第七章 解线性方程组的迭代法astro · 2012-10-12 · 用 n 描述 n与 e x x y y y y...
TRANSCRIPT
第七章第七章 解线性方程组的迭代法解线性方程组的迭代法
§§1 1 向量范数向量范数
§§2 2 矩阵范数矩阵范数
§§3 3 常用迭代格式常用迭代格式
§§4 4 特殊判敛法特殊判敛法
的逼近程度与描述用 yyyyxxe nn ,如何描述两个向量或矩阵之间的逼近程度呢?
12
2
2 21 2
2
1 0 0
2 ,
3
xR x x
x
x x x
x x
R x R x x
x y x y
在 中, 定义 到零点的距离为:
它们有这样的性质:
() 正定
( ) 齐次
() 三角不等式
§1 向量范数
, ( ) n nx R f x x R R 是 的一个映射
1 0 0
2 , ,
3 , ,
n
n
n
x R x x
R x R x x
x y R x y x y
() ,当 时
( )
()
正定性
齐次性
三角不等式
满足:
11
112 2 2
12
2
1 1 12 2 22 2 2
1
1 1 :
(1) (3)
2 2 : ( )
(1),(2). (3) Cauchy
[ ( ) ] ( ) ( )
.
n
n
n
k k k kk
x x x
x
x x x
x
a b a b
例 范数
显然满足
例 范数
显然满足 由 不等式:
直接可得
SchwarzSchwarz不等式不等式CauchyCauchy不等式不等式2 2 2
1 1 1
2
1
2 2 2 2
1
2 2 2
Schwarz ( )
,
, ( ) 0
( ) 2 0
0, 1, , (
( ) 2 ( ) 0
n n n
k k k kk k k
n
k kk
n
k k k k k kk
k k k k
k k k k
a b a b
a b
a b
a b a a b b
a b k n a b
b a b a
不等式
等号成立 成比例.
实数
即 成比例)
若不然,
2
2
2 2 2
2 2 2
04 0
4 0
Schwarz
k k k k
k k k k
A B CB AC
a b a b
a b a b
即 无解
判别式
2 2 2
12 2 2 2
2 22
( ) 2
(Cauchy)
n
k k k k k kk
k k k k
k k
a b a b a b
a b a b
a b
1
1
3 max
(3) max
ii n
i ii n
x x
x y x y x y
例 : 范数,
三种范数可统一表为 p-范数
三角不等式
由Minkovskii不等式给出
ppn
p
pxxx
1
1 )(
1 1 1
1 1 1
[ ] ( ) ( )p p pp p pk k k k
k k k
a b a b
1
1
1
1
1
11
1
lim max
lim lim
lim
( ) lim
k ipp i n
p p pnpp p
p p pn
kpk k
p p ppn
k k k kk k
kpp
x x x x x
x x x
x xxx x
x xx x x n xx x
p x x x
证明 , 设
不同的范数相当于用不同的长度单位(市
尺,米,英尺) 量度距离。他们之间虽不
存在换算关系,却有如下等价关系
1
2
2 1 2
1
2
3
x x n x
x x n x
x x n x
()
( )
()
可见如果向量序列 {x(n)} 在以上的任一种范数中
有‖x(n)‖→0, 或者∞,则在另一种范数下亦然。
在此意义上说这些范数彼此等价,用数学语言即:
等价
设两种范数‖x‖a
和‖x‖b
等价
存在与 x 无关的常量 C1 >0,C2 >0
.:22121 xCxxC
等价满足自反性、对称性和传递性
可以证明Rn上的任何两种范数都等价
( ) ( )
( ) ( ) ( )
1
( ) ( )
[ ] lim lim 1, ,
lim lim 0 max 0
0 1, lim
k kj jk k
k k kj jk k j n
k kj j j jk
x x x x j n
x x x x x x
x x j n x x
定理: ,
证:取
,
( )
( ) ( )
( ) ( )
,
lim 0, lim
1 1( , ,1) lim (0,0,1)2 2
n
k k
k k
k T k Tk k
x x
x x x x
x xk
向量的收敛 称向量序列 收敛于
如果 记做
例: 则
作作 业业
(1) 证明等价关系 (3)
(2) 设A为某非奇异n阶方阵,‖x‖为Rn
上的向量范数,定义‖x‖A ‖Ax‖,
证明‖x‖A 是向量范数
§2 矩阵范数
( )n nA R f A A 0,满足
1 0, 0 0
2 ,
3 , , n n
A A A
R A A
A B R A B A B
()
( )
()
次可乘性4 AB A B ( )
1 ,2 max iji j n
a
例 : 是不是矩阵范数?
1 det例 : 是不是范数?A
0 0 0 0det 0,
1 0 1 0
但 非零矩阵
1 0 1 2 1 2
1 1 1 1 2 3A B AB
令
不满足次可乘性, 非范数。
122
1 1
3 ( )n n
ijFi j
A a
例 若定义
1 2 3则范数定的( )( )( )显然满足。
4 Cauchy
Frobenius NormF
( )由 不等式可得。
称为 范数
12
2
1 1 1
12
2 2
1 1 1 1
( )
( )
n n n
ik kjFi j k
n n n n
ik mji j k m
AB a b
a b
Cauchy
不等式
12
2 2
1 1 1 1
n n n n
ik mji k j m
F F
a b
A B
0 1
max maxn n
n n
x xx R x R
A R AAx
A Axx
算子范定义 为数的
1 0, 0 0
2 ,
3 , ,
4
n n
A A A
R A A
A B R A B A B
AB A B
()
( )
()
( )
11 12 1 11
21 22 2 21
1 2 1
1 00 0
0 0
n
n
n n nn n
a a a aa a a a
a a a a
11
0 0
0, 0,
(1,0, ,0) 0, T
A a
x Ax
不妨设
取 有
0
00
max 0x
AxAxA
x x 而
算子范数正定性的证明
0
0
max 0 0 0
0 0
x
A
Ax Axx
x x
Ax Ax
如果
,
算子范数不仅满足范数的定义1—4,
而且还满足相容性
, , n n nA R x R Ax A x
0max
x
Ax AxA
x x
1 1
max maxx x
AB AB x A Bx
算子范数次可乘性的证明
1max
xA Bx
相容性
1max
xA Bx A B
可以证明
Rn×n上的任何两种范数都等价
由向量 x 的范数来定义‖A‖,显然取不同
的向量范数,就得出不同的矩阵范数,
矩阵的收敛
( ) ( ) lim 0k k
kA A A A
收敛于 ,如果
( ) ( )
12 2
( ) ( )
12 2( ) ( )
[ ] : lim lim
lim lim 0
lim 0 lim
k kij ijk k
ijF
k k
Fk k
k kij ij ij ijk k
A A a a
F a
A A A A
a a a a
定理
证:取 范数
1 1
1 1 1
12
1
[ ] 1 max
2 max
3
n
iji n j
n
ijj n i
T
A a
A a
A
A A
定理 () 行和范数
( ) 列和范数
() 谱范数
为 模最大的特征根
由算子范数诱导出的3个矩阵范数
2
12
1,2 2
5 7(5 )(13 ) 49 18 16
7 13
9 65 9 65 4.13A
;
1,2,
1
2 2
1 3
5 74, 5,
7 13T
A A
A A A A
例: 求
norm(x,2) is the same as norm(x).
norm(x,1) is the 1-norm of x,
norm(x,inf) is the infinity norm of x,
norm(x,'fro') is the frobenius norm,
>> A=[2 2;1 3]; norm(A)ans =
4.1306
1 1
1 max
n
iji n j
A a
证明() 行和范数
11 1 1
maxn n
ij ji n j j
a a
A
设
往证
11 , max .ii n
A x x
1
2
j j
j j
nj j
a xa x
Ax
a x
1 1
max
n
ij ji n j
Ax a x
1 1
max( )n
ij ji n j
a x
1 11
max maxn
ij ji n j nj
a x x
0, 0, max
x
Ax Axx
x x
1 1 1
1
01
1 0j j j
jj
a a ax x
a
则
2 , A x 取一特殊的向量 ,其分量为
1 1
1 11 1
max
,
n
ij ji n j
n n
j j jj j
Ax a x
a x a Ax
而
1max
xA Ax Ax A
1
[ ] ( 1, 2, , )( ) max .
n ni
ii n
A R i nA A
谱半径 设 的特征值为
则称 为 的谱半径
[ 1] ( )
命题
这里 指 的任一算子范数。
A A
A A
证:设 是 的任一个特征根,
为与其对应的特征向量
i
i i i i
AA
0左
右
i ii i
i i i i
A AA
1 1
[ 2] 1
max max 1x x
I
I Ix x
命题 算子范数
2[ ] , , , , , lim 0 ( ) 1
k
k
k
I A A AA A
定理
(证略)
线性方程组的条件数
原方程原方程
Ax Ax = = b b ((11))
如果如果 bb 收到扰动:收到扰动:b b →→bb++bb, ,
扰动方程扰动方程
AA((xx ++xx)= )= bb++bb ((22))
((22))--
((11))
x x = = AA--11 bb
1 1 , x A b A b b A x
1
cond( ) :
x b x bA A
A x b
cond( )x b
Ax b
b b →→bb++bb ,,bb受到扰动时的结果受到扰动时的结果
1 1 , x A b A b b A x
A → A + A 而 b 精确
AAx = b x = b (原式)(原式)
((AA++AA))((xx++xx) = ) = bb
A A x = x = --AA((xx ++xx), ),
x = x = --AA--11 AA((xx ++xx))
1x A A x x
cond( )
1 cond( )
AA
x AAx
AA
1x A A x x
1 11x A A A A x
1 1 A A 当 时,
关于条件数关于条件数
1
12 12 2
( )
( )
n
Tn
Cond A A A
Cond A A A
A A
是 模最小的特征值。
条件数的性质条件数的性质
Cond(ACond(A) ) ≥≥1 1 (算子范数)(算子范数)
1=1=‖‖II‖‖= = ‖‖AAAA--11‖≤‖≤ Cond(Cond(AA) ) ;;
如果如果 A A 正交,正交, Cond(Cond(AA))2 2 = 1 = 1
Cond(Cond(AA)= )= Cond(Cond(AA) ) ,,
00,常数,常数
1 1 12 22
1
Cond( ) ( ) ( )
(( ) ) ( ) ( ) 1
T T
T T T
A A A A A A A
A A A A I
误差分析误差分析
1 2
1 2
0.780 0.563 0.217 1 ,
0.913 0.659 0.254 1x x
xx x
精确解
6*
0.314,
0.087
10
0
x
r b Ax
*取近似解
剩余量
62Cond( ) 2.1932 10A
* ( 0)
*, *
Cond
x xAx b
r b Axx x r
Ax b
定理:
设 和 分别为非齐次方程组
的准确解和近似解, 则
(1)b Ax A x
*Cond
x x rA
x b
1 1
1 1
* *
* (2)
x x A A x A b
A Ax b A r
1
(1)(2)
*Cond(A)
A rx x rx b A b
§3 常用迭代格式
3.1 Jacobi迭代法
1 2 3
1 2 3
1 2 3
10 2 7.2 10 2 8.3
5 4 2
x x xx x xx x x .
11 2 3
( 1)2 1 3
1 ( ) ( )3 1 2
0 1 0 2 0 72 (1)
0 1 0 2 0 83 (2)
0.2 0.2 0.84 (3)
(k ) (k) (k)
k (k) (k)
(k ) k k
x . x . x .
x . x . x .
x x x
(0) (9)
0 1.09994 1.10 1.19994 . 1.20 1.29992 1.3
x x x
取
1
1, , 0n
ij j i iij
a x b i n a
一般地, 设
][11
)()1(
n
ijj
kjiji
ii
ki xab
ax
Jacobi公式
用矩阵表示:
x(k+1)= D-1b + (I-D-1A) x(k) 其中:
11
nn
aD
a
0
0
0
1
22
2
22
21
11
1
11
12
1
nn
n
n
n
aa
aa
aa
aa
aa
ADI
令 BJ = I-D-1A,g=D-1b,则有
x(k+1)=BJ x(k)+g。BJ =I-D-1A 迭代矩阵
计算时,先给定一初值,然后一直计算到
为止
当aii相对较大时,以上迭代对任意x(0)收敛
)1(
)()1(
k
kk
x
xx
3.2 Gauss-Seidel迭代法
例1中, 由(1)求出 x1(k+1), 认为它更逼近 x1 ,
在(2)中由 x1(k+1) 代 x1
(k)…
G-S迭代
( 1) ( ) ( )1 2 3
( 1) ( 1) ( )2 1 3( 1) ( 1) ( 1)
3 1 2
0.1 0.2 0.72 (1)
0.1 0.2 0.83 (2)
0.2 0.2 0.84 (3)
k k k
k k k
k k k
x x x
x x x
x x x
bD
x
x
aaaa
aa
x
x
aa
aa
x
xx
n
n
nk
nnn
nn
1
1
22
2
11
1
11
12)1(1
1
22
21
2
1
0
0
0
0
0
0
++=
( 1) ( 1) ( )k k kx Lx Ux g
LU
g
( 1) ( )
( 1) 1 ( ) 1
( )
( )( ) ( )
k k
k k
kGS
I L x Ux gx I L Ux I L g
B x g
3.3 松弛法
G-S: gUxLxx kkk )()1()1(
G-S+x(k)的线性组合能加速收敛?
( 1) ( ) ( 1) ( )(1 ) [ ]k k k kx x Lx Ux g
:松弛因子。 G-S法中 =1( 1) ( )
( 1) 1 ( ) 1
( )
( ) [(1 ) ]( ) [(1 ) ] ( )
k k
k k
k
I L x I U x gx I L I U x I L g
Bx g
作业作业
已知已知
求求JacobiJacobi迭代和迭代和GaussGauss--SeidelSeidel迭代的迭代的
迭代矩阵谱半径迭代矩阵谱半径
1 2 2, 1 1 1
2 2 1Ax b A