Учебник - Практические занятия по вычислительной математике - Аристова, страница 7
Описание файла
PDF-файл из архива "Учебник - Практические занятия по вычислительной математике - Аристова", который расположен в категории "". Всё это находится в предмете "вычислительная математика" из 6 семестр, которые можно найти в файловом архиве МФТИ (ГУ). Не смотря на прямую связь этого архива с МФТИ (ГУ), его также можно найти и в других разделах. .
Просмотр PDF-файла онлайн
Текст 7 страницы из PDF
LU-разложениеСреди прямых методов численного решения СЛАУ широко используется также LU-разложение матрицы А, эквивалентное методу Гаусса, иметод Холецкого (или метод квадратного корня).Если матрица А представима в виде произведений матриц LU, тоСЛАУ может быть представлена в виде (LU)u = f.Перепишем исходную систему, вводя вспомогательный вектор v, вследующем виде:Lv = f, Uu = v.Решение СЛАУ свелось к последовательному решению двух систем стреугольными матрицами.
Первый этап решения системы Lv = f:v1 f1 ,l21v1 v2 f 2 ,ln1v1 ln 2 v2 ln,n 1vn 1 vn f n ,откуда можно вычислить все vk последовательно по формуламk 1vk f k lkj v j ; k 2,,n.j 1Далее, рассмотрим систему Uu = v илиd11u1 d 2u2 d1n un v1 ,d 22u2 d 2 n un v2 ,.d nn un vn ,39II. ЭЛЕМЕНТЫ ПРИКЛАДНОЙ ЛИНЕЙНОЙ АЛГЕБРЫрешение которой находятся в обратном порядке, т.е. при k = n – 1,…,1 по1очевидным формулам uk d kk(vk nj k 1d kj u j ).Условия существования такого разложения даются следующей теоремой.Теорема 2. Если все главные миноры квадратной матрицы А отличны от нуля, то существуют единственные нижняя и верхняя треугольные матрицы L = {lij} и U = {dij} такие, что А = LU.
При этом вседиагональные коэффициенты матрицы L фиксированы и равны единице.II.4.3. Метод Холецкого (метод квадратного корня)ПустьматрицарассматриваемойлинейнойсистемыА – симметричная, т.е. aij = aji, положительная матрица. Тогда она представима в виде А = LLT, гдеl1n 0 l11 l12 l11 0ll00ll222n .LT , L 12 220lnn lnn 0 l1n l2nДалее, как и в случае LU-разложения, решение СЛАУ Аu = f сводится к последовательному решению двух линейных систем с треугольнымиматрицами Lv = f, LTu = v, для решения которых требуется примерно 2n2арифметических действий.Первая из этих линейных системl11v1 f1,l12v1 l22v2 f 2 ,…l1n v1 l2n v2 lnnvn f n ,она легко решается. Для решения получаем очевидные формулыivi lii1 ( fi lki vk ), i = 1,…, n.k 1Вторая система уравнений естьl11u1 l12u2 l1nun v1,l22u2 l2nun v2 ,…lnnun vn .40II.5.
Итерационные методы решения СЛАУИз нее находим значения переменных ui в обратном порядке по формуламuk lii1 (vk nj k 1lk j u j ).Определенной опасностью при реализации этого метода являютсявозможная близость к нулю lii и отрицательность подкоренных выражений при вычислении lii (последнего не должно быть при симметричнойположительной матрице А).II.5. Итерационные методы решения СЛАУII.5.1. Метод простой итерацииРассмотрим систему линейных алгебраических уравнений Au = f.Проведем несколько равносильных преобразований.
Умножим обечасти системы на один и тот же скалярный множитель τ, затем прибавим кправой и левой частям системы вектор u. Систему уравнений можно теперь записать в виде, удобном для итерацийu = Ru + F,где R = E – τA, F = τf. R называется матрицей перехода.Теперь построим последовательность приближений к решению системы. Выберем произвольный вектор u(0) – начальное приближение крешению. Чаще всего его просто полагают нулевым вектором. Скореевсего, начальное приближение не удовлетворяет исходной системе. Приподстановке его в исходное уравнение возникает невязка r(0) = f – Au(0).Вычислив невязку, можно уточнить приближение к решению, считая чтоu(1) = u(0) + τr (0).По первому приближению снова вычисляется невязка, процесс продолжается.
В ходе итерации получаем u(k+1) = u(k) + τr(k), r(k) = f – Au(k). Эквивалентная формулировка метода, называемого методом простых итераций, заключается в следующем. Решение системы Au = f находится какпредел последовательности {u(0), u(1), u(2), …} приближений, члены которой связаны рекуррентным соотношениемu(k + 1) = Ru(k) + F,u(0) = 0 (или любому произвольному вектору). Если предел такой последовательности существует, то говорят о сходимости итерационного процесса к решению СЛАУ.Существуют другие формы записи метода итераций, например41II.
ЭЛЕМЕНТЫ ПРИКЛАДНОЙ ЛИНЕЙНОЙ АЛГЕБРЫu(k 1) (E A)u(k ) f .Теорема 3. (Достаточное условие сходимости метода простой итерации). Итерационный процесс u(k+1) = Ru(k) + F, сходится к решению UСЛАУ Au = F со скоростью геометрической прогрессии при выполненииусловия: ||R|| ≤ q < 1.Доказательство . Пусть U – точное решение системы. Вычитая източного равенства AU = f равенство u(k+1) = Ru(k) + F, получим u(k) –U = R(u(k –1) – U).
Обозначив погрешность ε(k) = u(k) – U, получим для эволюции погрешности уравнение ε(k) = Rε(k–1).Справедлива цепочка неравенств:u( k ) U ε(k ) R ε(k 1) q ε(k 1) q k ε(0) q k u(0) U ,где 0 < q ≤||R||. Отсюда следует, что при q < 1 lim u(k ) U. ■kИз неравенства ||ε(k) || ≤ qk||ε(0)|| можно получить оценку количестваитераций, необходимых для достижения точности ε, т.е. для выполнения условия ||u(k) – U|| = ||ε(k)|| ≤ ε Эта оценка имеет вид k ln / ln q. || 0 || Теорема 4.
(Критерий сходимости метода простой итерации).Пусть СЛАУ имеет единственное решение. Тогда для сходимости итерационного процесса u(k+1) = Ru(k) + F необходимо и достаточно, чтобывсе собственные значения матрицы R по абсолютной величине былименьше единицы.II.5.2. Каноническая форма записи двухслойных итерационныхметодовКанонической формой записи двухслойного итерационного процесса называется следующая:Bk 1u(k 1) u(k ) Au(k ) f .k 1При Bk = E, τk = τ последняя формула соответствует однопараметрическому итерационному процессу – рассмотренному выше методу простых итераций.
При Bk = E, τk = {τk, k = 1, …, n} – n-шаговому явномуитерационному процессу, при Bk = B', τk = 1 – методу простой итерациибез итерационного параметра. В случае, когда B ≠ E, итерационный метод42II.5.3. Методы Якоби, Зейделя, верхней релаксацииназывается неявным – для вычисления следующего приближения к решению придется решать (как правило, более простую, чем исходную) систему линейных уравнений.II.5.3. Методы Якоби, Зейделя, верхней релаксацииПредставим матрицу А в видеА = L + D + U,где L и U – нижняя и верхняя треугольные матрицы с нулевыми элементами на главной диагонали, D – диагональная матрица. РассматриваемаяСЛАУ может быть переписана в следующем эквивалентном виде:Lu + Du + Uu = f.Построим два итерационных процессаLu(k) + Du(k+1)+ Uu(k) = fиLu(k+1)+ Du(k+1)+ Uu(k) = f,или, соответственно,u(k+1) = –D–1(L+U)u(k) + D–1fиu(k+1) = –(L+D)–1Uu(k) + (L+D)–1f.Очевидно, что эти формулы описывают итерационные методы видаu(k+1) = Ru(k) + F, если положить в первом случаеR = –D–1(L+U), F = D–1fилиR = –(L+D)–1U, F = (L+D)–1fво втором.Эти итерационные методы называются методами Якоби и Зейделясоответственно.Теорема 5 .
(Достаточное условие сходимости метода Якоби).Итерационный метод Якоби сходится к решению соответствующейСЛАУ, если выполнено условие диагонального преобладания43II. ЭЛЕМЕНТЫ ПРИКЛАДНОЙ ЛИНЕЙНОЙ АЛГЕБРЫaii nj 1, j iaij , i = 1,…,n.Теорема 6. (Критерий сходимости итерационного метода Якоби).Для сходимости итерационного метода Якоби необходимо и достаточно, чтобы все корни уравненияa11 a12a21 a22a1na2nan1annan 20по модулю не превосходили единицы.Теорема 7. (Критерий сходимости итерационного метода Зейделя).Для сходимости итерационного метода метода Зейделя необходимо идостаточно, чтобы все корни уравненияa11 a12a21 a22a1na2nan1annan 20по модулю не превосходили единицы.Теорема 8. (Достаточное условие сходимости метода Зейделя).Пусть А – вещественная, симметричная, положительно определеннаяматрица.
В этом случае итерационный метод Зейделя сходится.Развитием метода Зейделя является метод релаксации. В предположении, что метод Зейделя меняет вектор решения в правильном направлении, хочется пройти по этому пути несколько дальше:ui(k 1) ui(k ) zi(k 1) ui(k ) ,(k )где zi – i-я компонента решения, полученная методом Зейделя. В этомметоде введен параметр релаксации ω. Метод релаксации может бытьпредставлен в матричной форме(Lu(k 1) Du(k 1) ) ( 1)Du(k ) Uu(k ) f .44II.6. О спектральных задачахВыбором ω можно существенно изменять скорость сходимости итерационного метода.Выразим u(k+1)u( k 1) (D L)1 ( 1)D L u( k ) (D L)1 f .В общем случае задача вычисления ωопт (оптимального итерационного параметра) не решена, однако известно, что 1 < ωопт < 2.
В этом случаеитерационный метод называется методом последовательной верхней релаксации или SОR – Successive over relaxation. Иногда встречается термин«сверхрелаксация» при 1 < ωопт < 2. При 0 < ω < 1 имеем метод нижнейрелаксации.Для очень важного частного случая, когда существует перестановкапеременных P, такая что матрица A после перестановки имеет вид T:T12 DT PAPT 1, T21 D2 где D1, D2 – диагональные матрицы, оптимальное значение релаксационного параметра можно определить через спектральный радиус матрицыперехода метода Якоби ρ(RJ), RJ =D–1(L + U)2опт .1 1 2 ( R J )Условие существование перестановки P означает, что вектор переменныхраспадается на два класса, так что каждая компонента вектора из одногокласса зависит только от компонент из другого класса.II.6.
О спектральных задачахСпектральные задачи – вычислительно наиболее трудоемкие задачи вприкладной линейной алгебре. Различают полную и частичную проблемысобственных значений. В первом случае необходимо отыскать ВСЕ собственные числа матрицы, во втором – лишь максимальное по абсолютнойвеличине собственное число. Различают также самосопряженную спектральную задачу и задачу для произвольной матрицы. Очевидно, самосопряженная проблема решается проще – спектр самосопряженной матрицывсегда действительный.Рассмотрим два алгоритма для самосопряженных матриц. Первый –степенной алгоритм, для вычисления наибольшего по абсолютной величине собственного числа.
Выбираем произвольный ненулевой вектор u(0)и строим последовательность векторовu(k+1) = Au(k).45II. ЭЛЕМЕНТЫ ПРИКЛАДНОЙ ЛИНЕЙНОЙ АЛГЕБРЫЛегко показать, что выражение( Au( k ) , u( k ) ) (u( k 1) , u( k ) )(u(k ) , u(k ) )(u(k ) , u(k ) )приближает максимальное по абсолютной величине собственное значениес точностью O(λN / λN –1)k.
Здесь λN / λN –1 – отношение самого большого помодулю собственного числа матрицы к следующему по абсолютной величине.Для решения полной самосопряженной проблемы собственных значений применяется метод вращений.Определение собственных значений самосопряженной матрицы Aэквивалентно отысканию такой ортогональной матрицы T, чтоΛ = T'AT,матрица Λ – диагональная.Среди всех ортогональных преобразований данное минимизируетсумму квадратов внедиагональных элементов исходной матрицы. Построим итерационный метод, минимизирующий эту сумму на каждойитерации. Пусть каждое преобразование подобия на каждой итерацииˆ T AT , где матрица Tij естьсодержит лишь одну матрицу вращения Aijijматрица поворота в плоскости (ui, uj) на угол α.