MATLAB计算方法3解线性方程组计算解法

MATLAB计算方法3解线性方程组计算解法线性方程组是数学中的一个重要问题，解线性方程组是计算数学中的一个基本计算，有着广泛的应用。

MATLAB是一种功能强大的数学软件，提供了多种解线性方程组的计算方法。

本文将介绍MATLAB中的三种解线性方程组的计算方法。

第一种方法是用MATLAB函数“linsolve”解线性方程组。

该函数使用高斯消元法和LU分解法求解线性方程组，可以处理单个方程组以及多个方程组的情况。

使用该函数的语法如下：X = linsolve(A, B)其中A是系数矩阵，B是常数向量，X是解向量。

该函数会根据A的形式自动选择求解方法，返回解向量X。

下面是一个使用“linsolve”函数解线性方程组的例子：A=[12;34];B=[5;6];X = linsolve(A, B);上述代码中，A是一个2×2的系数矩阵，B是一个2×1的常数向量，X是一个2×1的解向量。

运行代码后，X的值为[-4.0000;4.5000]。

第二种方法是用MATLAB函数“inv”求解逆矩阵来解线性方程组。

当系数矩阵A非奇异（可逆）时，可以使用逆矩阵求解线性方程组。

使用“inv”函数的语法如下：X = inv(A) * B其中A是系数矩阵，B是常数向量，X是解向量。

该方法先计算A的逆矩阵，然后将逆矩阵与B相乘得到解向量X。

下面是一个使用“inv”函数解线性方程组的例子：A=[12;34];B=[5;6];X = inv(A) * B;上述代码中，A是一个2×2的系数矩阵，B是一个2×1的常数向量，X是一个2×1的解向量。

运行代码后，X的值为[-4.0000;4.5000]。

第三种方法是用MATLAB函数“mldivide”（或“\”）求解线性方程组。

该函数使用最小二乘法求解非方阵的线性方程组。

使用“mldivide”函数的语法如下：X=A\B其中A是系数矩阵，B是常数向量，X是解向量。

数值分析第二次作业学院：电子工程学院基于matlab平台的三种迭代法求解矩阵方程组求解系数矩阵由16阶Hilbert方程组构成的线性方程组的解，其中右端项为[2877/851,3491/1431,816/409,2035/1187,2155/1423,538/395,1587/1279,573/502,947 /895,1669/1691,1589/1717,414/475,337/409,905/1158,1272/1711,173/244].要求：1）Gauss_Sedel迭代法；2）最速下降法；3）共轭梯度法；4）将结果进行分析对比。

解：根据题目要求，编写了对应算法的matlab程序，求解结果如下：（求解精度为10e-4，最大迭代次数1000）1、方程的解：如下图1所示图1 三种方法求解的结果对比图2 Gause_Sedel算法收敛特性图3 最速下降法收敛特性图3 共轭梯度法收敛特性从图中可以看到，在相同的最大迭代次数和预设求解精度条件下，共轭梯度算法仅需要4次迭代便可求出方程组的解，耗时0.000454秒，而且求出解的精度最高；Gauss_Sedel方法需要465次迭代，耗时0.006779秒，求解精度最差；最速下降法需要398次迭代，耗时0.007595秒，求解精度与共轭梯度算法差不多，因此两者求出的解也几乎相同。

从中可以得出结论，共轭梯度算法无论从求解精度还是求解速度上都优于其他两种，最速下降法在求解精度上几乎与共轭梯度算法持平，但求解速度更慢。

Gauss_Sedel方法在求解精度和速度两方面都最差。

具体的解为:Gauss_Sedel迭代法:(共需465次迭代，求解精度达到9.97e-5) X=[0.995328360833192 1.01431732497804 1.052861239300110.934006974137998 0.931493373808838 0.9665081384030661.00661848511341 1.03799789809258 1.051806903036541.06215849948572 1.04857676431223 1.028561990411131.01999170162638 0.971831831519515 0.9525261666348130.916996019179182].最速下降法:(共需398次迭代，求解精度达到9.94e-5)X=[0.998835379744322 1.01507463472900 0.9825890937201850.980191460759243 0.991245169713628 1.003780222253291.01350884374478 1.01928337905816 1.020859096651941.01930314197028 1.01444777381651 1.007040589892970.998384452250809 0.987399404644377 0.9757678149709120.963209150871750].共轭梯度法:(共需4次迭代，求解精度达到3.98e-5)X=[0.996472751179456 1.02707840189049 0.9776233734098530.973206695321590 0.986133032967607 1.001289025642341.01322158496914 1.02047386502293 1.023009050605651.02163015083975 1.01678089454399 1.009203108638740.999772406055155 0.988443827498859 0.9760941924969490.962844741655005].Matlab程序主程序:clc;clear;%% 本程序用于计算第二次数值分析作业，关于希尔伯特矩阵方程的解，用三种方法，分析并比较，也可推广至任意n维的矩阵方程%%A=hilb(16); %生成希尔伯特系数矩阵b=[2877/851;3491/1431;816/409;2035/1187;2155/1423;538/395;1587/1279;573/502;947/895;166 9/1691;1589/1717;414/475;337/409;905/1158;1272/1711;173/244]; %右端向量M=1000; %最大迭代次数err=1.0e-4; %求解精度[x,n,xx,cc,jingdu]=yakebi_diedai(A,b,err,M); % 雅克比算法求解tic;[x1,n1,xx1,cc1,jingdu1]=gauss_seidel(A,b,err,M); % gauss_seidel算法求解toc;tic;[x2,n2,xx2,jingdu2]=zuisuxiajiangfa(A,b,err,M); % 最速下降法求解toc;tic;[x3,flag,jingdu3,n3]=bicg(A,b,err); % matlab内置双共轭梯度算法求解toc;tic;[x4,xx4,n4,jingdu4]=con_grad(A,b,err,M); % 教材共轭梯度算法求解toc;%% 计算相应结果，用于作图%%num=[1:16]';jie=[num,x1,x2,x4]; % 三者的解对比% 三者的收敛情况对比num1=[1:n1]';fit1=[num1,jingdu1'];num2=[1:n2]';fit2=[num2,jingdu2'];num4=[1:n4]';fit4=[num4,jingdu4'];子函数1(Gause_Sedel算法):function [x,n,xx,cc,jingdu] = gauss_seidel(A,b,err,M)% 利用迭代方法求解矩阵方程这里是高斯赛尔得迭代方法% A 为系数矩阵b 为右端向量err为精度大小返回求解所得向量x及迭代次数% M 为最大迭代次数cc 迭代矩阵普半径jingdu 求解过程的精度n 所需迭代次数xx 存储求解过程中每次迭代产生的解for ii=1:length(b)if A(ii,ii)==0x='error';break;endendD=diag(diag(A));L=-tril(A,-1);U=-triu(A,1);B=(D-L)\U;cc=vrho(B); %迭代矩阵普半径FG=(D-L)\b;x0=zeros(length(b),1);x=B*x0+FG;k=0;xx(:,1)=x;while norm(A*x-b)>errx0=x;x=B*x0+FG;k=k+1;xx(:,k+1)=x;if k>=Mdisp('迭代次数太多可能不收敛！');break;endjingdu(k)=norm(A*x-b);endend子函数2(最速下降算法):function [x,n,xx,jingdu]=zuisuxiajiangfa(A,b,eps,M)% 利用迭代方法求解矩阵方程这里是最速下降迭代方法% A 为系数矩阵b 为右端向量err为精度大小返回求解所得向量x及迭代次数% % M 为最大迭代次数jingdu 求解过程的精度n 所需迭代次数xx 存储求解过程中每次迭代产生的解x0=zeros(length(b),1);r0=b-A*x0;t0=r0'*r0/(r0'*A*r0);x=x0+t0*r0;r=b-A*x;xx(:,1)=x;k=0;while norm(r)>epsr=r;x=x;t=r'*r/(r'*A*r);x=x+t*r;r=b-A*x;k=k+1;xx(:,k+1)=x;if k>=Mdisp('迭代次数太多可能不收敛！');break;endn=k;jingdu(k)=norm(r);endend子函31(共轭梯度法):function [x,xx,n,jingdu]=con_grad(A,b,eps,M)% 利用迭代方法求解矩阵方程这里是共轭梯度迭代方法% A 为系数矩阵b 为右端向量err为精度大小返回求解所得向量x及迭代次数% M 为最大迭代次数jingdu 求解过程的精度n 所需迭代次数xx 存储求解过程中每次迭代产生的解x0=zeros(length(b),1);r0=b-A*x0;p0=r0;% t0=r0'*r0/(r0'*A*r0);% x=x0+t0*r0;% xx(:,1)=x;k=0;x=x0;r=r0;p=p0;while norm(r)>epsx=x;r=r;p=p;afa=r'*r/(p'*A*p);x1=x+afa*p;r1=r-afa*A*p;beta=r1'*r1/(r'*r);p1=r1+beta*p;x=x1;r=r1;p=p1;k=k+1;xx(:,k)=x;if k>=Mdisp('迭代次数太多可能不收敛！');break;endn=k;jingdu(k)=norm(r);endend。

Matlab 解方程这里系统的介绍一下关于使用Matlab求解方程的一系列问题，网络上关于Matlab求解方程的文章数不胜数，但是我大体浏览了一下，感觉很多文章都只是零散的介绍了一点，都只给出了一部分Matlab函数例子，以至于刚接触的人面对不同文章中的不同函数一脸茫然，都搞不清楚这些函数各自的用途，也不知道在什么样的情况下该选择哪个函数来求解方程，在使用Matlab解方程时会很纠结。

不知道读者是否有这样的感觉，反正我刚开始接触时就是这样的感觉，面对网络搜索到一系列函数都好想知道他们之间是个什么关系。

所谓的方程就是含有未知数的等式，解方程就是找出使得等式成立时的未知数的数值。

求方程的解可以转换成不同形式，比如求函数的零点、多项式的根。

方程分类很多，按照未知数个数分为一元、二元、多元方程；按照未知数组合形式分为线性方程和非线性方程；按照非零项次数是否一致分为齐次方程和非齐次方程。

线性方程就是方程中未知数次数是一次的，未知数之间不存在指、对、2及以上幂次的关系，线性方程又分为一元线性方程，也就是一元一次方程；多元线性方程，也就是多元一次方程，多以线性方程组的形式出现（包括齐次线性方程组和非齐次线性方程组）。

在Matlab中求解方程的函数主要有roots、solve、fzero、和fsolve函数等，接下来详细的介绍一下各个Matlab函数的使用方法和使用场合。

一、直接求解法(线性方程组)直接求解法不需要借助任何的Matlab函数，主要用于求解线性方程组，也就是未知数次数是一次的方程组，包括齐次线性方程组合非齐次线性方程组。

当然既然可以求解方程组自然也就可以求解单个方程。

主要针对A x=b形式的方程，其中A是未知数系数矩阵，x是未知数列向量，b是常数列向量，当b=0时就是齐次线性方程组，b ≠0时是非齐次线性方程组。

用左除法，x=A\b例：求解线性方程组的解12341242341234251357926640x x x x x x x x x x x x x x +-+=⎧⎪-+=-⎪⎨+-=⎪⎪+--=⎩解：即直接利用b 左除以A 。

1、解方程组问1：如何用matlab解方程组？这个问题其实在matlab中解方程组还是很方便的，例如，对于代数方程组Ax=b(A为系数矩阵，非奇异)的求解，MATLAB中有两种方法：(1)、x=inv(A)*b —采用求逆运算解方程组；(2)、x=A\ —采用左除运算解方程组。

例:x1+2x2=82x1+3x2=13>>A=[1,2;2,3];b=[8;13];>>x=inv(A)*bx =2.003.00>>x=A\bx =2.003.00；即二元一次方程组的解x1和x2分别是2和3。

问2：如何用matlab解多次的方程组？有符号解法，方法是：先解出符号解，然后用vpa(F,n)求出n位有效数字的数值解。

具体步骤如下：第一步:定义变量syms x y z ...;第二步:求解[x,y,z,...]=solve('eqn1','eqn2',...,'eqnN','var1','var2',...'varN');第三步:求出n位有效数字的数值解x=vpa(x,n);y=vpa(y,n);z=vpa(z,n);...。

如：解二(多)元二(高)次方程组：x^2+3*y+1=0y^2+4*x+1=0解法如下：>>syms x y;>>[x,y]=solve('x^2+3*y+1=0','y^2+4*x+1=0');>>x=vpa(x,4);>>y=vpa(y,4);结果是：x =1.635+3.029*i1.635-3.029*i-.283-2.987y =1.834-3.301*i1.834+3.301*i-.3600-3.307。

二元二次方程组，共4个实数根；问3，如何用matlab解高次方程组(非符号方程组)？举个例子好吗？解答如下：基本方法是：solve(s1,s2,…,sn,v1,v2,…,vn)，即求表达式s1,s2,…,sn组成的方程组，求解变量分别v1,v2,…,vn。

数组运算及线型方程组的求解1．“：”号的用法。

用“：”号生成行向量a=[1 2 3 4 5 6 7 89 10]、b=[5 3 1 -1 -3 -5]；用线性等分命令linspace重新生成上述的a和b向量。

另，在100和10000之间用对数等分命令logspace生成10维的向量c。

linspace(1,10,10) linspace(5,-5,6) ak=logspace(2,4,10)2. 已知多项式a(x)=x2+2x+3，b(x)=4x2+5x+6，求a，b积的微分。

a=[1 2 3];b=[4 5 6];c=polyder(a,b)c=poly2str(c,'x')3.用生成下列矩阵，取出方框内的数组元素a=[1:5;10:-1:6;11:15;16:20;21:25]q=a(2,2:3)m=a(2:4,4)n=a(4:5,1:3)4. 生成一个9×9维的魔方矩阵，提取其中心的3×3维子矩阵M，利用sum函数检验其各行和各列的和是否相等。

并且实现上述中心矩阵左旋90°或右旋90°，左右翻转，上下翻转a=magic(9)a =47 58 69 80 1 12 23 34 45 57 68 79 9 11 22 33 44 46 67 78 8 10 21 32 43 54 56 77 7 18 20 31 42 53 55 66 6 17 19 30 41 52 63 65 76 16 27 29 40 51 62 64 75 5 26 28 39 50 61 72 74 4 1536 38 49 60 71 73 3 14 2537 48 59 70 81 2 13 24 35>> m=a(4:6,4:6)m =20 31 42 30 41 52 40 51 62 >> c=rot90(m)c =42 52 62 31 41 51 20 30 40 >> c=rot90(m,-1)c =40 30 20 51 41 31 62 52 42 >> s=fliplr(m)s =42 31 20 52 41 30 62 51 40 >> w=flipud(m)w =40 51 62 30 41 52 20 31 425.已知a=[1 2 3:4 5 6;7 8 0]，求其特征多项式并求其根、特征值和特征多项式6. 计算二重不定积分7.求解微分方程。

第三讲 Matlab 求解代数方程组理论介绍：直接法+迭代法，简单介绍相关知识和应用条件及注意事项 软件求解：各种求解程序讨论如下表示含有n 个未知数、由n 个方程构成的线性方程组：11112211211222221122n n n n n n nn n na x a x a xb a x a x a x b a x a x a x b +++=⎧⎪+++=⎪⎨⎪⎪+++=⎩ （1）一、直接法 1.高斯消元法：高斯消元法的基本原理： 在（1）中设110,a ≠将第一行乘以111,k a a -加到第(2,3,,),k k n = 得： (1)(1)(1)(1)11112211(2)(1)(2)22112(2)(2)(2)22n n n n n nn n n a x a x a x b a x a x b a x a x b ⎧+++=⎪++=⎪⎨⎪⎪++=⎩（2）其中(1)(1)1111,.k k aa b b ==再设(2)220,a ≠将（2）式的第二行乘以(2)2(2)22,(3,,)k a k n a -= 加到第k 行，如此进行下去最终得到：(1)(1)(1)(1)11112211(2)(1)(2)22112(1)(1)(1)1,111,1()()n n n n n n n n n n n n n n n n nn n n a x a x a x b a x a x b a x a x b a x b --------⎧+++=⎪++=⎪⎪⎨⎪+=⎪⎪=⎩（3） 从（3）式最后一个方程解出n x ，代入它上面的一个方程解出1n x -，并如此进行下去，即可依次将121,,,,n n x x x x - 全部解出，这样在()0(1,2,,)k kk a k n ≠= 的假设下，由上而下的消元由下而上的回代，构成了方程组的高斯消元法. 高斯消元法的矩阵表示：若记11(),(,,),(,,)T T ij n n n n A a x x x b b b ⨯=== ，则（1）式可表为.Ax b =于是高斯消元法的过程可用矩阵表示为：121121.n n M M M Ax M M M b --=其中：(1)21(1)111(1)1(1)11111n a a M a a ⎛⎫ ⎪ ⎪- ⎪=⎪ ⎪ ⎪ ⎪- ⎪⎝⎭ (2)32(2)222(2)2(2)221111n a a M a a ⎛⎫⎪⎪ ⎪-⎪=⎪ ⎪ ⎪⎪- ⎪⎝⎭高斯消元法的Matlab 程序： %顺序gauss 消去法,gauss 函数 function[A,u]=gauss(a,n) for k=1:n-1%消去过程 for i=k+1:n for j=k+1:n+1%如果a(k,k)=0,则不能削去 if abs(a(k,k))>1e-6 %计算第k 步的增广矩阵 a(i,j)=a(i,j)-a(i,k)/a(k,k)*a(k,j); else%a(k,k)=0,顺序gauss 消去失败 disp (‘顺序gauss 消去失败‘)； pause; exit; end end end end%回代过程 x(n)=a(n,n+1)/a(n,n); for i=n-1:-1:1 s=0; for j=i+1:n s=s+a(i,j)*x(j); endx(i)=(a(i,n+1)-s)/a(i,i); end%返回gauss 消去后的增广矩阵 A=triu(a); %返回方程组的解 u=x ;练习和分析与思考： 用高斯消元法解方程组：12345124512345124512452471523814476192536x x x x x x x x x x x x x x x x x x x x x x ++++=⎧⎪+++=⎪⎪++++=⎨⎪+++=⎪+++=⎪⎩2.列主元素消元法在高斯消元法中进行到第k 步时，不论()k ik a 是否为0，都按列选择()||(,,)k ik a i k n = 中最大的一个，称为列主元，将列主元所在行与第k 行交换再按高斯消元法进行下去称为列主元素消元法。

数值计算实验——解线性方程组西南交通大学2012级茅7班20123257 陈鼎摘要本报告主要介绍了基于求解线性方程组的高斯消元法和列主消元法两种数值分析方法的算法原理及实现方法。

运用matlab数学软件辅助求解。

实验内容1．编写用高斯消元法解线性方程组的MATLAB程序，并求解下面的线性方程组，然后用逆矩阵解方程组的方法验证。

2．编写用列主消元法解线性方程组的MATLAB程序，并求解下面的线性方程组，然后用逆矩阵解方程组的方法验证。

给定方程组如下：①0.325x1+2.564x2+3.888x3+5x4=1.521②-1.548x1+3.648x2+4.214x3-4.214x4=2.614③-2.154x1+1.647x2+5.364x3+x4=3.978④0x1+2.141x2-2.354x3-2x4=4.214A.高斯消元法一、算法介绍高斯消元法是一种规则化的加减消元法。

基本思想是通过逐次消元计算把需要求解的线性方程组转化成为上三角方程组，即把现形方程组的系数矩阵转化为上三角矩阵，从而使一般线性方程组的求解转化为等价的上三角方程组的求解。

二、matlab程序function [RA,RB,n,X]=gaus(A,b)B=[A b]; n=length(b); RA=rank(A);RB=rank(B);zhica=RB-RA;if zhica>0,disp(‘因为RA~=RB，所以此方程组无解.')returnendif RA==RBif RA==ndisp(‘因为RA=RB=n，所以此方程组有唯一解.')X=zeros(n,1); C=zeros(1,n+1);for p= 1:n-1for k=p+1:nm= B(k,p)/ B(p,p); B(k,p:n+1)= B(k,p:n+1)-m* B(p,p:n+1);endendb=B(1:n,n+1);A=B(1:n,1:n); X(n)=b(n)/A(n,n);for q=n-1:-1:1X(q)=(b(q)-sum(A(q,q+1:n)*X(q+1:n)))/A(q,q);endelsedisp(‘因为RA=RB<n，所以此方程组有无穷多解.')endend三、实验过程与结果输入的量：系数矩阵A和常系数向量b；输出的量：系数矩阵A和增广矩阵B的秩RA、RB，方程中未知量的个数n和有关方程组解X及其解的信息。