数值分析(计算方法)总结
数值分析 知识点总结
数值分析知识点总结一、数值分析的基本概念1. 数值分析的对象数值分析的对象是现实生活中的数字数据和信息。
这些数据和信息可以来自各个领域，包括自然科学、社会科学、技术工程等。
例如，物理实验中测得的实验数据、经济管理中的统计信息、天气观测中的气象数据等，都是数值分析的对象。
2. 数值分析的目的数值分析的主要目的是通过对数值数据和信息的定量分析，发现其中的规律，提取有用的信息，做出科学的预测和决策。
例如，通过对某种药物的临床试验数据进行数值分析，可以得出这种药物的疗效和毒性情况，为临床医生的治疗决策提供依据。
3. 数值分析的方法数值分析采用数学和计算机科学的方法对数值数据和信息进行处理和分析。
它涉及的具体方法包括数值计算、插值与逼近、数值微分和积分、常微分方程数值解、数值线性代数等。
二、数值分析的基本内容1. 数值计算数值计算是数值分析的基本方法之一，它包括离散化、数值稳定性、误差分析等内容。
离散化是将连续问题转化为离散问题，这是数值计算的基本工作方式。
数值稳定性研究的是数值方法对误差的敏感程度，是评价数值方法好坏的重要指标。
误差分析则研究数值计算中产生的误差的成因和大小。
2. 插值与逼近插值与逼近是数值分析的重要内容之一，它研究如何通过已知的数值数据估计未知函数的值。
插值是通过已知的离散数据点构造一个连续函数，使得这个函数通过这些数据点；逼近则是通过已知的离散数据点构造一个近似函数，使得这个函数与原函数的差尽量小。
3. 数值微分和积分数值微分和积分是数值分析的又一重要内容，它研究如何通过已知的函数值计算函数的导数和定积分值。
数值微分是通过函数值计算函数的导数值；数值积分则是通过函数值计算函数的定积分值。
这两项工作在科学计算中有着广泛的应用。
4. 常微分方程数值解常微分方程数值解也是数值分析的重要内容之一，它研究如何通过数值方法计算常微分方程的近似解。
常微分方程是自然界和技术工程中经常出现的数学模型，因此其数值解的研究有着广泛的应用价值。
数值分析知识点总结
数值分析知识点总结数值分析是计算数值解的方法和理论，它研究的是如何利用计算机对数学问题进行数值计算和数值逼近。
数值分析包括了数值方法的设计、分析和实现，以及误差分析和计算复杂性分析等方面。
下面是数值分析的一些重要知识点的总结。
1.数值算法：数值算法是解决数学问题的计算方法，它由一系列具体的计算步骤组成。
常见的数值算法有插值、数值积分、数值微分、常微分方程数值解法等。
2.数值稳定性：数值稳定性是指数值算法在计算过程中对误差的敏感程度。
一个数值算法如果对输入数据的微小扰动具有较大的响应，就称为不稳定算法；反之，如果对输入数据的微小扰动具有较小的响应，就称为稳定算法。
3.四舍五入误差：在浮点数计算中，由于计算机表示的限制，涉及舍入运算的计算可能会引入误差。
四舍五入误差是指在进行舍入运算时，取最近的浮点数近似值所引入的误差。
4.条件数：条件数是用来衡量数值问题的不稳定性的一个指标。
它描述了输入数据的微小扰动在计算结果中的放大程度。
条件数的大小决定了数值算法的数值稳定性，通常越大表示问题越不稳定。
5.插值：插值是基于已知数据点，构造插值函数来近似未知数据点的方法。
常用的插值方法有线性插值、多项式插值和样条插值等。
6. 数值积分：数值积分是用数值方法进行积分计算的一种方法。
常见的数值积分方法有梯形法则、Simpson法则和Gauss-Legendre积分法等。
7.数值微分：数值微分是通过数值方法来计算函数的导数的一种方法。
常用的数值微分方法有中心差分法和前向差分法等。
8. 常微分方程数值解法：常微分方程数值解法用于求解常微分方程的近似解。
常用的常微分方程数值解法有Euler法、Runge-Kutta法和Adams法等。
9.误差分析：误差分析是对数值算法计算结果误差的研究。
可以通过理论分析或实验方法来估计误差，并找到减小误差的方法。
10.计算复杂性分析：计算复杂性分析是对数值算法运行时间和计算资源的需求进行评估的方法。
期末数值分析重点总结
期末数值分析重点总结第一部分：数值逼近（Approximation）数值逼近是数值分析的基础，主要研究如何利用有限的计算资源得到逼近数学问题的有效算法。
数值逼近的主要内容包括多项式逼近、插值和最小二乘等。
1. 多项式逼近多项式逼近是指用一个多项式函数来逼近给定函数的值。
通过选择合适的多项式次数和插值点，可以使得多项式逼近误差最小化。
其中最常用的方法是最小二乘法，它可以通过最小化残差来得到最佳的多项式逼近。
多项式逼近在信号处理、图像处理和计算机图形学等领域中有广泛的应用。
2. 插值插值是指通过已知数据点的函数值来估计在其他点的函数值。
常用的插值方法有拉格朗日插值和牛顿插值。
拉格朗日插值通过构造一个满足插值条件的多项式来逼近给定函数。
牛顿插值则利用差商的概念来构造插值多项式。
插值方法在数值微分和数值积分中有广泛的应用。
3. 最小二乘最小二乘是一种在一组离散数据点上拟合曲线的方法。
通过最小化数据点与拟合曲线之间的欧几里得距离，可以得到最佳拟合曲线。
最小二乘法可以用于曲线拟合、参数估计和数据关联等问题。
第二部分：数值解方程（Numerical Solution of Equations）数值解方程是数值分析的重要内容之一，研究如何通过数值计算来求解非线性方程组和线性方程组。
数值解方程的主要方法有迭代法、常微分方程数值解和偏微分方程数值解等。
1. 迭代法迭代法是求解非线性方程组的常用方法之一。
通过不断迭代逼近方程的根，可以得到方程组的数值解。
常用的迭代法有牛顿迭代法和弦截法。
迭代法在计算机辅助设计、优化和数据分析等领域中有广泛的应用。
2. 常微分方程数值解常微分方程数值解研究如何通过数值计算来求解常微分方程。
常微分方程数值解的主要方法有Euler方法、Runge-Kutta方法和线性多步法等。
常微分方程数值解在物理学、工程学和生物学等领域中有广泛的应用。
3. 偏微分方程数值解偏微分方程数值解研究如何通过数值方法来求解偏微分方程。
数值分析实验报告心得(3篇)
第1篇在数值分析这门课程的学习过程中，我深刻体会到了理论知识与实践操作相结合的重要性。
通过一系列的实验，我对数值分析的基本概念、方法和应用有了更加深入的理解。
以下是我对数值分析实验的心得体会。
一、实验目的与意义1. 巩固数值分析理论知识：通过实验，将课堂上学到的理论知识应用到实际问题中，加深对数值分析概念和方法的理解。
2. 培养实际操作能力：实验过程中，我学会了使用Matlab等软件进行数值计算，提高了编程能力。
3. 增强解决实际问题的能力：实验项目涉及多个领域，通过解决实际问题，提高了我的问题分析和解决能力。
4. 培养团队协作精神：实验过程中，我与同学们分工合作，共同完成任务，培养了团队协作精神。
二、实验内容及方法1. 实验一：拉格朗日插值法与牛顿插值法（1）实验目的：掌握拉格朗日插值法和牛顿插值法的原理，能够运用这两种方法进行函数逼近。
（2）实验方法：首先，我们选择一组数据点，然后利用拉格朗日插值法和牛顿插值法构造插值多项式。
最后，我们将插值多项式与原始函数进行比较，分析误差。
2. 实验二：方程求根（1）实验目的：掌握二分法、Newton法、不动点迭代法、弦截法等方程求根方法，能够运用这些方法求解非线性方程的根。
（2）实验方法：首先，我们选择一个非线性方程，然后运用二分法、Newton法、不动点迭代法、弦截法等方法求解方程的根。
最后，比较不同方法的收敛速度和精度。
3. 实验三：线性方程组求解（1）实验目的：掌握高斯消元法、矩阵分解法等线性方程组求解方法，能够运用这些方法求解线性方程组。
（2）实验方法：首先，我们构造一个线性方程组，然后运用高斯消元法、矩阵分解法等方法求解方程组。
最后，比较不同方法的计算量和精度。
4. 实验四：多元统计分析（1）实验目的：掌握多元统计分析的基本方法，能够运用这些方法对数据进行分析。
（2）实验方法：首先，我们收集一组多元数据，然后运用主成分分析、因子分析等方法对数据进行降维。
数值分析学习总结感想
数值分析学习总结感想在数值分析学习的过程中，我深刻体会到了这门学科的重要性和广泛应用的范围。
通过学习数值分析，我不仅加深了对数学理论的理解，还掌握了一些重要的数值计算方法和算法。
在此过程中，我收获了很多，也产生了许多感想。
首先，数值分析教给我了科学问题解决的方法。
在数值计算中，我们通常无法通过简单的代数运算来求解问题，而是需要借助计算机和数值算法来逼近解。
这种方法可以应用于很多实际问题，例如求解线性方程组、积分、微分方程等。
通过数值分析课程的学习，我掌握了很多常见的数值计算方法，例如高斯消元法、插值方法、数值积分等。
这些方法在实际问题中的应用非常广泛，能够帮助我们解决许多实际问题，提高计算效率和精度。
其次，数值分析也教会了我如何分析和估计误差。
在数值计算中，误差是无法避免的，而且可能会在计算过程中不断累积。
因此，我们需要了解误差的来源，能够进行误差估计和控制。
通过学习数值分析，我学会了如何使用泰勒展开式、理解截断误差和舍入误差等概念，同时也学会了如何使用残差计算和误差估计方法。
这对于判断数值结果的可靠性和计算效果的好坏非常重要，能够帮助我们找到优化方法和改进方案。
另外，数值分析还教会了我如何进行数值模拟和数据处理。
在实际工程和科学研究中，常常需要通过数值模拟来研究分析问题。
通过数值分析的学习，我学会了如何建立数学模型、选择合适的数值方法和算法来模拟求解问题，并能够对模拟结果进行合理的处理和分析。
这对于科学研究和工程设计都非常有价值，能够提高研究效率和解决复杂问题的能力。
最后，数值分析还培养了我一种严谨的科学态度和问题解决的能力。
在数值计算中，一个细微的误差可能会导致完全不同的结果，因此需要我们对问题进行仔细的分析，并保持谨慎的态度。
通过编程实现数值算法，我学会了如何调试代码和检查问题，发现解决bug的方法。
这培养了我的逻辑思维和问题解决能力，也增强了我对科学研究和工程实践的兴趣和热情。
综上所述，通过数值分析的学习，我不仅掌握了一些重要的数值计算方法和算法，还学会了科学问题解决的方法和误差估计的技巧。
数值分析期末知识点总结
数值分析期末知识点总结一、引言数值分析是一门研究如何使用计算机提高数学模型数值计算精度和效率的学科。
它是计算数学的一个重要分支，涉及到数值计算、数值逼近和误差分析等一系列内容。
在数值分析课程中，我们将学习到数值解微分方程、线性代数问题的求解、插值与拟合、积分等一系列内容。
本文将对数值分析期末知识点进行总结，以便帮助大家复习。
二、常见数值计算方法1. 插值与拟合插值与拟合是数值分析中重要的内容，它们用于在给定数据点集上构造一个函数，以便在其他点上进行求值。
插值是通过一些已知数据点来求得一个函数，使得这个函数能够通过这些点，而拟合则是通过已知数据点来求得一个函数，使得这个函数在这些点附近能够比较好地拟合数据。
常见的插值方法包括线性插值、拉格朗日插值、牛顿插值等；而拟合方法包括最小二乘法拟合、多项式拟合等。
2. 数值解微分方程数值解微分方程是数值分析的一个重要内容，它讨论如何使用计算机对微分方程进行数值求解。
微分方程是自然界中描述变化的数学方程，它们在物理学、化学、生物学等领域都有着重要的应用。
数值解微分方程的方法包括欧拉法、中点法、四阶龙格-库塔法等。
3. 数值线性代数数值线性代数是数值分析领域的另一个重要内容，它讨论如何使用数值方法解决线性代数问题。
原始的线性代数问题可能非常大或者非常复杂，因此我们常常需要使用计算机进行数值计算。
数值线性代数的方法包括高斯消元法、LU分解、Jacobi迭代法、Gauss-Seidel 迭代法等。
4. 数值积分数值积分是数值分析的一个重要内容，它讨论如何使用数值方法对积分进行数值求解。
在实际问题中，有很多积分问题是无法解析求解的，因此我们需要使用数值方法进行近似求解。
数值积分的方法包括复合辛普森法、复合梯形法、龙贝格积分法等。
三、数值分析的误差分析在数值计算过程中，我们会遇到误差的问题。
这些误差可能来自于测量、舍入、截断等各种原因。
因此，误差分析是数值分析中一个非常重要的内容。
数值分析实验报告总结
一、实验背景数值分析是研究数值计算方法及其理论的学科，是计算机科学、数学、物理学等领域的重要基础。
为了提高自身对数值分析理论和方法的理解，我们进行了数值分析实验，通过实验加深对理论知识的掌握，提高实际操作能力。
二、实验目的1. 理解数值分析的基本理论和方法；2. 掌握数值分析实验的基本步骤和技巧；3. 培养实验设计和数据分析能力；4. 提高编程和计算能力。
三、实验内容本次实验主要分为以下几个部分：1. 线性方程组求解实验：通过高斯消元法、LU分解法等求解线性方程组，并分析算法的稳定性和误差；2. 矩阵特征值问题计算实验：利用幂法、逆幂法等计算矩阵的特征值和特征向量，分析算法的收敛性和精度；3. 非线性方程求根实验：运用二分法、牛顿法、不动点迭代法等求解非线性方程的根，比较不同算法的优缺点；4. 函数插值实验：运用拉格朗日插值、牛顿插值等方法对给定的函数进行插值，分析插值误差；5. 常微分方程初值问题数值解法实验：运用欧拉法、改进的欧拉法、龙格-库塔法等求解常微分方程初值问题，比较不同算法的稳定性和精度。
四、实验过程1. 线性方程组求解实验：首先，编写程序实现高斯消元法、LU分解法等算法；然后，对给定的线性方程组进行求解，记录计算结果；最后，分析算法的稳定性和误差。
2. 矩阵特征值问题计算实验：编写程序实现幂法、逆幂法等算法；然后，对给定的矩阵进行特征值和特征向量的计算，记录计算结果；最后，分析算法的收敛性和精度。
3. 非线性方程求根实验：编写程序实现二分法、牛顿法、不动点迭代法等算法；然后，对给定的非线性方程进行求根，记录计算结果；最后，比较不同算法的优缺点。
4. 函数插值实验：编写程序实现拉格朗日插值、牛顿插值等方法；然后，对给定的函数进行插值，记录计算结果；最后，分析插值误差。
5. 常微分方程初值问题数值解法实验：编写程序实现欧拉法、改进的欧拉法、龙格-库塔法等算法；然后，对给定的常微分方程初值问题进行求解，记录计算结果；最后，比较不同算法的稳定性和精度。
数值分析总结
数值分析总结数值分析是一门应用数学的学科，它的目标是使用数值方法来解决数学问题，尤其是那些难以使用解析方法求解的问题。
通过使用计算机来计算近似解，数值分析提供了一种实用而有效的解决方案。
在本文中，我将对我在学习数值分析过程中的一些主要收获进行总结。
一、数值方法的重要性数值方法不仅在科学计算中起着重要作用，而且在工程和实际应用领域也有广泛的应用。
无论是模拟天气预报、设计飞机的机翼，还是分析金融市场的波动，数值分析都可以提供快速、准确的结果。
因此，掌握数值方法成为了现代科学与工程领域必备的技能之一。
二、数值计算的误差与稳定性在数值计算中，我们经常会面对误差的问题。
舍入误差、截断误差和舍入误差都是我们需要关注的。
舍入误差是由于计算机在进行浮点数计算时的有限精度而引入的，而截断误差则是由于将无限精度的数学问题转化为有限精度计算引起的。
为了减小误差，我们可以使用舍入规则，并尽可能减小截断误差。
稳定性是另一个需要考虑的重要因素。
在一些计算中，输入数据的微小变化可能会导致输出结果的巨大变化。
这种情况下，我们说该算法是不稳定的。
为了确保计算的稳定性，我们需要选择合适的算法和数据结构，并且要进行合理的数值分析。
三、插值和拟合插值和拟合是数值分析的重要应用之一。
在实际问题中，我们往往只能够获得有限个数据点，但是我们需要获得一条曲线或函数来描述这些数据。
插值方法可以通过连接这些数据点来获得平滑的曲线，而拟合方法则通过选择一个合适的函数来逼近数据点。
在实际应用中，我们需要根据具体问题选择合适的插值和拟合方法，并进行适当的调整和优化。
四、求解非线性方程求解非线性方程是数值分析中的一个重要问题。
在实际应用中，很多问题都可以归纳为求解非线性方程。
例如，求解光学系统中的折射问题、解微分方程等。
数值分析提供了多种求解非线性方程的方法，如牛顿法、二分法、割线法等。
这些方法有着各自的特点和适用范围，我们需要根据问题的性质选择合适的方法。
- 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)。
第一章 绪论误差来源：模型误差、观测误差、截断误差（方法误差）、舍入误差ε(x )=|x −x ∗|是x ∗的绝对误差，e =x ∗−x 是x ∗的误差，ε(x )=|x −x ∗|≤ε，ε为x ∗的绝对误差限（或误差限） e r =ex =x ∗−x x为x ∗ 的相对误差，当|e r |较小时，令 e r =ex ∗=x ∗−x x ∗相对误差绝对值得上限称为相对误差限记为：εr 即：|e r |=|x ∗−x||x ∗|≤ε|x ∗|=εr绝对误差有量纲，而相对误差无量纲若近似值x ∗的绝对误差限为某一位上的半个单位，且该位直到x ∗的第一位非零数字共有n 位，则称近似值 x ∗有n 位有效数字，或说 x ∗精确到该位。
例：设x=π=3.1415926…那么x ∗=3,ε1(x )=0.1415926…≤0.5×100,则x ∗有效数字为1位，即个位上的3，或说 x ∗精确到个位。
科学计数法：记x ∗=±0.a 1a 2⋯a n ×10m (其中a 1≠0),若|x −x ∗|≤0.5×10m−n ，则x ∗有n 位有效数字，精确到10m−n 。
由有效数字求相对误差限：设近似值x ∗=±0.a 1a 2⋯a n ×10m （a 1≠0）有n 位有效数字，则其相对误差限为12a 1×101−n由相对误差限求有效数字：设近似值x ∗=±0.a 1a 2⋯a n ×10m （a 1≠0）的相对误差限为为12（a 1+1）×101−n 则它有n 位有效数字令x ∗、y ∗是x 、y 的近似值，且|x ∗−x|≤η(x )、|y ∗−y|≤η(y)1. x+y 近似值为x ∗+y ∗,且η(x +y )=η(x )+η（y ）和的误差（限）等于误差（限）的和2. x-y 近似值为x ∗−y ∗,且η(x +y )=η(x )+η（y ）3. xy 近似值为x ∗y ∗,η(xy )≈|x ∗|∗η(y )+|y ∗|∗η(x)4. η(xy )≈|x ∗|∗η(y )+|y ∗|∗η(x)|y ∗|21．避免两相近数相减2．避免用绝对值很小的数作除数 3．避免大数吃小数 4．尽量减少计算工作量 第二章 非线性方程求根1.逐步搜索法设f (a ) <0, f (b )> 0，有根区间为 (a , b )，从x 0=a 出发， 按某个预定步长(例如h =(b -a )/N )一步一步向右跨，每跨一步进行一次根的搜索，即判别f (x k )=f (a +kh )的符号，若f (x k )>0(而f (x k -1)<0),则有根区间缩小为[x k -1,x k ] (若f (x k )=0，x k 即为所求根), 然后从x k -1出发，把搜索步长再缩小，重复上面步骤，直到满足精度：|x k -x k -1|< 为止，此时取x *≈(x k +x k -1)/2作为近似根。
2.二分法设f (x )的有根区间为[a ,b ]= [a 0,b 0], f (a )<0, f (b )>0.将[a 0,b 0]对分，中点x 0= ((a 0+b 0)/2),计算f (x 0)。
对于给定精度ε，即b−a 2k<ε，可得所需步数k ，k >[ln (b−a )−ln (ε)ln23.比例法一般地，设 [a k ,b k ]为有根区间，过(a k , f (a k ))、 (b k , f (b k ))作直线，与x 轴交于一点x k ,则：x =a −f(a)f (b )−f(a)∗(b −a)1.试位法每次迭代比二分法多算一次乘法，而且不保证收敛。
2.比例法不是通过使求根区间缩小到0来求根，而是在一定条件下直接构造出一个点列（递推公式），使该点列收敛到方程的根。
——这正是迭代法的基本思想。
事先估计:|x ∗−x k |≤L1−L |x 1−x 0| 事后估计|x ∗−x k |≤11−L |x k+1−x k |局部收敛性判定定理：设x ∗为方程x =φ(x )的根，φ(x)′在x ∗的某一邻域内连续， 且|φ(x ∗)′|<1，则该迭代局部收敛局部收敛性定理对迭代函数的要求较弱，但对初始点要求较高，即初始点必须选在精确解的附近Steffensen 迭代格式：x ̃k+1=φ(x k ) x ⃗ k+1=φ(x ̃k+1)x k+1=x k −(x ̃k+1−x k )2x ⃗ k+1−2x ̃k+1+x kNewton 法：x k+1=x k −f(x k )f′(x k )Newton 下山法：x k+1=x k −λf(x k )f′(x k ),λ是下山因子弦割法：x k+1=x k −f (x k )∗(x k −x k−1)f (x k )−f(x k−1)抛物线法：令t =x −x k ,h 0=x k−2−x k ,h 1=x k−1−x k ,可化为y (t )=at 2+bt +c其中：a =(f (x k−2)−c )∗h 1−(f (x k−1)−c )∗h 0h 1∗h 02−h 0∗h 12b =(f (x k−1)−c )∗h 02−(f (x k−2)−c )∗h 12h 1∗h 02−h 0∗h 12c =f(x k )则：x k+1={ x k b +√b 2−4acb >0x k +2c b +√b 2−4acb ≤0设迭代 x k +1 = g (x k ) 收敛到g (x ) 的不动点（根） x * 设 e k = x k x *若lim k→∞|e k+1||e k |p=C ，则称该迭代为p （不小于1）阶收敛，其中 C (不为0)称为渐进误差常数 第三章 解线性方程组直接法列主元LU 分解法：计算主元S i =a ik −∑l ir u rk ，i =k,k +1…n k−1r=1选主元|S ik |=max k≤i≤n{|S i |}{u 1j =a 1j ，（j =1,2…n)l i1=a i1u 11，（i =2,3…n){u kj =a kj −∑l km u mj ，(j =k,k +1,…n )，即为上式主元k−1m=1l ik =1u kk(a ik −∑l im u mk k−1m=1)，(i =k +1,k +2,…n )对于Ax=b ，三角分解A=LU ，Doolittle 分解：L 为单位下三角矩阵，U 为上三角矩阵；Crout 分解：L 为下三角矩阵，U 为单位上矩阵。
可分解为： {Ly =b ，下三角方程组Ux =y ，上三角方程组若利用紧凑格式可化为：Ux =y{y 1=b 1y k =b k −∑l km y m ，（k =2,3…n ）k−1m=1Cholesky 平方根法：系数矩阵A 必须对称正定AX =b ⇔{Ly =bL T x =y(其中A =L L T ){l 11=√a 11，l i1=a i1l 11(i =2,3…n)l kk =√a kk −∑l km 2k−1m=1，l ik =1l kk (a ik−∑l im l km )(i =k +1,k +2…n ，k =2,3…n)k−1m=1改进Cholesky 分解法：A =LDL TL =[ 1l 211l 31l 321………⋱l n1l n2…l n(n−1)1]，D =[ d1d 2⋱⋱d n ]。
由A =L(DL T ) A =[ 1l 211l 31l 321………⋱l n1l n2…l n(n−1)1]，D =[d 1d 1l 21d 1l 31…d 1l n1d 2d 2l 32…d 2l n2⋱…d 3l n3⋱⋮d n ]，逐行相乘 {l ij =1d j (a ij −∑l ik d k l jk )，（j =1,2…i −1)j−1k=1d i =a ii −∑l ik 2j−1k=1d k ，（i =1,2…n)为减少计算量，令c ij =l ij d j ，可改为：{c ij =a ij −∑c ik l jk j−1k=1l ij =c ij d j d j =a ii −∑c ik l ik i−1k=1(i =2,3…n ，j =1,2…i −1)，等价于{Ly =bL T x =D −1y 其中：D−1=[1d 11d 2⋱1d n ] 追赶法：Ax=d(A=LU),可化为Ly=d,Ux=y A =[a 1c 1b 1a 2c 2⋱⋱⋱a n−1b n−1c n−1a nb n ] =[1l 21⋱⋱l n−11l n1] [u 1c 1u 2c 2⋱⋱u n−1c n−1u n ]{u 1=b 1l i =a iu i−1u i =b i −l i c i−1，（i =2,3…n)向量范数：：{‖A ‖1=∑|x i |n i=1，1−范数‖A ‖2=√∑x i 2n i=1，2−范数或欧氏范数‖A ‖∞=lim p→+∞‖x ‖p =max 1≤i≤n{|x i |}，∞−范数矩阵范数：{‖A ‖1=max 1≤j≤n ∑|a ij |n i=1，列范数‖A ‖2=√λmax (A T A )，谱范数‖A ‖∞=max 1≤i≤n∑|a ij |nj=1，行范数谱半径:ρ(A )=max 1≤i≤n{|λi |}λ为特征值,且ρ(A )≤‖A ‖,若A 为对称阵则：ρ(A )=‖A ‖2收敛条件：谱半径小于1条件数：Cond =‖A −1‖∗‖A ‖，Cond 2(A )=|λmax ||λmin |第四章 解线性方程组的迭代法Jacobi 迭代：x i (k+1)=1a ii(b i −∑a ij x j (k )−∑a ij x j (k ))nj=i+1i−1j=1,(i =1,2…n;k =0,1,2…)基于Jacobi 迭代的Gauss-Seidel 迭代:x i (k+1)=1a ii(b i −∑a ij x j (k+1)−∑a ij x j (k ))nj=i+1i−1j=1,(i =1,2…n;k =0,1,2…) 迭代收敛：谱半径小于1，范数小于1能推出收敛但不能反推逐次超松弛迭代（SOR ）:x i (k+1)=x i(k)−ϖa ii(b i −∑a ij x j (k+1)−∑a ij x j (k ))nj=i+1i−1j=1,(i =1,2…n;k =0,1,2…) 或：x i(k+1)=(1−ϖ)x i (k )+ϖa ii(b i −∑a ij x j (k+1)−∑a ij x j (k ))nj=i+1i−1j=1,(i =1,2…n;k =0,1,2…)当ϖ=1时，就是基于Jacobi 迭代的Gauss-Seidel 迭代（加权平均）。