计算方法（B）

童 伟 华 管理科研楼1205室 E-mail: tongwh@ustc.edu.cn

中国科学技术大学 数学科学学院 http://math.ustc.edu.cn/

2019-2020年度第一学期 00151103 00151104

2

第六章 解线性方程组的迭代法

迭代法 求解线性方程的直接法：

时间复杂度：

空间复杂度：

理论上可经过有限次四则运算得到准确解，但因数值计算有舍入误差，得到的仍然是近似解

适用情况：中等规模

求解线性方程的迭代法： 高阶稀疏线性方程组

主要运算：矩阵与向量的乘法

迭代格式的构造

收敛性、收敛速度

3

3( )O n2( )O n

迭代法 基本思想：将线性方程组 等价变形为

，构造迭代关系式： 。若向量序列 收敛到 ，则

例如：

如何设计迭代格式？

收敛性、收敛速度

收敛条件（是否与初始值相关）

优点：占用存储空间少，程序实现简单，尤其适合于高阶稀疏线性方程组

=Ax b = +x Mx g( 1) ( )k k+ = +x Mx g ( )kx

*x* * *= + ⇔ =x Mx g Ax b

1 1− −= − ⇒ = +A N P x N Px N b

4

迭代法 收敛性分析：

向量序列 收敛

定理：求解线性方程组迭代格式 收敛的充分必要条件是

推论：若矩阵 的范数 ，则 收敛

常用矩阵范数： 或

注意：当 或 时，不能断定迭代序列发散，例如

( 1) ( ) ( )

1 (0)

* * ( *)( *)

k k k

k

+

+

− = − = −

= = −

x x Mx Mx M x xM x x

( )kx lim 0k

k→∞⇔ =M 与初值的选取无关

( 1) ( )k k+ = +x Mx g( ) 1ρ <M

M || || 1p<M ( 1) ( )k k+ = +x Mx g

1|| ||M || ||∞M1|| || 1≥M || || 1∞≥M

0.9 00.2 0.8

=

M

5

Jacobi迭代 基本思想：求解第 个方程得到第 个未知量

6

=++

=++

nnnnn

nn

bxaxa

bxaxa

11

11111

1 1 22 1 111

2 21 1 23 3 1 222

1 1 1 1

1 ( )

1 ( )

1 ( )

n n

n n

n n n n n nnn

x a x a x ba

x a x a x a x ba

x a x a x ba − −

− = + + −

− = + + + −⇒

− = + + −

i i

Jacobi迭代 Jacobi迭代格式：

7

( 1 ) ( ) ( )1 12 2 1 1

11

( 1 ) ( ) ( ) ( )2 21 1 23 3 1 2

22

( 1 ) ( ) ( )1 1 1 1

1 ( )

1 ( )

1 ( )

k k kn n

k k k kn n

k k kn n n n n n

nn

x a x a x ba

x a x a x a x ba

x a x a x ba

+

+

+− −

− = + + −

− = + + + −

− = + + −

)(11

)(1

1

)()1(i

n

ij

kjij

i

j

kjij

ii

ki bxaxa

ax −+

−= ∑∑

+=

−

=

+

Jacobi迭代 Jacobi迭代矩阵：

8

12 1 1

11 11 11( 1) ( )111 1

21 2 2( 1) ( )222 2

22 22 22

( 1) ( )

1 2

0

0,

0

n

k k

nk k

k knnn n

n n n

nn nn nn

a a ba a a

ax xa a b

ax xa a a

ax xa a ba a a

+

+

+

− − − −

= + = − −

D

1 1

1 1 1

( ( )) ( ) ( )

( ) ,

− −

− − −

= ⇔ − − =⇔ = − +

⇔ = − +

⇒ = − = − =

Ax b D D A x bDx D A x bx D D A x D b

M D D A I D A g D b

Jacobi迭代 Jacobi迭代收敛条件的充分必要条件：

定理：若线性方程组 的系数矩阵 满足下列条件之一：

（1） 为严格行对角占优阵，即

（2） 为严格列对角占优阵，即

则Jacobi迭代收敛

通常，对角元越占优，收敛速度就越快；但也有反例，如：

9

( ) 1ρ <M

=Ax b A

A , 1,2, , .ii ijj i

a a i n≠

> =∑

A , 1,2, , .jj iji j

a a j n≠

> =∑

1

1 1 / 21 / 2 1

− = −

A 2

1 3 / 41 /12 1

− = −

A

Jacobi迭代 Jacobi迭代算法

10

Gauss-Seidel迭代 基本思想：使用最新计算出的分量进行迭代

11

( 1 ) ( ) ( )1 12 2 1 1

11

( 1) ( 1) ( ) ( )2 21 1 23 3 1 2

22

( 1) ( 1) ( 1)1 1 1 1

1 ( )

1 ( )

1 ( )

k k kn n

k k k kn n

k k kn n n n n n

nn

x a x a x ba

x a x a x a x ba

x a x a x ba

+

+ +

+ + +− −

− = + + −

− = + + + −

− = + + −

)(11

)(1

1

)1()1(i

n

ij

kjij

i

j

kjij

ii

ki bxaxa

ax −+

−= ∑∑

+=

−

=

++

Gauss-Seidel迭代 Gauss-Seidel迭代矩阵：

12

12 111

2122

1

1 1

1 1

1

,0 0 0

0 0, ,

0 00 0 0

( ) ( ) ( ) ( )

( ) ,

n

n nnn

n nn

a aa

aa

aa

a a−

−

− −

−

= + +

= = =

= ⇔ + + =

⇔ + = − +

⇔ = − + + +

⇒ = − + =

A D L U

D L U

Ax b D L U x bD L x Ux b

x D L Ux D L bM D L U g

1( )−+D L b

Gauss-Seidel迭代 Gauss-Seidel迭代收敛条件的充分必要条件：

定理：若线性方程组 的系数矩阵 满足下列条件之一：

（1） 为行严格对角占优阵，即

（2） 为列严格对角占优阵，即

（3） 为正定对称矩阵，即

则Gauss-Seidel迭代收敛

对于行/列严格对角占优阵，可以证明：

故Gauss-Seidel迭代法常快于Jacobi迭代 13

( ) 1ρ <M

=Ax b A

A , 1,2, , .ii ijj i

a a i n≠

> =∑

A , 1,2, , .jj iji j

a a j n≠

> =∑

A 120, 1,2, , .

12k

k nk

> =

A

1 1|| ( ) || || ||− −∞ ∞+ ≤ −D L U I D A

Gauss-Seidel迭代 对于一般的线性方程组，Jacobi迭代与Gauss-Seidel迭

代可能都收敛，也可能都不收敛，还可能Jacobi迭代收敛而Gauss-Seidel迭代不收敛，或者Gauss-Seidel迭代收敛而Jacobi迭代不收敛。

在两者都收敛的情况下，收敛的快慢也不一样

实际的经验：一般情况下，Gauss-Seidel迭代快于Jacobi迭代

14

Gauss-Seidel迭代 Gauss-Seidel算法

15

SOR迭代 逐次超松弛迭代（Successive Over Relaxation）

基本思想：当 时，收敛将会很慢，取 和 的一个适当的加权平均来改进Gauss-Seidel迭代

16

( 1)k+x( )kx( 1 ) ( ) ( )

( 1) ( 1)( 1 ) ( ) ( ) 1 ( 1 ) ( )

( 1) ( ) 1 ( 1) 1 ( ) 1

( ), ( )(1 ) ( )

k k k

k kk k k k k

k k k k

ω

ω

ω ω

+

+ ++ − +

+ − + − −

= + ∆

⇒ = + − = − − +

⇒ = − + − − +

x x x

x x x x x D Lx Ux bx x D Lx D Ux D b

−++−

+−=

−+++−

+−=

−++−

+−=

+−−

++

++

+

)(1)1(

)(1)1(

)(1)1(

)1(11

)1(11

)()1(

2)(

1)(

323)1(

12122

)(2

)1(2

1)(

1)(

21211

)(1

)1(1

nk

nnnk

nnn

kn

kn

knn

kkkk

knn

kkk

bxaxaa

xx

bxaxaxaa

xx

bxaxaa

xx

ωω

ωω

ωω

1( ( ) ) 1ρ −− + ≈D L U

SOR迭代 SOR迭代矩阵：

17

12 111

2122

1

1 1

( 1) ( ) 1 ( 1) 1 ( ) 1

( 1) ( )

( 1)

,0 0 0

0 0, ,

0 00 0 0

(1 ) ( )( ) [(1 ) ]

(

n

n nnn

n nn

k k k k

k k

k

a aa

aa

aa

a a

ω ω

ω ω ω ω

−

−

+ − + − −

+

+

= + +

= = =

= − + − − +

⇒ + = − − +

⇒ =

A D L U

D L U

x x D Lx D Ux D bD L x D U x b

x

1 ( ) 1

1 1

) [(1 ) ] ( )( ) [(1 ) ], ( )

kω ω ω ω ω

ω ω ω ω ω

− −

− −

+ − − + +

⇒ = + − − = +

D L D U x D L bM D L D U g D L b

SOR迭代 SOR迭代收敛条件的充分必要条件：

定理：SOR迭代收敛的必要条件：

定理：若 为对称正定矩阵，则当 时，SOR迭代恒收敛

如何确定 使得SOR迭代最优？对于一般的线性方程组，比较困难；对于特殊的线性方程组，譬如相容次序的矩阵，有一些理论结果

SOR迭代 亚松弛迭代：

Gauss-Seidel迭代：

超松弛迭代： 18

( ) 1ρ <M

0 2ω< <

A 0 2ω< <

ω

0 1ω< <

1 2ω< <

1ω =

SOR迭代 SOR迭代算法

19

逆矩阵的计算 线性代数中，若 阶矩阵 的 ，则矩阵

可逆，且

要计算 需要计算 个 阶行列式，计算量很大

逆矩阵的计算等价于求解 个线性方程组：

常用的方法： 利用Gauss-Jordan消元法：

利用LU分解方法

利用直接法或迭代法求解一系列线性方程组

20

A det( ) 0≠An n× A1 * / det( )− =A A A

*A 2n 1n −n

11 2

, 1,2, ,

[ , , , ]j j

n

j n−

= =

=

Ax e

A x x x

1( , ) ( , )−→A I I A

为什么用迭代法？ 设 为一偶数，考虑 阶矩阵 ，其对角元为3，超

对角元和次对角元为－1，对除 及 外所有的

位置上的元素为 ，其它为零

线性方程组：

21

n n n× A/ 2i n= / 2 1n +

( , 1 ), 1,2, ,i n i i n+ − = 1 / 2

, (5 / 2,3 / 2, 3 / 2,1,1,3 / 2, ,3 / 2,5 / 2)(1,1, ,1)

T

T

= =

⇔ =

Ax b bx

3 1 1 / 21 3 1 1 / 2

1 3 16,

1 3 11 / 2 1 3 1

1 / 2 1 3

n

− − −

− − = = − −

− − −

A

为什么用迭代法？ 当 ，使用double类型存储矩阵 ，需要大约：

内存空间，使用Gauss列主元消 去法需要： 次浮点运算，而计算机时

钟频率： ，每秒浮点运算次数（FLOPS） ＝

，计算时间为： 秒

当 ，使用double类型及稀疏格式存储矩阵 ，需要大约 内存空间，使用Jacobi迭代法每次迭代需要： 浮点运算，计算时间为： 秒，假设需要 步迭代，总时间为： 秒

22

100,000n = A2 2 10( ) 8 8 10 80O n n G= × = × ≈

3 3 15( ) / 3 1 0 / 3O n n= =

15 910 / (3*108.8*10 ) 3063≈

100,000n = A5(4 ) 8 4 32 10 3O n n M= × × = × ≈

108.8GFLOPS

2 2 10( ) 10O n n= =10 910 / (3*108.8*10 ) 0.03063≈

3.063

4GHz

100

迭代法 Krylove子空间方法

求解大型系数线性方程组有效的方法

对称正定方程组

共轭梯度法（Conjugate G radient Method）

预条件共轭梯度法（Preconditioned Conjugate G radient Method）

对称非定方程组

MINRES

SYMMLQ

最小二乘逼近

LSQR

LSMR

一般稀疏线性方程组

GMRES

BiCG, CGS, BiCGStab, QMR

…

23

迭代法 多重网格法（Multigrid method）

为求解Poisson方程那样的偏微分方程发明的

粗网格、细网格交互迭代

一类有效加速收敛的技巧

区域分解法（Domain decomposition methods） 基本思想：将一个大问题拆成一些小问题，求解这些小问题，最后将这

些小问题的解合成大问题的解

无交叠方法（Nonoverlapping method）

交叠方法（Overlapping method）

分块运算 向量、矩阵的分块运算，细分为Level-1（标量，向量间的运算）, level-2

（矩阵与向量间的运算）, level-3（矩阵与矩阵的运算）

BLAS库（Basic Linear Algebra Subprogrammings）：基于硬件的加速

并行矩阵计算 24