2三角分解法Matrix Factorization*1 高斯消元法的矩阵形式Matrix Form of G..e.*1

直接法得到的解是理论上准确的,但是我们可以看得出,它们的计算量都是n3 数量级,存储量为η2量级,这在n比较小的时候还比较合适(n<400),但是对于现 在的很多实际问题,往往要我们求解很大的n的矩阵,而且这些矩阵往往是系数矩阵 就是这些矩阵含有大量的0元素。对于这类的矩阵,在用直接法时就会耗费大量的时 间和存储单元。因此我们有必要引入一类新的方法:迭代法

定理设x=Bx+f存在唯一解,则从任意出发,迭代x(k+1)=Bx()+f收敛Bk→0

直接法得到的解是理论上准确的,但是我们可以看得出,它们的计算量都是n3 数量级,存储量为nη2量级,这在n比较小的时候还比较合适(n<400),但是对于现 在的很多实际问题,往往要我们求解很大的n的矩阵,而且这些矩阵往往是系数矩阵 就是这些矩阵含有大量的0元素

包括插值、数值微分和数值积分、曲线拟合、非线性方程求解、解线性方程组、计算矩阵特征值和特征向量以及常微分方程数值解。本书以例题为中心，通过例题阐明数值计算方法的思想和解题思路

无论是解线性方程组的 Jacobi迭代法和G—S迭代法 还是解非线性方程 Newton系列迭代法 都涉及到收敛速度问题 也涉及到初值的选取问题 如何加快迭代法的速度呢? 如何改善迭代法的适用范围呢?

§5.0概述 §5.1高斯消去法 §5.2矩阵分解及其在解方程组中的应用 §5.3矩阵的条件数和方程组的性质

一、向量范数 定义1.对于n维向量空间R”中任意一个向量x, 若存在唯一一个实数∈R与x对应,且满足 (1)(正定性)≥0,且Vx∈,=0x=0; (2)(齐次性)axa,ver,a∈R (3)(三角不等式)x+y,Vx,y∈r\ 则称为向量x的范数

一、向量范数/ vector norms 定义R空间的向量范数‖·‖对任意元,满足下列条件: (1)‖x|≥0;‖x‖=0令x=0(正定性/ positive definite*) (2)‖ax=|alx对任意a∈C(齐次性/ homogeneous+) (3)‖x+yS‖x+‖列(三角不等式/ triangle

2.1高斯(Gauss)消去法 2.2主元素法 2.3直接三角分解法 2.4追赶法 2.5平方根法与改进的平方根法 2.6误差分析