超松弛迭代法解线性的方程组
迭代法求解线性方程组的研究(精选.)
迭代法求解线性方程组的研究【摘要】:本文总结了解线性方程组的三个迭代法，Jacobi 迭代法，Gauss-seidel 迭代法，SOR迭代法，并且介绍了现代数值计算软件MATLAB 在这方面的应用，即分别给出三个迭代法的数值实验。
【关键字】:Jacobi 迭代法 Gauss-seidel 迭代法 SOR 迭代法 数值实验一． 引言迭代法是用某种极限过程去逐步逼近线性方程组精确解的方法，它是解高阶稀疏方程组的重要方法。
迭代法的基本思想是用逐次逼近的方法求解线性方程组。
设有方程组b Ax = …① 将其转化为等价的，便于迭代的形式f Bx x += …② (这种转化总能实现，如令b f A I B =-=,), 并由此构造迭代公式 f Bx xk k +=+)()1( …③式中B 称为迭代矩阵，f 称为迭代向量。
对任意的初始向量)0(x，由式③可求得向量序列∞0)(}{k x ，若*)(lim x xk k =∞→，则*x 就是方程①或方程②的解。
此时迭代公式②是收敛的，否则称为发散的。
构造的迭代公式③是否收敛，取决于迭代矩阵B 的性质。
本文介绍三种解线性方程组的最主要的三种迭代法：Jacobi 迭代法，Gauss-Seidel 迭代法和SOR 迭代法。
本文结构如下：第二部分介绍Jacobi 迭代法及其数值实验，第三部分介绍Gauss-Seidel 迭代法及其数值实验，第四部分介绍SOR 迭代法及其数值实验，第五部分总结。
二． 雅克比（Jacobi ）迭代法1. 雅克比迭代法的格式设有方程组),,3,2,1(1n i b x aj j nj ij==∑= …①矩阵形式为b Ax =,设系数矩阵A 为非奇异矩阵，且),,3,2,1(,0n i a ii =≠从式①中第i 个方程中解出x ，得其等价形式)(111j nj j ijiii x ab a x ∑≠=-= …②取初始向量),,,()0()0(2)0(1)0(n x x x x=，对式②应用迭代法，可建立相应的迭代公式：)(111)()1(∑≠=++-=nj j i k j ij ii k ib x a a x …③ 也可记为矩阵形式：J x J k F B xk +==)()1( …④若将系数矩阵A 分解为A=D-L-U ，式中⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=nn a a a D2211，⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=--0000121323121nn n n a a a a a a L ，⎪⎪⎪⎪⎪⎪⎭⎫⎝⎛=--0000122311312n n n n a a a a a a D 。
6.4超松弛迭代法
表6.3 Gauss-Seidel迭代法与SOR迭代法比较
Gauss-Seidel迭代法
SOR迭代法(ω=1.25)
k
x1
0
1.0000000
x2 1.0000000
x3 1.0000000
x1 1.0000000
x2 1.0000000
x3 1.0000000
1
5.2500000
3.1825000
第六章 线性方程组迭代解法
§ 6.4 超松弛迭代法(SOR)
§ 6.4超松弛迭代法(SOR)
SOR（Successive Over-Relaxation）法， 即超松弛迭代法，是目前解大型线性方程 组的一种最常用的方法，是Gauss-Seidel迭 代法的一种加速方法。
一、SOR法迭代公式
例6.6 用SOR法求解线性方程组
前面我们看到，SOR法收敛与否或收敛速度都 与松弛因子ω 有关，关于ω 的范围，有如下定理。
SOR法收敛与收敛速度有关定理
定理6.5 设A∈Rnn，满足a ii≠0 (i=1,2,,n),则有 ρ(Bω)≥ |1-ω| 。
推论 解线性方程组，SOR法收敛的必要条件是 |1-ω| <1 ，即 0<ω <2。
4.0009262
-4.9982822
7 3.0134110
3.9888241
-5.0027940
3.0000498
4.0002586
-5.0003486
迭代法若要精确到七位小数， Gauss-Seidel迭代法需要34次迭代； 而用SOR迭代法(ω=1.25)，只需要14次迭代。
可见，若选好参数ω，SOR迭代法收敛速度会很 快。
第四章-解AX=b的迭代法
•迭代格式的收敛性
2 k 引理4.1 (线性代数定理) 设矩阵序列 IM , , M , , M ,
k l i m M 0 ( M ) 1 . k
则
（证明见关治和陈景良编《数值计算方法》P410-412） 定理4.1 设迭代格式为
( k 1 ) ( k ) xM x g , k 0 , 1 , 2 , ( 4 . 3 )
充分性（）设ρ(M)<1,证{x(k)}收敛。
如果ρ(M)<1 ，则I-M为非奇异矩阵。事实上，因
为ρ(M)<1，λi<1，因此λ=1不是M的特征值，即
| 1 IM || IM |0 .
所以方程组 (I-M)x = f 有惟一解x*,满足(I-M)x* = f ，即 x*=Mx* + f 。于是
( k ) ( k 1 ) 2 ( k 2 ) x x * M ( x x * ) M ( x x * ) k ( 0 ) k M ( x x * ) M . 0
由引理4.1知，
k () k I f ( M ) < 1 ,t h e nl i m M 0 , l i m ( x x * ) 0 , i . e . k k () k l i m x x * . k
写成矩阵形式
x1 0 x b 2 21 31 x3 b x b n n1
或简记为
b 12 b 13 0 b23 b 0 32 bn2 bn3
b 1n x 1 g 1 b2n x2 g2 b 3n x 3 g3 g x 0 n n
( k ) ( k ) ( k 1 ) ( k ) x x * x x q x x *
计算方法3_线性方程组迭代解法
计算方法3_线性方程组迭代解法线性方程组的迭代解法是解决线性方程组的一种常见方法，常用于大规模的线性方程组求解。
该方法通过不断迭代更新解的近似值，直到满足一定的收敛准则为止。
线性方程组的迭代解法有很多种，其中最经典的是雅可比迭代法、高斯-赛德尔迭代法和超松弛迭代法。
本文将分别介绍这三种迭代解法及其计算方法。
雅可比迭代法是一种比较简单的线性方程组迭代解法，它的基本思想是先将线性方程组转化为对角占优的形式，然后通过迭代求解逐渐接近精确解。
雅可比迭代法的迭代公式为：其中，x^(k+1)是第k+1次迭代的近似解，n是未知数的个数，a_ij 是系数矩阵A的元素，f_i是方程组的右端向量的元素。
雅可比迭代法的计算步骤如下：1.将线性方程组转化为对角占优的形式，即保证矩阵A的对角元素绝对值大于其它元素的绝对值。
2.初始化向量x^(0)，设定迭代终止准则。
3.根据雅可比迭代公式，计算x^(k+1)。
4.判断迭代终止准则是否满足，如果满足，则停止迭代，返回近似解x^(k+1)；否则，继续进行下一次迭代。
高斯-赛德尔迭代法是雅可比迭代法的改进方法，它的基本思想是在每次迭代计算x^(k+1)时，利用已经计算出的近似解作为x的一部分。
高斯-赛德尔迭代法的迭代公式为：其中，x^(k+1)_i是第k+1次迭代的近似解中第i个未知数的值，x^(k)_i是第k次迭代的近似解中第i个未知数的值。
高斯-赛德尔迭代法的计算步骤如下：1.将线性方程组转化为对角占优的形式。
2.初始化向量x^(0)，设定迭代终止准则。
3.根据高斯-赛德尔迭代公式，计算x^(k+1)。
4.判断迭代终止准则是否满足，如果满足，则停止迭代，返回近似解x^(k+1)；否则，继续进行下一次迭代。
超松弛迭代法是对高斯-赛德尔迭代法的一种改进方法，它引入了松弛因子ω，通过调整参数ω的值，可以加快迭代的收敛速度。
超松弛迭代法的迭代公式为：其中，0<ω<2，x^(k+1)_i是第k+1次迭代的近似解中第i个未知数的值，x^(k)_i是第k次迭代的近似解中第i个未知数的值。
超松弛迭代法中松弛因子ω的选取方法
超松弛迭代法中松弛因子ω的选取方法一、超松弛迭代算法基本概念超松弛迭代法简称为SOR(Successive Over -- Relaxation)法，是求解线性代数方程组的一种迭代加速方法，它是在高斯--塞德尔迭代法的基础上进行加速的，将前一步的结果x k i )(与高斯--塞德尔迭代方法的迭代值x k i )1(+适当的加权平均，期望获得更好的近似值x k i )1(+。
其迭代公式如下：x k i )1(+=（1--ω）x k i )(+a iiw （b i --x a k j i j ij )1(11+-=∑--x a j n i j ij (k)∑=） i =1,2,…,n;k =0,1,2,…(1.1)SOR 法中ω的取值对迭代公式的收敛速度影响很大，它的好坏直接影响到加速的快慢。
为了保证迭代过程的收敛，必须要求0<ω<2，超松弛法取1<ω<2。
但是在1和2之间仍然有很多的取值，究竟如何取值没有同意的规定。
经过多次的实验、分析与研究提出了ω选取的几种方法。
二、松弛因子ω的选取方法1、逐步实验法将ω的取值区间（1,2）进行M 等分，ω分别取1+1/M ，1+2/M ，……，1+（M--1）/M ，通过公式1.1依次对同一精度要求求出迭代次数k 的值，在求的同时比较出最少的迭代次数k ，并将此次ω的值保留，这样就得到了1+1/M ，1+2/M ，……，1+（M--1）/M 中最优的ω值，算法步骤如下：第一步：给定M 的值第二步：对于，ω分别取1+1/M ，1+2/M ，……，1+（M--1）/M 按照公式 x k i )1(+=（1--ω）x k i )(+a iiw （b i ---x a k j i j ij )1(11+-=∑---x a j n i j ij (k)∑=） i =1,2,…,n;k =0,1,2,…根据给定的精度要求迭代，求出迭代次数k 的值。
超松弛迭代法解线性方程组
设it题目:摘要本文是在matlabll境下熟悉的运用计算机编程培言并结合超松弛变量起松弛迭代法的理论基础对方程组求解。
首先，本文以愉分方程边值问题为例，导出了离散化后线11方程组即稀疏线性方程组，转化对柿蔭线性方程组求解冋題。
其次，用起松弛（SOR）选代法编写matlab 程序，湘产生的柿疏线性方程组进行迭代法求解。
然后，分别改变松弛因子3和分段数n的值，分桥其收敛性和收敛速H, 18出各个方面的分林和比较需到相关结论。
最后，将起松弛迭代算法在it算机上运用matlab 言实现，借岀了一组与猜确解较接近的数值解,并画图比较，騎iil逐次超松弛（SOR）选代法的績确性。
关键词:柿匾线性方程组逐次超松弛迭代法松弛因子matlab编程-、间题提岀考虑两点逆值冋题为了把做分方程离IL 把[oj]E 间“等分，令/亠丄，脸=〃?，山12…山一1,得到 n 差分方程° 治 一 2)1 + X+—畑 一 X _ “or十—C< -h 2h简化为(£ + 必+i - © + 心+ % =肿,从而离散后得到的线性方程组的系数矩阵为一（2g + /?） £ + h£-（2£ + h ）A =££ + /?一（2w + h ）_对£ = 19 a = 0.4 , n = 200 ,分别用e = 1、6? = 0.5和e = 1.5的超松弛迭代法 求解线性方程组，要求有4也有效数字，然后比较与精确解的淚差，探讨使超松 弛选代法收敛较快的0取值，对结果进行分轿。
改变»论同wrOo二、超松弛迭代法产生的背景容易知道它的精确解为 + ax.£ + h—（2w +y =对从实际间题中借到维数相当夫的线11代数方程组的求解仍然十分困难，以至使人们不能在允许的时间内用貞接方法得到解，Slit,客观上要求用新的方法来解决大维数方程组的求解I'nJSo现有大名数迭代法不是对各类线11方程组都有收敛性，在解题时，要对原方程组葩晖作一根本的变换，从而可能使条件数变坏，也可能破坏了变换前后方程组的等价性，以员丧失使原方程组的对称II等。
超松弛迭代法
xk 1 1 xk D1 b Lx( k 1) Ux( k )
xk 1 L x( k ) ( D L)1b
(5.3.2)
再整理得
其中，迭代矩阵为
L ( D L)11 D U
4 3 0 x1 24 3 4 1 x2 30 0 1 4 x 24 3
(1 )D U x (D L) x
D L U 是实对称矩阵，所以有LT U 。上式两边与x 作内积得 （5. 3. 4） (1 )(Dx, x) (Ux, x) [(Dx, x) ( Lx, x)] 因为A正定，D亦正定，记 p ( Dx, x) ，有 p 0 。又记 ( Lx, x) i ， A 这里，
k 1
xi(k 1) xi(k 1) (1 ) xi(k ) xi( k ) ( xi( k 1) xi( k )
经整理得
x
( k 1) i
x
(k ) i
(bi aij x
j 1
i 1
( k 1) j
aij x (jk ) ) aii
opt
其中
2 1 1 u2
opt 的条件。在实际应 可以证明，对称正定的三对角矩阵满足最优松弛因子 用中，一般地说计算 ( BJ ) 较困难。对某些微分方程数值解问题，可以考虑用 求特征值的近似值的方法，也可以由计算实践摸索出近似最佳松弛因子。
( BJ ) 是 J 法迭代矩阵BJ 的谱半径。
按一般的迭代法收敛的理论，SOR迭代法收敛的充分必要条件是 ( L ) 1 在什么范围内取值，SOR迭 而 ( L ) 与松弛因子 有关。下面讨论松弛因子 代法可能收敛。 定理5.7 证 如果解方程组Ax 设 L 的特征值为
超松弛迭代法(SOR方法)
解：SOR迭代公式
x1( k
1)
(1 )x1(k )
4
(10 2x2(k )
4x3(k ) )
x
(k 2
1)
(1 )x2(k )
17
(3
2
x1(
k
1)
10x3(k ) )
x3( k
1)
(1 )x3(k )
9
(7 4x1(k 1)
10
x
(k 2
1)
)
初值 x (0) (0,0,0)T k = 0,1,2,…，
例该4方.4程用组S的OR精法确求解解线x (性*) 方 程(2组,1,1)T
如值只果需x(0取)迭ω取代(0=,04ω21,00x(=42)即1次T1xx,要11.高4便26达x斯11，可207到—xx要达22同4塞求到x样319德精0x精x3尔度130度迭要x,(3k7代求需1) 法要x)迭(和k) 代同1一1100初6次
数值计算方法
超松弛迭代法（SOR方法） 使用迭代法的困难在于难以估计其计算
量。有时迭代过程虽然收敛，但由于收敛速 度缓慢，使计算量变得很大而失去使用价值 。因此，迭代过程的加速具有重要意义。逐 次超松弛迭代（Successive Over relaxatic Method，简称SOR方法）法，可以看作是带参 数的高斯—塞德尔迭代法，实质上是高斯-塞 德尔迭代的一种加速方法。
或 Dx(k1) (1)Dx(k) (b Lx(k1) Ux(k) )
故 (D L)x(k1) (1)D Ux(k) b
显然对任何一个ω值,(D+ωL)非奇异,(因为假设 aii 0,i 1,2,, n )于是超松弛迭代公式为
x(k1) (D L)1 (1)D U x(k) (D L)1b
超松弛迭代法例题
超松弛迭代法例题超松弛迭代法是解决线性方程组的一种有效方法。
相比于传统迭代法，超松弛迭代法具有更快的收敛速度和更高的计算精度。
它的基本思想是在传统迭代法基础上引入一个松弛因子，对迭代方程进行加权处理，从而达到更快的收敛速度。
以解决下列线性方程组为例：3x1 + 0.1x2 - 0.2x3 = 7.850.1x1 + 7x2 - 0.3x3 = -19.30.3x1 - 0.2x2 + 10x3 = 71.41. 建立迭代公式首先，我们需要将原始方程组写成矩阵形式：Ax = b其中，A是系数矩阵，b是常数向量，x是未知向量。
将其变形为迭代形式：x(k+1) = Bx(k) + f其中，B是迭代矩阵，它的形式为：B = (D - wL)^(-1) [(1 - w)D + wU]其中，D是A的对角线矩阵，L是A的下三角矩阵（不包括对角线），U是A的上三角矩阵（不包括对角线），w是松弛因子。
f是常数向量，它的形式为：f = wb其中，b是方程组的常数向量。
2. 求解迭代矩阵和常数向量在这个例子中，我们可以根据系数矩阵A，求出其对角线矩阵D、下三角矩阵L和上三角矩阵U：D = [3 0 00 7 00 0 10]L = [0 0 00.1 0 00.3 -0.2 0]U = [0 0.1 -0.20 0 -0.30 0 0]对于这个例子中的松弛因子w，我们可以通过一些经验公式来设置，比如：w = 1.5 / （1 + max（abs（D[i][i]））） = 1.5 / （1 + 10）= 0.13636然后，我们可以将迭代矩阵B和常数向量f求出来：B = (D - wL)^(-1) [(1 - w)D + wU]= [0 0.015 0.040.0142 0 0.04290.03 0.0195 0]f = wb= [0.1364*7.850.1364*(-19.3)0.1364*71.4]= [1.0705-2.63099.7086]3. 迭代计算在完成迭代矩阵B和常数向量f的求解之后，我们可以开始进行迭代计算。
超松弛迭代法公式与jacobi的关系
超松弛迭代法公式与jacobi的关系超松弛迭代法（SOR）和Jacobi迭代法是常用的求解线性方程组的迭代方法。
它们都是通过迭代逼近线性方程组的解，但是在具体的迭代过程和收敛性上有所不同。
首先来看一下Jacobi迭代法。
给定线性方程组Ax=b，其中A是一个n×n的方阵，b是一个n维向量，x是我们要求解的未知向量。
Jacobi迭代法的思想是将线性方程组的每个方程分别写成一个未知量的函数，并通过迭代的方式逐步求解。
具体来说，Jacobi迭代法的迭代公式如下：$$x^{(k+1)}=D^{-1}(b-Rx^{(k)})$$其中，$x^{(k+1)}$表示第k+1次迭代得到的近似解，$x^{(k)}$表示第k次迭代得到的近似解，D是A的对角线元素组成的对角矩阵，R是A的非对角线元素组成的矩阵。
这个公式的意义是，我们通过用上一次迭代得到的近似解$x^{(k)}$来逼近线性方程组的解，每次迭代都只使用上一次迭代得到的近似解。
接下来我们来看看超松弛迭代法。
超松弛迭代法是对Jacobi迭代法的改进，通过引入一个松弛因子ω来加速迭代过程。
其迭代公式如下：$$x^{(k+1)}=(D-ωL)^{-1}[(1-ω)D+ωU]x^{(k)}+(D-ωL)^{-1}b$$其中，L是A的下三角部分，U是A的上三角部分。
超松弛迭代法在每次迭代中使用了上一次迭代和当前迭代的信息，通过调节松弛因子ω的取值，可以加速收敛过程。
从迭代公式可以看出，Jacobi迭代法和超松弛迭代法的主要区别在于超松弛迭代法引入了松弛因子ω，并且在每次迭代中使用了上一次迭代的信息。
这使得超松弛迭代法在一定条件下可以比Jacobi迭代法更快地收敛到线性方程组的解。
在实际应用中，选择合适的松弛因子ω对超松弛迭代法的收敛性和稳定性至关重要。
通常情况下，选择ω的取值范围为(0,2)，对于某些特定的线性方程组，可以通过一些经验规则或者数值试验来确定最佳的ω值。
§8.4-解线性方程组的超松弛迭代法法
1
第八章 解线性方程组的迭代法
SOR迭代法是Gauss—Seidel 迭代法的一种修正， 可由下述思想得到.
设已知x(k)及已计算x(k+1)的分量xj(k+1) (j=1,2,,i-1).
(1) 首先用Gauss—Seidel 迭代法定义辅助量 x~i(k1),
1
1
1
4 1 1
1 4 1
1 1 4
x2 x3 x4
1 1 1
.
Hale Waihona Puke 它的精确解为x*=(-1, -1, -1, -1 )T.
解 取初始向量x(0)=0，迭代公式为
x1( k x2( k x3( k
x(11) (0.99999646, 1.00000310, 0.99999953, 0.99999912)T ,
(11) 0.46 105. 2
满足误差
(k) 105.
2
迭代次数k
对取其它值，迭代次数如表. 1.0
22
1.1
17
从此例看到，松弛因子选择
1.2
aii
.
j1
ji
i 1,2,, n 也可写作：
x(0) x(k1)
i
( x1(0) ,, xn(0)
xi(k) xi ,
)T
,
i 1
n
xi
(bi
aij
x
(k j
超松弛迭代法解线性方程组
设计题目：超松弛迭代法解线性方程组摘要本文是在matlab环境下熟悉的运用计算机编程语言并结合超松弛变量超松弛迭代法的理论基础对方程组求解。
首先，本文以微分方程边值问题为例，导出了离散化后线性方程组即稀疏线性方程组，转化对稀疏线性方程组求解问题。
其次，用超松弛( SOR) 迭代法编写matlab程序，对产生的稀疏线性方程组进行迭代法求解。
然后，分别改变松弛因子ω和分段数n的值，分析其收敛性和收敛速度，做出各个方面的分析和比较得到相关结论。
最后，将超松弛迭代算法在计算机上运用matlab语言实现, 得出了一组与精确解较接近的数值解,并画图比较，验证逐次超松弛( SOR) 迭代法的精确性。
关键词：稀疏线性方程组逐次超松弛迭代法松弛因子matlab编程一、问题提出考虑两点边值问题()()⎪⎩⎪⎨⎧==<<=+.11,00,10,22y y a a dxdy dx y d ε 容易知道它的精确解为.1111ax e e a y x +⎪⎪⎭⎫ ⎝⎛---=--εε为了把微分方程离散，把[]1,0区间n 等分，令nh 1=，ih x i =，,1,,2,1-=n i 得到差分方程,21211a h y y hy y y i i i i i =-++-++-ε 简化为()(),2211ah y y h y h i i i =++-+-+εεε从而离散后得到的线性方程组的系数矩阵为()()()()⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+-++-++-++-=h h h h h h h A εεεεεεεεεε2222对1=ε，4.0=a ，200=n ，分别用1=ω、5.0=ω和5.1=ω的超松弛迭代法求解线性方程组，要求有4位有效数字，然后比较与精确解的误差，探讨使超松弛迭代法收敛较快的ω取值，对结果进行分析。
改变n ，讨论同样问题。
二、超松弛迭代法产生的背景对从实际问题中得到维数相当大的线性代数方程组的求解仍然十分困难, 以至使人们不能在允许的时间内用直接方法得到解, 因此, 客观上要求用新的方法来解决大维数方程组的求解问题。
matlab超松弛迭代法求方程组
一、介绍MATLAB（Matrix Laboratory）是一种用于数值计算和数据可视化的专业软件。
在MATLAB中，超松弛迭代法是解决线性方程组的一种有效算法。
本文将介绍MATLAB中超松弛迭代法的基本原理和实现方法，并给出一个具体的例子进行演示。
二、超松弛迭代法的基本原理超松弛迭代法是一种逐步迭代的算法，用于求解线性方程组。
它的基本原理是通过不断迭代更新方程组的解，直到达到满足精度要求的解。
超松弛迭代法的公式如下：X(k+1) = (1-w)X(k) + w*(D-L)⁻¹*(b+U*X(k))其中，X(k)代表第k次迭代的解向量，X(k+1)代表第k+1次迭代的解向量，D、L和U分别代表方程组的对角线元素、下三角元素和上三角元素构成的矩阵，b代表方程组的右端向量，w代表松弛因子。
超松弛迭代法的关键在于选择合适的松弛因子w，一般情况下，可以通过试验选取一个合适的值。
在MATLAB中，可以使用sor函数来实现超松弛迭代法。
三、MATLAB中超松弛迭代法的实现方法在MATLAB中，可以通过调用sor函数来实现超松弛迭代法。
sor 函数的语法格式如下：[X,flag,relres,iter,resvec] = sor(A,b,w,tol,maxit)其中，A代表线性方程组的系数矩阵，b代表右端向量，w代表松弛因子，tol代表迭代的精度要求，maxit代表最大迭代次数，X代表迭代求解得到的解向量，flag代表迭代的结果标志，relres代表相对残差的大小，iter代表迭代次数，resvec代表迭代过程中的残差向量。
以下是一个使用sor函数求解线性方程组的示例：A = [4 -1 0 -1 0 0; -1 4 -1 0 -1 0; 0 -1 4 0 0 -1; -1 0 0 4 -1 0; 0 -1 0 -1 4 -1; 0 0 -1 0 -1 4];b = [1; 0; -1; 0; 1; 0];w = 1.25;tol = 1e-6;maxit = 100;[X,flag,relres,iter,resvec] = sor(A,b,w,tol,maxit);通过调用sor函数，可以得到方程组的解向量X，迭代的结果标志flag，相对残余resrel和迭代次数iter。
线性方程组的迭代法雅可比高斯塞德尔和超松弛迭代ppt课件
a11x1 a12 x2 a1n xn b1
a21 x1
a22 x2
a2n xn
b2
an1x1 an2 x2 ann xn bn
写据成此建立n 迭ai代j x公j 式 bi
i 1,2,, n
上若xi式(xkai称1ii)为0ja1解a11i(iiii方((bb程1ii,2组,jj的njn,1i n1Jaa)aijcxio,j分(jxbk)ij离)迭) 代出公i变i式量1,。21x,,2i , n , n
j=1
j ≠i
称A为严格对角占优阵。
2.如果A的元素满足
∑n
ai,i ≥ ai, j ,i = 1,2,..., n
j=1 j≠i
且至少一个不等式严格成立，称A为弱对角占优阵。 16
定义：设 A = (ai,j )n×n ,n ≥ 2
如果存在置换矩阵P，使得
PT
AP
A11 0
A12
A22
1
§6.1 迭代法的基本思想
迭代法的基本思想是将线性方程组转化 为便于迭代的等价方程组，对任选一组初始 值 xi(0) (i 1,2,, n) ，按某种计算规则，不断地 对所得到的值进行修正，最终获得满足精度 要求的方程组的近似解。
2
设 A Rnn 非奇异，b Rn，则线性方程组
Ax b 有惟一解 x A1b ，经过变换构造
x (k 1) 1
x (k 1) 2
x1(k 2x1(k)
)
x(k) 2
4x2(k )
3 3
取
x (0) 1
x (0) 2
0
计算得
《数值分析》第8章
假设 ρ (J ) ≥ 1 ，则 J 至少存在一个特征值满足： λ ≥ 1 ，设 x 是相应的特征向量，则 x ≠ 0 ，且
29
n× n
Jx = λ x ⇔ ( D −
⎧ x ( k +1) = Gx ( k ) + f ⎨ (0) ⎩x
7 8
写成分量形式为：
i −1 n ⎧ ( k +1) 1 = (bi − ∑ aij x(jk +1) − ∑ aij x(jk ) ) (i = 1,", n, k = 0,1,") ⎪ xi aii j =1 j = i +1 ⎪ ⎨ ⎪ (0) (0) (0) (0) T ⎪ ⎩ x = ( x1 , x2 ,", xn )
⎡ 0 ⎤ ⎢a ⎥ 0 ⎥ , L = − ⎢ 21 ⎢ # % % ⎥ % ⎢ ⎥ ann ⎦ ⎣ a n1 " a n , n − 1 ⎤ ⎡ 0 a12 " a1n ⎤ ⎥ ⎢ ⎥ 0 % # ⎥ ⎥ ,U = − ⎢ ⎥ ⎢ % an −1, n ⎥ ⎥ ⎢ ⎥ 0⎦ 0 ⎦ ⎣
§2 Jacobi 迭代法与 Gauss－Seidel 迭代法
1 k
为迭代法的平均收
25
26
Def 3.3 设 A = (aij ) ∈ R ，如果矩阵 A 满足条件
aii > ∑ aij
j≠i
n× n
( i = 1, 2," , n)
Def 3.4 设 A = (aij ) ∈ R 排列阵 P 使
n× n
，当 n ≥ 2 时，如果存在 n 阶
线性方程组的迭代解法及收敛分析
1.9583
0.8468
0.2974
9
1.0975
2.0954
2.8217
1.9788
0.8847
0.2533
10
1.0850
2.0738
2.8671
1.9735
0.8969
0.2041
11
1.0673
2.0645
2.8802
1.9843
0.9200
0.1723
12
1.0577
2.0509
2.9077
1.9828
0.9303
0.1400
13
1.0463
2.0437
2.9191
1.9887
0.9448
0.1174
14
1.0392
2.0350
2.9363
1.9886
0.9527
0.0959
15
1.0318
2.0297
2.9451
1.9920
0.9620
0.0801
16
1.0267
2.0241
Keywords：MATLAB,Mathematical model,Iterative method,ConvergenceSystem of linear equations
1
在实际生活中，存在着大量求解线性方程组的问题。这些方程组具有数据量大，系数矩阵稀疏，在一定精度保证下，只需要求解近似解等特点。线性方程组的迭代解法特别适合于这类方程组的求解，它具有程序设计简单，需要计算机的贮存单元少等特点，但也有收敛性与收敛速度问题。因此，研究线性方程组的迭代解法及收敛分析对于解决实际问题具有非常重要的作用。
雅可比迭代法和高斯超松弛迭代
雅可比迭代法分量形式（63）式也可改写为
（64）
（64）式更方便于编程求解。
雅可比迭代法公式简单，迭代思路明确。每迭代一次只需计算n个方程的向量乘法，程序编制时需设二个数组分别存放xk和xk+1便可实现此迭代求解。
2、高斯－赛德尔（Gauss-seidel）迭代法
由雅可比迭代法可知，在计算xk+1的过程中，采用的都是上一迭代步的结果xk。考察其计算过程，显然在计算新分量xik+1时，已经计算得到了新的分量， 。有理由认为新计算出来的分量可能比上次迭代得到的分量有所改善。希望充分利用新计算出来的分量以提高迭代解法的效率，这就是高斯－赛德尔迭代法（简称G－S迭代法）对（64）式进行改变可以得到G－S迭代法的分 量形式
（75）
其中ω称为松弛因子。
式（75）是迭代公式（74）的一个改进，可以选择松弛因子ω加速迭代过程的收敛。 式（75）的分量形式为
（76）
若对上述改进的迭代公式，按高斯－赛德尔迭代法尽量利用最新迭代得到的分量的原则，又可得到新的迭代公式
（77）
当线性方程组的系数矩阵A具有非零主元（aii≠0,i=1,2,3,…n）的特点时，可 以得到主元为1的方程组形式
雅可比迭代法和高斯-赛德尔迭代法以及超松弛迭代
对于给定的方程 用下式逐步代入求近似解的方法称为迭代法。如xk(当 )的极限存在，此极限即方程组的真正解，此迭代法收敛，否则称迭代法收敛。
1、雅可比（Jacobi）迭代法
设有方程组
Ax=b (56)
其展开形式为
(57)
系数矩阵A为非奇异阵，且 (i=1-n)A可分解为
高斯－赛德尔迭代的矩阵形式可表达为
（69）
高斯－赛德尔迭代法每步迭代的计算量与雅可比迭代相当，但在计算机进行计算时，只需存放x一个数组。
第5章线性方程组的迭代法资料.
第一节 基本迭代方法 第二节 迭代法的收敛性
第三节 超松弛迭代法
1
§1 基本迭代方法
一、问题的提出
1．直接方法的缺陷(以Gauss消去法为代表)： 对于低中阶数（n≤100）的线性方程组十分有效，但n
很大时，特别是由某些微分方程数值解所提出来的线性方程 组，由于舍入误差的积累以及计算机的存贮困难，直接方法 却无能为力。
...
a x (k) nn 1 n1
bn
可以缩写为：
x (k1) i
1 aii
i 1
aij x j(k )
j 1
n
aij x j(k )
j i 1
bi
(i 1,2, , n)
6
例1 用雅可比迭代法解线性方程组 10x1 x2 2x3 7.2
x1
10x2
2x3
8.3
解 生成雅可比迭代格式：
...
a2n
xn
b2
aii 0
an1 x1 an2 x2 ... ann xn bn
建立迭代格式：
x1
1 a11
x2
1 a22
a12 x2 ... a1n xn b1 a21 x1 ... a2n xn b2
... ... ... ...
xn
1 ann
an1 x1 ... ann1 xn1 bn
4
迭代法要解决的主要问题如下 ：
1.如何构造迭代格式？
2.构造的格式所产生的序列在什么情况下收敛？
3.如果收敛，收敛的速率如何？ 迭代方程
4.近似解的误差估计。 方程
迭代格式
Ax b x Bx f , x(k1) Bx(k) f , k 1, 2,L
求解线性方程组——超松弛迭代法(c)
求解线性方程组——超松弛迭代法#include <iostream>#include <cmath>using namespace std;float *one_array_malloc(int n); //一维数组分配float **two_array_malloc(int m,int n); //二维数组分配float matrix_category(float* x,int n);int main(){const int MAX=100;//最大迭代次数int n,i,j,k;float** a;float* x_0; //初始向量float* x_k; //迭代向量float precision; //精度float w; //松弛因子cout<<"输入精度e:";cin>>precision;cout<<endl<<"输入系数矩阵的阶数，N：";cin>>n;a=two_array_malloc(n,n+1);cout<<endl<<"输入增广矩阵的各值：\n";for(i=0;i<n;i++){for(j=0;j<n+1;j++){cin>>a[i][j];}}x_0=one_array_malloc(n);cout<<endl<<"输入初始向量:\n";for(i=0;i<n;i++){cin>>x_0[i];}x_k=one_array_malloc(n);cout<<"输入松弛因子w (1<w<2)：\n"; cin>>w;float temp;//迭代过程for(k=0;k<MAX;k++){for(i=0;i<n;i++){temp=0;for(j=0;j<i;j++){temp=temp+a[i][j]*x_k[j];}x_k[i]=a[i][n]-temp;temp=0;for(j=i+1;j<n;j++){temp=temp+a[i][j]*x_0[j];}x_k[i]=(x_k[i]-temp)/a[i][i];x_k[i]=(1-w)*x_0[i]+w*x_k[i];}//求两解向量的差的范数for(i=0;i<n;i++){x_0[i]=x_k[i]-x_0[i];}if(matrix_category(x_0,n)<precision) {break;}else{for(i=0;i<n;i++){x_0[i]=x_k[i];}}}//输出过程if(MAX==k){cout<<"迭代不收敛\n";}cout<<"迭代次数为："<<k<<endl;cout<<"解向量为：\n";for(i=0;i<n;i++){cout<<"x"<<i<<": "<<x_k[i]<<endl;}return 0;}float *one_array_malloc(int n) //一维数组分配{float *a;a=(float *)malloc(sizeof(float)*n);return a;}float **two_array_malloc(int m,int n) //二维数组分配{float **a;int i;a=(float **)malloc(m*sizeof(float *));for (i=0;i<m;i++){a[i]=(float *)malloc(n*sizeof(float));}return a;}float matrix_category(float* x,int n){int i;float temp=0;for(i=0;i<n;i++){temp=temp+fabs(x[i]); }return temp;}。
- 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)。
设计题目：超松弛迭代法解线性方程组摘要本文是在matlab环境下熟悉的运用计算机编程语言并结合超松弛变量超松弛迭代法的理论基础对方程组求解。
首先，本文以微分方程边值问题为例，导出了离散化后线性方程组即稀疏线性方程组，转化对稀疏线性方程组求解问题。
其次，用超松弛( SOR) 迭代法编写matlab程序，对产生的稀疏线性方程组进行迭代法求解。
然后，分别改变松弛因子ω和分段数n的值，分析其收敛性和收敛速度，做出各个方面的分析和比较得到相关结论。
最后，将超松弛迭代算法在计算机上运用matlab语言实现, 得出了一组与精确解较接近的数值解,并画图比较，验证逐次超松弛( SOR) 迭代法的精确性。
关键词：稀疏线性方程组逐次超松弛迭代法松弛因子matlab编程一、问题提出考虑两点边值问题()()⎪⎩⎪⎨⎧==<<=+.11,00,10,22y y a a dxdy dx y d ε 容易知道它的精确解为.1111ax e e a y x +⎪⎪⎭⎫ ⎝⎛---=--εε为了把微分方程离散，把[]1,0区间n 等分，令nh 1=，ih x i =，,1,,2,1-=n i Λ得到差分方程,21211a h y y hy y y i i i i i =-++-++-ε 简化为()(),2211ah y y h y h i i i =++-+-+εεε从而离散后得到的线性方程组的系数矩阵为()()()()⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+-++-++-++-=h h h h h h h A εεεεεεεεεε2222O O O对1=ε，4.0=a ，200=n ，分别用1=ω、5.0=ω和5.1=ω的超松弛迭代法求解线性方程组，要求有4位有效数字，然后比较与精确解的误差，探讨使超松弛迭代法收敛较快的 取值，对结果进行分析。
改变n，讨论同样问题。
二、超松弛迭代法产生的背景对从实际问题中得到维数相当大的线性代数方程组的求解仍然十分困难, 以至使人们不能在允许的时间内用直接方法得到解, 因此, 客观上要求用新的方法来解决大维数方程组的求解问题。
现有大多数迭代法不是对各类线性方程组都有收敛性, 在解题时, 要对原方程组矩阵作一根本的变换, 从而可能使条件数变坏, 也可能破坏了变换前后方程组的等价性, 以及丧失使原方程组的对称性等。
探求新的有效的解题方法依然是迫切的任务。
逐次超松弛(Successive Over Relaxation)迭代法是在高斯-赛德尔(GS)迭代法基础上为提高收敛速度，采用加权平均而得到的新算法。
在求解过程中由于线性方程组的系数矩阵维数较大, 采用计算机编写算法来求解, 从而实现了对解析模型的计算机数值逼近的计算方法#本论文以逐次超松弛迭代法为主要的求解方法。
三、超松弛迭代法的理论基础（一）逐次超松弛迭代法逐次超松弛(Successive Over Relaxation)迭代法，简称SOR迭代法，它是在GS法基础上为提高收敛速度，采用加权平均而得到的新算法，设解方程(7.1.3)的GS法记为(1)再由与加权平均得这里ω＞0称为松弛参数，将(1)代入则得(2)该法称为SOR迭代法，[WTBX]ω＞0称为松弛因子，当ω=1时(2)式即为高斯-赛德尔迭代法，简记GS法，将(2）写成矩阵形式，则得即于是得SOR迭代的矩阵表示(3)其中(4)分解后，有.（二）逐次超松弛迭代法的收敛性根据迭代法收敛性定理，SOR法收敛的充分必要条件为，收敛的充分条件为，但要计算比较复杂，通常都不用此结论，而直接根据方程组的系数矩阵A判断SOR迭代收敛性，下面先给出收敛必要条件.定理1设，则解方程的SOR迭代法收敛的必要条件是0＜ω＜2.该定理为SOR迭代法收敛的必要条件。
定理2若对称正定，且0＜ω＜2，则解Ax=b的SOR迭代法对迭代收敛.对于SOR迭代法，松弛因子的选择对收敛速度影响较大，关于最优松弛因子研究较为复杂，且已有不少理论结果.下面只给出一种简单且便于使用的结论。
定理3设为对称正定的三对角矩阵，是解方程的J法迭代矩阵，若，记，则SOR法的最优松弛因子为(5)且(6)根据定理，,如图1所示.由(6)可知，当ω=1，时，收敛速度为.说明GS法比J法快一倍.图1定理4 设,如果：（1）A 为严格对角占优矩阵；（2）0<ω<=1. 则解的SOR 迭代法收敛。
四、实验内容1.自定义函数 sor (A, b, nm, e, w )，以实现SOR 方法求解线性方程组AX =B ，其中A ——系数矩阵； b ——常数列向量； w ——松弛因子； nm ——迭代的最大次数e ——(1)()k k XX +∞-达到的精度上限由离散后的差分方程：()(),2211ah y y h y h i i i =++-+-+εεε,1,,2,1-=n i Λ 得到的线性方程组的系数矩阵为()()()()⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+-++-++-++-=h h h h h h h A εεεεεεεεεε2222O O O常数列向量b=⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡+--y ahah ah y ah h 20022202)(...εε 其中1=ε，4.0=a ，200=n ，nh 1=，则有00001.0,005.1,005.2)2(2==+-=+-ah h h εε。
A 为（a ij ）200*200型矩阵，b 为（bij ）200*1型矩阵。
在本次试验中，由于所提供数据较小，当最大迭代次数nm 较小时，在nm 迭代次数范围内，不能判断该超松弛迭代法是否收敛，此次取nm=30000。
迭代精度e 也应取较小值才能使误差更小，此次取e=0.00001。
由定理1可知，本次试验中，ω的取值范围为：0<ω<2才能保证迭代法收敛。
取T x )1,1,,1,1,1()0(Λ=，为1200⨯的矩阵。
用SOR 迭代公式得()()()()()()⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎨⎧+---=-+---=-+---=-+---=-+---=-+--=+++++++++++.005.2/005.200001.0;005.2/005.1005.200001.0;005.2/005.1005.200001.0;005.2/005.1005.200001.0;005.2/005.1005.200001.0;005.2/005.1005.200001.0)(222)1(199)(200)1(200)(200)(199)1(198)(199)1(199)(5)(4)1(3)(4)1(4)(4)(3)1(2)(3)1(3)(3)(2)1(1)(2)1(2)(2)(1)(1)1(1k k k k k k k k k k k k k k k k k k k k k k k k k k k k x x x x x x x x x x x x x x x x x x x x x x x x x x x x ωωωωωωM ω取不同值时，对应的迭代次数、与精确解的误差如下表1。
表1 ω取不同值时对应的迭代次数与误差图1 计算值与精确值图形比较从本组的实验中，可以看出w 值的取定十分重要，它对求解的迭代次数影响十分明显。
一个不好的w 值甚至会导致迭代超过10000次仍未能求得需要精度的值。
由表1可得，当ω=1.9时SOR 迭代法收敛速度最快，误差最小。
取ω=1.9，nm=30000,T x )6.0,6.0,,6.0,6.0,6.0()0(Λ=等各个因子相同时，当分段点n 取不同值时，对应的迭代次数、与精确解的误差如下表2。
区间等分数n 松弛因子 ω=1.9迭代次数 误差120 416 0.2477 150 416 0.2477 200 416 0.2477 250 416 0.2477满足误差()42*10-<-x x k 的迭代次数从本组的实验中，当其他各个因子取适当值时，改变分段数时，对结果没有影响。
图3 精确图形由图3可得，当各个参数取值适当时，用SOR 迭代法所得线性方程组的解与精确解误差极小，从而验证了SOR 迭代法的准确性。
五、结论1.通过本次的课程设计，可知逐次超松弛迭代法与Jacobi 迭代法, Seidel 迭代法相比, 收敛速度较快。
由逐次超松弛迭代法求出的方程组的数值解与该方程组的精确解十分接近, 离散化后线性方程组的逐次超松弛迭代法的精确性较高。
逐次超松弛迭代法可以广泛地应用于实际。
该算法不仅可以用来求解高阶稀疏线性方程组, 还可以用来求解热传导问题这样可以大大减少计算量和计算机的内存储量, 从而提高计算效率。
本次的课程设计，我们运用了matlab语言来实现相关的计算，这样不仅对逐次超松弛迭代法有了更深层的了解掌握，还提高了对matlab的操作技术，深刻体会到了MATLAB功能的强大之处。
通过本次试验，我掌握了用Jacobi、Gauss-Seidel、SOR迭代法求解线性方程组的方法；六、参考文献[1]李庆扬，王能超，易大义.数值分析[M], 清华大学出版社，2008.[2]刘卫国. MATLAB程序设计与应用[M]，高等教育出版社，2008.[3]王诗然. 稀疏线性方程组求解的逐次超松弛迭代法[J]，沈阳师范大学学报,4,407-409,2006.[4]李建宇，黎燕. 牛顿一SOR迭代方法中最佳松弛因子的算法[J]，四川大学学报，4,381-382,1995.[5]蔡大用.数值分析与实验学习指导[M]，清华大学出版社，2001.附录1.超松弛迭代法function [n,x]=cscdd(A,b,X,nm,e,w)n=1;D=diag(diag(A)); %令A=D-L-U,计算矩阵DL=tril(-A)+D; %令A=D-L-U,计算矩阵LU=triu(-A)+D; %令A=D-L-U,计算矩阵UM=inv(D-w*L)*((1-w)*D+w*U); %计算迭代矩阵g=w*inv(D-w*L)*b; %计算迭代格式中的常数项%下面是迭代过程while n<=nmx=M*X+g; %用迭代格式进行迭代r=norm(x-X,'inf');if r<ereturn;endX=x; n=n+1;enddisp('在最大迭代次数内不收敛!')2.输入初始值并调用SOR迭代法n0=200;m=1;a=0.4;h=1/n0;A=zeros(n0,n0); for i=1:n0A(i,i)=-(2*m+h);endfor i=2:n0-1A(i,i-1)=m;A(i,i+1)=m+h;endA(1,2)=m+h;A(n0,n0-1)=m;for i=1:n0-1b(i,1)=a*h^2;endb(n0,1)=a*h^2-(m+h);for i=1:n0xi=i/n0;y0(i,1)=((1-0.4)/(1-exp(-1)))*(1-exp(-xi))+0.4*xi;x0(i,1)=1;end[n1,x1]=cscdd(A,b,x0,30000,0.00001,0.5);n1u1=norm(x1-y0,2)[n2,x2]=cscdd(A,b,x0,30000,0.00001,1.0);n2u2=norm(x2-y0,2)[n3,x3]=cscdd(A,b,x0,30000,0.00001,1.5);n3u3=norm(x3-y0,2)t=1/200:1/200:1;plot(t,y0)hold onplot(t,x1,'g')hold onplot(t,x2,'r')hold onplot(t,x3,'k')legend('精确解'，'w=0.5','w=1','w=1.5'); title('计算值与精确值图形比较')hold off。