Professional Documents
Culture Documents
数值分析总结
数值分析总结
第一章:绪论
误差(绝对误差): 𝑒 𝑥 = 𝑥 ∗ − 𝑥, (绝对)误差限: 𝑒 𝑥 ≤𝜀
𝑒 𝑥
相对误差: 𝑒𝑟 𝑥 = , 相对误差限:|𝑒𝑟 𝑥 | ≤ 𝜀𝑟
𝑥∗
有效数字:设𝑥 ∗ = ± 𝑎1 . 𝑎2 … 𝑎𝑝 × 10𝑚 , 𝑎1 ≠ 0, 𝑝 ≤ ∞
1
若 𝑥 −𝑥 ≤
∗
10𝑚−𝑛+1 ,
×
2
则说𝑥 ∗ 有𝑛位有效数字.
Lagrange插值公式:
𝑛
𝐿𝑛 𝑥 = 𝑙𝑖 𝑥 𝑓(𝑥𝑖 )
𝑖=0
𝑛
𝑥 − 𝑥𝑗 𝑥 − 𝑥0 𝑥 − 𝑥1 ⋯ (𝑥 − 𝑥𝑖−1 )(𝑥 − 𝑥𝑖+1 ) ⋯ (𝑥 − 𝑥𝑛 )
𝑙𝑖 𝑥 = =
𝑥𝑖 − 𝑥𝑗 (𝑥𝑖 − 𝑥0 ) 𝑥𝑖 − 𝑥1 ⋯ (𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 − 𝑥𝑖+1 ) ⋯ (𝑥𝑖 − 𝑥𝑛 )
𝑗=0,𝑗≠𝑖
𝑓 𝑛+1 𝜉
插值余项: 𝑅𝑛 𝑥 = 𝜔𝑛+1 𝑥
𝑛+1 !
Newton插值公式:
𝑁𝑛 𝑥 = 𝑓 𝑥0 + 𝑓 𝑥0 , 𝑥1 𝑥 − 𝑥0 + 𝑓 𝑥0 , 𝑥1 , 𝑥2 𝑥 − 𝑥0 𝑥 − 𝑥1
+ ⋯ + 𝑓 𝑥0 , … , 𝑥𝑛 𝑥 − 𝑥0 … 𝑥 − 𝑥𝑛−1
差商表
xi f ( xi ) 一阶均差 二阶均差 三阶均差 四阶均差
x0 f ( x0 )
x1 f ( x1 ) f [ x0 , x1 ]
x2 f ( x2 ) f [ x1 , x2 ] f [ x0 , x1 , x2 ]
x3 f ( x3 ) f [ x2 , x3 ] f [ x1 , x2 , x3 ] f [ x0 , x1 , x2 , x3 ]
x4 f ( x4 ) f [ x3 , x4 ] f [ x2 , x3 , x4 ] f [ x1 , x2 , x3 , x4 ] f [ x 0 , x1 , x2 , x3 , x4 ]
H ( x k ) yk , H ' ( xk ) mk ( k 0,1,, n)
n
1
j ( x ) 1 2( x x j ) l 2j ( x )
k 0 x j xk
k j
j ( x ) ( x x j )l 2j ( x )
𝒏 𝒏
𝟏
𝑯(𝒙) = 𝟏 − 𝟐 𝒙 − 𝒙𝒋 𝒍𝟐𝒋 (𝒙)𝒚𝒋 + 𝒙 − 𝒙𝒋 𝒍𝟐𝒋 (𝒙)𝒎𝒋
𝒙𝒋 − 𝒙𝒌
𝒋=𝟎 𝒌=𝟎
𝒌≠𝒋
Ex2.1.设节点𝑥0 = −1, 𝑥1 = 1, 𝑥2 = 2则 𝑦0 = 2, 𝑦1 = 1, 𝑦2 = 1, 分
别用Lagrange插值和Netwon插值求三个节点的二次插值多项式.
解:1.Lagrange插值
𝑥−1 𝑥−2 1
𝑙0 𝑥 = = (𝑥 2 − 3𝑥 + 2)
−1 − 1 −1 − 2 6
𝑥+1 𝑥−2 1 2
𝑙1 𝑥 = =− 𝑥 −𝑥−2 ,
1+1 1−2 2
𝑥+1 𝑥−1 1 2
𝑙2 𝑥 = = (𝑥 − 1)
2+1 2−1 3
1 2 1 4
𝐿2 𝑥 = 2𝑙0 𝑥 + 𝑙1 𝑥 + 𝑙2 𝑥 = 𝑥 − 𝑥 + .
6 2 3
2. Netwon插值 𝑥𝑘 𝑓(𝑥𝑘 ) 𝑓[𝑥𝑘 , 𝑥𝑘+1 ] 𝑓[𝑥𝑘 , 𝑥𝑘+1 , 𝑥𝑘+2 ]
-1 2 ** **
1 1 -1/2 **
2 1 0 1/6
𝑁2 𝑥 = 𝑓 𝑥0 + 𝑓 𝑥0 , 𝑥1 𝑥 − 𝑥0 + 𝑓 𝑥0 , 𝑥1 , 𝑥2 𝑥 − 𝑥0 𝑥 − 𝑥1
1 1 2 1 2 1 4
=2− 𝑥+1 + 𝑥 −1 = 𝑥 − 𝑥+
2 6 6 2 3
Ex2.2.
解:
Ex2.3. 已知函数𝑓(𝑥)在节点𝑥0 = −1, 𝑥1 = 1, 𝑥2 = 2,满足:
𝑓 𝑥0 = 2, 𝑓 𝑥1 = 0, 𝑓 𝑥2 = 2, 𝑓 ′ 𝑥0 = 3, 𝑓 ′ 𝑥1 = −5
(1)计算函数𝑓(𝑥)的各阶差商,并将计算结果填入下表.
𝒌 𝒙𝒌 𝒇(𝒙𝒌 ) 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 , 𝒙𝒌+𝟐 ]
0 -1 *** ***
1 1 ***
2 2
最佳一次逼近多项式
设 f ( x ) C 2
[a , b], 且 f ' ' ( x ) 不变号,求最佳一次逼近多项式 p1 ( x ) a1 x a0
𝑓(𝑏)−𝑓(𝑎)
1. 𝑎1 = = 𝑓′ 𝜉
𝑏−𝑎
2. 𝑓 ′ 𝜉 = 𝑎1 ⟹ 𝜉, 𝑓 𝜉
𝑓(𝑎)+𝑓(𝜉) 𝑎+𝜉 p1 ( x )
3. 𝑎0 = − 𝑎1
2 2
4. 𝑝1 𝑥 = 𝑎1 𝑥 + 𝑎0 a b
1
Ex3.1. 求函数𝑓 𝑥 = 𝑥 在区间[4 , 1] 上的最佳一致一次逼近多项式
𝑓 𝑏 −𝑓 𝑎 1 − 1/2 2
解:𝑎1 = = =
𝑏−𝑎 1 − 1/4 3
1 3 9
𝑓′ 𝜉 = = 𝑎1 ⟹ 𝜉= , 𝜉=
2 𝜉 4 16
1 𝑎+𝜉
𝑝1 𝑥 = 𝑓 𝑎 + 𝑓 𝜉 + 𝑎1 𝑥 −
2 2
1 9
1 1 3 2 + 2 17
= + + 𝑥− 2 16 = 𝑥+
2 2 4 3 2 3 48
最佳平方逼近多项式
1. 确定𝜑0 , 𝜑1 , … , 𝜑𝑛
𝑏
2. 求内积 (𝜑𝑖 , 𝜑𝑗 ) = 𝑎 𝑖
𝜑 𝑥 𝜑𝑗 𝑥 𝜌 𝑥 𝑑𝑥,
𝑏
𝜑𝑖 , 𝑓 = 𝑎 𝑖
𝜑 𝑥 𝑓 𝑥 𝜌 𝑥 𝑑𝑥
3. 解方程组,求𝑎0 , … , 𝑎𝑛
( 0 , 0 ) ( 0 , 1 ) ( 0 , n ) a0 ( f , 0 )
(1 , 0 ) (1 ,1 ) (1 , n ) a1 ( f , 1 )
( n , 0 ) ( n ,1 ) ( n , n ) an ( f , n )
4. 最佳平方逼近多项式为𝑝 𝑥 = 𝑎0 𝜑0 𝑥 + 𝑎1 𝜑1 𝑥 + ⋯ + 𝑎𝑛 𝜑𝑛 𝑥
例:求区间[1,3]上函数𝑓(𝑥) = ln 𝑥的最佳一次平方逼近多项式
解 0 1, 1 x
3 26
(1 ,1 ) x 2dx
3 3
(0 ,0 ) 1dx 2 (0 ,1 ) xdx 4
1 1 1 3
3 9
(1 , f ) x ln xdx
3
(0 , f ) ln xdx 3 ln 3 2 1.2958 ln 3 2 2.9438
1 1 2
2 4 a 1.2958
4 26 0
3 1
a 2 . 9438
解得 a0 0.4087 a1 0.5283
所以 S * ( x ) 0.5283 x 0.4087
𝒙𝟎 𝒙𝟏 ⋯ 𝒙𝒎−𝟏 𝒙𝒎
最小二乘法
𝒇(𝒙𝟎 ) 𝒇(𝒙𝟏 ) ⋯ 𝒇(𝒙𝒎−𝟏 ) 𝒇(𝒙𝒎 )
1. 确定𝜑0 , 𝜑1 , … , 𝜑𝑛
𝑚
2. 求内积 (𝜑𝑖 , 𝜑𝑗 ) = 𝑘=0 𝜑𝑖 𝑥𝑘 𝜑𝑗 𝑥𝑘 𝜌(𝑥𝑘 ),
𝜑𝑖 , 𝑓 = 𝑚 𝑘=0 𝜑𝑖 𝑥𝑘 𝑓 𝑥𝑘 𝜌(𝑥𝑘 )
3. 解方程组,求𝑎0 , … , 𝑎𝑛
( 0 , 0 ) ( 0 , 1 ) ( 0 , n ) a0 ( f , 0 )
(1 , 0 ) (1 ,1 ) (1 , n ) a1 ( f , 1 )
( n , 0 ) ( n ,1 ) ( n , n ) an ( f , n )
4. 最小二乘多项式为𝑝 𝑥 = 𝑎0 𝜑0 𝑥 + 𝑎1 𝜑1 𝑥 + ⋯ + 𝑎𝑛 𝜑𝑛 𝑥
Ex3.5. 已知一组实验数据如下,用一次多项式拟合。
𝑥𝑖 1 2 3 4
𝑓(𝑥𝑖 ) 4 4.5 6 8
解 0 1, 1 x
3 3 3
( 0 , 0 ) 1 4 ( 0 ,1 ) xi 10 (1 ,1 ) xi2 30
i 0 i 0 i 0
3 3
( 0 , f ) f ( xi ) 22.5 (1 , f ) xi f (xi ) 63
i 0 i 0
4 10 a 22.5
10 30 b 63 解得 a 2.25,b 1.35
所以 y 1.35 x 2.25
例:用最小二乘法确定经验公式𝑦 = 𝑎𝑥 2 + 𝑏中的参数𝑎和𝑏,
使该曲线拟合下表数据。
𝑥𝑖 -1 0 1 2
𝑓(𝑥𝑖 ) 1.9 0.95 2.1 5
解 0 1, 𝜑1 = 𝑥 2
3 3 3
4 6 𝑏 9.95
= 解得 𝑏 = 1.0083,𝑎 = 0.975
6 18 𝑎 24
所以 𝑦 = 0.975𝑥 2 + 1.0083
第四章:数值积分
b
1 dx
𝑏 𝑛
𝑓(𝑥)d𝑥 ≈ 𝐴𝑘 𝑓(𝑥𝑘 ) a
𝑎 𝑘=0 b
x dx
a
验证求积公式代数精度方法:依次取
𝑓 𝑥 = 1, 𝑥, 𝑥 2 , 𝑥 3 … ,验证求积公式是否
精确成立,若𝑓 𝑥 = 𝑥 𝑚+1 时,是第一
个不成立等式,则代数精度为𝑚.
𝒏
(𝒏)
Newton-Cotes公式 𝑰𝒏 = (𝒃 − 𝒂) 𝑪𝒌 𝒇𝒌
𝒌=𝟎
𝑛
(3) 当 𝑛 ≤ 7 时,牛顿-科特斯公式是稳定的。当 𝑛 ≥ 8 时,
系数出现负数,稳定性得不到保证。
𝒃−𝒂
𝒏=𝟏 𝑰𝟏 = 𝑻 = [𝒇(𝒂) + 𝒇(𝒃)] 梯形公式
𝟐
𝒃−𝒂 𝒂+𝒃
𝒏=𝟐 𝑰𝟐 = 𝑺 = 𝒇(𝒂) + 𝟒𝒇 + 𝒇(𝒃) Simpson求积公式
𝟔 𝟐
𝒃−𝒂
𝒏=𝟒 𝑰𝟒 = 𝑪 = 𝟕𝒇𝟎 + 𝟑𝟐𝒇𝟏 + 𝟏𝟐𝒇𝟐 + 𝟑𝟐𝒇𝟑 + 𝟕𝒇𝟒 Cotes求积公式
𝟕𝟎
复化求积法 a xk x k 1 b
𝑏−𝑎
第一步:等分区间: ℎ = 𝑛 , 𝑥𝑘 = 𝑎 + 𝑘ℎ, 𝑘 = 0,1, ⋯ , 𝑛
第三步:求和 𝐼 ≈ 𝐼𝑘
𝑘=0
h n 1
h n 1
(1)复化梯形公式 Tn ( f k f k 1 ) f a 2 f k f b
k 0 2 2 k 1
n 1
h h n 1 n 1
(2)复化Simpson公式 S n
k 0 6
( f k 4 f
1 f k 1
)
6
fa 4 f 1 2 fk fb
k
k
2 k 02 k 1
n 1
h
(3)复化Cotes公式 C n (7 f k 32 f 1 12 f 1 32 f 3 7 f k 1 )
k 0 90 k k k
4 2 4
Romberg算法
xk x 1
x k 1
k
2
𝑏−𝑎 二分点
1.梯形公式 𝑇1 = [𝑓 𝑎 + 𝑓 𝑏 ]
2
1 h n1
1 ℎ
𝑛−1
T2 n Tn f 1
2.变步长梯形公式 𝑇2𝑛 = 𝑇𝑛 + 𝑓(𝑥 1 ) 2 2 k 0 k 2
2 2 𝑘+
2
𝑘=0 (1)二分前的步长
4 1
3.加速公式 𝑆𝑛 = 𝑇2𝑛 − 𝑇𝑛 (2)二分前的区间中值
3 3
即 16 1
𝐶𝑛 = 𝑆2𝑛 − 𝑆𝑛
15 15
64 1
𝑅𝑛 = 𝐶2𝑛 − 𝐶𝑛
63 63
4.终止条件 |𝑅2𝑛 − 𝑅𝑛 | < 𝜀
2 1 2 1
例:已知求积公式 1
𝑓 𝑥 𝑑𝑥 ≈ 𝑓 1 + 𝐴𝑓 + 6 𝑓(2) , 则
6 3
4/6
A=________.
解:Cotes系数特点:
𝑛
(𝑛)
𝐶𝑖 =1
𝑖=0
1 1 4
则, + 𝐴 + = 1, 得 𝐴 = .
6 6 6
1 2
例:积分 𝑥 1/3
𝑑𝑥用辛普森公式计算的近似值为__________
0
1 2 1−0 1 1
解: 0
𝑥 𝑑𝑥 ≈ (𝑓 0 + 4𝑓 +𝑓 1 )=3
6 2
2
三(10分)、设积分为 xdx
0
用Romberg方法计算,将计算结果填入下表(计算过程和结果保留3位小数)
2 1
T1 [ f (0) f (2)] 1.414, T2 [ f (0) 2 f (1) f (2)] 1.707
2 2
1 1 3
T4 [ f (0) 2 f ( ) 2 f (1) 2 f ( ) f (2)] 1.819
4 2 2
1 1 2 3 5 6 7
T8 [ f (0) 2 f ( ) 2 f ( ) 2 f ( ) 2 f (1) 2 f ( ) 2 f ( ) 2 f ( ) f (2)] (4)
8 4 4 4 4 4 4
1.861
4 1
S1 T2 T1 1.805
3 3
16 1
4 1
S 2 T4 T2 1.856 C1 S 2 S1 1.860
3 3 15 15
16 1 64 1
4 1 C2 S 4 S2 1.876 R1 C2 C1 1.906 0.030 1.876
S 4 T8 T4 1.875 15 15 63 63
3 3
1.414
1.707 1.805
1.819 1.856 1.860
一阶常微分方程的初值问题
𝑦 ′ = 𝑓(𝑥, 𝑦)
𝑦(𝑥0 ) = 𝑦0
则初值问题的解y=f(x)存在并且唯一。
y ( xi 1 ) y ( xi )
y ( xi ).
h
y ( xi 1 ) y ( xi )
y ( xi 1 ) f ( xi 1 , y ( xi 1 ))
h
显、隐式两种算法的平均
ℎ
𝑦𝑖+1 = 𝑦𝑖 + 2 [𝑓(𝑥𝑖 , 𝑦𝑖 ) + 𝑓(𝑥𝑖+1 , 𝑦𝑖+1 )] ————梯形公式(隐式)
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑓(𝑥𝑖 , 𝑦𝑖 )
改进的Euler公式(显式格式) ℎ
𝑦𝑖+1 = 𝑦𝑖 + [𝑓(𝑥𝑖 , 𝑦𝑖 ) + 𝑓(𝑥𝑖+1 , 𝑦𝑖+1 )]
2
Step 1: 先用显式欧拉公式作预测,算出
yn1 yn hf xn , yn
yn 1 yn
h
2
f xn , yn f xn 1 , yn 1
亦可写成
h
yn 1 yn [ f ( xn , yn ) f ( xn h, yn hf ( xn , yn ))]
2
第六章:方程求根
二分法
𝑎+𝑏
设𝑓 𝑎 ⋅ 𝑓 𝑏 < 0, 取𝑥0 = .
2
假如𝑓(𝑥0 )是𝑓(𝑥)的零点,那么输出𝑥0 , 停止. 假若不然,
𝑎1 + 𝑏1
若𝑓 𝑎 与𝑓 𝑥0 同号,则𝑎1 = 𝑥0 , 𝑏1 = 𝑏; 否则𝑎1 = 𝑎, 𝑏1 = 𝑥0 , 取𝑥1 =
2
⋯⋯
故[𝑎, 𝑏] ⊃ [𝑎1 , 𝑏1 ] ⊃ ⋯ ⊃ [𝑎𝑘 , 𝑏𝑘 ] ⊃ ⋯ ,
𝑎𝑘 + 𝑏𝑘
𝑥𝑘 =
2
𝑏𝑘 − 𝑎𝑘 𝑏 − 𝑎
误差限 |𝑥𝑘 − 𝑥 ∗ | ≤ = 𝑘+1 .
2 2
32
基本迭代法
收敛条件: 𝜑 ′ 𝑥 ≤𝐿<1
Newton迭代法
𝑓(𝑥𝑘 )
𝑥𝑘+1 = 𝑥𝑘 − , (𝑘 = 0,1,2, ⋯ )
𝑓′(𝑥𝑘 )
例. 证明方程2𝑥 2 + 2𝑥 − 5 = 0在区间 1,2 有实根。若采用二分法
求解,需二分多少次,才能使误差不超过10−2
所以,至少二分6次。
列主元消去法 按列选主元!!!
思 1. 在矩阵A的第一列中选绝对值最大的元素作为主元,再消元
路 2. 第k步在框内选中选绝对值最大的元素作为主元,再消元
2 - 1 3 4 4 2 5 11 4 2 5 11 4 2 5 11
4 2 5 11 ~ 2 - 1 3 4 ~ 0 - 2 0.5 - 1.5 ~ 0 - 2 0.5 - 1.5
1 2 0 3 1 2 0 3 0 1.5 - 1.25 0.25 0 0 - 0.875 - 0.875
x3 1
x2 1
x1 1
Ex5.3.
LU分解
𝐴 = 𝐿𝑈
1 0 0 ⋯ 0 𝑢11 𝑢12 ... 𝑢1𝑛
𝑙21 1 0 ⋯ 0
𝑙32 1
𝑢22 ... 𝑢2𝑛
𝐿= 𝑙31 ⋯ 0 𝑈=
⋮ ⋮ ⋮ ⋱ ⋮ ... ⋮
𝑙𝑛1 𝑙𝑛2 𝑙𝑛3 … 1 𝑢𝑛𝑛
等价于 𝐿𝑦 = 𝑏
𝐴𝑥 = 𝑏
𝑈𝑥 = 𝑦
LU分解
Gauss顺序消去的矩阵形式
1 0 0 ⋯ 0 0
𝑎11 0
𝑎12 ... 0
𝑎1𝑛
𝑙21 1 0 ⋯ 0 1 1
𝐿= 𝑙31 𝑙32 1 ⋯ 0 𝑈= 𝑎22 ... 𝑎2𝑛
⋮ ⋮ ⋮ ⋱ ⋮ ... ⋮
𝑛−1
𝑙𝑛1 𝑙𝑛2 𝑙𝑛3 … 1 𝑎𝑛𝑛
𝑎𝑖𝑘𝑘
𝑙𝑖𝑘 = 𝑘
, 𝑖 = 𝑘 + 1, … , 𝑛
𝑎𝑘𝑘
LU分解
直接LU分解 令𝐴 = 𝐿𝑈
a11 ... a1n 1 u11 u12 u1n
l
21 1 u22 u2n
...
a n1 ... ann l n1 ... 1 unn
根据矩阵乘法法则,比较等式两边元素 先U后L,先行后列
𝒌−𝟏
按上图逐框求出矩阵A的LU分解
𝒌−𝟏
向量范数 矩阵范数
𝑛
谱半径:矩阵A特征值绝对值的最大值,即
𝜌 𝐴 = max |𝜆𝑖 |
1≤𝑖≤𝑛
5
Ex5.6. 设𝑥 = 2, −5, 4 𝑇 ,则||𝑥||∞ = _____________ ,
11
||𝑥||1 = _____________.
解:||𝑥||∞ = max 𝑥𝑖 = 5, 𝑥 |1 = 𝑥1 + |𝑥2 + 𝑥3 = 11
1 2 0
Ex5.8. 𝐴 = 2 2 6
0 , ||𝐴||1 = ________, 4
||𝐴||∞ = ________
0 −2 −1
第八章:线性方程组的迭代解法
线性方程组𝐴𝑥 = 𝑏
迭代法的基本步骤
(1)等价形式 x Bx f B称为迭代矩阵;
(2)迭代公式 𝑥 (𝑘+1) = 𝐵𝑥 (𝑘) + 𝑓 (𝑘 = 0,1,2, ⋯ )
(k )
(3)任取向量 x ( 0 ) ,由上式生成向量序列 x ;若 𝑘→∞
lim 𝑥 (𝑘) = 𝑥 ∗
则迭代过程收敛 。
雅可比(Jacobi)迭代公式
(𝑘+1) 1
𝑥1 = (𝑏1 − 𝑎12 𝑥2𝑘 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑘 )
𝑎11
𝑎11 𝑥1 + 𝑎12 𝑥2 +. . . +𝑎1𝑛 𝑥𝑛 = 𝑏1 (𝑘+1) 1
𝑎21 𝑥2 + 𝑎22 𝑥2 +. . . +𝑎2𝑛 𝑥𝑛 = 𝑏2 𝑥2 = (𝑏2 − 𝑎21 𝑥1𝑘 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑘 )
𝑎22
⋮ ⋮
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 +. . . +𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛 1
(𝑘+1)
(𝑏𝑛 − 𝑎𝑛1 𝑥1𝑘 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑘
𝑥𝑛 = )
𝑎𝑛𝑛
𝑎12 𝑎 𝑎1𝑛
0 −𝑎 − 𝑎13 ⋯ −𝑎
11 11 11
𝑎 𝑎 𝑎
− 21
0 − 𝑎23 ⋯ − 𝑎2𝑛
迭代矩阵𝐵 = D −1
L+U = 𝑎22 22 22
⋮ ⋮ ⋮ ⋱ ⋮
𝑎 𝑎𝑛2 𝑎𝑛3
− 𝑛1 − − ⋯ 0
𝑎𝑛𝑛 𝑎𝑛𝑛 𝑎𝑛𝑛
高斯-赛德尔(G-S)迭代公式
(𝑘+1) 1
𝑥1 = (𝑏1 − 𝑎12 𝑥2𝑘 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑘 )
𝑎11
(𝑘+1) 1
𝑥2 = (𝑏2 − 𝑎21 𝑥1𝑘+1 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑘 )
𝑎22
⋮
(𝑘+1) 1
𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛1 𝑥1𝑘+1 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑘+1
)
𝑎𝑛𝑛
迭代法矩阵描述 A D L U
0 0 a12 a1n
a11 a
a 21 0 0
D 22 L a31 a32
U
a
n 1n
an1 an 2 0 0
ann
𝑘+1
Jacobi迭代 𝑥 = 𝐷−1 𝐿 + 𝑈 𝑥 (𝑘) + 𝐷−1 𝑏
G-S迭代 𝑥 (𝑘+1) = (𝐷 − 𝐿)−1 𝑈𝑥 (𝑘) + (𝐷 − 𝐿)−1 𝑏
Th: 迭代法𝑥 (𝑘+1) = 𝐵𝑥 (𝑘) + 𝑓收敛的充要条件是𝜌 𝐵 < 1
Th: 若A为严格对角占优矩阵或不可约弱对角占优矩阵,则
Jacobi和G-S迭代都收敛
𝜌 𝐺 = 4/5 < 1,因此,G-S迭代收敛。