数值计算与MATLAB1《数值计算与MATLAB 》第6章求解线性代数方程组和计算矩阵特征值的迭代法§1 求解线性代数方程组的迭代法§2 方阵特征值和特征向量的计算§3 矩阵一些特征参数的MATLAB计算《数值计算与MATLAB 》6.1 求解线性代数方程组的迭代法1、迭代法的基本原理如果线性方程组Ax=b的系数矩阵A非奇异，则方程组有唯一解。
把这种方程中的方阵A分解成两个矩阵之差：A=C-D若方阵C是非奇异的，把A它代入方程Ax=b中，得出 (C-D)x=b，两边左乘C-1，并令 M=C-1D，g= C-1b，移项可将方程Ax=b变换成：x=Mx+g据此便可构造出迭代公式： xk+1=Mx k+g，M=C-1D称为迭代矩阵。
《数值计算与MATLAB 》2. 雅可比（Jacobi）迭代法如果方程组Ax=b的系数矩阵A非奇异，aii≠0，若可以把A 分解成： A=D-L-U=D+(-L)+(-U)，D=diag(a11,a22,…,a nn)；-L是严格下三角阵；-U是严格上三角矩阵；x= D-1((L+U)x +b)=D-1(L+U)x+ D-1bx k+1=D-1((L+U)x k+b)= D-1(L+U)x k + D-1bMM=D-1(L+U)称为雅可比迭代矩阵《数值计算与MATLAB 》⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=67-4121-26-3-115-12A⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=61-3-2D⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=74-1-2-1-L⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=2-61-51-UM=D-1(L+U)=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡7/62/3-1/6-222-1/31/2-5/21/2-《数值计算与MATLAB 》雅可比迭代公式的向量形式x k=[( x k) 1,( x k) 2, …,(x k) n]T, k=0,1,2,……，D-1=diag( , ,… ,)，11a122a1nna1))((1)(11∑≠=++-=nijjijijiiikbxaaxk《数值计算与MATLAB》3. 赛德尔（Seidel）迭代法))((1)(11∑≠=++-=nijjijijiiikbxaaxkM= (D-L)-1U称为赛德尔迭代矩阵《数值计算与MATLAB 》4. 迭代法的敛散性方阵的谱半径《数值计算与MATLAB 》向量范数非负性：||x||≥0齐次性：||ax||=|a|||x||；三角不等式：||x||+||y||≥||x+y||。
矩阵特征值问题的数值方法矩阵特征值设A 是n 阶矩阵，x 是非零列向量. 如果有数λ 存在，满足那么，称x 是矩阵A 关于特征值λ的特征向量. 很显然一般地有主特征值的乘幂迭代法设n 阶矩阵A 的n 个特征值按模从大到小排序为：n 其对应的n 个线性无关的特征向量分别为：设是任意一个非零的n 维向量，则：假设，构造一个向量序列：则：或者：当时：如果是矩阵A 的关于特征值的一个特征向量，特征值个特征那么对于任意一个给定的，也是特征值的特征向量。
所以，是对主特征值对应的特征向量的近似。
如果则会变得很大或者如果，则会变得很大，或者如果，则会变得非常小，在实际计算中，为避免这种情况的出现需对做归一化处理况的出现，需对做归一化处理：由：左乘得：所以主特征值的近似值所以主特征值的近似值：残余误差向量定义为：当迭代次数充分大时，残余误差将充分小。
逆乘幂法：类似地，也可以求模最小特征值和对应的特征向量特征向量。
上述问题的主特征值问题就是矩阵A 的模最小特征值问题。
结果，逆乘幂法的迭代公式为：在实际应用中，无需计算逆矩阵，但需求解线性系统实对称矩阵的基本定理：对实对称矩阵A ，一定存在一个正交相似变换使得为对角矩阵且其对角矩阵P ，使得：为对角矩阵，且其对角的特征值元素为矩阵A 的特征值。
相似变换：相似变换保持矩阵特征值（但不是特征向量）不变不变。
(证明略)正交相似变换：中。
正交相似变换的例子—坐标旋转：叫旋转矩阵。
容易验证：。
适当选择旋转角，可消去xy 项—得到对角阵D 。
矩阵特征值问题的数值方法实对称矩阵的基本定理再看下面的例子：令：O 平面的坐标旋转变换适当同样地有：。
则是在x-O-z 平面的坐标旋转变换。
适当x z —D 。
选择旋转角可消去z 项得到对角阵实对称矩阵的Jacobi 方法：全部特征值和特征向量根据实对称矩阵的基本定理，求得矩阵A 的全部特征值的关键是找到正交相似变换矩阵P 使部特征值的关键，是找到正交相似变换矩阵P ，使得为对角阵。
特征值与特征向量矩阵特征值与特征向量的求解方法特征值和特征向量是线性代数中重要的概念，广泛应用于许多领域，如物理学、工程学和计算机科学等。
在本文中，我们将探讨特征值和特征向量的定义、求解方法及其在实际问题中的应用。
一、特征值与特征向量的定义特征值是一个矩阵所具有的与矩阵的线性变换性质有关的一个数值，特征向量是对应于特征值的非零向量。
对于一个n阶矩阵A，如果存在一个非零向量x和一个数λ，使得满足Ax=λx，那么λ就是矩阵A的一个特征值，x是对应于特征值λ的特征向量。
二、求解特征值与特征向量的方法有几种方法可以求解特征值和特征向量，其中比较常用的是特征多项式法和迭代法。
1. 特征多项式法特征多项式法是通过求解特征方程的根来得到特征值。
对于一个n阶矩阵A，其特征多项式定义为det(A-λI)=0，其中I是n阶单位矩阵，det表示行列式运算。
将特征多项式置为零，可以得到n个特征值λ1，λ2，...，λn。
将每个特征值代入原矩阵A-λI，解线性方程组(A-λI)x=0，就可以得到对应的特征向量。
2. 迭代法迭代法是通过不断迭代矩阵的特征向量逼近实际的特征向量。
常用的迭代方法包括幂法、反幂法和Rayleigh商迭代法。
幂法是通过不断迭代向量Ax的归一化来逼近特征向量，其基本原理是向量Ax趋近于特征向量。
反幂法是幂法的反向操作，通过求解(A-λI)y=x逼近特征向量y。
Rayleigh商迭代法是通过求解Rayleigh商的最大值来逼近特征向量，其中Rayleigh商定义为R(x)=x^T Ax/(x^T x)，迭代公式为x(k+1)=(A-λ(k)I)^(-1)x(k)，其中λ(k)为Rayleigh商的最大值。
三、特征值与特征向量的应用特征值与特征向量在实际问题中有广泛的应用。
其中，特征值可以用于判断矩阵是否可逆，当且仅当矩阵的所有特征值均不为零时，矩阵可逆。
特征向量可用于描述矩阵的稳定性和振动状态，如在结构工程中可以通过求解特征值和特征向量来分析物体的固有频率和振动模态。
