数值计算方法
线性方程组的迭代解法
张晓平
2019 年 10 月 12 日
武汉大学数学与统计学院
Table of contents
1. 线性方程组的性态
2. Jacobi 迭代与 Gauss-Seidel 迭代
3. Jacobi 与 Gauss-Seidel 迭代的收敛性分析
4. 超松弛迭代法
线性方程组的性态
线性方程组的性态
向量范数
向量范数
定义 : 向量范数
向量范数是一个∥ · ∥ : Rn→ R 的非负函数,它满足:
(1) 正定性:
∥x∥ ⩾ 0, ∀ x ∈ Rn, 且 ∥x∥ = 0 ⇐⇒ x = 0 (2) 齐次性:
∥αx∥ = |α|∥x∥, ∀ x ∈ Rn, α∈ R (3) 三角不等式:
∥x + y∥ ⩽ ∥x∥ + ∥y∥, ∀ x, y ∈ Rn
向量范数
由 (2) 和 (3) 易知,∀ x, y ∈ Rn 有 ∥x∥−∥y∥ ⩽ ∥x− y∥ ⩽ max
1⩽i⩽n∥ei∥
∑n i=1
|xi− yi|.
这说明∥ · ∥ 作为 Rn的实函数是连续的。
向量范数
定义 : p 范数
∥x∥p= (|x1|p+· · · + |xn|p)1p, p⩾ 1
• 1 范数
∥x∥1=|x1| + · · · + |xn|
• 2 范数
∥x∥2=(
|x1|2+· · · + |xn|2)12
=√ xTx
• ∞ 范数
∥x∥∞ = max
··· ,n{|xi|}
向量范数
定理 : 范数等价性
设∥ · ∥α 和∥ · ∥β 是Rn 的任意两个范数,则存在正常数 c1 和 c2
使得∀ x ∈ Rn 有
c1∥x∥α⩽ ∥x∥β ⩽ c2∥x∥α
请自行验证
∥x∥2 ⩽ ∥x∥1 ⩽ √n∥x∥2,
∥x∥∞ ⩽ ∥x∥2 ⩽ √ n∥x∥∞,
∥x∥∞ ⩽ ∥x∥1 ⩽ n∥x∥∞,
向量范数
定理 : 范数等价性
设∥ · ∥α 和∥ · ∥β 是Rn 的任意两个范数,则存在正常数 c1 和 c2
使得∀ x ∈ Rn 有
c1∥x∥α⩽ ∥x∥β ⩽ c2∥x∥α
请自行验证
∥x∥2 ⩽ ∥x∥1 ⩽ √ n∥x∥2,
∥x∥∞ ⩽ ∥x∥2 ⩽ √ n∥x∥∞,
∥x∥∞ ⩽ ∥x∥1 ⩽ n∥x∥∞,
向量范数
定理
设 x(k), x∈ Rn,则
klim→∞∥x(k)− x∥ = 0 ⇐⇒ lim
k→∞|x(k)i − xi| = 0, i = 1, · · · , n
线性方程组的性态
矩阵范数
矩阵范数
性质
矩阵范数是一个∥ · ∥ : Rn×n→ R 的非负函数,它满足:
(1) 正定性:
∥A∥ ⩾ 0, ∀ A ∈ Rn×n, 且∥A∥ = 0 ⇐⇒ A = 0 (2) 齐次性:
∥αA∥ = |α| · ∥A∥, ∀ A ∈ Rn×n, α∈ R (3) 三角不等式:
∥A + B∥ ⩽ ∥A∥ + ∥B∥, ∀ A, B ∈ Rn×n (4) 相容性:
矩阵范数
性质
1◦ Rn×n 上的任意两个范数等价
2◦ 矩阵序列的范数收敛等价于元素收敛,即
klim→∞∥Ak− A∥ = 0 ⇐⇒ lim
k→∞a(k)ij = aij, i, j = 1,· · · , n, 其中 Ak= (a(k)ij ).
矩阵范数
定义 : 矩阵范数与向量范数的相容性 若矩阵范数∥ · ∥M 和向量范数∥ · ∥v满足
∥Ax∥v⩽ ∥A∥M∥x∥v, A∈ Rn×n, x∈ Rn, 则称矩阵范数∥ · ∥M和向量范数∥ · ∥v相容。
若无特别说明,总假定矩阵范数和向量范数相容。
矩阵范数
定义 : 矩阵范数与向量范数的相容性 若矩阵范数∥ · ∥M 和向量范数∥ · ∥v满足
∥Ax∥v⩽ ∥A∥M∥x∥v, A∈ Rn×n, x∈ Rn, 则称矩阵范数∥ · ∥M和向量范数∥ · ∥v相容。
若无特别说明,总假定矩阵范数和向量范数相容。
矩阵范数
定义 : 从属范数
设∥ · ∥ 是 Rn上的一个向量范数,若定义
|∥A∥| = max
∥x∥=1∥Ax∥, A ∈ Rn×n, 则称|∥ · ∥| 是 Rn×n 上的一个矩阵范数。
这样的矩阵范数|∥ · ∥| 称为从属于向量范数∥ · ∥ 的矩阵范数,也称由 向量范数∥ · ∥ 诱导出的算子范数。
矩阵范数
定义 : 从属范数
设∥ · ∥ 是 Rn上的一个向量范数,若定义
|∥A∥| = max
∥x∥=1∥Ax∥, A ∈ Rn×n, 则称|∥ · ∥| 是 Rn×n 上的一个矩阵范数。
这样的矩阵范数|∥ · ∥| 称为从属于向量范数∥ · ∥ 的矩阵范数,也称由 向量范数∥ · ∥ 诱导出的算子范数。
矩阵范数
由Rn 上的 p 范数可诱导出Rn×n 上的算子范数∥ · ∥p:
∥A∥p = max
∥x∥p=1∥Ax∥p, A∈ Rn×n.
矩阵范数
推论
设 A = (aij)∈ Rn×n,则
• 列范数
∥A∥1= max
1⩽j⩽n
∑n i=1
|aij|
• 行范数
∥A∥∞ = max
1⩽i⩽n
∑n j=1
|aij|
• 谱范数
∥A∥2=
√
λmax(ATA) 其中 λmax(ATA) 表示 ATA 的最大特征值。
注
当 A = 0 时定理显然成立,以下证明只考虑 A̸= 0。
矩阵范数
推论
设 A = (aij)∈ Rn×n,则
• 列范数
∥A∥1= max
1⩽j⩽n
∑n i=1
|aij|
• 行范数
∥A∥∞ = max
1⩽i⩽n
∑n j=1
|aij|
• 谱范数
∥A∥2=
√
λmax(ATA) 其中 λmax(ATA) 表示 ATA 的最大特征值。
矩阵范数
证明 (列范数) :
设 A = [a1,· · · , an],且 δ =∥aj0∥ = max1⩽j⩽n∥aj∥1.
对任意满 足∥x∥1= 1 的 x∈ Rn,有
∥Ax∥1 =
∑n j=1
xjaj
1
⩽
∑n j=1
|xj|∥aj∥1
⩽
∑n j=1
|xj| max
1⩽j⩽n∥aj∥1=∥aj0∥1= δ. 因∥ej0∥ = 1 且 ∥Aej0∥1=∥aj0∥1= δ,故
∥A∥1= max
∥x|1=1∥Ax∥1= δ = max
1⩽j⩽n∥aj∥1= max
1⩽j⩽n
∑n i=1
|aij|.
矩阵范数
证明 (列范数) :
设 A = [a1,· · · , an],且 δ =∥aj0∥ = max1⩽j⩽n∥aj∥1. 对任意满 足∥x∥1= 1 的 x∈ Rn,有
∥Ax∥1 =
∑n j=1
xjaj
1
⩽
∑n j=1
|xj|∥aj∥1
⩽
∑n j=1
|xj| max
1⩽j⩽n∥aj∥1=∥aj0∥1= δ.
因∥ej0∥ = 1 且 ∥Aej0∥1=∥aj0∥1= δ,故
∥A∥1= max
∥x|1=1∥Ax∥1= δ = max
1⩽j⩽n∥aj∥1= max
1⩽j⩽n
∑n i=1
|aij|.
矩阵范数
证明 (列范数) :
设 A = [a1,· · · , an],且 δ =∥aj0∥ = max1⩽j⩽n∥aj∥1. 对任意满 足∥x∥1= 1 的 x∈ Rn,有
∥Ax∥1 =
∑n j=1
xjaj
1
⩽
∑n j=1
|xj|∥aj∥1
⩽
∑n j=1
|xj| max
1⩽j⩽n∥aj∥1=∥aj0∥1= δ.
因∥ej0∥ = 1 且 ∥Aej0∥1=∥aj0∥1= δ,故
∥A∥1= max ∥Ax∥1= δ = max ∥aj∥1= max
∑n
|aij|.
矩阵范数
证明 (行范数) : 设 η = max
1⩽i⩽n
∑n j=1
|aij|,对任意满足 ∥x∥∞ = 1 的 x∈ Rn,有
∥Ax∥∞ = max
1⩽i⩽n
∑n j=1
aijxj
⩽ max
1⩽i⩽n
∑n j=1
|aij||xj| ⩽ max
1⩽i⩽n
∑n j=1
|aij| = η.
设 A 的第 k 行的 1 范数最大,即 η =∑n
j=1|akj|。令 x∗= (sgn(ak1), · · · , sgn(akn))T, 则
A̸= 0 =⇒ ∥x∗∥∞= 1 =⇒ ∥Ax∗∥∞= η 从而
∥A∥∞ = η = max
1⩽j⩽n
∑n j=1
|aij|.
矩阵范数
证明 (行范数) : 设 η = max
1⩽i⩽n
∑n j=1
|aij|,对任意满足 ∥x∥∞ = 1 的 x∈ Rn,有
∥Ax∥∞ = max
1⩽i⩽n
∑n j=1
aijxj
⩽ max
1⩽i⩽n
∑n j=1
|aij||xj| ⩽ max
1⩽i⩽n
∑n j=1
|aij| = η.
设 A 的第 k 行的 1 范数最大,即 η =∑n
j=1|akj|。令 x∗= (sgn(ak1), · · · , sgn(akn))T, 则
A̸= 0 =⇒ ∥x∗∥∞= 1 =⇒ ∥Ax∗∥∞= η 从而
∥A∥∞ = η = max
1⩽j⩽n
∑n j=1
|aij|.
矩阵范数
证明 (行范数) : 设 η = max
1⩽i⩽n
∑n j=1
|aij|,对任意满足 ∥x∥∞ = 1 的 x∈ Rn,有
∥Ax∥∞ = max
1⩽i⩽n
∑n j=1
aijxj
⩽ max
1⩽i⩽n
∑n j=1
|aij||xj| ⩽ max
1⩽i⩽n
∑n j=1
|aij| = η.
设 A 的第 k 行的 1 范数最大,即 η =∑n
j=1|akj|。令 x∗= (sgn(ak1), · · · , sgn(akn))T, 则
A̸= 0 =⇒ ∥x∗∥∞= 1 =⇒ ∥Ax∗∥∞= η
从而
∥A∥∞ = η = max
1⩽j⩽n
∑n j=1
|aij|.
矩阵范数
证明 (行范数) : 设 η = max
1⩽i⩽n
∑n j=1
|aij|,对任意满足 ∥x∥∞ = 1 的 x∈ Rn,有
∥Ax∥∞ = max
1⩽i⩽n
∑n j=1
aijxj
⩽ max
1⩽i⩽n
∑n j=1
|aij||xj| ⩽ max
1⩽i⩽n
∑n j=1
|aij| = η.
设 A 的第 k 行的 1 范数最大,即 η =∑n
j=1|akj|。令 x∗= (sgn(ak1), · · · , sgn(akn))T, 则
A̸= 0 =⇒ ∥x∗∥∞= 1 =⇒ ∥Ax∗∥∞= η
矩阵范数
证明 (谱范数) :
∥A∥2 可表示为
∥A∥2= max
∥x∥2=1∥Ax∥2= max
∥x∥2=1
√
xT(ATA)x
显然 ATA 对称半正定,故可设其特征值和特征向量分别为 λ1⩾ λ2⩾ · · · ⩾ λ2⩾ 0, v1,· · · , vn∈ Rn且∥vi∥ = 1.
一方面,对任意满足 ∥x∥2 = 1 的 x ∈ Rn,有 x =
∑n i=1
αivi 和
∑n i=1
α2i = 1,于是
xTATAx =
∑n i=1
λiα2i ⩽ λ1.
矩阵范数
证明 (谱范数) :
∥A∥2 可表示为
∥A∥2= max
∥x∥2=1∥Ax∥2= max
∥x∥2=1
√
xT(ATA)x
显然 ATA 对称半正定,故可设其特征值和特征向量分别为 λ1⩾ λ2⩾ · · · ⩾ λ2⩾ 0, v1,· · · , vn∈ Rn且∥vi∥ = 1.
一方面,对任意满足 ∥x∥2 = 1 的 x ∈ Rn,有 x =
∑n i=1
αivi 和
∑n i=1
α2i = 1,于是
矩阵范数
证明 (谱范数) :
另一方面,取 x = v1,则有
xTATAx = vT1ATAv1= vT1λ1v1= λ1
于是
∥A∥2= max
∥x∥2=1∥Ax∥2=√ λ1=
√
λmax(ATA)
矩阵范数
证明 (谱范数) :
另一方面,取 x = v1,则有
xTATAx = vT1ATAv1= vT1λ1v1= λ1
于是
∥A∥2= max
∥x∥2=1∥Ax∥2=√ λ1=
√
λmax(ATA)
矩阵范数
定义 : Frobenius 范数
∥A∥F= vu ut∑n
i,j=1
|aij|2
它是向量 2 范数的自然推广。
矩阵范数
定义 : 谱半径 设 A∈ Cn×n,称
ρ(A) = max{|λ| : λ ∈ λ(A)}
为 A 的谱半径,其中 λ(A) 表示 A 的特征值的全体。
矩阵范数
定理 : 谱半径与矩阵范数的关系 设 A∈ Cn×n,则
(1) 对 Cn×n 上的任意矩阵范数∥ · ∥,有 ρ(A)⩽ ∥A∥
(2) ∀ϵ > 0,存在 Cn×n 上的矩阵范数∥ · ∥ 使得
∥A∥ ⩽ ρ(A) + ϵ
证明
Ax = λx, x̸= 0 ⇒ |λ|∥x∥ = ∥Ax∥ ⩽ ∥A∥∥x∥
⇒ |λ| ⩽ ∥A∥.
矩阵范数
定理 : 谱半径与矩阵范数的关系 设 A∈ Cn×n,则
(1) 对 Cn×n 上的任意矩阵范数∥ · ∥,有 ρ(A)⩽ ∥A∥
(2) ∀ϵ > 0,存在 Cn×n 上的矩阵范数∥ · ∥ 使得
∥A∥ ⩽ ρ(A) + ϵ 证明
Ax = λx, x̸= 0 ⇒ |λ|∥x∥ = ∥Ax∥ ⩽ ∥A∥∥x∥
矩阵范数
定理
设 A∈ Cn×n,则
klim→∞Ak= 0 ⇐⇒ ρ(A) < 1
证明
⇒ 令 |λ0| = ρ(A),由 limk→∞Ak= 0 知
ρ(A)k=|λ0|k=|λ0k| ⩽ ρ(Ak)⩽ ∥Ak∥2< 1 (k→ ∞) 从而有 ρ(A) < 1.
⇐
ρ(A) < 1 =⇒ 存在范数∥ · ∥使得∥A∥ < 1
=⇒ 0⩽ ∥Ak∥ ⩽ ∥A∥k→ 0, k → ∞.
矩阵范数
定理
设 A∈ Cn×n,则
klim→∞Ak= 0 ⇐⇒ ρ(A) < 1
证明
⇒ 令 |λ0| = ρ(A),由 limk→∞Ak= 0 知
ρ(A)k=|λ0|k=|λ0k| ⩽ ρ(Ak)⩽ ∥Ak∥2< 1 (k→ ∞) 从而有 ρ(A) < 1.
⇐
ρ(A) < 1 =⇒ 存在范数∥ · ∥使得∥A∥ < 1
=⇒ 0⩽ ∥Ak∥ ⩽ ∥A∥k→ 0, k → ∞.
矩阵范数
定理
设 A∈ Cn×n,则
klim→∞Ak= 0 ⇐⇒ ρ(A) < 1
证明
⇒ 令 |λ0| = ρ(A),由 limk→∞Ak= 0 知
ρ(A)k=|λ0|k=|λ0k| ⩽ ρ(Ak)⩽ ∥Ak∥2< 1 (k→ ∞) 从而有 ρ(A) < 1.
⇐
ρ(A) < 1 =⇒ 存在范数∥ · ∥使得∥A∥ < 1
矩阵范数
推论
设 A∈ Cn×n,Cn×n 上的∥ · ∥ 满足 ∥I∥ = 1,则
∥A∥ < 1 =⇒
I − A可逆
(I − A)−1 ⩽ 11 −∥A∥
矩阵范数
证明
若 I − A 奇异,则 (I − A)x = 0 有非零解,即存在 x∗̸= 0 使得 x∗= Ax∗
从而
∥x∗∥ = ∥Ax∗∥ ⩽ ∥A∥∥x∗∥
因∥x∗∥ > 0,故 ∥A∥ ⩾ 1,这与已知矛盾,从而 I − A 必非奇异。
由 (I − A)(I − A)−1= I 得
(I − A)−1= I + A(I − A)−1
⇒ ∥(I − A)−1∥ ⩽ ∥I∥ + ∥A∥∥(I − A)−1∥
⇒ ∥(I − A)−1∥ ⩽ 1 1 −∥A∥
矩阵范数
证明
若 I − A 奇异,则 (I − A)x = 0 有非零解,即存在 x∗̸= 0 使得 x∗= Ax∗
从而
∥x∗∥ = ∥Ax∗∥ ⩽ ∥A∥∥x∗∥
因∥x∗∥ > 0,故 ∥A∥ ⩾ 1,这与已知矛盾,从而 I − A 必非奇异。
由 (I − A)(I − A)−1 = I 得
(I − A)−1= I + A(I − A)−1
⇒ ∥(I − A)−1∥ ⩽ ∥I∥ + ∥A∥∥(I − A)−1∥
⇒ ∥(I − A)−1∥ ⩽ 1 1 −∥A∥
矩阵范数
证明
若 I − A 奇异,则 (I − A)x = 0 有非零解,即存在 x∗̸= 0 使得 x∗= Ax∗
从而
∥x∗∥ = ∥Ax∗∥ ⩽ ∥A∥∥x∗∥
因∥x∗∥ > 0,故 ∥A∥ ⩾ 1,这与已知矛盾,从而 I − A 必非奇异。
由 (I − A)(I − A)−1 = I 得
(I − A)−1= I + A(I − A)−1
⇒ ∥(I − A)−1∥ ⩽ ∥I∥ + ∥A∥∥(I − A)−1∥
线性方程组的性态
线性方程组的敏度分析
线性方程组的敏度分析
线性方程组的敏感性问题 考察线性方程组
Ax = b,
若给 A 和 b 以微小的扰动,其解会有何影响。
线性方程组的敏度分析
例
[ 2.0002 1.9998 1.9998 2.0002
] [ x1
x2
]
= [ 4
4 ]
→ x = (1 1)T. [ 2.0002 1.9998
1.9998 2.0002 ] [ x1
x2
]
=
[ 4+0.0002 4−0.0002
]
→ x∗= (1.5 0.5)T.
∥δb∥∞
∥b∥∞ = 1
20000 ⇒ ∥x∗− x∥∞
∥x∥∞ = 1 2
线性方程组的敏度分析
例
[ 2.0002 1.9998 1.9998 2.0002
] [ x1
x2
]
= [ 4
4 ]
→ x = (1 1)T. [ 2.0002 1.9998
1.9998 2.0002 ] [ x1
x2
]
=
[ 4+0.0002 4−0.0002
]
→ x∗= (1.5 0.5)T.
∥δb∥∞
∥b∥∞ = 1 20000
⇒ ∥x∗− x∥∞
∥x∥∞ = 1 2
线性方程组的敏度分析
例
[ 2.0002 1.9998 1.9998 2.0002
] [ x1
x2
]
= [ 4
4 ]
→ x = (1 1)T. [ 2.0002 1.9998
1.9998 2.0002 ] [ x1
x2
]
=
[ 4+0.0002 4−0.0002
]
→ x∗= (1.5 0.5)T.
∥δb∥∞
∥b∥∞ = 1
20000 ⇒ ∥x∗− x∥∞
∥x∥∞ = 1 2
线性方程组的敏度分析
考察非奇异线性方程组
Ax = b A→ A + δA b→ b + δb
}
=⇒ x → x + δx.
(A + δA)(x + δx) = b + δb
=⇒ (A + δA)δx = δb − δAx
只要∥A−1∥ · ∥δA∥ < 1,就有A + δA 可逆,并且
∥(I + A−1δA)−1∥ ⩽ 1
1 −∥A−1∥ · ∥δA∥. 于是
δx = (A + δA)−1(δb − δAx) =(
I + A−1δA)−1
A−1(δb − δAx),
线性方程组的敏度分析
考察非奇异线性方程组
Ax = b A→ A + δA b→ b + δb
}
=⇒ x → x + δx.
(A + δA)(x + δx) = b + δb
=⇒ (A + δA)δx = δb − δAx
只要∥A−1∥ · ∥δA∥ < 1,就有A + δA 可逆,并且
∥(I + A−1δA)−1∥ ⩽ 1
1 −∥A−1∥ · ∥δA∥. 于是
δx = (A + δA)−1(δb − δAx) =(
I + A−1δA)−1
A−1(δb − δAx),
线性方程组的敏度分析
考察非奇异线性方程组
Ax = b A→ A + δA b→ b + δb
}
=⇒ x → x + δx.
(A + δA)(x + δx) = b + δb
=⇒ (A + δA)δx = δb − δAx
只要∥A−1∥ · ∥δA∥ < 1,就有A + δA 可逆,并且
∥(I + A−1δA)−1∥ ⩽ 1
1 −∥A−1∥ · ∥δA∥.
于是
δx = (A + δA)−1(δb − δAx) =(
I + A−1δA)−1
A−1(δb − δAx),
线性方程组的敏度分析
考察非奇异线性方程组
Ax = b A→ A + δA b→ b + δb
}
=⇒ x → x + δx.
(A + δA)(x + δx) = b + δb
=⇒ (A + δA)δx = δb − δAx
只要∥A−1∥ · ∥δA∥ < 1,就有A + δA 可逆,并且
∥(I + A−1δA)−1∥ ⩽ 1
1 −∥A−1∥ · ∥δA∥. 于是
线性方程组的敏度分析
定义 : 条件数
称 κ(A) =∥A−1∥ · ∥A∥ 为矩阵 A 的条件数。
线性方程组的敏度分析
由
δx =(
I + A−1δA)−1
A−1(δb − δAx) 可得
∥δx∥ ⩽ ∥(I + A−1δA)−1∥ · ∥A−1∥ · (∥δb∥ + ∥δA∥ · ∥x∥)
⩽ ∥A−1∥
1 −∥A−1∥ · ∥δA∥(∥δb∥ + ∥δA∥ · ∥x∥). 两端同时除以∥x∥,并由 ∥b∥ ⩽ ∥A∥ · ∥x∥ 可知
∥δx∥
∥x∥ ⩽ ∥A−1∥∥A∥ 1 −∥A−1∥ · ∥δA∥
( ∥δb∥
∥A∥∥x∥+ ∥δA∥
∥A∥∥ )
⩽ ∥A−1∥∥A∥ 1 −∥A−1∥ · ∥δA∥
(∥δb∥
∥b∥ + ∥δA∥
∥A∥∥ )
线性方程组的敏度分析
由
δx =(
I + A−1δA)−1
A−1(δb − δAx) 可得
∥δx∥ ⩽ ∥(I + A−1δA)−1∥ · ∥A−1∥ · (∥δb∥ + ∥δA∥ · ∥x∥)
⩽
∥A−1∥
1 −∥A−1∥ · ∥δA∥(∥δb∥ + ∥δA∥ · ∥x∥). 两端同时除以∥x∥,并由 ∥b∥ ⩽ ∥A∥ · ∥x∥ 可知
∥δx∥
∥x∥ ⩽ ∥A−1∥∥A∥ 1 −∥A−1∥ · ∥δA∥
( ∥δb∥
∥A∥∥x∥+ ∥δA∥
∥A∥∥ )
⩽ ∥A−1∥∥A∥ 1 −∥A−1∥ · ∥δA∥
(∥δb∥
∥b∥ + ∥δA∥
∥A∥∥ )
线性方程组的敏度分析
由
δx =(
I + A−1δA)−1
A−1(δb − δAx) 可得
∥δx∥ ⩽ ∥(I + A−1δA)−1∥ · ∥A−1∥ · (∥δb∥ + ∥δA∥ · ∥x∥)
⩽ ∥A−1∥
1 −∥A−1∥ · ∥δA∥(∥δb∥ + ∥δA∥ · ∥x∥).
两端同时除以∥x∥,并由 ∥b∥ ⩽ ∥A∥ · ∥x∥ 可知
∥δx∥
∥x∥ ⩽ ∥A−1∥∥A∥ 1 −∥A−1∥ · ∥δA∥
( ∥δb∥
∥A∥∥x∥+ ∥δA∥
∥A∥∥ )
⩽ ∥A−1∥∥A∥ 1 −∥A−1∥ · ∥δA∥
(∥δb∥
∥b∥ + ∥δA∥
∥A∥∥ )
线性方程组的敏度分析
由
δx =(
I + A−1δA)−1
A−1(δb − δAx) 可得
∥δx∥ ⩽ ∥(I + A−1δA)−1∥ · ∥A−1∥ · (∥δb∥ + ∥δA∥ · ∥x∥)
⩽ ∥A−1∥
1 −∥A−1∥ · ∥δA∥(∥δb∥ + ∥δA∥ · ∥x∥).
两端同时除以∥x∥,并由 ∥b∥ ⩽ ∥A∥ · ∥x∥ 可知
∥δx∥
∥x∥ ⩽ ∥A−1∥∥A∥
1 −∥A−1∥ · ∥δA∥
( ∥δb∥
∥A∥∥x∥+∥δA∥
∥A∥∥
)
⩽ ∥A−1∥∥A∥ 1 −∥A−1∥ · ∥δA∥
(∥δb∥
∥b∥ + ∥δA∥
∥A∥∥ )
线性方程组的敏度分析
由
δx =(
I + A−1δA)−1
A−1(δb − δAx) 可得
∥δx∥ ⩽ ∥(I + A−1δA)−1∥ · ∥A−1∥ · (∥δb∥ + ∥δA∥ · ∥x∥)
⩽ ∥A−1∥
1 −∥A−1∥ · ∥δA∥(∥δb∥ + ∥δA∥ · ∥x∥).
两端同时除以∥x∥,并由 ∥b∥ ⩽ ∥A∥ · ∥x∥ 可知
∥δx∥
∥x∥ ⩽ ∥A−1∥∥A∥
1 −∥A−1∥ · ∥δA∥
( ∥δb∥
∥A∥∥x∥+∥δA∥
∥A∥∥
)
⩽ ∥A−1∥∥A∥ (
∥δb∥ ∥δA∥)
线性方程组的敏度分析
定理 条件:
• ∥ · ∥ 满足 ∥I∥ = 1, A ∈ Rn×n 非奇异,b∈ Rn非零
• δA∈ Rn×n 满足∥A−1∥ · ∥δA∥ < 1
• {
Ax = b (A + δA)(x + δx) = b + δb
结论: ∥δx∥
∥x∥ ⩽ κ(A) 1 − κ(A)∥δA∥∥A∥
(∥δA∥
∥A∥ +∥δb∥
∥b∥ )
.
线性方程组的敏度分析
定理 条件:
• ∥ · ∥ 满足 ∥I∥ = 1, A ∈ Rn×n 非奇异,b∈ Rn非零
• δA∈ Rn×n 满足∥A−1∥ · ∥δA∥ < 1
• {
Ax = b (A + δA)(x + δx) = b + δb 结论: ∥δx∥
∥x∥ ⩽ κ(A) 1 − κ(A)∥δA∥∥A∥
(∥δA∥
∥A∥ +∥δb∥
∥b∥
) .
线性方程组的敏度分析
∥δA∥∥A∥较小
=⇒ κ(A)
1 − κ(A)∥δA∥∥A∥ ≈ κ(A)
=⇒ ∥δx∥
∥x∥ ⩽κ(A)
(∥δA∥
∥A∥ +∥δb∥
∥b∥ )
结论
• x 的相对误差由 b 和 A 的相对误差之和放大 κ(A) 倍得来
• 若 κ(A) 不大,则扰动对解的影响也不会太大
• 若 κ(A) 很大,则扰动对解的影响可能会太大
线性方程组的敏度分析
∥δA∥∥A∥较小
=⇒ κ(A)
1 − κ(A)∥δA∥∥A∥ ≈ κ(A)
=⇒ ∥δx∥
∥x∥ ⩽κ(A)
(∥δA∥
∥A∥ +∥δb∥
∥b∥ )
结论
• x 的相对误差由 b 和 A 的相对误差之和放大 κ(A) 倍得来
• 若 κ(A) 不大,则扰动对解的影响也不会太大
• 若 κ(A) 很大,则扰动对解的影响可能会太大
线性方程组的敏度分析
∥δA∥∥A∥较小
=⇒ κ(A)
1 − κ(A)∥δA∥∥A∥ ≈ κ(A)
=⇒ ∥δx∥
∥x∥ ⩽κ(A) (∥δA∥
∥A∥ +∥δb∥
∥b∥
)
结论
• x 的相对误差由 b 和 A 的相对误差之和放大 κ(A) 倍得来
• 若 κ(A) 不大,则扰动对解的影响也不会太大
• 若 κ(A) 很大,则扰动对解的影响可能会太大
线性方程组的敏度分析
∥δA∥∥A∥较小
=⇒ κ(A)
1 − κ(A)∥δA∥∥A∥ ≈ κ(A)
=⇒ ∥δx∥
∥x∥ ⩽κ(A) (∥δA∥
∥A∥ +∥δb∥
∥b∥
)
结论
• x 的相对误差由 b 和 A 的相对误差之和放大 κ(A) 倍得来
• 若 κ(A) 不大,则扰动对解的影响也不会太大
• 若 κ(A) 很大,则扰动对解的影响可能会太大
线性方程组的敏度分析
∥δA∥∥A∥较小
=⇒ κ(A)
1 − κ(A)∥δA∥∥A∥ ≈ κ(A)
=⇒ ∥δx∥
∥x∥ ⩽κ(A) (∥δA∥
∥A∥ +∥δb∥
∥b∥
)
结论
• x 的相对误差由 b 和 A 的相对误差之和放大 κ(A) 倍得来
• 若 κ(A) 不大,则扰动对解的影响也不会太大
• 若 κ(A) 很大,则扰动对解的影响可能会太大
线性方程组的敏度分析
∥δA∥∥A∥较小
=⇒ κ(A)
1 − κ(A)∥δA∥∥A∥ ≈ κ(A)
=⇒ ∥δx∥
∥x∥ ⩽κ(A) (∥δA∥
∥A∥ +∥δb∥
∥b∥
)
结论
• x 的相对误差由 b 和 A 的相对误差之和放大 κ(A) 倍得来
• 若 κ(A) 不大,则扰动对解的影响也不会太大
线性方程组的敏度分析
条件数在一定程度上刻画了扰动对解的影响程度。
• 若κ(A) 很大,则称线性方程组 Ax = b 求解问题是病态的,或者 说 A 是病态的;
• 若κ(A) 很小,则称该线性方程组 Ax = b 求解问题是良态的,或 者说 A 是良态的。
线性方程组的敏度分析
条件数在一定程度上刻画了扰动对解的影响程度。
• 若κ(A) 很大,则称线性方程组 Ax = b 求解问题是病态的,或者 说 A 是病态的;
• 若κ(A) 很小,则称该线性方程组 Ax = b 求解问题是良态的,或 者说 A 是良态的。
线性方程组的敏度分析
条件数在一定程度上刻画了扰动对解的影响程度。
• 若κ(A) 很大,则称线性方程组 Ax = b 求解问题是病态的,或者 说 A 是病态的;
• 若κ(A) 很小,则称该线性方程组 Ax = b 求解问题是良态的,或 者说 A 是良态的。
线性方程组的敏度分析
条件数与范数有关,Rn×n 上任意两种范数下的条件数 κα(A) 与 κβ(A) 都是等价的,即存在常数 c1和 c2,使得
c1κα(A)⩽ κβ(A)⩽ c2κα(A).
例如,
1
nκ2(A) ⩽ κ1(A) ⩽ nκ2(A),
1
nκ∞(A) ⩽ κ2(A) ⩽ nκ∞(A),
1
n2κ1(A) ⩽ κ∞(A) ⩽ n2κ2(A).
线性方程组的敏度分析
推论 条件:
• ∥ · ∥ 满足条件 ∥I∥ = 1,A ∈ Rn×n 非奇异
• δA∈ Rn×n 满足∥A−1∥ · ∥δA∥ < 1 结论
• A + δA 非奇异
• ∥(A + δA)−1− A−1∥
∥A−1∥ ⩽ κ(A)
1 − κ(A)∥δA∥∥A∥
∥δA∥
∥A∥.
这表明 κ(A) 可当做矩阵求逆问题的条件数。
线性方程组的敏度分析
推论 条件:
• ∥ · ∥ 满足条件 ∥I∥ = 1,A ∈ Rn×n 非奇异
• δA∈ Rn×n 满足∥A−1∥ · ∥δA∥ < 1 结论
• A + δA 非奇异
• ∥(A + δA)−1− A−1∥
∥A−1∥ ⩽ κ(A)
1 − κ(A)∥δA∥∥A∥
∥δA∥
∥A∥.
Jacobi 迭代与 Gauss-Seidel 迭代
Jacobi 迭代与 Gauss-Seidel 迭代
Jacobi 迭代法
Jacobi 迭代法
设 aii̸= 0,
a11x1+ a12x2+ a13x3= b1
a21x1+a22x2+ a23x3= b2
a31x1+ a32x2+a33x3= b3
=⇒
x1= 1
a11
( −a12x2− a13x3 +b1
)
x2= 1 a22
(− a21x1 − a23x3 +b2
)
x3= 1 a33
(− a31x1 −a32x2 +b3
)
Jacobi 迭代法
设 aii̸= 0,
a11x1+ a12x2+ a13x3= b1
a21x1+a22x2+ a23x3= b2
a31x1+ a32x2+a33x3= b3
=⇒
x1= 1
a11
( −a12x2− a13x3 +b1
)
x2= 1 a22
(− a21x1 − a23x3 +b2
)
x3= 1 a33
(− a31x1 −a32x2 +b3
)
Jacobi 迭代法
设 aii̸= 0,
a11x1+ a12x2+ a13x3= b1
a21x1+a22x2+ a23x3= b2
a31x1+ a32x2+a33x3= b3
=⇒
x1= 1
a11
( −a12x2− a13x3 +b1
)
x2= 1 a22
(− a21x1 − a23x3 +b2
)
x3= 1 (
− a31x1 −a32x2 +b3)
Jacobi 迭代法
取 x(0)= (
x(0)1 , x(0)2 , x(0)3 )T
,代入上式右端得
x(1)1 = 1 a11
( −a12x(0)2 − a13x(0)3 +b1)
x(1)2 = 1 a22
(− a21x(0)1 − a23x(0)3 +b2
)
x(1)3 = 1 a33
(− a31x(0)1 −a32x(0)2 +b3
)
Jacobi 迭代法
x(k+1)1 = 1 a11
( −a12x(k)2 − a1,3x(k)3 +b1
)
x(k+1)2 = 1 a22
(− a21x(k)1 − a23x(k)3 +b2
)
x(k+1)3 = 1 a33
(− a31x(k)1 −a32x(k)2 +b3
)
Jacobi 迭代法
线性方程组
Ax = b (1)