主元加权迭代法求解病态线性方程组

由于病态线性方程组的系数矩阵条件数很大,使用迭代法求解病态线性方程组时,收敛速度慢且数值解的精度很低.针对此问题,设计了一种主元加权迭代算法.该算法在系数矩阵主元上叠加一个权值,以此来降低系数矩阵的条件数.最后以希尔伯特矩阵构成的病态线性方程组为例,对提出的主元加权迭代算法和高斯-赛德尔迭代法以及雅克比迭代法进行了测试.对比试验结果表明:主元加权迭代算法能有效地提高数值解的精度.     

基于粒子群算法的病态线性方程组求解

输入数据的微小扰动或计算过程中的舍入误差都可能引起病态线性方程组输出数据的很大扰动,使解严重失真,因此求解此类方程组相当困难。本文提出了一种基于粒子群算法的病态线性方程组求解方法,将病态线性方程组的求解转化为无约束优化问题来解决并通过数值仿真求解验证了该方法的可行性与有效性。     

解对称线性方程组的总体最小扰动方法

在利用Lanczos方法求解大型对称线性方程组时,由于舍入误差的影响,Lanczos过程易发生中断和数值不稳定.本文提出求解对称线性方程组的总体极小向后扰动(TMINBACK)方法,新方法利用Lanczos过程产生Krylov子空间km(A,r0)的一组基,并求xo km(A,r0)中的近似解xm,使矩阵[A,b]的向后扰动范数‖[ΔA,△b]‖F极小化.同时,为减少计算量和存储量,本文给出新算法的循环格式.在迭代过程中,利用残量范数作为判断算法终止条件的缺点是,若近似值是精确的,残量范数是小的,反之,不一定.本文利用总体向后扰动范数作为判断算法终止条件,克服了范数作为判断算法终止条件的不足,提出了求解大型对称线性方程组的循环总体极小向后扰动(RTMINBACK)方法.数值实验表明,新方法比一些旧的方法求解大型对称线性方程组更有效,并且RTMINBACK方法适合求解病态线性方程组.     

求解非对称线性方程组的总体拟极小向后扰动方法

在利用QPMR方法求解非对称线性方程组(尤其是病态方程组)的Lanczos过程中通常会发生算法中断或数值不稳定的情况．为解决这个问题，将求解非对称线性方程组的QMR方法与总体向后扰动范数拟极小化的技巧相结合，给出求解非对称线性方程组的总体拟极小向后扰动方法(TQMBACK方法)，同时，为减少存储量和运算量，新算法将采用重新开始的循环格式，通常人们采用残量范数作为判断算法终止的准则，但是，当近似解非常接近真值时，残量范数是小的，而反过来不一定，为克服残量范数作为算法终止准则的不足，将总体向后扰动范数作为判断算法终止的准则，得到求解非对称线性方程组的循环总体拟极小向后扰动方法(RTQMBAK方法)，数值实验表明，新算法比Lanczos方法和QMR方法收敛速度更快．而且，新算法对求解病态的非对称线性方程组很有效。     

病态线性方程组的并行迭代求解

分析了病态线性方程组的相关概念及判别方法,给出了一种病态线性方程组并行迭代的求解算法。算法首先对病态线性方程组的系数矩阵进行严格对角占优预处理,在此基础上,用并行的Jacobi迭代法进行多步迭代求解。新算法易于在多核架构的微机中实现,且数值实验也验证了算法具有良好的收敛性和并行性。     

Banach空间中线性算子关于求广义逆的伪条件数

一、引言如所周知,一个数学问題是否病态以及病态程度如何,是数值计算工作者非常关心的。一般用“条件数”来度量问题的病态程度。条件数越大,问题越病态。矩陈求逆或求广义逆的条件数是     

ABS方法在求解非线性方程组中的一个应用

本文作了ＡＢＳ法求解病态线性方程组的数值试验,所得结果表明,它比共轭斜量法解病态线性方程更有效;提出了在求解非线性方程组中用ＡＢＳ法解线性方程组的组合迭代算法;讨论了组合迭代法的局部收敛性和Ｋａｎｔｏｒｏｖｉｃｈ收敛性。     

预处理共轭梯度法在电磁正演中的应用

对于电磁场中的正演数值模拟,不论采取何种方法,最后都演变成求解一个规模庞大的线性方程组;而方程组的解法对数值计算的求解效率及精度起很大的决定作用。利用Pascal矩阵预处理共轭梯度法,克服了复线性方程组中系数矩阵病态特性和加快收敛速度,不但提高了正演计算速度和精度,而且保证了求解的数值稳定性及高效性。经粗细网格不同剖分方式验证,该算法可行有效。     

用遗传算法解大规模病态线性方程组

大规模病态线性方程组的求解是相当困难的。本文尝试使用遗传算法求解大规模病态线性方程组,采用了改善方程组病态程度的预处理及多种杂交手段相结合改善遗传算法搜索性能两项措施,结果表明遗传算法求解大规模病态方程组是可行有效的。     

一维问题m次lagrange形函数有限元方程的条件数与预处理

求解大型稀疏病态线性方程组是科学计算和工程应用中经常遇到的重要问题,通过预处理、降低条件数来改善病态是解决该问题的关键。在用有限元方法求解积分形式的一维两点边值问题时,利用m次lagrange形函数可将该问题的求解化成稀疏病态有限元方程组的求解。本文研究该方程组的特殊结构,分析了该方程的条件数,再将系数矩阵的大范数部分分解成4个结构特殊的简单矩阵乘积,基于这种特殊分解设计出预条件子,并对预条件子的性能进行了定量分析,结果说明该预条件子几乎不增加迭代的计算量,预处理后的条件数接近1。     

基于神经网络的病态线性方程组求解

提出了一种基于神经网络的病态线性方程组求解方法。将病态线性方程组的一般系数矩阵转化为对称正定矩阵,然后将此方程组的求解转化为一个无约束优化问题。以此优化问题的目标函数作为神经网络的能量函数,利用最速下降原理构造神经网络的动力学方程,并证明该神经网络系统的稳定性。从而把原病态线性方程组的求解问题转化为一个等价的神经网络优化问题。最后通过两个算例的数值仿真求解以及与其他求解方法的比较,验证了该方法的可行性与有效性。     

GM模型参数识别方程组性态的初步讨论

通过对三个算例的讨论，指出在参数识别方程组系数矩阵的条件数较大的情况下，当建模原始数据具有系统误差时，方程组并不呈现出病态；在个别原始数据具有误差时，方程组会出现病态，据此对建立的灰色系统模型，进行参数识别提出了相应的建议。     

关于求解病态和奇异方程组的Marchuk算法的註记

本文讨论了求解病态和奇异线性方程组的Marchuk算法在具体实现中的某些数值计算问题(例如,正则方程的求解及其初始近似的选择等),给出了将该算法应用于对称正定方程求解时得到的一个特殊结果。基于上述讨论,给出了一个具体的Marchuk算法;对于一些高度病态方程组求解的数值试验表明,这个算法具有很好的数值稳定性,而且计算量不大。     

二维位势边界条件反识别TSVD正则化法

二维各向同性材料Cauchy位势边界条件反识别问题是不适定的,通过边界元方法得到线性方程组的系数矩阵呈现病态,测量数据的随机偏差会影响分析结果的稳定性和精确性。文章运用截断奇异值分解正则化方法来处理该反问题,借助L曲线法选择奇异值截断位置,进一步可求解得到未知边界条件。圆环和方形板区域热传导2个算例结果分析表明:获取数据的偏差越小,边界划分单元越细密,数值解越接近解析值,正则误差也越小。     

初等变换与条件数的关系

本文使用广义逆矩阵和 Ｆｒｏｂｅｎｉｕｓ范数定义线性方程组系数矩阵的条件数，推导了方程组的解的误差与系数矩阵条件数间的关系，减小系数矩阵的条件数就能减小解对系数矩阵的元素变化的敏感性，进而给出了初等变换与条件数间的一些关系和利用初等变换减小条件数的方法。并且证明了对矩阵的行乘以适当的常数的变换能减小矩阵的条件数，而且在此变换下存在条件数最小的矩阵及其求法，还阐明了利用部分主元素法解方程组时一般不能大幅度地增加矩阵的条件数，往往还能减小条件数．     

圆度误差测量中测点数的确定

文中采用谐波分析的方法，分析各次谐波在一定测量精度条件下测点数对圆度误差的影响，并给出测量过程中测量精度、滤波条件与测点数的定量关系。为在圆度误差测量过程中合理选取测点数提供了理论依据，恰当地解决了测量精度与测量效率的矛盾。结论对圆弧误差及圆柱度误差的测量也有一定参考价值。     

N体问题共线解的简明数值方法

研究N体问题共线解的数值方法.依照动力学和运动学原理,建立N体问题共线解所满足的条件方程,把解微分方程组的问题转化为解非线性方程组的问题.当质量已知时,对条件方程组进行Taylor级数展开,使非线性方程组转化为线性方程组,然后用牛顿迭代法解此方程组从而获得共线解.如果给定N体问题共线解中各质点之间的距离,那么问题就变成求解满足这组给定轨道的质点的质量问题,此时的条件方程就是线性方程组,解此线性方程组就可以得到答案.     

AOR迭代法一个新的误差估计

在严格双对角占优条件下, 给出了矩阵M-N行和范数一个新的上界. 该文在此基础上, 得到了线性方程组求解时AOR迭代法一个新的误差估计. 作为特殊情形, 当r=ω=1时, 得到了Gauss-Seidel迭代法的更精确形式的误差估计, 最后给出一个数值例子.     

矩阵求逆条件数在误差估计中的最优性

本文给出了矩阵求逆条件数K(A)=||A| ||A~(-1)||在矩阵求逆的误差估计以及在线性方程组求解的误差估计中的最优性。这里||·||是由任意向量范数,利用等式||A||=max||Ax|| 所定义的矩阵范数。     

Least-Squares及Galerkin谱元方法求解环形区域内的泊松方程

为研究基于Least-Squares变分及Galerkin变分两种形式的谱元方法的求解特性,推导了极坐标系中采用两种变分方法求解环形区域内Poisson方程时对应的弱解形式,采用Chebyshev多项式构造插值基函数进行空间离散,得到两种谱元方法对应的代数方程组,由此分析了系数矩阵结构的特点。数值计算结果显示:Least-Squares谱元方法为实现方程的降阶而引入新的求解变量,使得代数方程组形式更为复杂,但边界条件的处理比Galerkin谱元方法更为简单;两种谱元方法均能求解极坐标系中的Poisson方程且能获得高精度的数值解,二者绝对误差分布基本一致;固定单元内的插值阶数时,增加单元数可减小数值误差,且表现出代数精度的特点,误差降低速度较慢,而固定单元数时,在一定范围内数值误差随插值阶数的增加而减小的速度更快,表现出谱精度的特点;单元内插值阶数较高时,代数方程组系数矩阵的条件数急剧增多,方程组呈现病态,数值误差增大,这一特点限制了单元内插值阶数的取值。研究内容对深入了解两种谱元方法在极坐标系中求解Poisson方程时的特点、进一步采用相关分裂算法求解实际流动问题具有参考价值。