.2. 3矩阵的秩和矩阵求逆.................................. - 12 -3.2.4条件数一衡量奇异程度的量.............................. -12 -3.2.5用矩阵“除法”解线性方程.............................. -13 -4 Mat lab编程方法及实例 ........................................... -13 -4. 1 Matlab中的行阶梯法解线性方程.............................. -13 -4. 1. 1线性方程的Mat lab表示方法 ........................... - 13 -4.1.2基于Matlab的高斯消元及实例 ........................... - 15 -4. 1. 3 MATLAB中的行阶梯生成函数.......................... -17 -4. 1. 4解欠定方程组实例.................................... - 18 -4. 2 Matlab中的矩阵运算法解线性方程............................ - 20 -4. 2. 1矩阵运算规则的matlab实例............................. -20 -4. 2. 2初等变换乘子矩阵的生成及MATLAB实例................ -22 -4.2.3行列式的Mat lab实例................................... -26 -4. 2. 4矩阵求逆实例......................................... -27 -4. 2. 5矩阵“除法”解欠定方程实例........................... -28 -结论............................................................ 一30 -参考文献......................................................... 一31 一1.1国内外研究现状线性方程组求解这个数学领域，国内外数学学家对此的研究非常广泛，也为这个课题做出了许多贡献，在科技和学术日益进步的今天，数学已经与我们的生活息息相关，影响着社会的进程和科技的发展。
数学实验报告——利用MALTAB计算线性代数方程组的数值解法
实验三线性代数方程组的数值解法一、迭代法求解方程组㈠问题描述给定方程组的矩阵A，通过迭代法求解方程组。
1、选取不同的初始向量和不同的右端项向量，给定误差要求，用两种迭代法计算；2、去顶右端项向量和初始向量，将A的主对角线元素成倍增长若干次，非主对角线元素不变，用雅克比迭代法计算。
㈡方法与公式1、雅克比迭代法2、高斯-赛德尔迭代法㈢结果与分析1、不同初始向量、不同右端项向量、不同精度要求(1)初始向量定为zeros(n,1);①b=zeros(n,1)迭代次数为0，直接得到结果。
③b = 1:n(2)初始向量定为one s(n,1)①b=zeros(n,1)事实上，迭代100次时，所得结果约为10^-32，已经可以认为是0，但是由于没有达到精度要求，故不算收敛。
②b=ones(n,1)④b = n:1(3)初始向量定为1:n①b=zeros(n,1)②b=ones(n,1)(4)初始向量定为n:1①b=zeros(n,1)②b=ones(n,1)④b = n:1(5)简要小结a.在个别情况下雅可比迭代法收敛速度极慢，但事实上没有达到收敛时其计算结果已经可以接受；b.要求的精度越高，迭代的次数越多，迭代的次数与所要求的精度的对数值近似呈线性，也就是说两者近似呈指数关系；b.高斯-赛德尔迭代法有着比雅可比更好的迭代特性；2、更改A的主对角线元素(1) b =20:1;初值 1:20(2) b =20:1;初值 20:1(3) b =1:20;初值 20:1(4) b =[3;5;2;6;8;23;5;8;32;63;23;5;2;12;0;23;1;564;2;65]; 初值 ones(20,1)(5)简要小结a.迭代的次数随着对角线元素的成倍的增长而降低，趋于一稳定值；b.右端项以及迭代初值仅当对角线元素较小时对迭代次数起有作用，对角线元素成倍数增加后，迭代次数不变。
3、总结由以上各个对比可以得出以下结论：a.使用迭代法求解方程组时时，要求的精度越高，迭代次数越大；b.高斯-赛德尔迭代法的迭代次数要比雅可比迭代法迭代次数低；c.雅可比迭代的次数随着矩阵A对角线元素的成倍的增长而降低，d.当矩阵A的对角线元素足够大时，雅可比迭代法的迭代次数趋于稳定值；㈣程序清单1、第一问中的雅可比迭代function [y,k] = jacobi(A,b,m,tol)D = diag(diag(A));L = - tril(A,-1);U = - triu(A,1);n = length(A);y = ones(n,1);BJ=D\(L+U);fJ=D\b;k=0;while norm(A*y-b)/norm(b)>tol && k<mk = k+1;y = BJ*y+fJ;end2、高斯-赛德尔迭代法function [y,k] = GuassSeidel(A,b,m,tol)D = diag(diag(A));L = - tril(A,-1);U = - triu(A,1);n = length(A);BG = (D-L)\U;FG = (D-L)\b;y = zeros(n,1);k=0;while norm(A*y-b)/norm(b)>tol && k<mk = k+1;y = BG*y+FG;end3、第二问中的雅可比迭代function [y,k] = jacobi1(A,b,m,tol) D = diag(diag(A));L = - tril(A,-1);U = - triu(A,1);n = length(A);yk = ones(20,1);BJ=D\(L+U);fJ=D\b;k=0;yk1 = BJ*yk+fJ;k = k+1;ttol = norm(yk1-yk,inf);while ttol>tol && k<mk = k+1;yk = yk1;yk1 = BJ*yk+fJ;ttol = norm(yk1-yk,inf);endy=yk1;4、第一问脚本n=20;A1 = sparse(1:n,1:n,3,n,n);A2 = sparse(1:n-1,2:n,-1/2,n,n);A3 = sparse(2:n,1:n-1,-1/2,n,n);A4 = sparse(1:n-2,3:n,-1/4,n,n);A5 = sparse(3:n,1:n-2,-1/4,n,n);A = A1+A2+A3+A4+A5;b =zeros(20,1);m=10000;for i = 3:10tol = 10^(-i);[xJ,k1(i)] = jacobi(A,b,m,tol); [xG,k2(i)] = GuassSeidel(A,b,m,tol); endk1k25、第二问脚本n=20;k = 1;A1 = sparse(1:n,1:n,3,n,n);A2 = sparse(1:n-1,2:n,-1/2,n,n);A3 = sparse(2:n,1:n-1,-1/2,n,n);A4 = sparse(1:n-2,3:n,-1/4,n,n);A5 = sparse(3:n,1:n-2,-1/4,n,n);b =[3;5;2;6;8;23;5;8;32;63;23;5;2;12;0;23;1;564;2;65]; m=10000;tol = 10^(-5);for k = 1:10A = k*A1+A2+A3+A4+A5;[xJ,k1(k)] = jacobi1(A,b,m,tol);endk1二、一年生植物的繁殖㈠问题描述对于5.1.2的假设，给定参数，试分别用追赶法、稀疏系数矩阵和满矩阵求解；若b 有10%误差，估计对结果的影响。
- 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)。
线性代数方程组数值解法及MATLAB 实现综述廖淑芳 20122090 数计学院 12计算机科学与技术1班（职教本科） 一、分析课题随着科学技术的发展，提出了大量复杂的数值计算问题，在建立电子计算机成为数值计算的主要工具以后，它以数字计算机求解数学问题的理论和方法为研究对象。
其数值计算中线性代数方程的求解问题就广泛应用于各种工程技术方面。
因此在各种数据处理中，线性代数方程组的求解是最常见的问题之一。
关于线性代数方程组的数值解法一般分为两大类：直接法和迭代法。
直接法就是经过有限步算术运算，可求的线性方程组精确解的方法（若计算过程没有舍入误差），但实际犹如舍入误差的存在和影响，这种方法也只能求得近似解，这类方法是解低阶稠密矩阵方程组级某些大型稀疏矩阵方程组的有效方法。
直接法包括高斯消元法，矩阵三角分解法、追赶法、平方根法。
迭代法就是利用某种极限过程去逐步逼近线性方程组精确解的方法。
迭代法具有需要计算机的存储单元少，程序设计简单，原始系数矩阵在计算过程始终不变等优点，但存在收敛性级收敛速度问题。
迭代法是解大型稀疏矩阵方程组（尤其是微分方程离散后得到的大型方程组）的重要方法。
迭代法包括Jacobi 法SOR 法、SSOR 法等多种方法。
二、研究课题-线性代数方程组数值解法 一、 直接法 1、 Gauss 消元法通过一系列的加减消元运算，也就是代数中的加减消去法，以使A 对角线以下的元素化为零，将方程组化为上三角矩阵；然后，再逐一回代求解出x 向量。
1.1消元过程1. 高斯消元法(加减消元)：首先将A 化为上三角阵，再回代求解。
11121121222212n n n n nn n a a a b a a a b a a a b ⎛⎫ ⎪ ⎪ ⎪ ⎪⎝⎭ (1)(1)(1)(1)(1)11121311(2)(2)(2)(2)222322(3)(3)(3)3333()()000000nn nn n nn n a a a a b a a a b a a b a b ⎛⎫ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭ 步骤如下：第一步：1111,2,,i a i i n a -⨯+=第行第行11121121222212n n n n nnn a a a b a a a b a a a b ⎛⎫⎪ ⎪⎪⎪⎝⎭ 111211(2)(2)(2)2222(2)(2)(2)200n nn nnn a a a b a a b a a b ⎛⎫ ⎪ ⎪ ⎪ ⎪⎝⎭第二步：(2)2(2)222,3,,i a i i n a -⨯+=第行第行 111211(2)(2)(2)2222(2)(2)(2)200n nn nnn a a a b a a b a a b ⎛⎫⎪ ⎪ ⎪ ⎪⎝⎭11121311(2)(2)(2)(2)222322(3)(3)(3)3333(3)(3)(3)300000nn nn nnn a a a a b a a a b a a b a a b ⎛⎫ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭类似的做下去，我们有：第k 步：()()k ,1,,k ikk kka i i k n a -⨯+=+第行第行。
n －1步以后，我们可以得到变换后的矩阵为：11121311(2)(2)(2)(2)222322(3)(3)(3)3333()()000000n n nn n nn n a a a a b a a a b a a b a b ⎛⎫⎪⎪ ⎪ ⎪⎪ ⎪⎝⎭注意到，计算过程中()k kk a 处在被除的位置，因此整个计算过程要保证它不为0。
所以，Gauss 消元法的可行条件为：()0k kka ≠。
就是要求A 的所有顺序主子式均不为0，即1111det 0,1,,i i ii a a i n a a ⎛⎫ ⎪≠= ⎪ ⎪⎝⎭因此，有些有解的问题，不能用Gauss 消元求解。
另外，如果某个()k kk a 很小的话，会引入大的误差。
例 用Gauss 消去法解方程组：（1）1234123341518311151111631112x x x x -⎛⎫⎛⎫⎛⎫ ⎪ ⎪ ⎪---- ⎪ ⎪ ⎪= ⎪ ⎪ ⎪ ⎪ ⎪ ⎪-⎝⎭⎝⎭⎝⎭ （1）对增广矩阵进行初等变换1221331443()21()121()41233415371512334150522218311155321911116044343111277700444E E E E E E E E E +→-+→-+→-⎛⎫⎪⎛-⎫ ⎪- ⎪ ⎪---- ⎪ ⎪−−−−−−→ ⎪ ⎪ ⎪ ⎪⎪-⎝⎭ ⎪-- ⎪⎝⎭2332443445()677()()6111233412334151537370505151522222211291129000111136367357910000003633E E E E E E E E E +→+→-+→--⎛⎫⎛⎫⎪⎪ ⎪ ⎪-- ⎪ ⎪ ⎪ ⎪−−−−−→−−−−−−→ ⎪ ⎪⎪⎪ ⎪⎪⎪ ⎪⎝⎭⎝⎭得等价方程组12342343441233415371552221129113691033x x x x x x x x x x -++=⎧⎪⎪-++=⎪⎪⎨+=⎪⎪⎪=⎪⎩ 回代得40x =，33x =，22x =，11x =。
第一步：将(1)/3使x 1的系数化为1,再将(2)、(3)式中x 1的系数都化为零，即由(2)-2×(1)(1)得)1(321)1( (231)32=++x x x )1(32)2( (03)432=+x x由(3)-4×(1)(1)得第二步：将(2)(1)除以2/3，使x2系数化为1，得再将(3)(1)式中x2系数化为零，由(3)(1)-(-14/3)*(2)(2)，得第三步：将(3)(2)除以18/3，使x3系数化为1，得经消元后，得到如下三角代数方程组：1.2回代过程由(3)(3)得 x3=1,将x3代入(2)(2)得x2=-2,将x2、x3代入(1)(1)得x2=1,所以，本题解为[x]=[1,2,-1]T1.3高斯消元的公式综合以上讨论，不难看出，高斯消元法解方程组的公式为第一步，消元（1）令aij (1) = aij, （i,j=1,2,3,…,n）bi (1) =bi, （i=1,2,3,…,n）（2）对k=1到n-1，若akk(k)≠0，进行l ik = aik(k) / akk(k) , （i=k+1,k+2,…,n）a ij (k+1) = aij(k) - lik* akj(k), （i,j= k+1,k+2,…,n）b i (k+1) = bi(k) - lik* bk(k), （i= k+1,k+2,…,n）第二步，回代若ann(n) ≠ 0x n = bn(n) / ann(n)x i = (bi(i) – sgm(aij(i) * xj)/- aii(i) ,（i = n-1,n-2,…,1）,( j =)1(32)3(......6310314-=--xx)2(32)2(......2=+xx)2(3)3(......6318-=x)3(3)3(......1-=xi+1,i+2,…,n )2 、LU分解法求解线性代数方程组除了高斯消元法外，还常用LU分解法（三角形分解法）。
LU分解法的优点是当方程组左端系数矩阵不变，仅仅是方程组右端列向量改变，即外加激励信号变化时，能够方便地求解方程组。
矩阵的三角分解法可分为直接三角分解法,列主元三角分解法,平方根法,三对角方程组的追赶法。
下面讨论直接三角分解法。
设n阶线性方程组Ax=b 。
假设能将方程组左端系数矩阵A，分解成两个三角阵的乘积，即A=LU ，式中，L为主对角线以上的元素均为零的下三角矩阵, 且主对角线元素均为1的上三角矩阵；U为主对角线以下的元素均为零所以有，LUx=b 令 Ux=y，则 Ly=b由A=LU,由矩阵的乘法公式： a1j = u1j, j=1,2,…,na i1 = li1u11, i=1,2,…,n推出 u1j = a1j, j=1,2,…,nl i1 = ai1/u11, i=1,2,…,n这样就定出了U的第一行元素和L的第一列元素。
设已定出了U的前k-1行和L的前k-1列，现在确定U的第k行和L的第k列。
由矩阵乘法：当r>k时，lkr =0, 且lkk=1，因为∑==nrrjkrkjula1∑=+=nrrjkrkjkjulua1所以，同理可推出计算L 的第k 列的公式： 因此得到如下算法——杜利特（Doolittle ）算法:(1)将矩阵分解为A=LU,对k=1,2,…,n ；j=k,k+1,…n ； i=k,k+1,…n ；公式1(2)解L y =b(3)解U x =y对大规模稀疏问题，如果能够通过调整方程及未知量的顺序使得方程组的系数矩阵成带状结构，则对系数矩阵使用通常的LU 分解，可以保障单位下三角矩阵L 及上三角矩阵U 仍为带状结构.3、直接三角分解法Gauss 消去法还有许多变形，有些变形是为了利用特殊技巧减少误差，把Gauss 消去法改写为更紧凑的形式，还有一些变形时根据某类矩阵的特性作一些修正和简化，这些方法可统称为直接三角分解法。
矩阵的三角分解设A 的顺序主子式0(1,2,,)k k n ∆≠=，则可建立线性方程组Ax b =的Gauss消去法与矩阵分解的关系，即矩阵A 的LU 分解。
这个问题前面已经讲的比较详∑=+=-=nr rjkr kj kj nk k j u l a u 1,...,1,∑=+=-=nr kkrj kr ik iknk k i u u l a l 1,...,1,/)(∑-==-=11,...,2,1:2k r rkr k k nk y l b y 公式∑+=-=-=nk r kkrkr k k n n k u x uy x 11,...,1,/)(3：公式⎪⎪⎪⎩⎪⎪⎪⎨⎧=-=-=∑∑==1/)(u 11kk kknr rj ky ik jk nr yjki kj ki l u u l a l u l a细了，此处不再赘述。
Doolittle 分解法首先假设A 的顺序主子式k ∆都不为零，则A 可作Doolittle 分解，即A LU =，其中L 是单位下三角阵，有1ii l =，i j <时0ij l =；U 是上三角阵，i j >时0ij u =。
仔细写出为111211112121222212221212111n n n n n n nn n n nn a a a u u u a a a l u u A LU a a a l l u ⎛⎫⎛⎫⎛⎫ ⎪⎪⎪ ⎪ ⎪⎪=== ⎪ ⎪⎪⎪⎪⎪⎝⎭⎝⎭⎝⎭（2.11） 在前面逐步推导L 和U 的元素公式都要借助于有关的()k ij a 来表示。