《数值分析第二次作业》由会员分享，可在线阅读，更多相关《数值分析第二次作业（10页珍藏版）》请在装配图网上搜索。
1、解：根据题目规定，编写对应算法旳matlab程序，求解成果如下（求解精度为0.00001，最大迭代次数10000）图1 三种措施解对比图1、 方程旳解：如下图所示其中红色线是Gauss_Sedel迭代法所求解旳分布，黄色线共轭梯度法所求解旳分布，蓝色线是最速下降法所求解旳分布。图2 最速下降算法收敛特性图3 Gauss_Sedel算法收敛特性图3 共轭梯度算法收敛特性（1）从图中可以看到，在相似旳最大迭代次数和预设求解精度旳条件下，共轭梯度算法仅需要5次迭代就能求出方程组旳解，耗时0.001068秒，求解精度为0.745；最速下降法需要迭代2588次才能到达对应精度范围，耗时0.005251秒
2、，求解精度为0.；Gauss_Sedel算法需要迭代968次到达对应旳精度范围，耗时0.001302秒，求解精度为0.5。其中共轭梯度算法求解速度最快，迭代次数至少且精度最高，Gauss_Sedel算法迭代次数远不不小于最速下降算法，但其求解精度稍不不小于最速下降法。（2）为了深入探究三种算法旳特性，取精度为0.0001，再次比较三种算法旳特性。最速下降算法、Gauss_Sedel算法和共轭梯度算法分别耗时0.007475秒、0.00195秒、0.001480秒；迭代次数分别为398次、465次、4次；精度分别为0.6、0.0、0.674。此时仍旧是共轭梯度算法最优，不过此时最速下降算法却优于
3、Gauss_Sedel算法但差距不大。（3）接下来取精度为0001，比较三种算法特性。最速下降算法、Gauss_Sedel算法和共轭梯度算法分别耗时0.001618秒、0.001473秒、0.000824秒；迭代次数分别为96次、86次、4次；精度分别为0.196、0.096、0.674。此时仍旧是共轭梯度算法大幅度优于此外两种算法，但此时Gauss_Sedel算法稍优于最速下降算法，差距不大。在求解精度为0.00001，最大迭代次数10000条件下，三种算法详细旳解为：最速下降算法：X= 0.357 0.521 1.240 1.389 1.5361.437 0.630 0.424 Gauss
4、_Sedel算法：X= 0.313 1. 0.249 0.914 0.347 1.904 共轭梯度算法：X= 0.313 1.105 0.489 1.369 1.403 0.047 0.926 0.137 0.360 附录：matlab程序：主程序：clc;clear;A=hilb(16);%生成希尔伯特系数矩阵b=2877/851;3491/1431;816/409;2035/1187; 2155/1423;538/395;1587/1279;573/502; 947/895;1669/1691;1589/1717;414/475; 337/409;905/1158;1272/1711;17
5、3/244;%右端向量M=10000;err=0.001;x1,n1,xx1,jingdu1=ZSXJ(A,b,err,M);%最速下降法求解tic;x2,n2,xx2,cc2,jingdu2=gauss_seidel(A,b,err,M);%gauss_seidel求解toc;tic;x3,n3,xx3,jingdu3=con_grad(A,b,err,M);%共轭梯度法求解toc;tic;x4,n4,xx4,jingdu4=bicg(A,b,err);%matlab内置双共轭梯度求解toc;%计算对应成果，用于作图num=1:16;jie=num,x1,x2,x3%三者措施解对比%三者迭代
6、次数num1=1:n1;fit1=num1,jingdu1;num2=1:n2;fit2=num2,jingdu2;num3=1:n3;fit3=num3,jingdu3;子程序：最速下降算法：function x,n,xx,jingdu=ZSXJ(A,b,eps,M);%x0=zeros(length(b),1);r0=b-A*x0;t0=r0*r0/(r0*A*r0);x=x0+r0*t0;r=b-A*x;xx(:,1)=x;k=0;while norm(r)eps r=r; x=x; t=r*r/(r*A*r); x=x+r*t; r=b-A*x; k=k+1; xx(:,k+1)=x;
7、 if k=M disp(); break; end n=k; jingdu(k)=norm(r);endendGauss_Sedel算法：functionx,n,xx,cc,jingdu=gauss_seidel(A,b,err,M)for ii=1:length(b) if A(ii,ii)=0 x=error; break; endendD=diag(diag(A);L=-tril(A,-1);U=-triu(A,1);B=(D-L)U;cc=vrho(B);%FG=(D-L)b;x0=zeros(length(b),1);x=B*x0+FG;k=0;xx(:,1)=x;while no
8、rm(A*x-b)err x0=x; x=B*x0+FG; k=k+1; xx(:,k+1)=x; if k=M disp(); break; end n=k; jingdu(k)=norm(A*x-b);endend共轭梯度算法：function x,n,xx,jingdu=con_grad(A,b,eps,M);%x0=zeros(length(b),1);r0=b-A*x0;p0=r0;t0=r0*r0/(r0*A*r0);x=x0+r0*t0;r=b-A*x;xx(:,1)=x;k=0;x=x0;r=r0;p=p0;while norm(r)eps r=r; x=x; p=p; afa=r*r/(p*A*p); x1=x+afa*p; r1=r-afa*A*p; beta=r1*r1/(r*r); p1=r1+beta*p; x=x1; p=p1; r=r1; k=k+1; xx(:,k)=x; if k=M disp(); break; end n=k; jingdu(k)=norm(r);endend
数值分析第二次作业
