文档库 最新最全的文档下载
当前位置:文档库 › 06 第六节 线性方程组解的结构

06 第六节 线性方程组解的结构

06 第六节 线性方程组解的结构
06 第六节 线性方程组解的结构

第六节 线性方程组解的结构

内容分布图示

★ 解向量的概念 ★ 齐次线性方程组解的性质 ★ 基础解系的定义 ★ 基础解系的求法 ★ 例1 ★ 解空间及其维数

★ 例2 ★ 例3 ★ 例4 ★ 例5 ★ 例6 ★ 例7

★ 非齐次线性方程组解的性质 ★ 非齐次线性方程组的通解 ★ 方程组有解的几个等价命题

★ 例8 ★ 例9 ★ 例10 ★ 例11

★ 内容小结 ★ 课堂练习 ★ 习题3-6 ★ 返回

内容要点:

一、齐次线性方程组解的结构

设有齐次线性方程组

??

????

?=+++=+++=+++000221122221211212111n mn m m n

n n n x a x a x a x a x a x a x a x a x a (1) 若记

??????? ??=mn m m n n a a a a a a a a a A 21

22221

11211, ????

?

?

?

??=n x x x X 1 则方程组(1)可写为向量方程

0=AX (2) 称方程(2)的解????

??

? ??=n x x x X 21为方程组(1)的解向量.

1.齐次线性方程组解的性质:

性质1 若21,ξξ为方程组(2)的解, 则21ξξ+也是该方程组的解.

性质2 若1ξ为方程组(2)的解, k 为实数, 则1ξk 也是(2)的解. 注: 齐次线性方程组若有非零解, 则它就有无穷多个解.

由上节知:线性方程组0=AX 的全体解向量所构成的集合对于加法和数乘是封闭的,因此构成一个向量空间. 称此向量空间为齐次线性方程组0=AX 的解空间.

定义1 齐次线性方程组0=AX 的有限个解t ηηη,,,21 满足:

(1) t ηηη,,,21 线性无关;

(2) 0=AX 的任意一个解均可由t ηηη,,,21 线性表示.

则称t ηηη,,,21 是齐次线性方程组0=AX 的一个基础解系.

注:方程组0=AX 的一个基础解系即为其解空间的一个基, 易见方程组0=AX 基础解系不是唯一的,其解空间也不是唯一的.

按上述定义,若t ηηη,,,21 是齐次线性方程组0=AX 的一个基础解系. 则0=AX 的通解可表示为

t t k k k X ηηη+++= 2211

其中t k k k ,,,21 为任意常数.

当一个齐次线性方程组只有零解时, 该方程组没有基础解系; 而当一个齐次线性方程组有非零解时, 是否一定有基础解系呢? 如果有的话,怎样去求它的基础解系? 下面的定理1回答了这两个问题.

定理1 对齐次线性方程组0=AX ,若n r A r <=)(,则该方程组的基础解系一定存在,且每个基础解系中所含解向量的个数均等于r n -, 其中n 是方程组所含未知量的个数.

注:定理1的证明过程实际上已给出了求齐次线性方程组的基础解系的方法. 且

若已知r n -ηηη,,,21 是线 性方程组0=AX 的一个基础解系,则0=AX 的全部解可表为

,2211r n r n c c c x --+++=ηηη (4)

其中r n c c c -,,,21 为任意实数. 称表达式(4)线性方程组0=AX 的通解.

二、解空间及其维数

设A 为n m ?矩阵, 则n 元齐次线性方程组0=AX 的全体解构成的集合V 是一个向量空间, 称其为该方程组的解空间, 当系数矩阵的秩r A r =)(时, 解空间V 的维数为r n -. 当n A r =)(时, 方程组0=AX 只有零解, 此时解空间V 只含有一个零向量, 解空间V 的维数为0;

当n r A r <=)(时, 方程组0=AX 必含有r n -个向量的基础解系r n -ηηη,,,21 , 此时方程组的任一解可表示为

,2211r n r n k k k x --+++=ηηη 其中r n k k k -,,,21 为任意实数.而解空间V 可表示为

}.,,,,|{212211R k k k k k k x x V r n r n r n ∈+++==--- ηηη

二、非齐次线性方程组解的结构

设有非齐次线性方程组

?????

?

?=+++=+++=+++m

n mn m m n n n n b x a x a x a b x a x a x a b x a x a x a 22112

222212********* (5) 它也可写作向量方程

b AX = (6)

性质3 设21,ηη是非齐次线性方程组b AX =的解, 则21ηη-是对应的齐次线性方程组0=AX 的解.

性质 4 设η是非齐次线性方程组b AX =的解, ξ为对应的齐次线性方程组0=AX 的解,则ηξ+非齐次线性方程组b AX =的解.

定理2 设*η是非齐次线性方程组b AX =的一个解, ξ是对应齐次线性方程组0=AX 的通解, 则*ηξ+=x 是非齐次线性方程组b AX = 的通解.

注:设有非齐次线性方程组b AX =,而n ααα,,,21 是系数矩阵A 的列向量组,则下列四个命题等价:

(1) 非齐次线性方程组b AX =有解;

(2) 向量b 能由向量组n ααα,,,21 线性表示;

(3) 向量组n ααα,,,21 与向量组n ααα,,,21 ,b 等价; (4) )()(b A r A r =.

例题选讲:

例1 求下列齐次线性方程组的一个基础解系:

.0

022*********

43214321???

??=-++=+-+=+-+x x x x x x x x x x x x

例2 (讲义例1) 求齐次线性方程组???

??=++-=++-=--+0

3770235204321

43214321x x x x x x x x x x x x 的基础解系与通解.

注:在第一节中,线性方程组的解法是从例1中的)(*式直接写出方程组的全部解(通解). 实际上可从例1中的)(*式先取基础解系,再写出通解, 两种解法其实没有多少区别.

例3 (讲义例2) 用基础解系表示如下线性方程组的通解.

???

??

?

?=-+++=-+++=--+-=-+++0765*******

230345432154321

5432154321x x x x x x x x x x x x x x x x x x x x . 例4 求解下列齐次线性方程组:

.022030254354354321???

??=-+=-+=++-+x x x x x x x x x x x 例5 求解齐次线性方程组:

.026308320522420225421543215

43215421??????

?

=-++=+++--=++++=-++x x x x x x x x x x x x x x x x x x 例6 证明).()(A r A A r T =

例7 求出一个齐次线性方程组, 使它的基础解系由下列向量组成:

.1234,432121??????? ??=??????? ??=ξξ

例8 (讲义例3) 求下列方程组的通解 .123438236222

3237

3543215432

5432154321???

??

?

?=-+++=+++-=-+++=++++x x x x x x x x x x x x x x x x x x x 例9 求解下列非齐次线性方程组:

???

??=--+=---=--+0

8954433134321

43214321x x x x x x x x x x x x .

例10 求解下列线性方程组:

???

??=+-+--=++-+=++-+4

3263624223254321

5432154321x x x x x x x x x x x x x x x . 例11 (讲义例4) 设四元非齐次线性方程组b Ax =的系数矩阵A 的秩为3, 已经它的三个解向量为,,,321ηηη 其中

??????

? ??=+??????? ??-=0864,2143321ηηη,

求该方程组的通解.

课堂练习

1. 求线性方程组

???

??-=+--=-+-=+--2

/1321

30432

143214321x x x x x x x x x x x x 的通解.

2. 设矩阵n m ij a A ?=)(,s n ij b B ?=)(满足O AB =并且.)(r A r = 试证: .)(r n B r -≤

【免费下载】线性方程组的解空间

第六章 向量空间 6.1 定义和例子 6.2 子空间 6.3 向量的线性相关性 6.4 基和维数 6.5 坐标 6.6 向量空间的同构 6.7 矩阵的秩齐次线性方程组的解空间返回教案总目录6.7矩阵的秩,齐次线性方程组的解空间一、教学思考 1、矩阵的秩与线性方程组解的理论在前面已经有过讨论,本节运用向量空间的有关理论重新认识矩阵的秩的几何意义,讨论线性方程组解的结构。2、注意:齐次线性方程组(含n 个未知量)的解的集合构成n F 的子空间,而非齐次线性方程组的解的集合非也。3、注意具体方法:1)证矩阵的行空间与列空间的维数相等;2)求齐次线性方程组的基础解系。 二、内容要求 1、内容:矩阵的秩的几何意义,齐次线性方程组的解空间。 2、要求:理解掌握矩阵的秩的几何意义,齐次线性方程组的基础解系的求法。三、教学过程 1、矩阵的秩的几何意义几个术语:设)(F M A n m ?∈,????? ??=mn m n a a a a A 1111,A 的每一行看作n F 的一个元素,叫做A 的行向量,用),2,1(m i i =α表示;由),2,1(m i i =α生成的n F 的子空间),,(1m L αα 叫做矩阵A 的行空间。 类似地,A 的每一列看作m F 的一个元素,叫做A 的列向量;由A 的n 个列向量生成的m F 的子空间叫做矩阵A 的列空间。注:)(F M A n m ?∈的行空间与列空间一般不同,分别是n F 与m F 的子空间;下证其维数相同。 引理6.7.1设)(F M A n m ?∈,1)若PA B =,P 是一个m 阶可逆矩阵,则B 与A 有相同的行空间;2)若AQ C =,Q 是一个n 阶可逆矩阵,则C 与A 有相同的列空间。分析:设()()()m m ij n m ij n m ij p P b B a A ???===,,,),2,1(m i i =α是A 的行向量,),2,1(m j j =β是B 的行向量;只需证这两组向量等价。

MATLAB代码 解线性方程组的迭代法

解线性方程组的迭代法 1.rs里查森迭代法求线性方程组Ax=b的解 function[x,n]=rs(A,b,x0,eps,M) if(nargin==3) eps=1.0e-6;%eps表示迭代精度 M=10000;%M表示迭代步数的限制值elseif(nargin==4) M=10000; end I=eye(size(A)); n=0; x=x0; tol=1; %迭代过程 while(tol>eps) x=(I-A)*x0+b; n=n+1;%n为最终求出解时的迭代步数tol=norm(x-x0); x0=x; if(n>=M) disp('Warning:迭代次数太多,可能不收敛!'); return; end end 2.crs里查森参数迭代法求线性方程组Ax=b的解 function[x,n]=crs(A,b,x0,w,eps,M) if(nargin==4) eps=1.0e-6;%eps表示迭代精度 M=10000;%M表示迭代步数的限制值 elseif(nargin==5) M=10000; end I=eye(size(A)); n=0; x=x0; tol=1; %迭代过程 while(tol>eps) x=(I-w*A)*x0+w*b; n=n+1;%n为最终求出解时的迭代步数tol=norm(x-x0); x0=x;

if(n>=M) disp('Warning:迭代次数太多,可能不收敛!'); return; end end 3.grs里查森迭代法求线性方程组Ax=b的解 function[x,n]=grs(A,b,x0,W,eps,M) if(nargin==4) eps=1.0e-6;%eps表示迭代精度 M=10000;%M表示迭代步数的限制值 elseif(nargin==5) M=10000; end I=eye(size(A)); n=0; x=x0; tol=1;%前后两次迭代结果误差 %迭代过程 while(tol>eps) x=(I-W*A)*x0+W*b;%迭代公式 n=n+1;%n为最终求出解时的迭代步数tol=norm(x-x0); x0=x; if(n>=M) disp('Warning:迭代次数太多,可能不收敛!'); return; end end 4.jacobi雅可比迭代法求线性方程组Ax=b的解 function[x,n]=jacobi(A,b,x0,eps,varargin) if nargin==3 eps=1.0e-6; M=200; elseif nargin<3 error return elseif nargin==5 M=varargin{1}; end D=diag(diag(A));%求A的对角矩阵 L=-tril(A,-1);%求A的下三角阵

线性方程组的解法

线性方程组的解法 1 引言 在科学研究和大型工程设计中出现了越来越多的数学问题,而这些问题往往需要求数值解。在进行数值求解时,经离散后,常常归结为求解形如Ax= b的大型线性方程组。而如插值公式,拟合公式等的建立,微分方程差分格式的构造等,均可归结为求解线性方程组的问题.在工程技术的科学计算中,线性方程组的求解也是最基本的工作之一.因此,线性方程组的解法一直是科学和工程计算中研究最为普遍的问题,它在数值分析中占有极其重要的地位。20世纪50年代至70年代,由于电子计算机的发展,人们开始考虑和研究在计算机上用迭代法求线性方程组Ax =b的近似解,用某种极限过程去逐渐逼近精确解,并发展了许多非常有效的迭代方法,迭代法具有需要计算机存储单元少、程序设计简单、原始系数矩阵在计算过程中始终不变等优点。例如Jacobi方法、Gauss—Seidel 方法、SOR方法、SSOR 方法,这几种迭代方法是最常用的一阶线性定常迭代法。 2 主要算法 20世纪50年代至70年代,人们开始考虑和研究用迭代法求解线性方程组。 Ax = b (1) 的近似解,发展了许多有效的方法,其中有Jacobi方法、Gauss—Seidel方法,SOR方法、SSOR方法,这几种迭代方法均属一阶线性定常迭代法,即若系数矩阵A的一个分裂:A =M-N ;M 为可逆矩阵,线性方程组(1)化为: (M-N)X =b; →M X = NX + b; →X= M -1NX+ M-1b 得到迭代方法的一般公式: X(k+1)=HX(k)+d (2) 其中:H =MN-1,d=M-1b,对任意初始向量X(0) 一阶定常迭代法收敛的充分必要条件是: 迭代矩H的谱半径小于1,即ρ(H) < 1;又因为对于任何矩阵范数恒有ρ(H)≤‖H‖,故又可得到收敛的一个充分条件为:‖H‖< 1。 2.1 Jacobi迭代法 若D为A的对角素构成的对角矩阵,且对角线元素全不为零。系数矩阵A的一个分解:A =

解线性方程组的基本思想

四:基本方法 基本思路将在解题的过程中得到体现。 1.(求线性方程组的唯一解或特解),这类问题的求法分为两类:一类主要用于解低阶稠 密矩阵——直接法;一类是解大型稀疏矩阵——迭代法。 1.1利用矩阵除法求线性方程组的特解(或一个解) 方程:AX=b,解法:X=A\b,(注意此处’\’不是’/’) 例1-1 求方程组的解。 解: A = ; = ;b=(1,0,0,0,1)’ 由于>>rank(A)=5,rank( )=5 %求秩,此为R(A)=R()>=n的情形,有唯一解。 >>X= A\b %求解X =(2.2662, -1.7218, 1.0571,-0.5940, 0.3188)’ 或用函数rref 求解,>>sv=rref(A:b);所得sv的最后一列即为所要求的解。 1.2 利用矩阵的LU、QR和cholesky分解求方程组的解 这三种分解,在求解大型方程组时很有用。其优点是运算速度快、可以节省磁盘空间、节省内存。 I) LU分解又称Gauss消去分解,可把任意方阵分解为下三角矩阵的基本变换形式(行交换)和上三角矩阵的乘积。即A=LU,L为下三角阵,U为上三角阵。 则:A*X=b 变成L*U*X=b 所以X=U\(L\b) 这样可以大大提高运算速度。命令[L,U]=lu (A) 在matlab中可以编如下通用m 文件: 在Matlab中建立M文件如下 % exp1.m A;b; [L,U]=lu (A); X=U\(L\b) II)Cholesky分解 若A为对称正定矩阵,则Cholesky分解可将矩阵A分解成上三角矩阵和其转置的乘积,即:其中R为上三角阵。 方程A*X=b 变成所以 在Matlab中建立M文件如下 % exp2.m A;b; [R’,R]=chol(A); X=R\(R’\b) III)QR分解 对于任何长方矩阵A,都可以进行QR分解,其中Q为正交矩阵,R为上三角矩阵的初等变换形 式,即:A=QR 方程A*X=b 变形成QRX=b 所以X=R\(Q\b)

数值分析5-用Jacobi迭代法和Gauss-Seidel迭代法求解线性方程组

作业六:分别编写用Jacobi迭代法和Gauss-Seidel迭代法求解线性方程组Ax=B的标准程序,并求下列方程组的解。 可取初始向量 X(0) =(0,0,0)’; 迭代终止条件||x(k+1)-x(k)||<=10e-6 (1) = (2) = Jacobi迭代法: 流程图 开 始 判断b中的最大值 有没有比误差大 给x赋初值 进行迭代 求出x,弱到100次还没到,警告不收 结束

程序 clear;clc; A=[8,-1,1;2,10,01;1,1,-5]; b=[1;4;3]; e=1e-6; x0=[0;0;0]'; n=length(A); x=zeros(n,1); k=0; r=max(abs(b)); while r>e for i=1:n d=A(i,i); if abs(d)100 warning('不收敛'); end end x=x0;

程序结果(1)

(2)

Gauss-Seidel迭代法: 程序 clear;clc; %A=[8,-1,1;2,10,01;1,1,-5]; %b=[1;4;3]; A=[5,2,1;-1,4,2;2,-3,10]; b=[-12;20;3]; m=size(A); if m(1)~=m(2) error('矩阵A不是方阵'); end n=length(b); %初始化 N=0;%迭代次数 L=zeros(n);%分解A=D+L+U,D是对角阵,L是下三角阵,U是上三角阵U=zeros(n); D=zeros(n); G=zeros(n);%G=-inv(D+L)*U d=zeros(n,1);%d=inv(D+L)*b x=zeros(n,1); for i=1:n%初始化L和U for j=1:n if ij U(i,j)=A(i,j); end end end for i=1:n%初始化D D(i,i)=A(i,i); end G=-inv(D+L)*U;%初始化G d=(D+L)\b;%初始化d %迭代开始 x1=x; x2=G*x+d; while norm(x2-x1,inf)>10^(-6)

直接法解线性方程组

直接法解线性方程组 实习题目: 仿照三对角方程组的追赶法解五对角方程组,其中系数矩阵为A,右端向量为:r。将A分解为LU。其中L为下三角,U为单位上三角。A为7*7阶的矩阵,其中对角元为4 5 6 7 8 9 10。上下次三角对角线元素为1 2 3 4 5 6 ;上下第二条对角线元素为1 2 3 4 5;右端项为:1 2 3 4 5 6 7. 要求:输出系数矩阵A,右端向量r,下三角矩阵L,单位上三角矩阵U,下三角矩阵Ly=b 的解向量y,单位上三角方程组Ux=y的解(即最终的解向量。保留七位小数。 实现方法:通过MATLAB编程实现。建立MATLAB脚本文件。 首先通仿照三对角方程组的追赶法得到五对角矩阵的实现算法。 然后又MATLAB编程实现。 实验结果(MATLAB截图):

结果分析: 通过提供的计算数据得到最终的解向量x及中间过程产生的下三角矩阵L,单位上三角矩阵U,下三角矩阵Ly=b 的解向量y。 同时为了确保算法的正确性,我还通过MATLAB的左除运算检验得使用此算法的计算结果正确。 这里由于是用MATLAB,最终结果为分数形式,考虑到精确解一般比近似解更好,因此未化成七位小数形式。 算法实现分析: 首先计算L和U的元素。由于已知L和U的特定形式(及除了对角线和上下次对角线和上下第二条对角线外,其余为0。故通过矩阵的乘法即可得到LU中元素的计算公式。(具体算法见MATLAB程序) 算法优劣点:

1.解此题时看上去要用较多的存储单元,但实际上只需存储系数矩阵A的不为0的元素。 2.A分解为LU计算完成后,后续计算x和y的“追赶过程”运算量一般来说计算量比较小。 3.此题也可用之前的LU算法求解。但此处算法与一般的LU分解的解线性方程组的算法,相比计算量小了不少。 4.对于此处特定的对称的系数矩阵A,算法还可以进一步优化。 5.由于我在此算法中A.L U的各对角值均用一个列向量表示,一个缺点在于输出A,L,U时要重新组成矩阵形式。不过优点在于减少了存储单元。 6.另一缺点是,未能将结果封装成一个文件。 后附MATLAB代码: c=[4,5,6,7,8,9,10];d=[1,2,3,4,5,6,0];b=[0,1,2,3,4,5,6];e=[1,2,3,4,5,0,0];a=[0,0,1,2,3,4,5]; r=[1 2 3 4 5 6 7]; w=zeros(7,1);x=zeros(7,1);y=zeros(7,1);m=zeros(7,1);n=zeros(7,1);h=zeros(7,1); w(1)=c(1);m(1)=d(1)/c(1);n(1)=e(1)/c(1); h(2)=b(2);w(2)=c(2)-h(2)*m(1);m(2)=(d(2)-b(2)*n(1))/w(2);n(2)=e(2)/w(2); for k=3:5 h(k)=b(k)-a(k)*m(k-2); w(k)=c(k)-a(k)*n(k-2)-h(k)*m(k-1); m(k)=(d(k)-h(k)*n(k-1))/w(k); n(k)=e(k)/w(k); end h(6)=b(6)-a(6)*m(4); w(6)=c(6)-a(6)*n(4)-h(6)*m(5); m(6)=(d(6)-h(6)*n(5))/w(6); h(7)=b(7)-a(7)*m(5); w(7)=c(7)-a(7)*n(5)-h(7)*m(6); y(1)=r(1)/w(1);y(2)=(r(2)-h(2)*y(1))/w(2); for k=3:7 y(k)=(r(k)-a(k)*y(k-2)-h(k)*y(k-1))/w(k); end x(7)=y(7); x(6)=y(6)-x(7)*m(6);

解线性方程组基思想

解线性方程组基思想

————————————————————————————————作者:————————————————————————————————日期:

四:基本方法 基本思路将在解题的过程中得到体现。 1.(求线性方程组的唯一解或特解),这类问题的求法分为两类:一类主要用于解低阶稠 密矩阵——直接法;一类是解大型稀疏矩阵——迭代法。 1.1利用矩阵除法求线性方程组的特解(或一个解) 方程:AX=b,解法:X=A\b,(注意此处’\’不是’/’) 例1-1 求方程组的解。 解: A = ; = ;b=(1,0,0,0,1)’ 由于>>rank(A)=5,rank( )=5 %求秩,此为R(A)=R()>=n的情形,有唯一解。 >>X= A\b %求解X =(2.2662, -1.7218, 1.0571,-0.5940, 0.3188)’ 或用函数rref 求解,>>sv=rref(A:b);所得sv的最后一列即为所要求的解。 1.2 利用矩阵的LU、QR和cholesky分解求方程组的解 这三种分解,在求解大型方程组时很有用。其优点是运算速度快、可以节省磁盘空间、节省内存。 I) LU分解又称Gauss消去分解,可把任意方阵分解为下三角矩阵的基本变换形式(行交换)和上三角矩阵的乘积。即A=LU,L为下三角阵,U为上三角阵。 则:A*X=b 变成L*U*X=b 所以X=U\(L\b) 这样可以大大提高运算速度。命令[L,U]=lu (A) 在matlab中可以编如下通用m 文件: 在Matlab中建立M文件如下 % exp1.m A;b; [L,U]=lu (A); X=U\(L\b) II)Cholesky分解 若A为对称正定矩阵,则Cholesky分解可将矩阵A分解成上三角矩阵和其转置的乘积,即:其中R为上三角阵。 方程A*X=b 变成所以 在Matlab中建立M文件如下 % exp2.m A;b; [R’,R]=chol(A); X=R\(R’\b) III)QR分解 对于任何长方矩阵A,都可以进行QR分解,其中Q为正交矩阵,R为上三角矩阵的初等变换形 式,即:A=QR 方程A*X=b 变形成QRX=b 所以X=R\(Q\b)

求解线性方程组——超松弛迭代法(c)

求解线性方程组——超松弛迭代法 #include #include using namespace std; float *one_array_malloc(int n); //一维数组分配float **two_array_malloc(int m,int n); //二维数组分配float matrix_category(float* x,int n); int main() { const int MAX=100;//最大迭代次数 int n,i,j,k; float** a; float* x_0; //初始向量 float* x_k; //迭代向量 float precision; //精度 float w; //松弛因子 cout<<"输入精度e:"; cin>>precision; cout<>n; a=two_array_malloc(n,n+1); cout<>a[i][j]; } } x_0=one_array_malloc(n); cout<>x_0[i]; } x_k=one_array_malloc(n);

cout<<"输入松弛因子w (1>w; float temp; //迭代过程 for(k=0;k

线性方程组的解空间

第六章 向量空间 6、1 定义与例子 6、2 子空间 6、3 向量的线性相关性 6、4 基与维数 6、5 坐标 6、6 向量空间的同构 6、7 矩阵的秩齐次线性方程组的解空间 返回教案总目录 6、7矩阵的秩,齐次线性方程组的解空间 一、教学思考 1、矩阵的秩与线性方程组解的理论在前面已经有过讨论,本节运用向量空间的有关理论重新认识矩阵的秩的几何意义,讨论线性方程组解的结构。 2、注意:齐次线性方程组(含n 个未知量)的解的集合构成n F 的子空间,而非齐次线性方程组的解的集合非也。 3、注意具体方法:1)证矩阵的行空间与列空间的维数相等;2)求齐次线性方程组的基础解系。 二、内容要求 1、内容:矩阵的秩的几何意义,齐次线性方程组的解空间。 2、要求:理解掌握矩阵的秩的几何意义,齐次线性方程组的基础解系的求法。 三、教学过程 1、矩阵的秩的几何意义 几个术语:设)(F M A n m ?∈,??? ? ? ??=mn m n a a a a A ΛΛΛ ΛΛ 1111,A 的每一行瞧作n F 的一个元素,叫做A 的行向量,用),2,1(m i i Λ=α表示;由),2,1(m i i Λ=α生成的n F 的子空间 ),,(1m L ααΛ叫做矩阵A 的行空间。 类似地,A 的每一列瞧作m F 的一个元素,叫做A 的列向量;由A 的n 个列向量生成的m F 的子空间叫做矩阵A 的列空间。 注:)(F M A n m ?∈的行空间与列空间一般不同,分别就是n F 与m F 的子空间;下证其维数相同。 引理6、7、1设)(F M A n m ?∈, 1)若PA B =,P 就是一个m 阶可逆矩阵,则B 与A 有相同的行空间; 2)若AQ C =,Q 就是一个n 阶可逆矩阵,则C 与A 有相同的列空间。 分析:设() ()()m m ij n m ij n m ij p P b B a A ???===,,,),2,1(m i i Λ=α就是A 的行向

Gauss-Seidel迭代法求解线性方程组

Gauss-Seidel迭代法求解线性方程组

一. 问题描述 用Gauss-Seidel 迭代法求解线性方程组 由Jacobi 迭代法中,每一次的迭代只用到前一次的迭代值。使用了两倍的存储空间,浪费了存储空间。若每一次迭代充分利用当前最新的迭代值,即在计算第i 个分量 ) 1(+k i x 时,用最新分量 ) 1(1 +k x , ???+) 1(2 k x ) 1(1 -+k i x 代替旧分量 ) (1 k x , ???) (2 k x ) (1 -k i x ,可以起 到节省存储空间的作用。这样就得到所谓解方程组的Gauss-Seidel 迭代法。 二. 算法设计 将A 分解成U D L A --=,则b x =A 等价于b x =--U)D (L 则Gauss-Seidel 迭代过程 ) ()1()1(k k k Ux Lx b Dx ++=++ 故 ) ()1()(k k Ux b x L D +=-+ 若设1 )(--L D 存在,则 b L D Ux L D x k k 1)(1)1()()(--+-+-= 令 b L D f U L D G 11)()(---=-=,

则Gauss-Seidel 迭代公式的矩阵形式为 f Gx x k k +=+) () 1( 其迭代格式为 T n x x x x ) ()0()0(2)0(1)0(,,,???= (初始向量), ) (1 1 1 1 1 )()1()1(∑∑-=-+=++--=i j i i j k j ij k j ij i ii i i x a x a b a x )210i 210(n k ???=???=,,,;,,, 或者 ?? ???--=???=???==?+=∑∑-=-+=+++) (1)210i 210(111 1)()1()1()()1(i j i i j k j ij k j ij i ii i i i k i k i x a x a b a x n k k x x x ,,,;,,, 三. 程序框图

第三章 解线性方程组的直接方法

习题 3.1 1. 求下列方阵的秩: (1)??? ?? ??--340313021201;(2)????? ??----174034301320;(3)??????? ? ?---------12433023221453334 311 ;(4)??????? ??------34732038234202173132. 2. 求下列方阵的逆矩阵: (1) ?? ? ?? ? ?323513123; (2) ????? ?? ??-----1210232112201023. 3. 解下列矩阵方程 (1) 设 ???? ? ??--=????? ??--=1322 31,113122214B A ,求X 使B AX =; (2) 设 ??? ? ??-=? ???? ??---=132 321,433312120B A ,求X 使B XA =; (3) ?? ??? ??-=????? ??-=????? ??-=112510324, 123011113,1120111111C B A ,求X 使C AXB =. 4. 求下列行列式 (1)? ? ? ??? ??????71 1 0251020214214 ;(2)????????????-260523211213 141 2;(3)?? ? ???????---ef cf bf de cd bd ae ac ab ; (4) ????????????---d c b a 100110011001. 5. 判断下列线性方程组解的情况,如果有唯一解,则求出解. ???????=+++-=----=+-+=+++;01123,2532,242,5)1(432143214 3214321x x x x x x x x x x x x x x x x ? ? ???????=+=++=++=++=+;15,065,065,065,165)2(545434323212 1x x x x x x x x x x x x x (3) ? ?? ??=-++=-+-=-+-;3222, 2353, 132432143214321x x x x x x x x x x x x (4) ?????=---=--+=+++.034,0222,022432143214321x x x x x x x x x x x x 习题 3.2 1. 用回代法解上三角形线性方程组 (1)??? ????==+-=-+=++;63,3,6333,8484443432321x x x x x x x x x (2)?? ???? ?-=-=+--=+--=-+.63,1032,92,9244343242 1x x x x x x x x x 2. 用回代法解下三角形线性方程组

线性方程组解的情况及其判别准则

摘要:近年来,线性代数在自然科学和工程技术中的应用日益广泛,而线性方程组求解问题是线性代数的基本研究内容之一,同时它也是贯穿线性代数知识的主线。本文探究了线性方程组一般理论的发展,用向量空间和矩阵原理分析了线性方程组解的情况及其判别准则。介绍了线性方程组理论在解决解析几何问题中的作用,举例说明了线性方程组解的结构理论在判断空间几何图形间位置关系时的便利之处。 关键字:线性方程组;解空间;基础解系;矩阵的秩 Abstract:In recent years, linear algebra in science and engineering application, and wide linear equations solving problems is the basic content of linear algebra, at the same time, it is one of the main knowledge of linear algebra.This article has researched the development of system of linear equations theory,discussed the general theory of linear equations, vector space with the development and matrix theory to analyze the linear equations and the criterion of the situation. Introduces the theory of linear equations in solving the problem of analytic geometry, illustrates the role of linear equations of structure theory in judgment space relation between the geometry of the convenience of position. space geometric figure between time the position relations with theory of the system of linear equation with examples. Key words: linear equations, The solution space, Basic solution, Matrix rank

迭代法解线性方程组

迭代法解线性方程组作业 沈欢00986096 北京大学工学院,北京100871 2011年10月12日 摘要 由所给矩阵生成系数矩阵A和右端项b,分析系数矩阵A,并用Jacobi迭代法、GS迭代法、SOR(逐步松弛迭代法)解方程组Ax=b 1生成系数矩阵A、右端项b,并分析矩阵A 由文件”gr900900c rg.mm”得到了以.mm格式描述的系数矩阵A。A矩阵是900?900的大型稀 疏对称矩阵。于是,在matlaB中,使用”A=zeros(900,900)”语句生成900?900的零矩阵。再 按照.mm文件中的描述,分别对第i行、第j列的元素赋对应的值,就生成了系数矩阵A,并 将A存为.mat文件以便之后应用。 由于右端项是全为1的列向量,所以由语句”b=ones(900,1)”生成。 得到了矩阵A后,求其行列式,使用函数”det(A)”,求得结果为”Inf”,证明行列式太大,matlaB无法显示。由此证明,矩阵A可逆,线性方程组 Ax=b 有唯一解。 接着,判断A矩阵是否是对称矩阵(其实,这步是没有必要的,因为A矩阵本身是对称矩阵,是.mm格式中的矩阵按对称阵生成的)。如果A是对称矩阵,那么 A?A T=0 。于是,令B=A?A T,并对B求∞范数。结果显示: B ∞=0,所以,B是零矩阵,也就是:A是对称矩阵。 然后,求A的三个条件数: Cond(A)= A ? A?1 所求结果是,对应于1范数的条件数为:377.2334;对应于2范数的条件数为:194.5739;对应 于3范数的条件数为:377.2334; 1

从以上结果我们看出,A是可逆矩阵,但是A的条件数很大,所以,Ax=b有唯一解并且矩阵A相对不稳定。所以,我们可以用迭代方法来求解该线性方程组,但是由于A的条件数太大迭代次数一般而言会比较多。 2Jacobi迭代法 Jacobi迭代方法的程序流程图如图所示: 图1:Jacobi迭代方法程序流程图 在上述流程中,取x0=[1,1,...,1]T将精度设为accuracy=10?3,需要误差满足: error= x k+1?x k x k+1

线性方程组解的判定与解的结构

***学院数学分析课程论文 线性方程组解的判定与解的结构 院系数学与统计学院 专业数学与应用数学(师范) 姓名******* 年级 2009级 学号200906034*** 指导教师 ** 2011年6月

线性方程组解的判定与解的结构 姓名****** (重庆三峡学院数学与计算机科学学院09级数本?班) 摘 要:线性方程组是否有解,用系数矩阵和增广矩阵的秩来刻画.在方程组有解且有 多个解的情况下,解的结构就是了解解与解之间的关系. 关键词:矩阵; 秩; 线性方程组; 解 引言 通过系数矩阵和增广矩阵的秩是否相同来给出判定线性方程组的解的判别条件.在了解了线性方程组的判别条件之后,我们进一步讨论解的结构.对于齐次线性方程组,解的线性组合还是方程组的解.在线性方程组有无穷个解时可用有限多个解表示出来.另外以下还涉及到线性方程组通解的表达方式. 1 基本性质 下面我们分析一个线性方程组的问题,导出线性方程组有解的判别条件. 对于线性方程组 1111221121122222 1122n n n n s s sn n s a x a x a x b a x a x a x b a x a x a x b ++???+=??++???+=???????++???+=? (1) 引入向量 112111s αααα??????=?????????,122222s αααα??????=?????????,…12n n n sn αααα??????=????????? ,12s b b b β?? ?? ??=??????? ?? 方程(1)可以表示为 1122n n x x x αααβ++???+= 性质 线性方程组⑴有解的充分必要条件为向量β可以表成向量组α1,α2,…,αn 的线性组合. 定理1 线性方程组⑴有解的充分必要条件为它的系数矩阵

实验解线性方程组的基本迭代法实验

数值分析实验报告

0 a 12 K a 1,n 1 K a 2,n 1 U O M 则有: 第一步: Jacobi 迭代法 a 1n a 2n M , 则有: A D L U a n 1,n Ax b A A x D b L U (D L U)x b Dx (L U)x b x D (L U)x D b 令 J D (L U) 则称 J 为雅克比迭代矩阵 f D b 由此可得雅克比迭代的迭代格式如下: x (0) , 初始向量 x (k 1) Jx (k) f ,k 0,1,2,L 第二步 Gauss-Seidel 迭代法 Ax b (D L U )x b (D L)x Ux b x (D L) Ux (D L) b A D L U a 11 a 12 L a 1n a 11 A a 21 a 22 L a 2n a 22 M MM MO a n1 a n2 L a nn a 11 得到 D a 22 O a nn 由 a 21 0 M M O a n 1,1 a n 1,2 L 0 a nn a n1 a n2 L a n,n a 21 L M M O a n 1,1 a n 1,2 L a n1 a n2 L a n,n 1 a 12 K a 1,n 1 a 1n 0 K a 2,n 1 a 2n O M M a n 1,n 10

令 G (D L) U ,则称G 为Gauss-Seidel 迭代矩阵 f (D L) b 由此可得 Gauss-Seidel 迭代的迭代格式如下: x (0) , 初始向量 第三步 SOR 迭代法 w0 AD L U 1 ( D 1 wL ((1 w)D wU )) (D 1 wL) ((1 w)D wU ) w w w 令M w 1 (D wL), N 1 ((1 w)D wU )则有:A MN w w Ax b AM L W N M (M N )x b Mx Nx b x M Nx M b N M, 令W f Mb 带入 N 的值可有 L W ((1 w)D wU) (D wL) 1((1 w)D wU) (D wL) f 1 b w 1(D wL) 1b 1 (D wL) w 称 L W 为 SOR 迭代矩阵,由此可得 SOR 迭代的迭代格式如下: x (0) ,初始向量 二、算法程序 Jacobi 迭代法的 M 文件: function [y,n]=Jacobi(A,b,x0,eps) %************************************************* %函数名称 Jacobi 雅克比迭代函数 %参数解释 A 系数矩阵 % b 常数项 % x0 估计解向量 x (k 1) Gx (k) f ,k 0,1,2,L (k 1) f,k 0,1,2,L

线性方程组的解空间

第六章 向量空间 6.1 定义和例子 6.2 子空间 6.3 向量的线性相关性 6.4 基和维数 6.5 坐标 6.6 向量空间的同构 6.7 矩阵的秩齐次线性方程组的解空间 返回教案总目录 6.7矩阵的秩,齐次线性方程组的解空间 一、教学思考 1、矩阵的秩与线性方程组解的理论在前面已经有过讨论,本节运用向量空间的有关理论重新认识矩阵的秩的几何意义,讨论线性方程组解的结构。 2、注意:齐次线性方程组(含n 个未知量)的解的集合构成n F 的子空间,而非齐次线性方程组的解的集合非也。 3、注意具体方法:1)证矩阵的行空间与列空间的维数相等;2)求齐次线性方程组的基础解系。 二、内容要求 1、内容:矩阵的秩的几何意义,齐次线性方程组的解空间。 2、要求:理解掌握矩阵的秩的几何意义,齐次线性方程组的基础解系的求法。 三、教学过程 1、矩阵的秩的几何意义 几个术语:设)(F M A n m ?∈,???? ? ??=mn m n a a a a A 1111,A 的每一行看作n F 的一 个元素,叫做A 的行向量,用),2,1(m i i =α表示;由),2,1(m i i =α生成的n F 的子空间),,(1m L αα 叫做矩阵A 的行空间。 类似地,A 的每一列看作m F 的一个元素,叫做A 的列向量;由A 的n 个列向量生成的m F 的子空间叫做矩阵A 的列空间。 注:)(F M A n m ?∈的行空间与列空间一般不同,分别是n F 与m F 的子空间;下证其维数相同。 引理6.7.1设)(F M A n m ?∈, 1)若PA B =,P 是一个m 阶可逆矩阵,则B 与A 有相同的行空间; 2)若AQ C =,Q 是一个n 阶可逆矩阵,则C 与A 有相同的列空间。 分析:设()()()m m ij n m ij n m ij p P b B a A ???===,,,),2,1(m i i =α是A 的行向量,),2,1(m j j =β是B 的行向量;只需证这两组向量等价。

线性方程组的公共解

线性方程组的公共解 问题:如何求解线性方程组的公共解? 线性方程组是高代学习的一个重点内容,它的一般形式为 ???????=+++=+++=+++bs asnxn x as x as b nxn a x a x a b nxn a x a x a ...2211... ,22...222121,11...212111 而线性方程组的求解也是这部分学习的重点和难点。其中求解线性方程组的公共解也是高等代数学习所必须掌握的一个知识点。 例1、证明:对于n 元齐次线性方程组(Ⅰ)AX=0与(Ⅱ)BX=0,有非零公共解的充要条件是r(B A )

???=-=+0 42031x x x x 又已知某齐次线性方程组(Ⅱ)的通解为 k1(0,1,1,0)’+k2(-1,2,2,1)’ 问(Ⅰ)与(Ⅱ)是否有非零公共解?若有,则求出所有公共解,若没有,则说明理由。(出自2005年中科院) 解:方法一:将(Ⅱ)的通解代入方程组(Ⅰ)得 ???=+=+0 21021k k k k 解得k1=-k2,故方程组(Ⅰ)与(Ⅱ)有非零公共解,所有非零公共解为k (1,1,1,1)’,k ≠0为任意常数 方法二:令方程组(Ⅰ)与(Ⅱ)的通解相同,即 k1(0,1,1,0)’+k2(-1,2,2,1)’=k3(-1,0,1,0)’+k4(0,1,0,1)’ 得到关于k1,k2,k3,k4的一个方程组 ???????=-=-+=-+=-0 420 422103221032k k k k k k k k k k 可求其通解为(k1,k2,k3,k4)’=k(-1,1,1,1)’ 将k1=-1,k2=k 代入(Ⅰ)的通解可得所有非零公共解为k (1,1,1,1)’,k ≠0为任意常数 方法三:方程组(Ⅱ)可以是 ? ??=+=+-041032x x x x 解(Ⅰ)与(Ⅱ)的联立方程组可得所有非零公共解为k (1,1,1,1)’,k ≠0为任意常数 韩梦雪 20132113429

本章介绍了线性方程组有解的充要条件和求解的方法

本章介绍了线性方程组有解的充要条件和求解的方法;为了在理论上深入的研究与此有关的问题,本章还引入了向量和向量空间的基本概念,介绍了向量的线性运算,讨论向量间的线性关系,向量的内积等有关概念和性质,并在此基础上,研究线性方程组解的性质和解的结构等问题。 一、一、线性方程组 1、Cramer法则 教材p64,定理2.1 2、线性方程组有解的判别定理 教材p72,定理2.3 3、线性方程组的消元解法 步骤:(1)对线性方程组的增广矩阵施以初等行变换,将其化为阶梯型矩阵 (2)如果系数矩阵的秩与增广矩阵的秩不相等,表明方程组无解; 如果相等,则表明有解,继续对阶梯型矩阵进行初等行变换,求出 方程的解。【详见p68】 初等行变换: (1)(1)交换两方程的位置; (2)(2)用一个非零数乘某一方程; (3)(3)把一方程的若干倍加到另一方程去 4、消元法与Cramer法则的异同:在条件的限制上,Cramer法则仅适用于 方程数与未知数相等并且系数行列式不为零的情况,而消元法对此没有限制。即便是满足Cramer法则的要求,用消元法可以区分方程组无解还是有无穷多解,而Cremer法则却不能区分 二、二、向量及向量间的线性关系 (一)向量的定义 1、向量、行向量、列向量【教材p77,定义2.1】 2、零向量【教材p78,定义2.2】 3、向量的相等【教材p78,定义2.3】 4、向量的加法、减法【教材p78,定义2.3】 5、数乘向量【教材p78,定义2.5】

6、n维向量空间【教材p78,定义2.6】 7、n维向量空间的子空间【教材p78,定义2.7】 (二)向量间的线性关系 1、线性组合 (1)一个向量可表为一个向量组的线性组合,或称此向量可由此向量组线性表出【教材p80,定义2.8 (2)一个向量可表为一向量组的线性组合的充要条件:由它们做系数及常数项组成的线性方程组有解【教材p81】 (3)几个结论 a、n维零向量是任一n维向量组的线性组合 b、任一n维向量可由n 维基本单位向量组线性表示 c、向量组中的任一向量可由此向量组线性表示 2、向量组的线性相关与线性无关 (1)向量组的线性相关与线性无关的定义【教材p82:定义2.9,2.10】 (2)几个充要条件 Ⅰ向量组线性相关的充要条件由它们做系数组成的齐次线性方程组有非零解【教材p83】 Ⅱ向量组线性无关的充要条件由它们做系数组成的齐次线性方程组仅有零解【教材p83】 Ⅲ一个向量组线性相关的充要条件是由它们做系数组成的齐次线性方程组的系数行列式等于零【教材p83】 Ⅳ一个向量组线性无关的充要条件是由它们做系数组成的齐次线性方程组的系数行列式不等于零【教材p83】: Ⅴ一个向量组线性相关的充要条件是此向量组中至少有一个向量可以表为其余向量的线性组合【教材p85:定理2.6】 Ⅵ一个向量组线性无关的充要条件是此向量组中每一个向量都不能表为其余向量的线性组合【教材p86:定理2.6 的推论】 Ⅶ若一向量可由一向量组线性表出,则表示法唯一的充要条件是此向量组线性无关 三、向量组

相关文档
相关文档 最新文档