数值分析试验幂法与反幂法matlabWord文档下载推荐.docx
《数值分析试验幂法与反幂法matlabWord文档下载推荐.docx》由会员分享，可在线阅读，更多相关《数值分析试验幂法与反幂法matlabWord文档下载推荐.docx（9页珍藏版）》请在冰豆网上搜索。
（1）取初始向量u（例如取u=（1,1,…1））,置精度要求，置k=1.
（2）计算
v=Au,m=max（v）,u=v/m
（3）若|m=m|<
，则停止计算（m作为绝对值最大特征值，u作为相应的特征向量）否则置k=k+1，转
（2）
2、反幂法算法
（2）对A作LU分解，即A=LU
（3）解线性方程组Ly=u,Uv=y
（4）计算
m=max（v）,u=v/m
（5）若|m=m|<
，则停止计算（1/m作为绝对值最小特征值，u作为相应的特征向量）;
否则置k=k+1，转（3）.
二、算法的流程图
（一）幂法算法的流程图
no
yes
（二）反幂法算法的流程图
no
yes
三、算法的理论依据及其推导
（一）幂法算法的理论依据及推导
幂法是用来确定矩阵的主特征值的一种迭代方法，也即，绝对值最大的特征值。
稍微修改该方法，也可以用来确定其他特征值。
幂法的一个很有用的特性是它不仅可以生成特征值，而且可以生成相应的特征向量。
实际上，幂法经常用来求通过其他方法确定的特征值的特征向量。
1、幂法的迭代格式与收敛性质
设n阶矩阵A的特征值，,…,是按绝对值大小编号的，x（i=1,2,…,n）为对应的特征向量，且为单根，即
||>
||≥…≥||
则计算最大特征值与特征向量的迭代格式为
v=Au,m=max（v）,u=v/m
（1）
其中max（v）表示向量v绝对值的最大分量。
2、对于幂法的定理
按式
（1）计算出m和u满足
m=,u=
（二）反幂法算法的理论依据及推导
反幂法是用来计算绝对值最小的特征值忽然相应的特征向量的方法。
是对幂法的修改，可以给出更快的收敛性。
1、反幂法的迭代格式与收敛性质
设A是非奇异矩阵，则零不是特征值，并设特征值为
||≥||≥…≥||>
||
则按A的特征值绝对值的大小排序，有
||>
对A实行幂法，就可得A的绝对值最大的特征值1/和相应的特征向量，即A的绝对值最小的特征值和相应的特征向量。
由于用A代替A作幂法计算，因此该方法称为反幂法，反幂法的迭代格式为v
=Au,m=max（v）,u=v/m
（2）
2、对于反幂法的定理
按式
（2）计算出的m和u满足：
在式
（2）中，需要用到A，这给计算带来很大的不方便，因此，把
（2）式的第一式改为求解线性方程组
Av=u（3）
但由于在反幂法中，每一步迭代都需求解线性方程组（3）式，迭代做了大量的重复计算，为了节省工作量，可事先把矩阵A作LU分解，即A=LU
所以线性方程组（3）改为
Ly=u,Uv=y
四、相关的数值结果
（一）幂法程序的运行结果
m=3.4142u=-0.7071index=1
1.0000
-0.7071
（二）反幂法程序的运行结果
m=0.5858u=0.7071index=1
1.0000
0.7071
（三）矩阵A的二条件数的结果
ⅡAⅡ2*ⅡA-1Ⅱ2=cond2（A）=m/m=3.4142/0.5858=5.828269
五、数值计算结果的分析
求n阶方阵A的特征值和特征向量，是实际计算中常常碰到的问题。
对于n阶矩阵A，若存在数和n维向量x满足
Ax=x
（1）
则称为矩阵A的特征值，x为相应的特征向量。
由线性代数知识可知，特征值是代数方程
|I-A|=+a+…+a+a=0
（2）
的根。
从表面上看，矩阵特征值与特征向量的求解问题似乎很简单，只需求解方程
（2）的根，就能得到特征值，再解齐次方程组
（I-A）x=0（3）
的解，就可得到相应的特征向量。
上述方法对于n很小时是可以的。
但当n稍大时，计算工作量将以惊人的速度增大，并且由于计算带有误差，方程
（2）未必是精确的特征方程，自然就不必说求解方程
（2）与（3）的困难了。
本次实验所用的幂法和反幂法分别是求解最大特征值和最小特征值，并根据它们的结果求解二条件数。
幂法和反幂法的Matlab程序很好的解决了手算时所会遇到的麻烦。
通过实验我们可以看到，幂法程序可以用来计算矩阵绝对值最大的特征值及相应的特征向量。
幂法的缺点是开始的时候并不知道矩阵是否有单一的主特征值。
也不知道如何选择x以保证它关于矩阵特征向量的表达中包含一个与主特征值相关的非零特征向量。
反幂法程序可以用来计算矩阵绝对值最小的特征值及相应的特征向量，反幂法的收敛是线性的，它是对幂法的修改，可以给出更快的收敛性。
六、附件
（一）幂法程序
/*幂法程序，函数名：
pow.m*/
function[m,u,index]=pow（A,ep,N）
%A为矩阵；
ep为精度要求；
N为最大迭代次数；
m为绝对值最大的特征值；
u为对应最大特征值的特征向量。
N=100;
ep=1e-6;
n=length（A）;
u=ones（n,1）;
index=0;
k=0;
m1=0;
whilek<
=N
v=A*u;
[vmax,i]=max（abs（v））;
m=v（i）;
u=v/m;
ifabs（m-m1）<
ep
index=1;
break;
end
m1=m;
k=k+1;
end
输入A=[2-10;
-12-1;
0-12];
[m,u,index]=pow（A,1e-6）
（二）反幂法程序
/*反幂法程序，函数名：
pow_inv.m*/
function[m,u,index]=pow_inv（A,ep,N）
m为绝对值最小的特征值；
u为对应最小特征值的特征向量。
invA=inv（A）;
v=invA*u;
u=v/m;
m1m;
m=1/m;
[m,u,index]=pow_inv（A,1e-6）
七、参考文献：
（1）薛毅.数值分析与实验.北京工业大学出版社.2005
（2）杜廷松等.数值分析及实验.科学出版社，2006
（3）RichardL.Burden等.数值分析（第七版）高等教育出版社，2005
数理系课程设计评分表
课程名称：
项目
评价
设计方案的合理性与创造性
设计与调试结果
设计说明书的质量
答辩陈述与回答问题情况
课程设计周表现情况
综合成绩
教师签名：
日期：
如有侵权请联系告知删除，感谢你们的配合！
升级会员 