【数值分析干货】第三章线性方程组的迭代法_线性方程组迭代法的分量形式-CSDN博客

本文详细介绍了线性代数中求解线性方程组的几种迭代方法，包括Jacobi迭代法、Gauss-Seidel迭代法及SOR迭代法，并探讨了这些方法的收敛条件。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

系数矩阵

符号 $A$ 代表系数矩阵。

严格对角占优

$∑i=1j≠in∣aij∣⩽∣aii∣,i=1,2,...,n\begin{equation} \sum_{\substack{i=1\\ j \neq i}}^n \left | a_{ij}\right | \end{equation} \leqslant \left | a_{ii} \right |,i=1,2,...,n$

对称正定

判定方法1：特征值全是正，且对称；
判定方法2：各阶顺序主子式全是正，且对称。

系数矩阵的形式化说明

$A = D - L - U$

$D=diag(a_{11},a_{22},...,a_{nn})$

$\begin{bmatrix} 0 & & & & \\ a_{21} & 0 & & & \\ a_{31} & a_{32} & 0 & & \\ ... & ... &... & & \\ a_{n1} &a_{n2} & ... &a_{nn-1} & 0 \end{bmatrix}$

$\begin{bmatrix} 0 & a_{12} & a_{13} & ... & a_{1n}\\ & 0 & a_{23} & ... & a_{2n}\\ & & ... & ... & ...\\ & & & 0 & a_{n-1,n} \\ & & & & 0 \end{bmatrix}$

迭代矩阵

符号 $M$ 代表系数矩阵。

先验、后验误差

$∥x(k)−x∗∥⩽∥M∥k1−∥M∥∥x(1)−x(0)∥\left \| x^{(k)} - x^* \right \| \leqslant \frac {\left \| M \right \|^k} {1- \left \| M \right \|}\left \| x^{(1)} - x^{(0)}\right \|$

$∥x(k)−x∗∥⩽∥M∥1−∥M∥∥x(k)−x(k−1)∥\left \| x^{(k)} - x^* \right \| \leqslant \frac {\left \| M \right \|} {1- \left \| M \right \|}\left \| x^{(k)} - x^{(k-1)}\right \|$

收敛条件

迭代矩阵 $M$ 收敛 $⇔ρ(M)<1\Leftrightarrow \rho(M) < 1$ ;
迭代矩阵 $M$ 收敛 $⇐∥M∥<1\Leftarrow \left \| M \right \| < 1$ .

常用的迭代解法

Jacobi迭代法
分量形式
$xi(k+1)=1aii(bi−∑j=1i−1aijxj(k)−∑j=i+1naijxj(k))x_i^{(k+1)}=\frac{1}{ a_{ii}} \left ( b_i - \sum_{j=1}^{i-1} a_{ij}x^{(k)}_j -\sum_{j=i+1}^n a_{ij}x^{(k)}_j \right )$ $i = 1, 2, ..., n; k = 0, 1, ...$
矩阵形式
$B=D−1(L+U)B=D^{-1}\left ( L+U \right )$
收敛条件
(1) 系数矩阵 $A$ 以及 $2 D - A$ 都是对称正定矩阵 $⇒\Rightarrow$ Jacobi迭代法收敛；
(2) 系数矩阵 $A$ 严格对角占优 $⇒\Rightarrow$ Jacobi迭代法收敛
Gauss-Seidel迭代法
分量形式
$xi(k+1)=1aii(bi−∑j=1i−1aijxj(k+1)−∑j=i+1naijxj(k))x_i^{(k+1)}=\frac{1}{ a_{ii}} \left ( b_i - \sum_{j=1}^{i-1} a_{ij}x^{(k+1)}_j -\sum_{j=i+1}^n a_{ij}x^{(k)}_j \right )$ $i = 1, 2, ..., n; k = 0, 1, ...$
矩阵形式
$G=(D−L)−1UG=\left (D-L\right )^{-1}U$
收敛条件
(1) 系数矩阵 $A$ 是对称正定矩阵 $⇒\Rightarrow$ Gauss-Seidel迭代法收敛；
(2) 系数矩阵 $A$ 严格对角占优 $⇒\Rightarrow$ Gauss-Seidel迭代法收敛
SOR迭代法
分量形式
$xi(k+1)=xi(k)+ωaii(bi−∑j=1i−1aijxj(k+1)−∑j=inaijxj(k))x_i^{(k+1)}=x_i^{(k)} + \frac{\omega}{ a_{ii}} \left ( b_i - \sum_{j=1}^{i-1} a_{ij}x^{(k+1)}_j -\sum_{j=i}^n a_{ij}x^{(k)}_j \right )$ $i = 1, 2, ..., n; k = 0, 1, ...$
矩阵形式

$\pounds _\omega =\left (D-\omega L\right )^{-1} \left [ \left ( 1- \omega \right ) D+\omega U \right ]$

收敛条件
(1) SOR收敛 $⇒\Rightarrow$ $\omega < 2$ ;
(2) ${系数矩阵A是对称正定矩阵0<ω<2⇒SOR迭代法收敛\left\{\begin{matrix} 系数矩阵A是对称正定矩阵\\ 0 < \omega < 2 \end{matrix}\right. \Rightarrow SOR迭代法收敛$
(3) ${系数矩阵A严格对角占优0<ω⩽1⇒SOR迭代法收敛\left\{\begin{matrix} 系数矩阵A严格对角占优\\ 0 < \omega \leqslant 1 \end{matrix}\right. \Rightarrow SOR迭代法收敛$