线性方程组解法课件.docVIP

线性方程组解法课件.doc

此“教育”领域文档为创作者个人分享资料,不作为权威性指导和指引,仅供参考
  1. 1、本文档共98页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
线性方程组解法课件

第3章 线性方程组的解法 本章探讨大型线性方程组计算机求解的常用数值方法的构造和原理,主要介绍在计算机上有效快速地求解线性方程组的有关知识和方法。 重点论述Jacobi迭代法、Seidel迭代法、Guass消元法及LU分解法的原理、构造、收敛性等内容。 3.1 实际案例 3.2问题的描述与基本概念 解线性方程组问题在线性代数中已有很优美的行列式解法,但对大型的线性方程组(阶数n40)的求解问题使用价值并不大,因为其计算量太大。实际问题中经常遇到自变量个数n都很大的线性方程组求解问题,这些线性方程组要借助计算机的帮助才能求出解。 n个变元的线性方程组的一般形式为 (3.3) 式中,aij 称为系数,bi称为右端项,它们都是已知的常数。如果有使方程组(3.3)成立,则称值 为线性方程组的(3.3)的一组解。 本章在不作特别说明的情况下,主要讨论m=n的线性方程组 的求解问题,且假设它有唯一解。 线性方程组的矩阵表示 式中A称为系数矩阵,b称为右端项。 数值分析中,线性方程组的数值解法主要分为直接法和迭代法两大类。 直接法是用有限次计算就能求出线性方程组“准确解”的方法(不考虑舍入误差);迭代法是由线性方程组构造出迭代计算公式,然后以一个猜测的向量作为迭代计算的初始向量逐步迭代计算,来获得满足精度要求的近似解。 迭代法是一种逐次逼近的方法。 3.3线性方程组的迭代解法 线性方程组迭代解法有Jocobi迭代法、Seidel迭代法及Sor法等 基本思想(与简单迭代法类比) 将线性方程组等价变形为 以构造向量迭代格式 用算出的向量迭代序列去逼近解。 1. 构造原理 1)Jacobi迭代法 (1)将线性方程组(3.4)的第i个变元用其他n-1个变元表出,可得 (3.5) 称(3.5)为不动点方程组。 (2)将(3.5)式写成迭代格式(Jacobi迭代格式): (3.6) (3)取定初始向量,代入,可逐次算出向量序列,这里。 2)Seidel迭代法 Seidel迭代格式: Seidel迭代并不能取代Jacobi迭代! 3)Sor法 用Seidel迭代算出的与相减得到差向量 采用加速技术做下一步迭代: 得Sor法的迭代格式 式中参数(称为松弛因子,可以任意选取,当( =1时,Sor法就是Seidel迭代法。 例如对线性方程组 先将其写成不动点方程组 Jacobi迭代 Seidel迭代 由 得Sor迭代 2.迭代分析及向量收敛 三种迭代法的向量迭格式 对 Ax=b,将系数矩阵A作如下分解 则Ax=b可以写成 假设存在,得Ax=b的等价方程组 由此可得到 Jacobi迭代的向量迭代格式 引入符号,,则有 Jacobi迭代的向量迭代格式 称为Jacobi迭代矩阵。 类似的,有 Seidel向量迭代格式 ,。 称为Seidel迭代矩阵。 Sor法的向量迭代格式 ,。 称为超松弛迭代矩阵。 三种迭代格式可用一个迭代格式 2)向量收敛定义 定义3.1 设向量序列及向量都是中的向量,如果有 成立,则称收敛于。简记为 。 3)范数定义与科学计算中的常用范数 定义3.2 设L是数域K上的一个线性空间,如果定义在L上的实值函数满足 ,有, 且; ,有; ,有, 则称是L上的一个范数,称为x的一个范数。 范数的定义很象绝对值函数,故常用或表示范数,而范数常记为或。这样,上面范数定义中的3个条件常写为 1),有, 且; 2),有; 3),有 将其与绝对值比较,是否很象? 实际上,很多有关绝对值的运算和结论可以平行引进到有关范数的运算和证明问题中。 数值分析中常用的线性空间有 n维向量空间 矩阵空间 连续函数空 函数空间是由闭区间上所有连续函数组成的集合,其线性运算定义为 加法 数乘 ,为数 在

文档评论(0)

panguoxiang + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档