松弛迭代法是在雅可比迭代法和高斯——赛德尔迭代法的基础上,以w>0为松弛因子,建立迭代格式如下:
即
我们将线性方程组AX=b的系数矩阵A分解成一个对角矩阵D、一个下三角矩阵L和一个上三角矩阵D,即A=D-L-U,则有:
当w=1时,松弛迭代法即为高斯——赛德尔迭代法;当w>1时为超松弛迭代法,当w<1时为低松弛迭代法。
SOR方法收敛的必要条件是:0<w<2。
1. 松弛(SOR)迭代法的matlab代码
function [X0,err]=sor(A,b,X0,w,max1)
%输入 -A代表线性方程组AX=b的系数矩阵
% -b代表线性方程组AX=b右侧的数值
% -X0代表线性方程组AX=b进行松弛迭代法求解的迭代初值
% -w代表松弛因子
% -max1代表迭代的次数
%输出 -X0代表通过松弛迭代法求解线性方程组AX=b的解
[N,N]=size(A);
L=-tril(A,-1);
U=-triu(A,1);
D=A+L+U;
B=inv(D-w*L)*((1-w)*D+w*U);
f=inv(D-w*L)*w*b;
for k=1:max1
X0=B*X0+f;
end
err=abs(norm(A(:,:)*X0(:)-b(:),2))
在命令行窗口中输入:
>> A=[4 -1 1;4 -8 1;-2 1 5];
>> b=[7 -21 15]';
>> X0=[0 0 0]';
>> w=1.2;
>> max1=20;
>> sor(A,b,X0,w,max1)
最后得到的结果如下:
err =
2.3375e-09
ans =
2.0000
4.0000
3.0000
2. 松弛(SOR)迭代法的python代码
import numpy as np
def sor(A,b,X0,w,max1):
'''A代表线性方程组AX=b的系数矩阵
b代表线性方程组AX=b右边的部分
X0代表高斯—赛德尔迭代的初始值
w代表松弛因子
max1代表迭代的次数'''
n=np.shape(A)[0]
L=-np.tril(A,-1)
U=-np.triu(A,1)
D=A+L+U
B=np.dot(np.linalg.inv(D-w*L),((1-w)*D+w*U))
f=np.dot(np.linalg.inv(D-w*L),w*b)
for i in range(max1):
X0=np.dot(B,X0)+f
err=np.linalg.norm(np.dot(A,X0)-b,ord=2)
return X0,err
n=3
#线性方程组AX=b右边的部分
b=np.array([[7],[-21],[15]])
#线性方程组的系数矩阵
A=np.array([[4,-1,1],[4,-8,1],[-2,1,5]])
#迭代的初值
X0=np.array([[0],[0],[0]])
#松弛因子
w=1.2
#迭代的次数
max1=20
#进行松弛迭代法求解线性方程组AX=b的解
X,err=sor(A,b,X0,w,max1)
#输出由松弛迭代法求得的线性方程组AX=b的解
print("X={}\nerr={}".format(X,err))
最后的输出结果如下:文章来源:https://www.toymoban.com/news/detail-442677.html
X=[[2.]
[4.]
[3.]]
err=2.3374567113095046e-09文章来源地址https://www.toymoban.com/news/detail-442677.html
到了这里,关于松弛(SOR)迭代法的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!