Вычислительные методы линейной алгебры

 

Вычислительные методы линейной алгебры включают в себя решение следующих задач:

1) Решение систем линейных алгебраических уравне­ний (СЛАУ).

2) Вычисление определителей квадратной матрицы А.

3) Для данной квадратной матрицы А вычисление обрат­ной А-1.

4) Определение собственных значений и собственных векторов квадратной матрицы А.

 

3.1. Нормы векторов и матриц

При решении многих прикладных задач весьма полезным являются понятия нормы векторов и нормы матриц.

Определение 3.1. Нормой вектора называется неотрицательное число, которое обозначается символом || || и удовлетворяет следующим условиям:

1) || || > 0 при ¹ и || || = 0;

2) || || = | c |×|| || при любом числовом множителе;

3. || || ≤ || || + || ||. Это соотношение называют неравенством треугольника.

Норму вектора можно ввести различными способами. Наиболее часто для векторов n-мерного арифметического пространства

= (x1, x2, ..., xn)T используются следующие нормы:

1) || ||1 = , i = 1, 2, ..., n (3.1)

(называется кубической);

2) || ||2 = (3.2)

(называется октаэдрической);

3) || ||3 = = (3.3)

(называется сферической, порождена скалярным произведением и определяет длину вектора ).

Норма (3.3) порождена скалярным произведением которое выражается формулой: .

Для скалярного произведения векторов справедливы соотношения:

= = .

Если A симметричная матрица, то = .

Определение 3.2. Если в пространстве векторов введена норма || ||, то согласованной с ней нормой в пространстве матриц называют норму

. (3.4)

 

Согласованные с нормами векторов (3.1)-(3.3) нормы матриц определяются формулами

 

, (3.5)

, (3.6)

. (3.7)

В формуле (3.7) – собственные значения матрицы ATA, которая является симметрической.

Формула (3.7) следует из того, что для симметрической матрицы B можно доказать справедливость соотношения:

= , (3.8)

где li – собственные значения матрицы B.

Определение 3.3. Две нормы || ||α и || ||β называются эквивалентными, если существуют такие постоянные γ1 и γ2, что для всех векторов справедливы соотношения:

, и .

Нормы || ||1, || ||2 и || ||3 эквивалентны между собой, так как выполнятся неравенства

|| ||1 ≤ || ||3 ≤ || ||2 n×|| ||1.

Определение 3.4. Будем говорить, что последовательность векторов сходится к вектору по данной норме || ||, если выполняется соотношение = 0.

Из эквивалентности норм || ||1, || ||2 и || ||3 следует, что если последовательность векторов сходится по одной из этих норм, то она сходится и по остальным нормам.

Договоримся в дальнейшем под нормой || || подразумевать одну из указанных выше норм, а при необходимости конкретизировать, какую именно.

При этом под нормой матрицы будем понимать норму, согласованную с нормой матрицы.

 

3.2. Решение систем линейных алгебраических уравнений (СЛАУ)

Теоретические условия существования и единственно­сти решения систем линейных уравнений известны – главный определитель не должен быть равен нулю. Тог­да решение можно найти по правилу Крамера, или мето­дом исключения неизвестныхГаусса. Метод Гаусса и правило Крамера относятся к прямым методам решения систем линейных алгебраических уравнений. Они позво­ляют за конечное число действий получить точное реше­ние системы, при условии, что все действия выполняют­ся точно, без округления. Но на практике, при больших порядках системы, правило Крамера требует слишком много времени для вычисления определителей. Если оп­ределители вычислять формально по определению как сумму п!слагаемых, то число операций имеет порядок п!п.Правило Крамера используется чаще для теоретичес­ких исследований, а на практике почти не применяется.

Метод исключения неизвестных Гаусса для решения систем линейных уравнений более эффективен, чем пра­вило Крамера. Более того, он также эффективен при вы­числении определителя и обратной матрицы.

При большом числе неизвестных иногда оказывается, что выгоднее решать систему уравнений методом итера­ций, который дает приближенное решение системы.

а) Метод Гаусса для решения систем линейных уравнений

Пусть требуется решить систему п линейных алгебра­ических уравнений с п неизвестными:

(3.9)

Прямой ходметода Гаусса преобразует систему (3.9) к треугольному виду исключением соответствующих неиз­вестных. Пусть a11 ¹ 0 . Первый шаг заключается в исклю­чении переменной x1с помощью первого уравнения из ос­тальных уравнений. Разделим первое уравнение на a11:

; . (3.10)

Затем от второго уравнения вычтем первое уравне­ние, умноженное на a21. В результате, на месте второго уравнения получим уравнение, не содержащее х1. Чтобы исключить х1 из третьего уравнения, вычтем из первое уравнение, умноженное на a31. Аналогично ис­ключаем х1из четвертого и последующих уравнений. Для исключения х1из i-го уравнения (i = 2, 3, ... , п)приме­ним формулы

; . (3.11)

 

В результате этих вычислений получим систему вида

(3.12)

На втором шаге исключаем переменную х2с помощью второго уравнения из третьего и последующих уравне­ний. Предположим, что ¹ 0. Разделим второе уравне­ние на :

; . (3.13)

Затем в системе (3.12) с помощью второй строки исключим

х2 из i-го уравнения (i = 3, 4, ... , n), применяя формулы:

; . (3.14)

Система (3.12) преобразуется к следующему виду:

(3.15)

1. В общем случае на шаге т для т = 1, 2,..., n - 1,

делим сначала т-е уравнение на :

; , (3.16)

а затем исключаем переменную xm c помощью m-го уравнения из i-го, где

i = m +1,..., n:

; . (3.17)

Здесь предполагается, что на каждом шаге выполня­ется условие ¹ 0.

В результате (n - 1)-го шага система (3.9) приобретает вид

(3.18)

2. Обратный ход метода Гаусса вычисляет неизвест­ные xi в обратном порядке. Из последнего уравнения в (3.18) находим

хп = (3.19)

Неизвестные xi определяем по следующим формулам:

xi = i = n - 1,n - 2,..., 1.(3.20)

Метод Гаусса предполагает, что на т-мшаге выполня­ется условие ¹ 0. Если это условие не выполняется, то алгоритм перестанет работать, так как столкнется с делением на 0. Кроме этого, в случае выполнения усло­вия ¹ 0, может возникнуть ситуация, когда ведущий элемент близок к нулю, что также может привести к неприятностям в виде больших погрешностей.

Чтобы избежать этих трудностей, применяют метод Гаусса с выбором главного элемента.Одним из вариан­тов этого метода является метод Гаусса с выбором глав­ного элемента по столбцам.В качестве ведущего элемен­та на каждом шаге выбирают наибольший по модулю элемент столбца и переставляют соответствующую стро­ку с другой строкой так, чтобы найденный элемент стал диагональным, затем исключают соответствующую пере­менную. Так как при этих перестановках переменные в уравнениях остаются на своих местах, решение преобра­зованной системы совпадает с решением исходной систе­мы уравнений.

Метод Гаусса с выбором главного элемента по стол­бцамотличается от алгоритма (3.16) – (3.20) только тем, что перед преобразованием (3.16) нужно выполнить по­иск максимального по модулю элемента в т-мстолбце и переставить строки системы уравнений так, чтобы мак­симальный элемент стал диагональным элементом матри­цы коэффициентов.

б) Алгоритм метода Гаусса с выбором главного элемента

По столбцам

1. Для т = 1, 2, ... , п - 1 выполним преобразования: Найдем максимальный по абсолютной величине эле­мент в т-м столбце. Пусть это будет элемент aim.Если i ¹ т, то меняем местами i-ю и т-юстроки:

r = , = , = r , j = 1, ... , п;

r = bi, bi = bт, bт = r.

Элементы матрицы и вектора-столбца свободных членов после преобразования на т-м шаге обозначим , , причем = , = bi.

Делим т-е уравнение на ведущий элемент :

; ,

затем исключаем переменную хт с помощью m-го урав­нения из i-го, где

i = т + 1,..., п:

; .

2.Вычисляем неизвестные xi в обратном порядке:

хп = ; xi = i = n - 1,n - 2,..., 1.

Приведенный вариант метода Гаусса дает решение и тогда, когда обычный метод Гаусса перестает работать из-за деления на 0.

При реализации метода Гаусса на каком-либо языке программирования удобно использовать исходные матри­цу a и вектор bдля хранения промежуточных результатов преобразований. Приведенные формулы преобразова­ний записываются как операторы присваивания, т. е. имена переменных aij и bi записываются без верхних ин­дексов.

В методе Гаусса с выбором главного элемента по строкам на каждом шаге выбирают наибольший по мо­дулю элемент строки и переставляют столбцы так, чтобы ведущий элемент находился на диагонали. В этом вариан­те в уравнениях неизвестные переменные меняются мес­тами и в алгоритме необходимо думать о том, чтобы запом­нить эти перестановки.

В общем случае метода Гаусса с выбором главного эле­мента на шаге т ищется максимальный по модулю эле­мент во всей матрице коэффициентов и производится пе­рестановка строк и столбцов так, чтобы этот элемент стал диагональным.

Отметим, что последний вари­ант с выбором главного элемента считается лучшим.

Общее число операций для решения системы уравне­ний методом Гаусса составляет приблизительно 2n3/3 + 2n2, при этом большая часть, т. е. 2п3/3, операций при­ходится на прямой ход.

в) Итерационный метод

Запишем систему уравнений (3.9) в виде

Ах = b,(3.21)

где А – матрица коэффициентов; b– вектор правых ча­стей системы.

Преобразуем (3.21) к виду, удобному для итераций:

х = Вх + с. (3.22)

Тогда метод простой итерации определяется формулой:

xk+1 = Bxk + c, k = 0, 1, ... , (3.23)

где начальное приближение x0 задано.

В качестве критерия сходимости метода итераций обычно применяют условие

||xk+1 - xk|| £ ε.

Сформулируем теоремы об условиях сходимости мето­да простых итераций.

Теорема 3.1 (достаточное условие сходимости).Если ||В|| < 1, то система (3.21) имеет единственное решение, а итерационный метод (3.23) сходится к решению со ско­ростью геометрической прогрессии.

Теорема 3.2. (необходимое и достаточное условие схо­димости).Пусть система (3.22) имеет единственное реше­ние. Итерационный процесс (3.23) сходится к решению системы (3.22) тогда и только тогда, когда все собствен­ные значения матрицы В по модулю меньше единицы.

Теоремы 3.1 и 3.2 не дают способов преобразования произвольной системы линейных уравнений к виду (3.22) так, чтобы метод итераций (3.23) при этом сходился к решению. Эти теоремы имеют важное теоретическое значение. На практике для проверки условия сходимости метода итераций более полезна теорема 3.1, а теорему 3.2 удается использовать тогда, когда собствен­ные значения матрицы В известны. Задача определения собственных значений матрицы в общем случае сложнее, чем задача решения системы линейных уравнений.

Для преобразования системы уравнений к виду, удоб­ному для итераций, можно умножить систему (3.21) на матрицу D = А-1- ε, где ε – произвольная матрица. Тог­да система примет вид (3.22)

х= Вх + с, В = εА, с = Db (3.24)

и матрица В будет удовлетворять теореме 3.1, если выб­рать элементы матрицы ε достаточно малыми по модулю. Однако этот прием не выгоден, так как для вычисления обратной матрицы А-1необходимо выполнить не меньше операций, чем при решении самой системы.

При небольшом числе уравнений систему иногда уда­ется привести к виду, удобному для итераций, с помощью нескольких преобразований.

Далее будут рассмотрены разностные методы решения краевых задач для обыкновенных дифференциальных уравнений и уравнений в частных производных, которые приводят к решению систем линейных уравнений с боль­шим числом неизвестных. Учитывая специфику таких систем, часто удается построить эффективные итерацион­ные методы их решения.

г) Метод Зейделя

Пусть требуется решить систему уравнений (3.1):

(3.25)

Выразим из первого уравнения переменную х1 из вто­рого – х2и т. д.:

Пусть k-e приближение к решению обозначено как хk = . Подставим его в правую часть полу­ченной системы и выразим следующее приближение xk+1= .В отличие от метода итераций, метод

Зейделя использует при вычислении уже най­денные компоненты вектора хk+1.

Расчетные формулы метода Зейделя можно записать в виде

(3.26)

Теорема 3.3(достаточные условия сходимости).Пусть при всех i для коэффициентов системы уравнений (3.25) выполняются условия

. (3.27)

Тогда метод Зейделя сходится и выполняется неравен­ство

||xk+1 - xk||1 £ q||xkx*||1 (3.28)

где х* – точное решение системы (3.25).

Если матрица А удовлетворяет условию (3.27), гово­рят, что А – матрица с диагональным преобладанием.

Теорема 3.4(достаточные условия сходимости).Пусть матрица А системы (3.1) – вещественная, симмет­ричная и положительно определенная. Тогда метод Зей­деля сходится.

3.3.Погрешность решения и обусловленность системы уравнений

Рассмотрим влияние погрешности правой части и свойств матрицы системы линейных уравнений на погрешность решения. Пусть правая часть системы задана приближенно, с погрешностью η:

Ах = b1,b1 = b + η.

Пусть х1 решение неточно заданной системы Ах = b1, х – решение точной системы Ах = b.Обозначим погрешность решения через r = х1 - х.Тогда можно запи­ть Ах1= b1в виде А (х + r) = b + ηАr= η.

Определение 3.5. Мерой обусловленности системы называется число

. (3.29)

Мера обусловленности системы равна верхней грани отношения относительной погрешности решения к относительной погрешности правой части. Из формулы (3.29) следует неравенство

(3.30)

Если мера обусловленности системы принимает боль­шое значение, это значит, что небольшая погрешность правой части может привести к большой погрешности решения, т. е. полученное приближенное решение ока­жется непригодным.

Учитывая, что r = А-1η,можно получить формулу вы­числения меры обусловленности системы:

(3.31)

Определение 3.6. Мерой обусловленности матрицы А называется число

 

. (3.32)

Для вычисления меры обусловленности матрицы мож­но с помощью (3.31) получить формулу

. (3.33)

Учитывая (3.30), можно записать

(3.34)

Неравенство (3.34) связывает относительные погреш­ности правой части и решения системы через свойства матрицы системы.

Определение 3.7. Системы уравнений и матрицы назы­ваются плохо обусловленными,если их меры обусловлен­ности принимают большие значения, и хорошо обуслов­ленными,если меры обусловленности принимают малые значения.

Понятно, что при решении хорошо обусловленных систем малые погрешности правой части приводят к ма­лым погрешностям решения, а плохо обусловленные си­стемы уже нельзя решать обычными методами.

3.4. Вычисление определителя и обратной матрицы

Вычисление определителя матрицы является класси­ческим примером задач, для решения которых важно найти эффективные алгоритмы.

При непосредственном раскрытии определителя квад­ратной матрицы

n-го порядка нужно найти сумму n! слага­емых, каждое из которых равно произведению n элементов матрицы, взятых по одному с каждого столбца и каждой строки, т. е. нужно выполнить порядка n!n операций. Число операций для вычисления определителя 100-го по­рядка приблизительно равно 100! × 100 = 100157,9 × 100. Та­кое число операций не способен выполнить за приемле­мое время ни один из существующих суперкомпьютеров. Тем не менее современные компьютерные программы вы­числения определителей справляются с матрицами и бо­лее высокого порядка, используя экономичные алгорит­мы. Одним из таких алгоритмов является метод Гаусса.

Если матрица приведена к диагональному или треу­гольному виду, то ее определитель равен произведению диагональных элементов.

Для преобразования матрицы к треугольному виду можно применить метод Гаусса, который потребует порядка 2n3/3 операций.

Для n = 100 имеем 2n3/3 = 0,67 ×106. На такой объем арифметических операций современный пер­сональный компьютер тратит не более 1 с.

Если внимательно проанализировать метод Гаусса, то можно увидеть, что он фактически позволяет одновре­менно с приведением матрицы коэффициентов к треу­гольному виду, вычислить определитель этой матрицы. Действительно, определитель матрицы коэффициентов системы уравнений (3.18) равен произведению диагональ­ных элементов, т. е. единице. С другой стороны, если к любой строке матрицы прибавить другую строку, умно­женную на число, определитель не изменится. А если строку матрицы разделить на число, отличное от нуля, то определитель матрицы разделится на то же число. Отсю­да следует, что в результате преобразований к виду (3.18), определитель матрицы коэффициентов системы уравне­ний (3.9) изменился на множитель, который равен про­изведению ведущих элементов, т. е. мы получаем форму­лу для вычисления определителя

.

Метод Гаусса также эффективен и для вычисления обратной матрицы. Вычисление обратной матрицы мож­но рассматривать как частный случай решения совокупно­сти систем линейных уравнений с одной и той же матри­цей коэффициентов и разными правыми частями. В этом случае преобразования, которые применяются к столбцу правых частей системы, нужно применить к несколь­ким столбцам правых частей.

3.5. Собственные числа и собственные векторы матрицы

Приведем основные определения и теоремы, необходи­мые для решения практических задач вычисления соб­ственных чисел и собственных векторов матриц.

Определение 3.8. Собственным числом (или собствен­ным значением) квадратной матрицы А называется чис­ло λ, такое, что система уравнений

Ах = λх (3.35)

имеет ненулевое решение х. Это решение называется соб­ственным вектором матрицы А,соответствующим соб­ственному значению λ.

Собственный вектор определяется с точностью до по­стоянного множителя, если худовлетворяет (3.35), то и схтакже является решением (3.35).

Преобразуем систему (3.35) к виду (А - λЕ) х = 0, где Е – единичная матрица. Так как система линейных од­нородных уравнений имеет ненулевые решения лишь тогда, когда определитель матрицы равен нулю, получим уравнение для определения собственных значений

det(A – λE) = 0, (3.36)

которое называется характеристическим,или вековым, уравнением.

Если раскрыть определитель, то получим в левой час­ти (3.36) многочлен n-й степени, корнями которого явля­ются собственные значения матрицы А. На практике, при больших порядках п матрицы, задача раскрытия опреде­лителя (3.36) является сложной. Как известно из алгеб­ры, многочлен n-й степени имеет п корней (действитель­ных или комплексных), если кратные корни учитывать столько раз, какова их кратность.

Вычислить собственные значения матрицы в общем случае труднее, чем найти при известных собственных значениях соответствующие собственные векторы. В не­которых частных случаях собственные значения вычис­ляются легко. Например, если матрица диагональная или треугольная, определитель равен произведению диаго­нальных элементов и поэтому собственные значения рав­ны диагональным элементам. Нетрудно вычислить соб­ственные значения для трехдиагональной матрицы, а также для почти треугольной матрицы.

Для диагональной матрицы собственному значению λi = aii отвечает единичный собственный вектор хi = (0, ... , 1, ... ,0)T, у которого i-якомпонента равна 1, а остальные компоненты 0.

Теорема 3.5. Собственные значения симметричной матрицы с действительными элементами действительны, а собственные векторы, соответствующие различным соб­ственным значениям, взаимно ортогональны.

Теорема 3.6.Если λmin и λmах – наименьшее и наиболь­шее собственные значения действительной симметричной матрицы А, то для любого вектора хсправедливо неравен­ство

λmin(x, х)£(Ах, х λmax(х, х).(3.37)

Определение 3.9.Действительная симметричная мат­рица А называется положительно определенной, если для любого вектора х¹0 выполняется условие

(Ах, х)> 0.(3.38)

Теорема 3.7.Действительная симметричная матрица А является положительно определенной тогда и только тогда, когда все ее собственные значения положительны.

Теорема 3.8(критерий Сильвестра).Для того чтобы действительная симметричная матрица А = (аij) была по­ложительно определенной, необходимо и достаточно, что­бы все главные диагональные миноры ее определителя были положительны:

(3.39)

Теорема 3.9(теорема Перрона).Если все элементы квадратной матрицы положительны, то ее наибольшее по модулю собственное значение положительно и не являет­ся кратным, а соответствующий собственный вектор име­ет положительные координаты.

Рассмотрим итерационный методопределения наи­большего по модулю собственного значения и соответ­ствующего собственного вектора матрицы А,который запишем в виде следующего алгоритма.

 

Алгоритм определения наибольшего по модулю соб­ственного значения и соответствующего собственного вектора матрицы с положительными элементами:

1) зададим начальное приближение х0к собственному вектору; k = 0;

2) вычислим следующие приближения хk+1 по формулам

k+1 = Axk, , xk+1 = , k = k+1; (3.40)

3) если |λk+1 - λk| ³ ε,переходим к п. 2, иначе – к п. 4;

4) конец.

Критерием для остановки итераций является условие |λk+1 - λk| < ε – заданная погрешность.

С помощью формулы (3.40) можно вычислить снача­ла k-юстепень матрицы А и умножить ее на вектор х0(см. пример 10), а для λk можно брать отношение ненулевой координаты вектора хk+1 к соответствующей координате

вектора хk, которая также не должна быть равной нулю. Так как заранее неизвестно, какие координаты соб­ственного вектора не равны нулю, можно брать отноше­ние сумм координат, если эта сумма не равна нулю.

3.6.Метод скалярных произведений

Рассмотрим метод скалярных произведений для опре­деления наибольшего собственного значения и соответ­ствующего собственного вектора действительной матри­цы А.

Теорема 3.10.Транспонированная матрица АT имеет те же собственные значения, что и матрица А. Пусть λi и λk –различные собственные значения матрицы А (и транспонированной матрицы АT), хi – собственный вектор матрицы А, отвечающий собственному значению λi а yk – собственный вектор матрицы АT, отвечающий собственному значению λk.Тогда векторы хi и уk – орто­гональны.

Пусть требуется вычислить наибольшее собственное значение и соответствующий собственный вектор дей­ствительной матрицы Аметоде скалярных произведе­нийвместе с матрицей А используется транспонирован­ная матрица АТ.

Алгоритм метода скалярных произведений:

1) зададим начальные приближения: х0 ксобствен­ному вектору матрицы А и у0 = х0– к собственному век­тору транспонированной матрицы АT;

k = 0;

2) вычислим (k + l)-e приближение к наибольшему собственному значению λпо формулам

xk +1= Ахk,yk +1 =ATyk, λk = , k = k +1; (3.41)

3) если k+1- λk| ³ ε, переходим к п. 2, иначе – к п. 4;

4) конец.

7.Вычисление всех собственных значений положительно определенной симметричной матрицы

Приведем алгоритм для вычисления нескольких пер­вых или всех собственных значений и соответствующих собственных векторов положительно определенной сим­метричной матрицы.

Пусть уже вычислены первые m собственных значений λ1, λ2, ..., λm и т соответствующих собственных векторов x1, x2, ..., xm.

Алгоритм вычисления очередного (т + 1)-го собственного значения и

соответствующего собственного вектора:

0) выберем начальное приближение ; k = 0;

1) вычислим k-e приближение к собственному значе­нию λm+1:

; (3.42)

2) находим вектор из уравнения

; (3.43)

3) если m > 0, ортогонализируем вектор к первым т собственным векторам:

- ; (3.44)

4) нормируем полученный вектор:

; (3.45)

5) k = k+1.

Процесс 1–5 повторяется до тех пор, пока не будет выполнено условие сходимости итераций

(3.46)

где ε – заданная погрешность.

При вычислении первого собственного значения и со­ответствующего вектора п. 3 пропускается.

Этим алгоритмом можно вычислить все собственные значения и собственные векторы.

 

<== предыдущая лекция | следующая лекция ==>
Алгебраические и трансцендентные уравнения | Приближение функций

Дата добавления: 2020-08-31; просмотров: 643;


Поиск по сайту:

Воспользовавшись поиском можно найти нужную информацию на сайте.

Поделитесь с друзьями:

Считаете данную информацию полезной, тогда расскажите друзьям в соц. сетях.
Poznayka.org - Познайка.Орг - 2016-2024 год. Материал предоставляется для ознакомительных и учебных целей.
Генерация страницы за: 0.077 сек.