基于MATLAB科学计算线性方程组Word文档格式.docx
《基于MATLAB科学计算线性方程组Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于MATLAB科学计算线性方程组Word文档格式.docx（13页珍藏版）》请在冰豆网上搜索。
考虑如下线性方程组：
1）第一个方程的两端乘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
２） 第二个方程的两端乘加到第三个方程的两端，得
3）从上述方程组的第三个方程依此求解，得
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
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。
列主元素消去法的基本思想：
在每轮消元之前，选列主元素（绝对值最大的元素）,使乘数.
列主元素消去法的步骤：
设已经完成第1步到第步的按列选主元、交换两行、消元计算，得到矩阵
.
第步计算如下：
对于，
（1）选列主元素，即确定使；
（2）如果，则方程组解不唯一，或者接近奇异矩阵，停止运算；
（3）如果，则交换第行与第行元素；
（4）消元计算：
（5）回代计算：
完全主元素消去法即是每次选主元时，依次按行、列选取绝对值最大的元素作为主元素，然后交换两行、两列，再进行消元计算.
完全主元素消去法的步骤：
设已经完成第1步到第步的选主元、交换行和列、消元计算，得到矩阵
第步计算选主元素的范围为，即确定使.
（1）选主元素，即确定使；
如果，则交换第列与第列元素；
（5）回代求解.
【注】完全主元消去法是解低阶稠密矩阵方程组的有效方法，但完全主元消去法解方程组，在选主元素时要化费较多的计算机时间，行主元消去法与列主元消去法运算量大体相同，实际计算时，用列主元消去法即可满足一定的精度要求.
对同一数值问题，用不同的计算方法，所得结果的精度大不一样.对于一个算法来说，如果计算过程中舍入误差能得到控制，对计算结果影响较小，则称此算法是数值稳定的；
否则，如果计算过程中舍入误差增长迅速，计算结果受舍入误差影响较大，则称此算法为数值不稳定的.因此，我们解数值问题时，应选择和使用数值稳定的算法，否则如果使用数值不稳定的算法，就可能导致计算失败.
４）高斯列主元素消去法的MATLAB实现：
，意为．
例LinearEquiation02.m
openLinearEquiation02
LinearEquiation02
一个典型的例子:
Hilbert矩阵:
注:
非奇异矩阵的条件数:
５）ＬＵ分解 （ＬＵ Factorization）（高斯消去法、Doolittle分解）
高斯消去法的消元过程，从代数运算的角度看就是用一个下三角矩阵左乘方程组的系数矩阵Ａ，且乘积的结果为上三角矩阵，即
（２）
可通过直接用A元素计算矩阵A的三角分解矩阵L和U.这种直接计算A的三角分解的方法有实用上的好处.下面利用矩阵乘法规则来确定三角矩阵L和U.
第一步：
利用A的第一行、第一列元素确定U的第一行、L的第一列元素.由矩阵乘法，
，
得到
.（3.7）
设已经计算出U的第1至r-1行元素，L的第1至r-1列元素，现在要计算U的第r行元素及L的第r列元素.
第r步：
利用A的第r行、第r列剩下的元素确定U的第r行、L的第r列元素.由矩阵乘法，有
得U的第r行元素为
.（3.8）
由
得
.（3.9）
例5用LU分解法求解方程组
解对系数矩阵A进行LU分解，
由，有.
，.
因此
解方程组，得.
6）LU分解的MATLAB实现：
或
例
A=rand（5）;
[L,U，P]=lu（A）
[L,U,P]=lu（A）
L=P\L
当是主对角占优的三对角矩阵时，基于Doolittle分解可得到解这类方程组的追赶法。
２、Cholesky分解（CholeskyFactorization）
对称正定矩阵的Cholesky分解和以为系数矩阵地的线性方程组的改进的平方根法：
设阶方程组，是对称正定矩阵（PositiveDefiniteMatrix），则有三角分解
再将分解为
则.
（1）对称正定矩阵有唯一的分解
这是由于，，且对称阵，则有
再利用三角分解的唯一性，得.因此，对称正定矩阵有唯一的分解.
（2）是正定对角阵（即）
由于对称正定的充要条件是对称正定，其中是阶可逆方阵.取，就推知是正定对角阵.
因此的对角元素，记，其中
（3）乔莱斯基（Cholesky）分解
将记为，则称为Cholesky分解.利用Cholesky直接分解公式，推导出的解方程组方法，称为Cholesky方法或平方根法.
（4）解方程组的平方根法（Cholesky方法）
由Cholesky分解，有
.（3.10）
利用矩阵乘法，逐步确定的第行元素.
由（当时，），有分解公式：
对于
（3.11）
将对称正定矩阵作Cholesky分解后，则解方程组就转化为解两个三角方程组.
例7用Cholesky方法解方程组
解对系数矩阵作Cholesky分解得到
解，得.
cholesky分解的MATLAB的实现：
L=chol（A）。
3、追赶法
在许多实际问题中，如，常微分方程两点边值问题、三次样条插值方法等，往往遇到线性方程组的求解，其中
.（3.13）
称具有公式（3.13）形式的系数矩阵为三对角阵,称相应的线性方程组为三对角方程组（TridiagonalLinearSystems）.具有这种形式的方程组在实际问题中是经常遇到的，而且往往是对角占优（DiagonallyDominant）的.满足条件：
这类方程组的解存在唯一（非奇异），可以直接利用高斯消去法或直接分解法，而其解答可以用极其简单的递推公式表示出来，即下面介绍的追赶法.追赶法通常是数值稳定的.
对作LU分解（Doolitle分解），可以发现L、U具有非常简单的形式.
由矩阵乘积，得
比较等式两端，得到
（3.14）
因为上述分解，则方程组的求解转化为解两个简单的三角方程组和，从而得到求解方程组的算法公式.
先解，即
.（3.15）
再解，即
.（3.16）
这种把三对角方程组的解用递推公式（3.14）、（3.15）、（3.16）表示出来的方法形象化地叫做追赶法，其中（3.14）、（3.15）是关于下标由小到大的递推公式称为追的过程，而（16）却是下标由大到小的递推公式称为赶的过程，一追一赶构成了求解的追赶法.
例9用追赶法解三对角方程组
解系数矩阵分解得到
调用函数LU_Factorization.m解例9.输入
A=[4-10;
-14-1;
0-14];
b=[1;
3;
2];
[x,L,U,index]=LU_Factorization（A,b）
得到方程组的解及相应的LU分解矩阵：
x=0.5179L=1.000000U=4.0000-1.00000
1.0714-0.25001.0000003.7500-1.0000
0.76790-0.26671.0000003.7333
为了对线性方程组的直接法作出误差分析，为了讨论方程组迭代法的收敛性，需要对向量和矩阵的大小进行度量，进而引入了
范数━
用于度量“量”的大小的概念
1、引言
实数的绝对值：
是数轴上的点到原点的距离；
复数的模：
是平面上的点到原点的距离；
还有其他刻画复数大小的方法（准则）：
如
１）；
２）
向量的内积、范数及维空间距离的度量
令是一数域，是上的向量空间，如果函数有如下性质：
１、共轭对称性：
，；
２、非负性：
，，；
３、线性性：
，，
；
则称是上的一个向量内积（innerproduct），向量空间上的向量内积通常用符号表示，定义了内积的向量空间称为内积空间（innerproductspace）。
记做表示。
例１．１ ，，，容易验证函数
（１．１）
定义了上的一个内积。
１、非负性：
２、齐次性：
３、三角不等式：
则称是上的一个向量范数（norm），向量空间上的范数通常用符号表示。
定义了范数的向量空间称为赋范空间（normedspace）。
例１．２ ，，，容易验证函数
（１．２）
定义了上的一个范数，这样定义的范数称为由内积（１．１）诱导的范数。
例１．３ 上常用的向量范数：
１、１—范数：
２、２—范数：
３、—范数：
令是一数域，是上的向量空间，如果实值函数有如下性质：
１、对称性：
，，
，；
则称是上的一个距离（函数）（distancefunction）或度量（metric），定义了度量的向量空间称为度量空间（metricspace），记做表示。
例１．4 上常用的（由范数诱导的）度量：
，
１、１—范数诱导的度量：
２、２—范数诱导的度量：
３、—范数诱导的度量：
２ 矩阵的范数
矩阵是线性映射（当时为线性变换）的一种表现形式。
因此，除了可以把矩阵看做向量而定义其范数外，更为基本、更为重要的是表征其线性映射的算子范数（operatornorm），以的情况为例：
（１．３）
其中（１．３）右端的范数是赋范空间中向量的范数，由矩阵算子范数的定义（１．３）容易证明（对映像大小的估计）不等式：
， ， （１．４）
称满足不等式（１．４）的矩阵范数是与对应的向量范数相容的。
例１．５ 常用的矩阵范数：
１、１—范数（列范数）：
；
２、２—范数（谱范数）：
３、—范数（行范数）：
上述三种范数是如下定义的矩阵—范数的特例：
４、由向量的—范数：
，，定义：
（１．５）
５、Ｆ—范数（Frobenius）:
升级会员 