用列主元高斯消去法、Jacobi 迭代法、Gauss-Seidel 迭代法解如下方程组 {█(7x_1+2x_2+〖3x〗_3=14@2x_1+〖5x〗_2+2x_3=18@〖3x〗_1+x_2+5x_3=20)┤ 输出方程组的解,及矩阵 L 和 U。

时间: 2024-01-17 11:06:02 浏览: 19
首先,写出增广矩阵: $$ \left[\begin{array}{ccc|c} 7 & 2 & 3 & 14 \\ 2 & 5 & 2 & 18 \\ 3 & 1 & 5 & 20 \end{array}\right] $$ ### 列主元高斯消去法 进行列主元高斯消去法,得到: $$ \left[\begin{array}{ccc|c} 7 & 2 & 3 & 14 \\ 0 & 4.429 & 0.857 & 15.143 \\ 0 & 0 & 4.142 & 2.571 \end{array}\right] $$ 回代求解可得: $$ \begin{cases} x_1 = 1 \\ x_2 = 3 \\ x_3 = 0.621 \end{cases} $$ 矩阵 L 和 U 分别为: $$ L = \left[\begin{array}{ccc} 1 & 0 & 0 \\ 0.286 & 1 & 0 \\ 0.429 & 0.225 & 1 \end{array}\right], \quad U = \left[\begin{array}{ccc} 7 & 2 & 3 \\ 0 & 4.429 & 0.857 \\ 0 & 0 & 4.142 \end{array}\right] $$ ### Jacobi 迭代法 将方程组改写为 $x = Dx + c$ 的形式,其中 $D$ 为对角矩阵,$c$ 为常数向量: $$ \begin{cases} x_1 = (14 - 2x_2 - 3x_3)/7 \\ x_2 = (18 - 2x_1 - 2x_3)/5 \\ x_3 = (20 - 3x_1 - x_2)/5 \end{cases} \Rightarrow \begin{cases} x_1 = 2 - 2/7x_2 - 3/7x_3 \\ x_2 = 3.6 - 2/5x_1 - 0.4x_3 \\ x_3 = 4 - 3/5x_1 - 1/5x_2 \end{cases} $$ 初始值取为 $x_1^{(0)}=x_2^{(0)}=x_3^{(0)} = 0$,迭代计算可得: $$ \begin{aligned} x_1^{(1)} &= 2 \\ x_2^{(1)} &= 3.6 \\ x_3^{(1)} &= 4 \\ x_1^{(2)} &= 1.971 \\ x_2^{(2)} &= 3.012 \\ x_3^{(2)} &= 3.925 \\ x_1^{(3)} &= 1.004 \\ x_2^{(3)} &= 3.003 \\ x_3^{(3)} &= 0.615 \\ x_1^{(4)} &= 1.008 \\ x_2^{(4)} &= 3.005 \\ x_3^{(4)} &= 0.631 \\ x_1^{(5)} &= 0.997 \\ x_2^{(5)} &= 3.001 \\ x_3^{(5)} &= 0.619 \\ x_1^{(6)} &= 0.998 \\ x_2^{(6)} &= 3.002 \\ x_3^{(6)} &= 0.62 \\ x_1^{(7)} &= 0.997 \\ x_2^{(7)} &= 3.001 \\ x_3^{(7)} &= 0.619 \end{aligned} $$ 因此,方程组的解为: $$ \begin{cases} x_1 \approx 0.997 \\ x_2 \approx 3.001 \\ x_3 \approx 0.619 \end{cases} $$ ### Gauss-Seidel 迭代法 与 Jacobi 迭代法类似,将方程组改写为 $x = Bx + c$ 的形式,其中 $B$ 为下三角矩阵(包括对角线),$c$ 为常数向量: $$ \begin{cases} x_1 = (14 - 2x_2 - 3x_3)/7 \\ x_2 = (18 - 2x_1 - 2x_3)/5 \\ x_3 = (20 - 3x_1 - x_2)/5 \end{cases} \Rightarrow \begin{cases} x_1 = 2 - 2/7x_2 - 3/7x_3 \\ x_2 = 3.6 - 2/5x_1 - 0.4x_3 \\ x_3 = 4 - 3/5x_1 - 1/5x_2 \end{cases} $$ 初始值取为 $x_1^{(0)}=x_2^{(0)}=x_3^{(0)} = 0$,迭代计算可得: $$ \begin{aligned} x_1^{(1)} &= 2 \\ x_2^{(1)} &= 3.6 \\ x_3^{(1)} &= 4 \\ x_1^{(2)} &= 1.971 \\ x_2^{(2)} &= 3.007 \\ x_3^{(2)} &= 3.93 \\ x_1^{(3)} &= 0.994 \\ x_2^{(3)} &= 3.001 \\ x_3^{(3)} &= 0.634 \\ x_1^{(4)} &= 0.999 \\ x_2^{(4)} &= 3.002 \\ x_3^{(4)} &= 0.619 \\ x_1^{(5)} &= 0.997 \\ x_2^{(5)} &= 3.001 \\ x_3^{(5)} &= 0.62 \\ x_1^{(6)} &= 0.997 \\ x_2^{(6)} &= 3.001 \\ x_3^{(6)} &= 0.619 \end{aligned} $$ 因此,方程组的解为: $$ \begin{cases} x_1 \approx 0.997 \\ x_2 \approx 3.001 \\ x_3 \approx 0.619 \end{cases} $$

相关推荐

最新推荐

recommend-type

使用matlab高斯消去法、列主元高斯消去法计算n阶线性方程组

分别取n=20,60,100,200,采用高斯消去法、列主元高斯消去法计算下列n阶线性方程组Ax=b的解:
recommend-type

列主元Gauss消去法解方程组及matlab代码实现

列主元Gauss消去法是指在解方程组时,未知数顺序消去,在要消去的那个未知数的系数中找按模最大者作为主元.完成消元后,系数矩阵化为上三角形,然后在逐步回代求解未知数.列主元Gauss消去法是在综合考虑运算量与舍人误差...
recommend-type

线性方程组的求解-列主元消元法,LU分解法,改进的平方根法,追赶法和雅可比迭代,高斯—塞德尔迭代

解线性方程组的直接法是用有限次运算求出线性方程组 Ax=b 的解的方法。线性方程组的直接法主要有Gauss消元法及其变形、LU(如Doolittle、Crout方法等)分解法和一些求解特殊线性方程组的方法(如追赶法、LDLT法等)。...
recommend-type

matlab列主元消去法(高斯消去法)

这个matlab列主元消去法(高斯消去法)代码,是正确的。 里头还有例子
recommend-type

软考-考生常见操作说明-202405101400-纯图版.pdf

软考官网--2024常见操作说明:包括如何绘制网络图、UML图、表格等 模拟作答系统是计算机技术与软件专业技术资格(水平)考试的电子化考试系统界面、作答过程的仿真系统,为各级别、各资格涉及输入和页面显示的部分题型提供体验性练习。
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

解释minorization-maximization (MM) algorithm,并给出matlab代码编写的例子

Minorization-maximization (MM) algorithm是一种常用的优化算法,用于求解非凸问题或含有约束的优化问题。该算法的基本思想是通过构造一个凸下界函数来逼近原问题,然后通过求解凸下界函数的最优解来逼近原问题的最优解。具体步骤如下: 1. 初始化参数 $\theta_0$,设 $k=0$; 2. 构造一个凸下界函数 $Q(\theta|\theta_k)$,使其满足 $Q(\theta_k|\theta_k)=f(\theta_k)$; 3. 求解 $Q(\theta|\theta_k)$ 的最优值 $\theta_{k+1}=\arg\min_\theta Q(
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。