数值分析中的Jacobi及Gauss-Seidel迭代中的矩阵L ,U ,D,分别是哪三个单词?

Posted 2023-05-10

参考技术A L：lower triangular matrix 下三角矩阵
U:upper triangular matrix 上三角矩阵
D：diagonal matrix 对角矩阵

多线性方程组迭代算法——Gauss-Seidel迭代算法的Python实现

多线性方程组（张量）迭代算法的原理请看这里：原理部分请留言，不方便公开分享

Jacobi迭代算法里有详细注释：多线性方程组迭代算法——Jacobi迭代算法的Python实现

import numpy as np
import time

1.1 Gauss-Seidel迭代算法

def GaussSeidel_tensor_V2(A,b,Delta,m,n,M):
    start=time.perf_counter()
    find=0
    X=np.ones(n)
    d=np.ones(n)
    m1=m-1
    m2=2-m
    for i in range(M):
        print(‘X‘,X)
        x=np.copy(X)
        #迭代更新
        for j in range(n):
            a=np.copy(A)
            for k in range(m-2):
                a=np.dot(a,x)
            for k in range(n):
                d[k]=a[k,k]
                a[k,k]=m2*a[k,k]            
            x[j]=(b[j]-np.dot(a[j],x))/(m1*d[j])
        #判断是否满足精度要求
        if np.max(np.fabs(X-x))<Delta:
            find=1
            break  
        X=np.copy(x)
    end=time.perf_counter()
    print(‘时间：‘,end-start)
    print(‘迭代‘,i)
    return X,find,i,end-start

1.2张量A的生成函数和向量b的生成函数：

def Creat_A(m,n):#生成张量A
    size=np.full(m, n)
    X=np.ones(n)
    while 1:
        #随机生成给定形状的张量A
        A=np.random.randint(-49,50,size=size)
        #判断Dx**(m-2)是否非奇异，如果是，则满足要求，跳出循环
        D=np.copy(A)
        for i1 in range(n):
            for i2 in range(n):
                if i1!=i2:
                    D[i1,i2]=0
        for i in range(m-2):
                D=np.dot(D,X)
        det=np.linalg.det(D)
        if det!=0:
            break
    #将A的对角面张量扩大十倍，使对角面占优
    for i1 in range(n):
        for i2 in range(n):
            if i1==i2:
                A[i1,i2]=A[i1,i2]*10
    print(‘A:‘)
    print(A)
    return A

#由A和给定的X根据Ax**(m-1)=b生成向量b
def Creat_b(A,X,m):
    a=np.copy(A)
    for i in range(m-1):
        a=np.dot(a,X)
    print(‘b:‘)
    print(a)
    return a

1.3 对称张量S的生成函数：

def Creat_S(m,n):#生成对称张量B
    size=np.full(m, n)
    S=np.zeros(size)
    print(‘S‘,S)
    for i in range(4):
        #生成n为向量a
        a=np.random.random(n)*np.random.randint(-5,6)
        b=np.copy(a)
        #对a进行m-1次外积，得到秩1对称张量b
        for j in range(m-1):
            b=outer(b,a)
        #将不同的b叠加得到低秩对称张量S
        S=S+b
    print(‘S:‘)
    print(S)
    return S
def outer(a,b):
    c=[]
    for i in b:
        c.append(i*a)
    return np.array(c)
    return a

1.4 实验二

def test_2():
    Delta=0.01#精度
    m=3#A的阶数
    n=3#A的维数
    M=200#最大迭代步数
    X_real=np.array( [2,3,4])
    A=Creat_A(m,n) 
    b=Creat_b(A,X_real,m)
    GaussSeidel_tensor_V2(A,b,Delta,m,n)