三种迭代法matlab程序 数值分析
matlab中三层函数迭代求解
matlab中三层函数迭代求解三层函数迭代求解是一种在MATLAB中常用的算法，它可以用于解决复杂的数学问题。
在这篇文章中，我将介绍三层函数迭代求解的原理和应用，并通过实例来说明其具体操作步骤。
让我们来了解一下三层函数迭代求解的原理。
在数学问题中，我们经常需要求解一个方程的根或者最优解。
而三层函数迭代求解就是一种通过迭代逼近的方法来求解这些问题的算法。
其基本思想是通过反复迭代计算，不断逼近方程的解或者函数的最优值。
三层函数迭代求解的核心是构建三个函数，分别为f(x)，g(x)和h(x)。
其中，f(x)表示原始方程或者目标函数，g(x)表示f(x)的导数函数，h(x)表示g(x)的导数函数。
通过反复迭代计算，我们可以通过以下公式来更新x的值：x = x - f(x)/g(x)现在让我们来看一个具体的例子来说明三层函数迭代求解的操作步骤。
假设我们需要求解方程f(x) = x^2 - 3x + 2的根。
首先，我们需要构建三个函数：f(x)，g(x)和h(x)。
根据上述公式，我们可以得到以下更新公式：x = x - (x^2 - 3x + 2)/(2x - 3)接下来，我们可以选择一个初始值作为x的初始近似解，比如x = 1。
然后，我们可以使用上述更新公式进行迭代计算，直到满足收敛条件为止。
在每次迭代中，我们将计算出的新的x值代入更新公式中，直到x的值不再发生明显变化。
通过三层函数迭代求解，我们可以得到方程f(x) = x^2 - 3x + 2的根的近似解。
在实际应用中，我们可以根据需要进行迭代次数的控制，以获得更精确的解。
除了求解方程的根，三层函数迭代求解还可以用于求解函数的最优解。
在这种情况下，我们需要将目标函数f(x)的导数g(x)和g(x)的导数h(x)作为三个函数进行迭代计算，以求得函数的最优解。
总结起来，三层函数迭代求解是一种在MATLAB中常用的算法，可以用于求解方程的根或者函数的最优解。
Matlab中的迭代法和数值求解技巧
Matlab中的迭代法和数值求解技巧引言：在科学与工程领域中，数值求解是十分重要的一项技术。
在很多实际问题中，往往难以找到解析解或者解析解的求解过程比较复杂。
这时候，我们就需要使用数值方法来近似求解。
Matlab作为一款功能强大的数值计算软件，在迭代法和数值求解领域有着广泛的应用。
本文将围绕Matlab中的迭代法和数值求解技巧展开讨论。
第一部分：基本迭代法介绍1.1 迭代法的概念迭代法是一种通过不断逼近的方式，求解方程或者函数零点的方法。
其基本思想是从一个初始的近似解开始，根据一定的迭代公式来逐步逼近真实解。
在Matlab中，使用迭代法可以通过编写适当的算法来实现。
1.2 迭代法的种类常见的迭代法包括牛顿法、割线法、迭代法等。
其中，牛顿法是一种通过构造切线来逼近函数零点的方法，而割线法则是通过构造两点之间的割线来逼近函数零点的方法。
迭代法是一种比较通用的方法，可以根据具体问题选择合适的迭代公式。
1.3 在Matlab中实现迭代法在Matlab中，可以使用循环结构来实现迭代法。
首先，需要指定一个初始的近似解，然后通过不断迭代来逼近真实解。
具体的迭代公式可以根据问题的特点来确定。
在迭代过程中，可以设置一个终止条件，当满足终止条件时，结束迭代，并输出近似解。
第二部分：数值求解技巧2.1 数值求解的意义数值求解是一种通过近似方法求解数学问题的技术，广泛应用于科学和工程领域。
与解析解相比，数值求解更加灵活，并且可以处理复杂的问题。
Matlab提供了丰富的数值求解函数，方便用户进行数值计算和分析。
2.2 数值求解函数的分类Matlab中的数值求解函数可以分为线性方程求解、非线性方程求解、最小二乘拟合等等。
线性方程求解函数常用于解决线性代数方程组，非线性方程求解函数则用于求解非线性方程或方程组。
最小二乘拟合函数可以用于拟合曲线或曲面。
2.3 Matlab中数值求解函数的使用使用Matlab中的数值求解函数，首先需要了解函数的输入和输出格式，然后根据具体的问题选择合适的函数。
matlab 解线性方程组的迭代法
小结
➢ 线性方程组求根方法的几何意义
➢ 线性方程组求根函数的理解与应用
设线性代数方程组为
展开为
若对角元素 逐一变量分离得方程组
即
此即为迭代公式
简单迭代解法的过程如下：
1 设定一组初值 2 第一次迭代：
得到
第k次迭代 第i个变量
3 第二次迭代： 得到
4 同样做法，得到第k+1次迭代：
迭代次数k的取值与精度要求有关，按下式判断：
若满足则停止迭代 为了便于编程，迭代公式可改写为：
matlab 解线性方程组的 迭代法
2020年4月22日星期三
第十讲 解线性方程组的迭代解法
内容提要
引言 简单迭代法 赛得尔迭代法 迭代解法的收敛性 MATLAB的线性方程组求解函数2 小结
1、引言
迭代解法的基本思想
根据给定方程组，设计出一个迭代公式，构造一 数组的序列 ，代入迭代公式，计算出 ，再代 入迭代公式，经过k次迭代运算后得到 ，若 收敛于某一极限数组xi，则xi就是方程组的近似解。
while(norm(x-x1)>eps) x1=x; x=(I-A)*x1+b; n = n + 1; if(n>=M) disp('Warning: 迭代次数太多，现
在退出！'); return;
end end
例：求解方程组
clear all; A =[ 1.0170 -0.0092 0.0095;
基于matlab平台的三种迭代法求解矩阵方程
数值分析第二次作业学院：电子工程学院基于matlab平台的三种迭代法求解矩阵方程组求解系数矩阵由16阶Hilbert方程组构成的线性方程组的解，其中右端项为[2877/851,3491/1431,816/409,2035/1187,2155/1423,538/395,1587/1279,573/502,947 /895,1669/1691,1589/1717,414/475,337/409,905/1158,1272/1711,173/244].要求：1）Gauss_Sedel迭代法；2）最速下降法；3）共轭梯度法；4）将结果进行分析对比。
解：根据题目要求，编写了对应算法的matlab程序，求解结果如下：（求解精度为10e-4，最大迭代次数1000）1、方程的解：如下图1所示图1 三种方法求解的结果对比图2 Gause_Sedel算法收敛特性图3 最速下降法收敛特性图3 共轭梯度法收敛特性从图中可以看到，在相同的最大迭代次数和预设求解精度条件下，共轭梯度算法仅需要4次迭代便可求出方程组的解，耗时0.000454秒，而且求出解的精度最高；Gauss_Sedel方法需要465次迭代，耗时0.006779秒，求解精度最差；最速下降法需要398次迭代，耗时0.007595秒，求解精度与共轭梯度算法差不多，因此两者求出的解也几乎相同。
从中可以得出结论，共轭梯度算法无论从求解精度还是求解速度上都优于其他两种，最速下降法在求解精度上几乎与共轭梯度算法持平，但求解速度更慢。
Gauss_Sedel方法在求解精度和速度两方面都最差。
具体的解为:Gauss_Sedel迭代法:(共需465次迭代，求解精度达到9.97e-5) X=[0.995328360833192 1.01431732497804 1.052861239300110.934006974137998 0.931493373808838 0.9665081384030661.00661848511341 1.03799789809258 1.051806903036541.06215849948572 1.04857676431223 1.028561990411131.01999170162638 0.971831831519515 0.9525261666348130.916996019179182].最速下降法:(共需398次迭代，求解精度达到9.94e-5)X=[0.998835379744322 1.01507463472900 0.9825890937201850.980191460759243 0.991245169713628 1.003780222253291.01350884374478 1.01928337905816 1.020859096651941.01930314197028 1.01444777381651 1.007040589892970.998384452250809 0.987399404644377 0.9757678149709120.963209150871750].共轭梯度法:(共需4次迭代，求解精度达到3.98e-5)X=[0.996472751179456 1.02707840189049 0.9776233734098530.973206695321590 0.986133032967607 1.001289025642341.01322158496914 1.02047386502293 1.023009050605651.02163015083975 1.01678089454399 1.009203108638740.999772406055155 0.988443827498859 0.9760941924969490.962844741655005].Matlab程序主程序:clc;clear;%% 本程序用于计算第二次数值分析作业，关于希尔伯特矩阵方程的解，用三种方法，分析并比较，也可推广至任意n维的矩阵方程%%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;166 9/1691;1589/1717;414/475;337/409;905/1158;1272/1711;173/244]; %右端向量M=1000; %最大迭代次数err=1.0e-4; %求解精度[x,n,xx,cc,jingdu]=yakebi_diedai(A,b,err,M); % 雅克比算法求解tic;[x1,n1,xx1,cc1,jingdu1]=gauss_seidel(A,b,err,M); % gauss_seidel算法求解toc;tic;[x2,n2,xx2,jingdu2]=zuisuxiajiangfa(A,b,err,M); % 最速下降法求解toc;tic;[x3,flag,jingdu3,n3]=bicg(A,b,err); % matlab内置双共轭梯度算法求解toc;tic;[x4,xx4,n4,jingdu4]=con_grad(A,b,err,M); % 教材共轭梯度算法求解toc;%% 计算相应结果，用于作图%%num=[1:16]';jie=[num,x1,x2,x4]; % 三者的解对比% 三者的收敛情况对比num1=[1:n1]';fit1=[num1,jingdu1'];num2=[1:n2]';fit2=[num2,jingdu2'];num4=[1:n4]';fit4=[num4,jingdu4'];子函数1(Gause_Sedel算法):function [x,n,xx,cc,jingdu] = gauss_seidel(A,b,err,M)% 利用迭代方法求解矩阵方程这里是高斯赛尔得迭代方法% A 为系数矩阵b 为右端向量err为精度大小返回求解所得向量x及迭代次数% M 为最大迭代次数cc 迭代矩阵普半径jingdu 求解过程的精度n 所需迭代次数xx 存储求解过程中每次迭代产生的解for ii=1:length(b)if A(ii,ii)==0x='error';break;endendD=diag(diag(A));L=-tril(A,-1);U=-triu(A,1);B=(D-L)\U;cc=vrho(B); %迭代矩阵普半径FG=(D-L)\b;x0=zeros(length(b),1);x=B*x0+FG;k=0;xx(:,1)=x;while norm(A*x-b)>errx0=x;x=B*x0+FG;k=k+1;xx(:,k+1)=x;if k>=Mdisp('迭代次数太多可能不收敛！');break;endjingdu(k)=norm(A*x-b);endend子函数2(最速下降算法):function [x,n,xx,jingdu]=zuisuxiajiangfa(A,b,eps,M)% 利用迭代方法求解矩阵方程这里是最速下降迭代方法% A 为系数矩阵b 为右端向量err为精度大小返回求解所得向量x及迭代次数% % M 为最大迭代次数jingdu 求解过程的精度n 所需迭代次数xx 存储求解过程中每次迭代产生的解x0=zeros(length(b),1);r0=b-A*x0;t0=r0'*r0/(r0'*A*r0);x=x0+t0*r0;r=b-A*x;xx(:,1)=x;k=0;while norm(r)>epsr=r;x=x;t=r'*r/(r'*A*r);x=x+t*r;r=b-A*x;k=k+1;xx(:,k+1)=x;if k>=Mdisp('迭代次数太多可能不收敛！');break;endn=k;jingdu(k)=norm(r);endend子函31(共轭梯度法):function [x,xx,n,jingdu]=con_grad(A,b,eps,M)% 利用迭代方法求解矩阵方程这里是共轭梯度迭代方法% A 为系数矩阵b 为右端向量err为精度大小返回求解所得向量x及迭代次数% M 为最大迭代次数jingdu 求解过程的精度n 所需迭代次数xx 存储求解过程中每次迭代产生的解x0=zeros(length(b),1);r0=b-A*x0;p0=r0;% t0=r0'*r0/(r0'*A*r0);% x=x0+t0*r0;% xx(:,1)=x;k=0;x=x0;r=r0;p=p0;while norm(r)>epsx=x;r=r;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;r=r1;p=p1;k=k+1;xx(:,k)=x;if k>=Mdisp('迭代次数太多可能不收敛！');break;endn=k;jingdu(k)=norm(r);endend。
MATLAB计算方法迭代法牛顿法二分法实验报告
MATLAB计算方法迭代法牛顿法二分法实验报告实验报告一、引言计算方法是数学的一门重要应用学科，它研究如何用计算机来解决数学问题。
其中，迭代法、牛顿法和二分法是计算方法中常用的数值计算方法。
本实验通过使用MATLAB软件，对这三种方法进行实验研究，比较它们的收敛速度、计算精度等指标，以及它们在不同类型的问题中的适用性。
二、实验方法1.迭代法迭代法是通过不断逼近解的过程来求得方程的根。
在本实验中，我们选择一个一元方程f(x)=0来测试迭代法的效果。
首先，我们对给定的初始近似解x0进行计算，得到新的近似解x1，然后再以x1为初始近似解进行计算，得到新的近似解x2，以此类推。
直到两次计算得到的近似解之间的差值小于规定的误差阈值为止。
本实验将通过对复杂方程的迭代计算来评估迭代法的性能。
2.牛顿法牛顿法通过使用函数的一阶导数来逼近方程的根。
具体而言，对于给定的初始近似解x0，通过将f(x)在x0处展开成泰勒级数，并保留其中一阶导数的项，得到一个近似线性方程。
然后，通过求解这个近似线性方程的解x1，再以x1为初始近似解进行计算，得到新的近似解x2，以此类推，直到两次计算得到的近似解之间的差值小于规定的误差阈值为止。
本实验将通过对不同类型的方程进行牛顿法的求解，评估它的性能。
3.二分法二分法是通过将给定区间不断二分并判断根是否在区间内来求方程的根。
具体而言，对于给定的初始区间[a,b]，首先计算区间[a,b]的中点c，并判断f(c)与0的大小关系。
如果f(c)大于0，说明解在区间[a,c]内，将新的区间定义为[a,c]，再进行下一轮的计算。
如果f(c)小于0，说明解在区间[c,b]内，将新的区间定义为[c,b]，再进行下一轮的计算。
直到新的区间的长度小于规定的误差阈值为止。
本实验将通过对复杂方程的二分计算来评估二分法的性能。
三、实验结果通过对一系列测试函数的计算，我们得到了迭代法、牛顿法和二分法的计算结果，并进行了比较。
数值分析中求解非线性方程的MATLAB求解程序
数值分析中求解非线性方程的MATLAB求解程序1. fzero函数：fzero函数是MATLAB中最常用的求解非线性方程的函数之一、它使用了割线法、二分法和反复均值法等多种迭代算法来求解方程。
使用fzero函数可以很方便地求解单变量非线性方程和非线性方程组。
例如，要求解方程f(x) = 0，可以使用以下语法：``````2. fsolve函数：fsolve函数是MATLAB中求解多维非线性方程组的函数。
它是基于牛顿法的迭代算法来求解方程组。
使用fsolve函数可以非常方便地求解非线性方程组。
例如，要求解方程组F(x) = 0，可以使用以下语法：``````3. root函数：root函数是MATLAB中求解非线性方程组的函数之一、它采用牛顿法或拟牛顿法来求解方程组。
使用root函数可以非常方便地求解非线性方程组。
例如，要求解方程组F(x) = 0，可以使用以下语法：``````4. vpasolve函数：vpasolve函数是MATLAB中求解符号方程的函数。
它使用符号计算的方法来求解方程，可以得到精确的解。
vpasolve函数可以求解多变量非线性方程组和含有符号参数的非线性方程。
例如，要求解方程组F(x) = 0，可以使用以下语法：```x = vpasolve(F(x) == 0, x)```vpasolve函数会返回方程组的一个精确解x。
5. fsolve和lsqnonlin结合：在MATLAB中，可以将求解非线性方程转化为求解最小二乘问题的形式。
可以使用fsolve函数或lsqnonlin函数来求解最小二乘问题。
例如，要求解方程f(x) = 0，可以将其转化为最小二乘问题g(x) = min，然后使用fsolve或lsqnonlin函数来求解。
具体使用方法可以参考MATLAB官方文档。
6. Newton-Raphson法手动实现：除了使用MATLAB中的函数来求解非线性方程，还可以手动实现Newton-Raphson法来求解。
matlab中的迭代算法
matlab中的迭代算法Matlab中的迭代算法迭代算法是一种通过重复应用某个过程或规则来解决问题的方法。
在Matlab中，迭代算法广泛应用于数值计算、优化问题、图像处理等领域。
本文将介绍几种常见的迭代算法，并通过实例来演示其应用。
一、二分法二分法是一种简单而有效的迭代算法，用于求解函数的根。
其基本思想是通过将区间逐渐缩小，不断逼近根的位置。
具体步骤如下：1. 选择一个初始区间[a, b]，使得f(a)和f(b)异号；2. 计算区间的中点c=(a+b)/2；3. 判断f(c)的符号，并更新区间的边界；4. 重复步骤2和3，直到满足精度要求。
二分法的优点是简单易懂，但收敛速度相对较慢。
以下是一个使用二分法求解方程x^2-2=0的示例代码：```matlaba = 1;b = 2;tol = 1e-6;while abs(b-a) > tolc = (a + b) / 2;if (c^2 - 2) * (a^2 - 2) < 0b = c;elsea = c;endendroot = (a + b) / 2;disp(root);```二、牛顿法牛顿法是一种迭代算法，用于求解非线性方程和最优化问题。
其基本思想是通过利用函数的局部线性近似，逐步逼近根或最优解。
具体步骤如下：1. 选择一个初始点x0；2. 计算函数f在点x0处的导数f'(x0)；3. 计算切线方程的解，即x1 = x0 - f(x0)/f'(x0)；4. 重复步骤2和3，直到满足精度要求。
牛顿法的优点是收敛速度快，但对初始点的选择较为敏感。
以下是一个使用牛顿法求解方程x^2-2=0的示例代码：```matlabx0 = 1;tol = 1e-6;while abs(x1 - x0) > tolx1 = x0 - (x0^2 - 2) / (2 * x0);x0 = x1;endroot = x1;disp(root);```三、迭代法求解线性方程组迭代法也可以用于求解线性方程组Ax=b。
基于Matlab的解线性方程组的几种迭代法的实现及比较
基于Matlab的解线性方程组的几种迭代法的实现及比较线性方程组的解法有很多种，其中一类常用的方法是迭代法。
迭代法根据一个初值逐步逼近方程组的解，在每一次迭代中利用现有的信息产生新的近似值，并不断地修正。
下面介绍基于Matlab的三种迭代法：雅可比迭代法、高斯-赛德尔迭代法和超松弛迭代法，并进行比较。
1. 雅可比迭代法雅可比迭代法是迭代法中最简单的一种方法。
对于线性方程组Ax=b，雅可比迭代法的迭代公式为：x_{i+1}(j)=1/a_{jj}(b_j-\\sum_{k=1,k\eq j}^n a_{jk}x_i(k))其中，i表示迭代次数，j表示未知数的下标，x_i表示第i次迭代的近似解，a_{jk}表示系数矩阵A的第j行第k列元素，b_j 表示方程组的常数项第j项。
在Matlab中，可以使用以下代码实现雅可比迭代：function [x,flag]=jacobi(A,b,X0,tol,kmax)n=length(b);x=X0;for k=1:kmaxfor i=1:nx(i)=(b(i)-A(i,:)*x+A(i,i)*x(i))/A(i,i);endif norm(A*x-b)<tolflag=1;returnendendflag=0;return其中，参数A为系数矩阵，b为常数项列向量，X0为初值列向量，tol为迭代误差容许值（默认为1e-6），kmax为最大迭代次数（默认为1000）。
函数返回值x为近似解列向量，flag表示是否满足容许误差要求。
2. 高斯-赛德尔迭代法高斯-赛德尔迭代法是雅可比迭代法的改进。
其基本思想是，每次迭代时，利用已经求出的新解中的信息来更新其他未知数的值。
迭代公式为：x_{i+1}(j)=(1/a_{jj})(b_j-\\sum_{k=1}^{j-1}a_{jk}x_{i+1}(k)-\\sum_{k=j+1}^n a_{jk}x_i(k))与雅可比迭代法相比，高斯-赛德尔迭代法的每一次迭代都利用了前面已求得的近似解，因此可以更快地收敛。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• %A是n维非奇异阵。%b是n维向量。%P是初值。
• %delta是误差界。%max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。
• N=length(b);
• for k=1:max1
• for j=1:N
•
if j==1
•
X(1)=(b(1)-A(1,2:N)*P(2:N))/A(1,1);
• %A是n维非奇异阵。%b是n维向量。%P是初值。
• %delta是误差界。%max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。
ቤተ መጻሕፍቲ ባይዱ• N=length(b);
• for k=1:max1
• for j=1:N
•
if j==1
•
X(1)=(b(1)-A(1,2:N)*P(2:N))/A(1,1);
•
elseif j==N
•
X(N)=(b(N)-A(N,1:N-1)*(X(1:N-1))')/A(N,N);
•
else
•
X(j)=(b(j)-A(j,1:j-1)*X(1:j-1)-A(j,j+1:N)*P(j+1:N))/A(j,j);
•
end
• end
• err=abs(norm(X'-P));
X(j)=(b(j)-A(j,[1:j-1,j+1:N])*P([1:j-1,j+1:N]))/A(j,j); end err=abs(norm(X'-P)); P=X'； if(err<delta)
break end end X=X';k,err;
塞德尔迭代法的迭代程序：
• function X=gseid(A,b,P,delta,max1)
雅可比迭代法的Matlab程序
给 定 初 始 值 X P0 ， 用 雅 克 比 迭 代 法 求 解 线 性 方 程 组
AX b，并生成序列Pk ，求不超过误差界的近似解。
function X=jacobi(A,b,P,delta,max1) %A是n维非奇异阵。%b是n维向量。%P是初值。%delta是误差界。 %max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。 N=length(b); for k=1:max1 for j=1:N
• P=X'；
• if(err<delta)
•
break
• end
• end
• X=X';
• err,k
雅可比迭代法的Matlab程序
给 定 初 始 值 X P0 ， 用 雅 克 比 迭 代 法 求 解 线 性 方 程 组
AX b，并生成序列Pk ，求不超过误差界的近似解。
function X=jacobi(A,b,P,delta,max1) %A是n维非奇异阵。%b是n维向量。%P是初值。%delta是误差界。 %max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。 N=length(b); for k=1:max1 for j=1:N
X(j)=(b(j)-A(j,[1:j-1,j+1:N])*P([1:j-1,j+1:N]))/A(j,j); end err=abs(norm(X'-P)); P=X'； if(err<delta)
break end end X=X';k,err;
塞德尔迭代法的迭代程序：
• function X=gseid(A,b,P,delta,max1)
X(j)=(b(j)-A(j,[1:j-1,j+1:N])*P([1:j-1,j+1:N]))/A(j,j); end err=abs(norm(X'-P)); P=X'； if(err<delta)
break end end X=X';k,err;
塞德尔迭代法的迭代程序：
• function X=gseid(A,b,P,delta,max1)
•
elseif j==N
•
X(N)=(b(N)-A(N,1:N-1)*(X(1:N-1))')/A(N,N);
•
else
•
X(j)=(b(j)-A(j,1:j-1)*X(1:j-1)-A(j,j+1:N)*P(j+1:N))/A(j,j);
•
end
• end
• err=abs(norm(X'-P));
• P=X'；
• if(err<delta)
•
break
• end
• end
• X=X';
• err,k
雅可比迭代法的Matlab程序
给 定 初 始 值 X P0 ， 用 雅 克 比 迭 代 法 求 解 线 性 方 程 组
AX b，并生成序列Pk ，求不超过误差界的近似解。
function X=jacobi(A,b,P,delta,max1) %A是n维非奇异阵。%b是n维向量。%P是初值。%delta是误差界。 %max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。 N=length(b); for k=1:max1 for j=1:N
•
elseif j==N
•
X(N)=(b(N)-A(N,1:N-1)*(X(1:N-1))')/A(N,N);
•
else
•
X(j)=(b(j)-A(j,1:j-1)*X(1:j-1)-A(j,j+1:N)*P(j+1:N))/A(j,j);
•
end
• end
• err=abs(norm(X'-P));
• %A是n维非奇异阵。%b是n维向量。%P是初值。
• %delta是误差界。%max1是给定的迭代最高次数。%X为所求的方程组AX=b的近似解。
• N=length(b);
• for k=1:max1
• for j=1:N
•
if j==1
•
X(1)=(b(1)-A(1,2:N)*P(2:N))/A(1,1);
• P=X'；
• if(err<delta)
•
break
• end
• end
• X=X';
• err,k