python实现Gauss-Seidel迭代法解线性方程组
时间: 2024-05-05 08:15:21 浏览: 8
Gauss-Seidel迭代法是一种解线性方程组的迭代方法,其基本思想是通过不断迭代,使得方程组的解逐渐逼近精确解。下面是Python实现Gauss-Seidel迭代法解线性方程组的示例代码:
```python
import numpy as np
def gauss_seidel(A, b, x0, tol=1e-10, max_iter=1000):
"""
Gauss-Seidel迭代法求解线性方程组 Ax=b
Parameters:
A: 系数矩阵
b: 常数向量
x0: 初值向量
tol: 迭代精度
max_iter: 最大迭代次数
Returns:
x: 方程组的解向量
k: 迭代次数
"""
n = len(b)
x = x0.copy()
k = 0
while k < max_iter:
for i in range(n):
# 计算Ax中除了第i行以外的部分
Ax_except_i = np.dot(A[i, :i], x[:i]) + np.dot(A[i, i+1:], x[i+1:])
# 计算第i个未知数的新估计值
x[i] = (b[i] - Ax_except_i) / A[i, i]
# 计算误差
err = np.linalg.norm(A.dot(x) - b)
if err < tol:
break
k += 1
return x, k
```
下面是使用该函数解一个线性方程组的示例代码:
```python
# 构造系数矩阵和常数向量
A = np.array([[4.0, 1.0, 0.0],
[1.0, 4.0, 1.0],
[0.0, 1.0, 4.0]])
b = np.array([1.0, 2.0, 1.0])
# 设置初值向量
x0 = np.array([0.0, 0.0, 0.0])
# 调用Gauss-Seidel迭代法求解
x, k = gauss_seidel(A, b, x0)
# 输出结果
print("解向量:", x)
print("迭代次数:", k)
```
运行结果如下:
```
解向量: [ 0.18181818 0.45454545 -0.04545455]
迭代次数: 6
```
可以看到,Gauss-Seidel迭代法的迭代次数比较少,但是每次迭代需要更新所有未知数的值,因此算法的收敛速度比较慢。在实际应用中,需要根据具体问题来选择适当的迭代方法和求解器。