线性代数方程组求解线性方程组

来源：蜘蛛抓取(WebSpider) 时间：2018-12-15 13:27 标签： 线性代数方程组求解

矩阵的数值计算一般可以分为直接法和间接法

这类线性方程组线性代数方程组求解的直接法数值线性代数方程组求解该方程组的基础思想是Gauss消元法

实质是通过一组满秩嘚初等行变换，将A保秩变换成一个三角矩阵U此变换过程称为矩阵A的非奇异上三角化

我们的目的就是寻求一个矩阵P，使得PA=U其中U是一个三角矩阵，其中

）,有效的生成一个P是我们主要研究的问题

2.初等下三角矩阵--Guass变换矩阵

回顾一下线性代数中的三个初等线性变换

我们引入一个一般意义上的初等变换矩阵它把许多常用的线性变换统一在一个框架里面，在数值线性代数中起着重要的意义

可以得到许多常用的线性變换矩阵

下面引出初等变换矩阵的一些重要的数学性质 1.两相同向量u，v组成的初等变换矩阵可交换其积仍然为一个初等矩阵

,则初等矩阵E(u,v;\sigma)可逆，其逆矩阵也是初等矩阵

正交的（n-1）维子空间 a.若

有n个线性无关的特征向量该组特征向量由u和

中任取一组基向量组成 b.若

仅有n-1个线性无关嘚特征向量，该组特征向量由

由初等变换矩阵引出Guass变换矩阵我们选取

下面给出Guass变换矩阵的一些性质

2.Guass变换矩阵的逆只需要将

先介绍一下顺序Gauss消元法，大概分两步

在消元过程中我们不断去左乘Gauss变换矩阵，不断将原矩阵的下三角部分一列列变成0从而最终变换成一个上三角矩陣

需要注意的是，在一列列的消元过程中我们需保证

,所以需要利用行互换来保证此条件

当然这一切消元过程的前提是，矩阵A应该是非奇異的

经过n-1次的Gauss消元我们可以得到一个上三角矩阵

在回代过程中，由于我们得到了一个上三角矩阵那么就可以从最底行开始逐步解出x

Gauss消え法的复杂度是

，高阶状态下比起克拉默法则运算量要小得多

Gauss消元法过程中在对各列进行消元的时候，如果主元比较小的话运算的结果会产生较大的误差，故引入Gauss列主元消元法即在每一次利用主元消元的步骤之前，把该列中绝对值最大的数所在的行与主元所在的行进荇交换

我们利用Gauss变换矩阵对Gauss消元法进行进一步的分析

由此引出矩阵的LU分解又称Doolittle分解

这里再介绍一下Crout分解，即A=LU中的L是一个下三角矩阵U是單位上三角矩阵

注意到某些特殊矩阵的三角分解也是比较特殊的，这里引入一类带状对角形矩阵

上半带宽为s下半带宽为r，存在LU分解其ΦL是下半带宽为r的单位下三角矩阵，U是上半带宽为s的上三角矩阵

对于r=s=1的这一类更加特殊的矩阵称为三对角矩阵，对于此类矩阵的三角分解介绍一种“追赶法”

然后分两步解决此类问题 追：解

注意到正定对称矩阵的三角分解也是特殊的，这里引入Cholesky分解

,对U进一步提取对角矩陣

由于分解的唯一性可知

此种分解手段称为Cholesky分解，限定对角元素为正此类分解唯一

上述的Cholesky分解中涉及了开方的运算，下面介绍一种改進的平方根法

,其中D的逆只需要将对角元素取倒数即可

范数是比长度更为一般的概念有了范数就可以更好的去测度误差的大小

对于非负正萣，当仅当x=0有N（x）=0，否则N（x）> 0;

这里介绍几种常见的向量范数

向量中的元素的绝对值之和

向量中的元素的绝对值的平方加起来然后开方

向量元素中的最大绝对值（使用Cauchy-Schwarz不等式证明三角不等式）

向量中的元素的绝对值的p次方加起来然后开p次方根（利用赫尔德不等式即可证明三角不等式）

在最优化理论中可能会涉及加权范数A为对称正定矩阵，

在无限维线性空间中比如在[a,b]区间中，对于所有的实连续函数集合C[a,b],对於其中的一个元素f(x)也是有类似定义的范数

下面介绍一下范数的等价性

对于任意两个定义好的范数存在两个与向量x无关的非零正常数c1，c2囿

不难验证，此处的等价性满足数学定义中的等价性的三个条件即自反，对称传递

矩阵范数不仅仅满足非负正定，齐次和三角不等式而且须满足矩阵相乘的相容性，即

这里给出一类特殊的范数 Frobenius范数

上面的任意一种向量诱导范数，都有

这里给出一种范数的定义即诱導矩阵范数，诱导矩阵范数和向量范数密切相关

定义：设在两个向量空间

空间上的矩阵A的由向量范数

诱导所给出的矩阵范数为（其中x不为零向量）

我们为了解决这个最大值的问题继续等价定义来优化这个问题

其中第一个max条件为x不为零向量，第二个max条件为

我们利用诱导范数嘚定义可以从原来的向量范数中诱导出三种范数分别是

1范数：对矩阵的每一列中的元素取绝对值之后求和，然后选取其中的最大列作为1范数 2范数：矩阵的最大奇异值也就是矩阵与矩阵的转置的乘积的最大特征值 无穷范数：对于矩阵的每一行的元素取绝对值之后求和，然後选取其中的最大行作为无穷范数

关于矩阵的应用这里引入一个Banach引理

设矩阵A属于n*m的复矩阵空间，对于该空间上的某种矩阵范数

矩阵的谱半径为矩阵的最大特征值关于矩阵的谱半径，它不超过其任意一种矩阵范数（当矩阵是Hermite矩阵时矩阵的2范数恰好等于矩阵的谱半径）

继續给出线性方程组中条件数的定义

在某一矩阵空间中，对于某一矩阵范数矩阵的条件数=矩阵的范数×矩阵的逆的范数，即

对于矩阵的条件数来说，它显然大于等于1当矩阵恰好是正交矩阵的时候，矩阵的条件数恰好等于1 当矩阵为对称阵对应的矩阵范数为2范数的时候，此時的条件数称之为谱条件数其值等于最大特征值除以最小特征值，然后取绝对值

我要回帖

更多关于 线性代数方程组求解 的文章

 

随机推荐