利用Matlab进行线性代数问题求解的方法与案例

实验三使用MATLAB解决线性代数问题学院：数计学院班级：1003班姓名：黄晓丹学号：1051020144实验目的：学习MATLAB有关线性代数运算的指令，主要学习运用MATLAB解决矩阵除法，线性方程组的通解，矩阵相似对角化问题，以及解决投入产出分析等应用问题。

实验内容：矩阵转置：A=[1 2;3 4];B=[4 3;2 1];>> A',B'ans =1 32 4ans =4 33 1矩阵加减：A-Bans=-3 -11 3矩阵乘法：A*B,A.*B(数组乘法)||比较矩阵乘法与数组乘法的区别ans=8 520 13ans=4 66 4矩阵除法：A\B,B./Aans=-6 -55 4ans=4 1.50.6667 0.25特殊矩阵生成：zeros（m，n）||生成m行n列的矩阵ones（m，n）||生成m行n列的元素全为一的矩阵eye（n）||生成n阶单位矩阵rand（m，n）||生成m行n列[0 ，1]上均匀分布随机数矩阵zeros(2,3)ans =0 0 00 0 0>> ones(3,3)ans =1 1 11 1 11 1 1>> eye(3)ans =1 0 00 1 00 0 1>> rand(2,4)ans =Columns 1 through 30.9501 0.6068 0.89130.2311 0.4860 0.7621Column 40.45650.0185矩阵处理：trace（A）||返回矩阵的迹diag（A）||返回矩阵对角线元素构成的向量tril（A）||提取矩阵的下三角部分triu（A）||提取矩阵的上三角部分flipud（A）||矩阵上下翻转fliplr（A）||矩阵左右翻转reshape(A,m,n)||将矩阵的元素重排成m行n列矩阵A=[1 2 3;4 5 6;7 8 9];>> t=trace(A),d=diag(A),u=triu(A)t =15d =159u =1 2 30 5 60 0 9 flipud(A),fliplr(A)ans =7 8 94 5 61 2 3 ans =3 2 16 5 49 8 7矩阵特征值与标准型：[V,D]=eig（A）||返回矩阵特征值与特征向量[V J]=Jordan(A)||返回矩阵的相似变换矩阵和若尔当标准型A=[1 2;3 4];>> [V,D]=eig(A)V =-0.8246 -0.41600.5658 -0.9094D =-0.3723 00 5.3723>> [V,J]=jordan(A)V =0.2389 0.76110.5222 -0.5222J =5.3723 00 -0.3723线性方程组求解A=[1 2 1;3 -2 1];B=[1;4];x=A\B x =1.2500 ||求一特解-0.1250>> A=[1 2;3 -2;1 -1];B=[1;4;2];x=A\Bx = ||求得一最小二乘近似解1.2838-0.1757：方阵的相似对角化及应用：A=[1 1/4 0;0 1/2 0;0 1/4 1];[P,T]=eig(A) P =1.0000 0 -0.40820 0 0.81650 1.0000 -0.4082T =1.0000 0 00 1.0000 00 0 0.5000求得三个特征值1,1,0.5，对应特征向量（1,0,0），（0,0,1），（-0.4028,0.8165，-0.4082），由于三个特征向量线性无关，从而A 可相似对角化，即p-1AP=T.那么A∧n=p[1 0 0;0 1 0;0 0 0]p-1，计算的P*diag（[1,1,0]）*inv（P）ans =1.0000 0.50000 00 0 00 0.5000 1.0000所以得到近似解。

matlab线性代数例题[大全5篇]第一篇：matlab线性代数例题《数学实验》在线习题3 Matlab程序设计部分一.分析向量组a1=[1T2a23=]-,-T[a31T=2，0],a4=[1-2-1]T，a5=[246]T的线性相关性，找出它们的最大无关组，并将其余向理表示成最大无关组的线性组合。

解，a1=[1 2 3]';a2=[-1-2 0]';a3=[0 0 1]';a4=[1-2-1]';a5=[2 4 6]';A=[a1,a2,a3,a4,a5];[R,S]=rref(A)r=length(S)R =1.0000 0 0.3333 02.0000 0 1.0000 0.3333 0 0 0 0 0 1.0000 0S =4r =线性相关 a1,a2,a3,a4,a5 最大无关组是a1,a2,a4 其余向量的线性组合是a3=1/3a1+1/3a2 a5=2a1二.计算行列式x13D4=x23x33x43x12y1x22y2x32y3x42y4x1y12x2y22x3y32x 4y42y13y23y3323的值。

其中[1解，syms x1 x2 x3 x4 y1 y2 y3 y4 xxxy43x4]=[2357],[y1y2y3y4]=[4567]。

D=[x1^3 x1^2*y1 x1*y1^2 y1^3;x2^3 x2^2*y2 x2*y2^2 y2^3;x3^3 x3^2*y3 x3*y3^2 y3^3;x4^3 x4^2*y4 x4*y4^2 y4^3];d=det(D)x1=2;x2=3;x3=5;x4=7;y1=4;y2=5;y3=6;y4=7;eval (d)d = ans =153664 三.已知向量a={1,-1,0}，b={-1,0,-1}，求向量a与b的夹角的度数。

解，a=[1-1 0];b=[-1 0-1];x=a.*b;x1=sum(x,2);x2=norm(a);x3=norm(b);y=x1/(x2*x3)y1 =acos(y)y =-0.5000y1 =2.0944四.已知线性方程组clear⎧2x1-x2+3x3+2x4=0⎪9x-x+14x+2x=1⎪1234⎨⎪3x1+2x2+5x3-4x4=1⎪⎩4x1+5x2+7x3-10x4=2，求系数矩阵的秩和方程组的通解。

使用Matlab求解线性代数问题一、用行列式求解线性方程组x1+ x2–2*x3 = -35*x1–2*x2+ 7*x3 = 222*x1–5*x2+ 5*x3 = 4解法1：使用矩阵求解方程组在Matlab 7.1命令行界面中输入（A表示系数矩阵，b表示向量）A = [1 1 -2; 5 -2 7; 2 -5 5]; % 系数矩阵b = [-3; 22; 4]; % 向量format rat; % 设置结果的显示形式为分数x = A\b; % 计算结果x = x' % 转置以行向量形式显示界面显示结果为x = 47/56 163/56 27/8即方程的解为x1 = 47/56; x2 = 163/56; x3 = 27/8解法2：使用Cramer法则求解方程组在Matlab 7.1命令行界面中输入D（系数行列式）D = [1 1 -2; 5 -2 7; 2 -5 5]; % 系数矩阵DD1 = [b D(:,2) D(:, 3)]; % D1D2 = [D(:,1) b D(:, 3)]; % D2D3 = [D(:, 1) D(:,2) b]; % D3format rat; % 设置结果的显示形式为分数x1 = det(D1)/det(D)x2 = det(D2)/det(D)x3 = det(D3)/det(D)输出结果为x1 = 47/56x2 = 163/56x3 = 27/8即方程的解为：x1 = 47/56; x2 = 163/56; x3 = 27/8二、求排列65872134的逆序数，并确定其奇偶性。

解：排列的逆序数定义为：如在1,2,3,…,n的一个全排列（s1 s2 s3…s n）中，有i<j时，s i >s j，这时s i、s j违反了自然顺序，就说它们构成了一个逆序。

排列（s1 s2 s3…s n）中逆序的总数称为该序列的逆序数。

根据定义计算逆序数的Matlab程序如下：a = [6 5 8 7 2 1 3 4]; % 将排列看作行向量Num = 0; % 逆序数初始值设为0Len = length(a); % 行向量中元素的个数for i = 1:1:(Len-1)n = length(find( a(i+1: Len) < a(i))); % 计算第i个元素% 的逆序数disp(strcat('第', num2str(i), '个元素', num2str(a(i)), '的逆序数为', num2str(n) ));Num = Num + n; %增加序列逆序数的个数end;disp(strcat('排列', num2str(a), '的逆序数为', num2str(Num)))将上述Matlab命令输入Matlab窗口命令行，执行结果为：第1个元素6的逆序数为5第2个元素5的逆序数为4第3个元素8的逆序数为5第4个元素7的逆序数为4第5个元素2的逆序数为1第6个元素1的逆序数为0第7个元素3的逆序数为0排列6 5 8 7 2 1 3 4的逆序数为19即排列65872134的逆序数为19，由于19为基数，所以排列65872134为逆排列。

利用MATLAB 解决线性代数的计算问题摘要：本文探讨利用MATLAB来解决线性代数中的计算问题，并对线性代数一些常见的实例进行分析，阅读本文之后，你会发现平时耗费大量时间以及人力去解决的有关于线性代数的问题在MATLAB的帮助下则可以很轻松的解决掉。

关键字：线性代数、矩阵运算、数据处理1.引言MATLAB 产品家族是美国MathWorks公司开发的用于概念设计,算法开发,建模仿真,实时实现的理想的集成环境。

由于其完整的专业体系和先进的设计开发思路，使得MATLAB 在多种领域都有广阔的应用空间，特别是在MATLAB 的主要应用方向——科学计算，已经成为首选工具。

线性代数是处理矩阵和向量空间的数学分支，在现代科学的各个领域都有广泛的应用。

随着计算机技术的发展，实现这些线性代数数值计算的计算机算法和软件也在不断发展。

MATLAB的矩阵运算功能非常丰富，许多含有矩阵运算的线性代数中的计算问题，在MATLAB中很容易得到解决。

下面我们将结合实例，从几个方面来阐述MATLAB 在线性代数中的应用。

2.矩阵的生成在线性代数中，我们会接触到大量的矩阵，并且经常需要用到一些特殊形式的矩阵，例如零矩阵、幺矩阵、单位矩阵等，这些特殊矩阵在应用中具有通用性。

还有一类特殊矩阵在某些特定领域中得到应用，如希尔伯特矩阵、范德蒙矩阵、帕斯卡矩阵等。

下面我们将展示如何用MATLAB轻松的建立一些常见的矩阵。

【例1】分别建立4x4 、4x10和与矩阵B（大小自定）同样大小的零矩阵。

解析：通常我们建立一个矩阵的时候往往要输入大量的数据，如果手动的输入这些矩阵，将会消耗大量的精力和时间，但是有了MATLAB后，我们就可以使用MATLAB中自带的函数来建立一些有规律的矩阵，这样可以大大的减少我们的建立矩阵的操作繁琐程度，现在我们将使用zeros函数建立4x4的零矩阵，该函数只需要输入几个简单的参数就可以完成一个你需要的大型零矩阵。

解：(1) 建立一个4x4的零矩阵。

Matlab在线性代数中的应用§1 向量组的线性相关性求列向量组A的一个最大线性无关组可用命令rref(A)将A化成阶梯形的行最简形式，其中单位向量对应的列向量即为最大线性无关组所含向量，其它列向量的坐标即为其对应向量用最大线性无关组线性表示的系数。

例1 求下列矩阵列向量组的一个最大无关组。

解编写M文件ex1.m如下：format rata=[1,-2,-1,0,2;-2,4,2,6,-6;2,-1,0,2,3;3,3,3,3,4];b=rref(a)求得b = 1 0 1/3 0 16/30 1 2/3 0 -1/90 0 0 1 -1/30 0 0 0 0记矩阵的五个列向量依次为、、、、，则、、是列向量组的一个最大无关组。

且有， .例2 设，，验证是的一个基，并把用这个基线性表示。

解编写M文件ex2.m如下：format rata=[2,2,-1;2,-1,2;-1,2,2];b=[1,4;0,3;-4,2];c=rref([a,b])求得c= 1 0 0 2/3 4/30 1 0 -2/3 10 0 1 -1 2/3§2线性方程组Matlab中解线性方程组可以使用“\”。

虽然表面上只是一个简简单单的符号，而它的内部却包含许许多多的自适应算法，如对超定方程用最小二乘法，对欠定方程它将给出范数最小的一个解，解三对角阵方程组时用追赶法等。

另外欠定方程组可以使用求矩阵A的阶梯形行最简形式命令rref(A)，求出所有的基础解系。

例3 求解下列方程组解编写M文件ex3.m如下：format rata=[2,1,-5,1;1,-3,0,-6;0,2,-1,2;1,4,-7,6];b=[8;9;-5;0];solution=a\b求得 solution=[3 -4 -1 1]'。

例4 求超定方程组解编写M文件ex4.m如下：a=[2,4;3,-5;1,2;2,1];b=[11;3;6;7];solution=a\b求得 solution=[ 3.0403 1.2418]'。

Matlab中的线性代数计算技巧指南线性代数是数学中一门重要的学科，它在许多领域中都有着广泛的应用，包括工程、科学和金融等。

而Matlab是一种功能强大的数值计算软件，其中包含了许多用于线性代数计算的工具和函数。

本文将为读者介绍一些在Matlab中进行线性代数计算时常用的技巧和方法。

1. 矩阵的创建与操作在Matlab中，我们可以使用矩阵来表示向量、矩阵和张量等对象。

创建一个矩阵可以使用以下命令：```matlabA = [1 2 3; 4 5 6; 7 8 9];```这样就创建了一个3×3的矩阵A，其中的分号用于分隔行。

我们也可以使用函数来创建特殊的矩阵，比如单位矩阵、零矩阵等：```matlabeye(3); % 创建3×3的单位矩阵zeros(2, 3); % 创建2×3的零矩阵```对于矩阵的操作，Matlab提供了许多常用的函数，比如矩阵的转置、矩阵的相乘等：```matlabA'; % 矩阵的转置A*B; % 矩阵的乘法```2. 矩阵的求逆与解线性方程组在线性代数中，求逆矩阵和解线性方程组是两个常见的问题。

在Matlab中，可以使用`inv`函数来求逆矩阵：```matlabinv(A); % 求矩阵A的逆矩阵```如果要解一个线性方程组，我们可以使用线性方程组求解器`linsolve`函数：```matlabX = linsolve(A, B); % 解线性方程组AX=B```其中，A是系数矩阵，B是常数向量。

这样，X就是线性方程组的解向量。

3. 特征值和特征向量特征值和特征向量在线性代数中有着重要的意义，它们在许多应用中扮演着重要的角色。

在Matlab中，我们可以使用`eig`函数来计算矩阵的特征值和特征向量：```matlab[V, D] = eig(A); % 计算矩阵A的特征向量和特征值```其中，V是包含特征向量的矩阵，D是包含特征值的对角矩阵。

一、上机目的1、培养学生运用线性代数的知识解决实际问题的意识、兴趣和能力；2、掌握常用计算方法和处理问题的方法;二、上机内容1、求向量组的最大无关组；2、解线性方程组；三、上机作业1、设A=[2 1 2 4; 1 2 0 2; 4 5 2 0; 0 1 1 7]；求矩阵A列向量组的一个最大无关组.>> A=[2 1 2 4;1 2 0 2;4 5 2 0;0 1 1 7]A =2 1 2 41 2 0 24 5 2 00 1 1 7>> rref(A)ans =1 0 0 00 1 0 00 0 1 00 0 0 1所以矩阵A的列向量组的一个最大无关组就是它本身；2、用Matlab解线性方程组（1）>> A=[2 4 -6;1 5 3;1 3 2]A =2 4 -61 5 31 3 2>> b=[-4;10;5]b =-4105>> x=inv(A)*bx =-3.00002.00001.0000>> B=[3 41 -62;4 50 3;11 38 25]B =3 41 -624 50 311 38 25>> c=[-41;100;50]c =-4110050>> x=inv(B)*cx =-8.82212.58901.94653、（选作）减肥配方的实现设三种食物每100克中蛋白质、碳水化合物和脂肪的含量如下表，表中还给出了20世纪80年代美国流行的剑桥大学医学院的简捷营养处方。

现在的问题是：如果用这三种食物作为每天的主要食物，那么它们的用量应各取多少才能全面准确地实现这个营养要求？四、上机心得体会通过此次上机实验，我进一步的认识到了Matlab软件的功能。

Matlab 操作简单、功能强大，它使一些复杂的线性代数问题的计算变得更加简单，有效地提高了人们计算的效率。

而且把一些复杂的实际问题转化为矩阵后再利用Matlab求解既简单有快捷。

利用Matlab解决常见数学问题的案例分析概述：Matlab是一款流行的科学软件，广泛应用于数学建模、数据分析、图像处理等领域。

本文将通过几个实际案例，介绍如何利用Matlab解决常见的数学问题，并分析其解决方法和效果。

案例一：线性方程组的求解线性方程组是数学中常见的问题之一。

假设有如下线性方程组：3x + 2y = 14x - 3y = 5可以使用Matlab中的线性方程组求解函数`linsolve`来求解。

首先，定义系数矩阵A和常数矩阵b，并调用`linsolve`函数求解方程组：```matlabA = [3 2; 4 -3];b = [1; 5];x = linsolve(A, b);```运行上述代码后，可以得到方程组的解x为：x = 3y = -2案例二：函数曲线绘制Matlab具有强大的绘图功能，可以绘制各种函数曲线。

例如，我们可以绘制正弦函数sin(x)在区间[-2π,2π]上的曲线。

首先，定义x的取值范围，并计算对应的y 值：```matlabx = -2*pi:0.1:2*pi;y = sin(x);```接下来，使用`plot`函数将曲线绘制出来：```matlabplot(x, y);```运行代码后，可以得到正弦函数的曲线图。

案例三：最小二乘拟合最小二乘拟合是一种常见的曲线拟合方法，用于将一组数据拟合成一条曲线。

假设有一组离散的数据点，我们希望找到一个曲线来拟合这些数据。

在Matlab中，可以使用`polyfit`函数进行最小二乘拟合。

例如，假设有一组数据：x = [1 2 3 4 5];y = [0.5 2.5 2 4 3.5];可以使用`polyfit`函数进行线性拟合：```matlabp = polyfit(x, y, 1);```其中，第一个参数x是自变量的取值，第二个参数y是因变量的取值，第三个参数1表示进行一次多项式拟合。

拟合的结果保存在向量p中，p(1)为拟合曲线的斜率，p(2)为截距。