下载文档原格式
用matlab 解线性方程组电子科技大学摘要：利用matlab 软件编写程序，分别利用雅克比迭代法和高斯赛德尔迭代法、列主元高斯消去法，改进平方根法求解不同方程组，其中对于雅克比迭代法和高斯赛德尔迭代法在收敛条件相同的情况下，比较两者的迭代次数，对于，列主元高斯消去法和改进平方根法，要求解出方程组的根。
关键词：雅克比迭代法；高斯赛德尔迭代法；列主元高斯消去法；改进平方根法引言：众所周知，在数学物理方程中，当涉及到解方程组的时候，按照常规的计算方法计算量很大，这样，就涉及到了计算方法的问题，算法里面，很多涉及到矩阵转换，经过处理，可以让我们简便的计算根，而matlab 是一个处理矩阵方程组很便利的软件，下面就是用几种不同的方法解方程组。
正文：一、雅克比迭代法和高斯赛德尔迭代法 1雅可比迭代法原理： 设线性方程组b Ax =的系数矩阵A 可逆且主对角元素nn a ,...,a ,a 2211均不为零,令()nn a ,...,a ,a diag D 2211=并将A 分解成()D D A A +-= 从而(1)可写成 ()b x A D Dx +-= 令 11f x B x +=其中b D f ,A D I B 1111--=-=. 以1B 为迭代矩阵的迭代法(公式)()()111f x B x k k +=+称为雅可比(Jacobi)迭代法(公式),用向量的分量来表示,则为⎩⎨⎧[],...,,k ,n ,...,i x a ba xnij j )k (j j i iii)k (i21021111==∑-=≠=+其中()()()()()Tn x ,...x ,x x 002010=为初始向量.由此看出,雅可比迭代法公式简单,每迭代一次只需计算一次矩阵和向量的乘法.在电算时需要两组存储单元,以存放()k x 及()1+k x . 2高斯赛德尔迭代法原理由雅可比迭代公式可知,在迭代的每一步计算过程中是用的全部分量来计算的所有分量,显然在计算第i 个分量时，已经算出最新的分量，但没被利用。
数值分析编程作业2012年12月第二章14.考虑梯形电阻电路的设计，电路如下：电路中的各个电流{i1,i2,…,i8}须满足下列线性方程组：121232343454565676787822/252025202520252025202520250i i V R i i i i i i i i i i i i i i i i i i i i -=-+-=-+-=-+-=-+-=-+-=-+-=-+=这是一个三对角方程组。
设V=220V ，R=27Ω，运用追赶法，求各段电路的电流量。
Matlab 程序如下：function chase () %追赶法求梯形电路中各段的电流量 a=input('请输入下主对角线向量a='); b=input('请输入主对角线向量b='); c=input('请输入上主对角线向量c='); d=input('请输入右端向量d='); n=input('请输入系数矩阵维数n='); u(1)=b(1); for i=2:nl(i)=a(i)/u(i-1); u(i)=b(i)-c(i-1)*l(i); endy(1)=d(1); for i=2:ny(i)=d(i)-l(i)*y(i-1); endx(n)=y(n)/u(n); i=n-1; while i>0x(i)=(y(i)-c(i)*x(i+1))/u(i); i=i-1;end x输入如下: >> chase请输入下主对角线向量a=[0,-2,-2,-2,-2,-2,-2,-2]; 请输入主对角线向量b=[2,5,5,5,5,5,5,5];请输入上主对角线向量c=[-2,-2,-2,-2,-2,-2,-2,0]; 请输入方程组右端向量d=[220/27,0,0,0,0,0,0,0]; 请输入系数矩阵阶数n=8 运行结果如下：x = 8.1478 4.0737 2.0365 1.0175 0.5073 0.2506 0.1194 0.0477第三章14.试分别用(1)Jacobi 迭代法；(2)Gauss-Seidel 迭代法解线性方程组1234510123412191232721735143231211743511512x x x x x ⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥---⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=--⎢⎥⎢⎥⎢⎥--⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥---⎣⎦⎣⎦⎣⎦ 迭代初始向量(0)(0,0,0,0,0)T x =。
非线性方程组求解的牛顿迭代法用MATLAB实现首先，我们需要定义非线性方程组。
假设我们要求解方程组：```f1(x1,x2)=0f2(x1,x2)=0```其中，`x1`和`x2`是未知数，`f1`和`f2`是非线性函数。
我们可以将这个方程组表示为向量的形式：```F(x)=[f1(x1,x2);f2(x1,x2)]=[0;0]```其中，`F(x)`是一个列向量。
为了实现牛顿迭代法，我们需要计算方程组的雅可比矩阵。
雅可比矩阵是由方程组的偏导数组成的矩阵。
对于方程组中的每个函数，我们可以计算其对每个变量的偏导数，然后将这些偏导数组成一个矩阵。
在MATLAB中，我们可以使用`jacobi`函数来计算雅可比矩阵。
以下是一个示例函数的定义：```matlabfunction J = jacobi(x)x1=x(1);x2=x(2);J = [df1_dx1, df1_dx2; df2_dx1, df2_dx2];end```其中，`x`是一个包含未知数的向量，`df1_dx1`和`df1_dx2`是`f1`对`x1`和`x2`的偏导数，`df2_dx1`和`df2_dx2`是`f2`对`x1`和`x2`的偏导数。
下一步是实现牛顿迭代法。
牛顿迭代法的迭代公式为：```x(k+1)=x(k)-J(x(k))\F(x(k))```其中，`x(k)`是第`k`次迭代的近似解，`\`表示矩阵的求逆操作。
在MATLAB中，我们可以使用如下代码来实现牛顿迭代法：```matlabfunction x = newton_method(x_initial)max_iter = 100; % 最大迭代次数tol = 1e-6; % 收敛阈值x = x_initial; % 初始解for k = 1:max_iterF=[f1(x(1),x(2));f2(x(1),x(2))];%计算F(x)J = jacobi(x); % 计算雅可比矩阵 J(x)delta_x = J \ -F; % 计算增量 delta_xx = x + delta_x; % 更新 xif norm(delta_x) < tolbreak; % 达到收敛条件，停止迭代endendend```其中，`x_initial`是初始解的向量，`max_iter`是最大迭代次数，`tol`是收敛阈值。
matlab求解二元一次方程组的数值解摘要：一、引言二、Matlab中求解二元一次方程组的常用方法1.直接法2.迭代法3.数值方法三、数值方法的原理及应用1.雅可比迭代法2.托马斯迭代法3.平方根法四、实例演示1.编写Matlab程序2.输出结果及分析五、结论与展望正文：一、引言二元一次方程组是数学中的一种基本问题，而在工程、科学等领域中也广泛存在。
求解二元一次方程组的数值解是Matlab编程中的常见任务，本文将介绍在Matlab中求解二元一次方程组的常用方法及实例演示。
二、Matlab中求解二元一次方程组的常用方法直接法是通过高斯消元法求解二元一次方程组。
在Matlab中，可以使用`gesdd`函数直接求解。
例如：```matlabA = [1, 2; 3, 4];b = [5; 6];x = gesdd(A, b);```2.迭代法迭代法是通过不断更新变量来求解方程组。
在Matlab中，可以使用`fsolve`函数进行迭代求解。
例如：```matlabA = [1, 1; 1, 1];b = [2; 3];x0 = [1; 1];x = fsolve(@(x) A*x == b, x0);```3.数值方法数值方法包括雅可比迭代法、托马斯迭代法、平方根法等。
在Matlab 中，可以使用`fsolve`函数结合数值方法求解。
例如：```matlabA = [1, 1; 1, 1];x0 = [1; 1];options = optimoptions("fsolve", "Display", "on", "Tolerance", 1e-6);x = fsolve(@(x) A*x == b, x0, options);```三、数值方法的原理及应用1.雅可比迭代法雅可比迭代法是基于雅可比矩阵的迭代公式进行求解。
在Matlab中，可以使用自定义函数实现。
西京学院数学软件实验任务书实验四实验报告一、实验名称：线性方程组的J-迭代，GS-迭代，SOR-迭代。
二、实验目的：熟悉线性方程组的J-迭代，GS-迭代，SOR-迭代，SSOR-迭代方法，编程实现雅可比方法和高斯-赛德尔方法求解非线性方程组12123123521064182514x x x x x x x x +=⎧⎪++=⎨⎪++=-⎩的根，提高matlab 编程能力。
三、实验要求：已知线性方程矩阵，利用迭代思想编程求解线性方程组的解。
四、实验原理：1、雅可比迭代法（J-迭代法）：线性方程组b X A =*，可以转变为：迭代公式(0)(1)()k 0,1,2,....k k J XXB X f +⎧⎪⎨=+=⎪⎩ 其中b M f U L M A M I B J 111),(---=+=-=，称J B 为求解b X A =*的雅可比迭代法的迭代矩阵。
以下给出雅可比迭代的分量计算公式，令),....,()()(2)(1)(k n k k k X X X X =，由雅可比迭代公式有b XU L MXk k ++=+)()1()(，既有i ni j k i iji j k iij k iij b X aXa X a +--=∑∑+=-=+1)(11)()1(，于是，解b X A =*的雅可比迭代法的计算公式为⎪⎩⎪⎨⎧--==∑∑-=+=+)(1),....,(111)()()1()0()0(2)0(1)0(i j n i j k j ij k j ij i ii k iTn X a X a b a X X X X X 2、 高斯-赛德尔迭代法（GS-迭代法）：GS-迭代法可以看作是雅可比迭代法的一种改进，给出了迭代公式：⎪⎩⎪⎨⎧--==∑∑-=+=+++)(1),....,(111)1()1()1()0()0(2)0(1)0(i j n i j k j ij k j ij i ii k iTn X a X a b a X X X X X 其余部分与雅克比迭代类似。
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。
一、简介Matlab中jacobi迭代法是一种用于求解线性方程组的迭代方法，适用于系数矩阵为对称、正定矩阵的情况。
该迭代方法通过将系数矩阵分解为对角矩阵、上三角矩阵和下三角矩阵的形式，然后通过迭代计算得到方程组的解。
在Matlab中，可以利用矩阵运算和迭代循环来实现jacobi迭代法。
二、 jacobi迭代法原理1. 基本思想jacobi迭代法的基本思想是将系数矩阵分解为对角矩阵D、上三角矩阵U和下三角矩阵L的形式，即A=D+L+U，其中D为系数矩阵A 的对角线元素组成的对角矩阵，L为系数矩阵A的下三角部分，U为系数矩阵A的上三角部分。
令x为方程组的解向量，b为方程组的右端向量，则方程组可表示为Ax=b。
根据方程组的性质，可将方程组表示为(D+L+U)x=b，然后利用迭代的方式逐步逼近方程组的解。
2. 迭代公式假设迭代到第k次，方程组可表示为(D+L+U)x=b，将其转化为迭代形式x(k+1)=(D+L)^(-1)(b-Ux(k))，利用迭代公式可以逐步计算出方程组的解。
3. 收敛条件对于jacobi迭代法，收敛条件为系数矩阵A为对角占优矩阵或正定矩阵。
如果满足这一条件，迭代计算会逐步收敛于方程组的解。
三、 Matlab中jacobi迭代法实现在Matlab中，可以利用矩阵运算和迭代循环来实现jacobi迭代法。
具体步骤如下：1. 对系数矩阵进行分解将系数矩阵A分解为对角矩阵D、上三角矩阵U和下三角矩阵L的形式。
2. 初始化迭代变量初始化迭代的初始值x0、迭代次数k、逐次逼近解向量x(k+1)。
3. 迭代计算利用迭代公式x(k+1)=(D+L)^(-1)(b-Ux(k))来逐步计算出方程组的解。
4. 判断收敛条件在迭代计算过程中，需要实时判断迭代计算是否满足收敛条件，如果满足则停止迭代计算，得到方程组的解。
四、实例分析假设有如下方程组：2x1 + x2 + 4x3 = 103x1 + 4x2 - x3 = 10x1 + 2x2 + 3x3 = 0可以利用jacobi迭代法来求解该方程组，在Matlab中可以通过编程实现迭代计算过程。
基于Matlab的解线性方程组的几种迭代法的实现及比较线性方程组的解法有很多种，其中一类常用的方法是迭代法。
迭代法根据一个初值逐步逼近方程组的解，在每一次迭代中利用现有的信息产生新的近似值，并不断地修正。
下面介绍基于Matlab的三种迭代法：雅可比迭代法、高斯-赛德尔迭代法和超松弛迭代法，并进行比较。
1. 雅可比迭代法雅可比迭代法是迭代法中最简单的一种方法。
对于线性方程组Ax=b，雅可比迭代法的迭代公式为：x_{i+1}(j)=1/a_{jj}(b_j-\\sum_{k=1,k\eq j}^n a_{jk}x_i(k))其中，i表示迭代次数，j表示未知数的下标，x_i表示第i次迭代的近似解，a_{jk}表示系数矩阵A的第j行第k列元素，b_j 表示方程组的常数项第j项。
在Matlab中，可以使用以下代码实现雅可比迭代：function [x,flag]=jacobi(A,b,X0,tol,kmax)n=length(b);x=X0;for k=1:kmaxfor i=1:nx(i)=(b(i)-A(i,:)*x+A(i,i)*x(i))/A(i,i);endif norm(A*x-b)<tolflag=1;returnendendflag=0;return其中，参数A为系数矩阵，b为常数项列向量，X0为初值列向量，tol为迭代误差容许值（默认为1e-6），kmax为最大迭代次数（默认为1000）。
函数返回值x为近似解列向量，flag表示是否满足容许误差要求。
2. 高斯-赛德尔迭代法高斯-赛德尔迭代法是雅可比迭代法的改进。
其基本思想是，每次迭代时，利用已经求出的新解中的信息来更新其他未知数的值。
迭代公式为：x_{i+1}(j)=(1/a_{jj})(b_j-\\sum_{k=1}^{j-1}a_{jk}x_{i+1}(k)-\\sum_{k=j+1}^n a_{jk}x_i(k))与雅可比迭代法相比，高斯-赛德尔迭代法的每一次迭代都利用了前面已求得的近似解，因此可以更快地收敛。
matlab循环解方程组使用MATLAB循环解方程组在科学研究和工程应用中，我们经常需要解决一组方程，这被称为方程组。
方程组的解决对于理解和预测系统行为至关重要。
MATLAB是一种强大的数值计算软件，可以用于解决各种数学问题，包括方程组求解。
在本文中，我们将介绍如何使用MATLAB的循环来解决方程组。
我们需要了解什么是方程组。
方程组由多个方程组成，每个方程包含多个未知数。
解方程组的目标是找到满足所有方程的未知数的值。
例如，下面是一个简单的方程组：2x + y = 5x - y = 1我们可以使用MATLAB来求解这个方程组。
首先，我们需要将方程组转化为矩阵形式。
在MATLAB中，矩阵可以用于表示方程组。
我们可以使用矩阵乘法和矩阵求逆来解决方程组。
在这个例子中，我们可以将方程组表示为以下形式：A * X = B其中A是一个2x2的矩阵，X是一个包含未知数x和y的列向量，B是一个包含方程组右边常数项的列向量。
接下来，我们可以使用MATLAB的循环结构来求解方程组。
使用循环的好处是可以自动化求解过程，特别是当方程组非常大时。
我们需要定义矩阵A和B。
在MATLAB中，矩阵可以使用方括号表示。
A = [2 1; 1 -1]B = [5; 1]然后，我们可以使用MATLAB的求解器来解方程组。
MATLAB提供了多种求解器，包括高斯消元法和LU分解法。
X = A \ B在MATLAB中，反斜杠符号（\）表示求解方程组。
X是一个包含未知数x和y的列向量，它是方程组的解。
使用循环求解方程组的另一种方法是使用迭代法。
迭代法是一种逐步逼近解的方法，通过多次迭代逐渐接近方程组的解。
MATLAB提供了多种迭代方法，如雅可比迭代和高斯-赛德尔迭代。
下面是使用雅可比迭代法解方程组的示例代码：X = zeros(size(B)); % 初始化解向量maxIter = 100; % 最大迭代次数tol = 1e-6; % 迭代停止条件iter = 0; % 迭代次数while norm(A*X - B) > tol && iter < maxIterfor i = 1:size(A, 1)X(i) = (B(i) - A(i, 1:i-1)*X(1:i-1) - A(i, i+1:end)*X(i+1:end)) / A(i, i);enditer = iter + 1;end在上述代码中，我们首先初始化解向量X为全零向量。
