Jacobi 迭代法与GaussSeidel迭代法算法比较.docx

1、Jacobi 迭代法与GaussSeidel迭代法算法比较Jacobi 迭代法与Gauss-Seidel迭代法算法比较 Jacobi 迭代法与Gauss-Seidel迭代法比较1 引言 解线性方程组的方法分为直接法和迭代法，直接法是在没有舍入误差的假设下，能在预定的运算次数内求得精确解，而迭代法是构造一定的递推格式，产生逼近精确值的序列。这两种方法各有优缺点，直接法普遍适用，但要求计算机有较大的存储量，迭代法要求的存储量较小，但必须在收敛性得以保证的情况下才能使用。对于高阶方程组，如一些偏微分方程数值求解中出现的方程组，采用直接法计算代价比较高，迭代法则简单又实用，所以比较受工程人员青睐。迭代

2、法求解方程组就是构造一个无限的向量序列，使它的极限是方程组的解向量。即使计算机过程是精确的，迭代法也不能通过有限次算术运算求得方程组的精确解，而只能逐步逼近它。因此迭代法存在收敛性与精度控制的问题。迭代法是常用于求解大型稀疏线性方程组（系数矩阵阶数较高且0元素较多），特别是某些偏微分方程离散化后得到的大型稀疏方程组的重要方法。设n元线性微分方程组 (1) 的系数矩阵A非奇异，右端向量,因而方程组有唯一的非零解向量。而对于这种线性方程组的近似解，前辈们发展研究了许多种有效的方法，有Jacobi迭代法、GaussSeidel迭代法，逐次超松弛迭代法（SOR法），这几种迭代方法均属一阶线性定常迭代法

3、，即若系数矩阵A分解成两个矩阵N和P的差，即；其中N为可逆矩阵，线性方程组(1)化为：可得到迭代方法的一般公式： （2）其中：，对任取一向量作为方程组的初始近似解，按递推公式产生一个向量序列，.，.，当足够大时，此序列就可以作为线性方程组的近似解。 一阶定常迭代法收敛的充分必要条件是: 迭代矩阵G的谱半径小于1，即；又因为对于任何矩阵范数恒有G，故又可得到收敛的一个充分条件为：G 1。1.1 Jacobi迭代法若D为A的对角素构成的对角矩阵，且对角线元素全不为零。可以将系数矩阵A分解为： 其中，D为系数矩阵A的对角元素构成的对角阵，L为严格下三角阵，U为严格上三角阵。在迭代法一般形式中，取，形

4、成新的迭代公式，其中任取，则Jacobi迭代的迭代公式为： (3)式中: ; , 称为Jacobi迭代矩阵. 其计算公式为: ， （4） 如果迭代矩阵的谱半径，则对于任意迭代初值，Jacobi迭代法收敛；如果GJ1，则Jacobi迭代法收敛；如果方程组的系数矩阵是主对角线按行或按列严格占优阵，则用Jacobi迭代法求解线性方程组必收敛。1.2 Gauss-Seidel迭代法从Jacobi迭代可以看出，用计算时，需要同时保留这两个向量。事实上如果每次获得的分量能够在计算下一个分量时及时更新的话，既节省了存储单元，又能使迭代加速，这就是Gauss-Seidel方法。对于非奇异方程组，若D为A的对角

5、素构成的对角矩阵，且对角线元素全不为零；系数矩阵A的一个分解： (5)在迭代法一般形式中，取，形成新的迭代公式，其中任取，则Gauss-Seidel迭代法的迭代公式为: （6）上式中: 是其右端常数项；为Gauss-Seidel迭代法的迭代矩阵，其计算公式为：， （7）若GS法收敛的充分必要条件是；如果GG0称为松弛因子。在迭代法一般形式中，取, 得到迭代公式 ， （9）其中任取。这就是逐次超松弛迭代法，当=1时该式就是高斯法。SOR法迭代矩阵是整理后得到SOR迭代法的实际计算公式为： ；（10） SOR方法收敛的充分必要条件是；如果GS1，则SOR方法收敛；SOR方法收敛的必要条件是；如果方

6、程组的系数矩阵A是主对角线按行或者列严格占优阵，则用的SOR方法求解必收敛；如果方程组的系数矩阵是正定矩阵，则用的SOR方法求解必收敛。2 算法分析例1 用雅可比迭代法求解下列方程组解 将方程组按雅可比方法写成取初始值按迭代公式进行迭代，其计算结果如表1所示 。表1 01234567 00.720.9711.0571.08531.09511.098300.831.0701.15711.18531.19511.198300.841.1501.24821.28281.29411.2980例2 用高斯塞德尔迭代法求解例1.解 取初始值，按迭代公式进行迭代，其计算结果如下表2表2 0123456700

7、.721.043081.093131.099131.099891.099991.100.9021.167191.195721.199471.199931.199991.201.16441.282051.297771.299721.299961.31.33 结论使用Gauss-Seidel迭代法迭代法，7次就可以求出方程的解，收敛速度要比Jacobi迭代法收敛快(达到同样的精度所需迭代次数少)；但是这个结论,在一定条件下才是对的,甚至有这样的方程组,雅可比方法收敛，而高斯塞德尔迭代法却是发散的.4 附录程序/* 求解线性方程组-Gauss-Seidel迭代法 */#include #includ

8、e using namespace std;/* 二维数组动态分配模板 */template T* Allocation2D(int m, int n) T *a; a = new T*m; for (int i=0; im; i+) ai = new Tn; return a;/* 一维数组动态分配模板 */template T* Allocation1D(int n) T *a; a = new Tn; return a;/* 求矩阵的一范数 */float matrix_category(float* x, int n) float temp = 0; for(int i=0; in;

9、i+) temp = temp + fabs(xi); return temp;int main() const int MAX = 1000; / 最大迭代次数 int i,j,k; / 循环变量 int n; / 矩阵阶数 float* a; / 增广矩阵 float* x_0; / 初始向量 float* x_k; / 迭代向量 float precision; / 精度 coutprecision; /* 动态生成增广矩阵 */ coutendln; a = Allocation2D(n, n+1); /* 输入增广矩阵的各值 */ coutendl输入增广矩阵的各值：n; for(i

10、=0; in; i+) for(j=0; jaij; /* 生成并初始化初始向量 */ x_0 = Allocation1D(n); coutendl输入初始向量:n; for(i=0; ix_0i; /* 生成迭代向量 */ x_k = Allocation1D(n); float temp; /* 迭代过程 */ for(k=0; kMAX; k+) for(i=0; in; i+) temp = 0; for(j=0; ji; j+) temp = temp + aij * x_kj; x_ki = ain - temp; temp = 0; for(j=i+1; jn; j+) tem

11、p = temp + aij * x_0j; x_ki = (x_ki - temp) / aii; /* 求两解向量的差的范数 */ for(i=0; in; i+) x_0i = x_ki - x_0i; if(matrix_category(x_0,n) precision) break; else for(i=0; in; i+) x_0i = x_ki; /* 输出过程 */ if(MAX = k) cout迭代不收敛n; cout迭代次数为：kendl; cout解向量为：n; for(i=0; in; i+) coutxi: x_kiendl; return 0;参考文献1颜庆津. 数值分析M. 北京:航空航天大学出版社，1999.2黎建玲，简金宝，李群宏.数值分析与实验M.北京:科学出版社，20123宋叶志MATLAB数值分析与应用M北京：机械工业出版社，2013