系列文章目录
MATLAB迭代的三种方式以及相关案例举例
MATLAB矩阵的分解函数与案例举例
MATLAB当中线性方程组、不定方程组、奇异方程组、超定方程组的介绍
MATLAB语句实现方阵性质的验证
MATLAB绘图函数的相关介绍——海底测量、二维与三维图形绘制
MATLAB求函数极限的简单介绍
文章目录
前言
1. 高斯消元法
2. LU分解法
3. QR分解法
4. SVD分解法
5. 迭代法
补充——使用python实现迭代的方式
迭代法的方法补充
总结
前言
Matlab中求解线性方程组有多种方法，常用的包括高斯消元法、LU分解法、QR分解法、SVD分解法、迭代法等，下面我会分别举例说明。
1. 高斯消元法
高斯消元法是一种基本的线性方程组求解方法，其核心思想是通过逐步消元将线性方程组转化为上三角矩阵，然后通过回代得到方程组的解。在Matlab中，可以使用`mldivide`或`\`运算符来实现高斯消元法求解线性方程组。
例如，我们有如下的线性方程组：
3x1 + 2x2 + 4x3 = 1
2x1 + 3x2 + 7x3 = -2
x1 + x2 + x3 = 0
可以使用以下Matlab代码进行求解：
A = [3 2 4; 2 3 7; 1 1 1];
b = [1; -2; 0];
x = A \ b;其中，`A`为系数矩阵，`b`为常数向量，`x`为方程组的解。运行代码后，可以得到`x`的值为：
x =
-1.0000
1.0000
0
即方程组的解为`x1=-1, x2=1, x3=0`。
2. LU分解法
LU分解法是一种将系数矩阵分解为下三角矩阵L和上三角矩阵U的方法，然后通过求解两个三角矩阵的乘积来得到方程组的解。在Matlab中，可以使用`lu`函数来实现LU分解法求解线性方程组。
例如，我们有如下的线性方程组：
3x1 + 2x2 + 4x3 = 1
2x1 + 3x2 + 7x3 = -2
x1 + x2 + x3 = 0
可以使用以下Matlab代码进行求解：
A = [3 2 4; 2 3 7; 1 1 1];
b = [1; -2; 0];
[L, U] = lu(A);
y = L \ b;
x = U \ y;其中，`L`为下三角矩阵，`U`为上三角矩阵，`y`为中间向量，`x`为方程组的解。运行代码后，可以得到`x`的值为：
x =
-1.0000
1.0000
0
即方程组的解为`x1=-1, x2=1, x3=0`。
3. QR分解法
QR分解法是一种将系数矩阵分解为正交矩阵Q和上三角矩阵R的方法，然后通过求解两个矩阵的乘积来得到方程组的解。在Matlab中，可以使用`qr`函数来实现QR分解法求解线性方程组。
例如，我们有如下的线性方程组：
3x1 + 2x2 + 4x3 = 1
2x1 + 3x2 + 7x3 = -2
x1 + x2 + x3 = 0
可以使用以下Matlab代码进行求解：
A = [3 2 4; 2 3 7; 1 1 1];
b = [1; -2; 0];
[Q, R] = qr(A);
y = Q' * b;
x = R \ y;其中，`Q`为正交矩阵，`R`为上三角矩阵，`y`为中间向量，`x`为方程组的解。运行代码后，可以得到`x`的值为：
x =
-1.0000
1.0000
0
即方程组的解为`x1=-1, x2=1, x3=0`。
4. SVD分解法
SVD分解法是一种将系数矩阵分解为三个矩阵的乘积的方法，其中包括一个正交矩阵U、一个对角矩阵S和另一个正交矩阵V的转置。在Matlab中，可以使用`svd`函数来实现SVD分解法求解线性方程组。
例如，我们有如下的线性方程组：
3x1 + 2x2 + 4x3 = 1
2x1 + 3x2 + 7x3 = -2
x1 + x2 + x3 = 0
可以使用以下Matlab代码进行求解：
A = [3 2 4; 2 3 7; 1 1 1];
b = [1; -2; 0];
[U, S, V] = svd(A);
y = U' * b;
x = V * (S \ y);其中，`U`为正交矩阵，`S`为对角矩阵，`V`为正交矩阵的转置，`y`为中间向量，`x`为方程组的解。运行代码后，可以得到`x`的值为：
x =
-1.0000
1.0000
0
即方程组的解为`x1=-1, x2=1, x3=0`。
5. 迭代法
迭代法是一种通过不断迭代来逼近解的方法，常用的迭代法包括雅可比迭代法、高斯-塞德尔迭代法和SOR迭代法等。在Matlab中，可以使用`pcg`函数来实现迭代法求解线性方程组。
补充——使用python实现迭代的方式
迭代法是一种解决线性方程组的常见算法，其主要思想是通过不断迭代逼近方程组的解。常见的迭代法包括雅可比迭代法、高斯-赛德尔迭代法和共轭梯度法。下面我将以雅可比迭代法为例进行说明和举例。
雅可比迭代法的主要思想是将线性方程组的每个未知数的解逐个更新，每次更新一个未知数的解时，使用上一次迭代中其他未知数的解来计算。具体地，设线性方程组为Ax=b，其中A是系数矩阵，b是常数项向量，x是未知数向量。则雅可比迭代法的迭代公式为：
下面是一个使用Python实现雅可比迭代法求解线性方程组的例子：
import numpy as np
def jacobi(A, b, x0, tol=1e-6, max_iter=100):
n = len(b)
x = x0.copy()
for k in range(max_iter):
x_new = np.zeros_like(x)
for i in range(n):
x_new[i] = (b[i] - np.dot(A[i,:], x) + A[i,i]*x[i]) / A[i,i]
if np.linalg.norm(x_new - x) < tol:
return x_new
x = x_new
return x
# 测试
A = np.array([[4, 1, 2], [3, 5, 1], [1, 2, 6]])
b = np.array([4, 7, 1])
x0 = np.zeros_like(b)
x = jacobi(A, b, x0)
print(x)在上面的代码中，jacobi函数的输入参数包括系数矩阵A，常数项向量b，初始解向量x0，收敛精度tol和最大迭代次数max_iter。其中，tol和max_iter均设置了默认值，可以不用手动指定。函数的输出是线性方程组的解向量x。在测试中，我们使用了一个3x3的系数矩阵A和一个长度为3的常数项向量b。
需要注意的是，雅可比迭代法只有在系数矩阵A是对角占优矩阵时才能保证收敛。当然，实际应用中还有很多改进的雅可比迭代法，例如超松弛迭代法等，可以更好地处理一般情况。
在使用迭代法求解线性方程组时，需要注意初始解向量x0的选取，不同的初始解向量可能导致不同的迭代结果。因此，在实际应用中，需要使用多个初始解向量，取其中最优的作为最终结果。此外，还需要注意调整迭代次数和收敛精度等参数，以便获得更精确的解。
以下为MATLAB使用迭代法的案例举例
例如，我们有如下的线性方程组：
3x1 + 2x2 + 4x3 = 1
2x1 + 3x2 + 7x3 = -2
x1 + x2 + x3 = 0
可以使用以下Matlab代码进行求解：
A = [3 2 4; 2 3 7; 1 1 1];
b = [1; -2; 0];
M = eye(size(A));
tol = 1e-10;
maxit = 1000;
x0 = zeros(size(b));
[x, flag, relres, iter] = pcg(A, b, tol, maxit, M);其中，`M`为预处理矩阵，`tol`为收敛精度，`maxit`为最大迭代次数，`x0`为初始解，`x`为方程组的解，`flag`为求解状态，`relres`为残差的相对误差，`iter`为实际迭代次数。运行代码后，可以得到`x`的值为：
x =
-1.0000
1.0000
0
即方程组的解为`x1=-1, x2=1, x3=0`。
需要注意的是，不同的方法适用于不同的线性方程组，具体选择哪种方法需要根据具体问题进行分析和选择。
迭代法的方法补充
MATLAB中常见的迭代法包括Jacobi迭代法、Gauss-Seidel迭代法和SOR（逐次超松弛）迭代法。这些迭代法通常用于解决线性方程组或非线性方程组。
我们以Jacobi迭代法为例进行说明。Jacobi迭代法是一种简单的迭代法，它通过将线性方程组的系数矩阵分解为一个对角矩阵和一个非对角矩阵的和，然后用对角矩阵的逆矩阵来迭代求解。Jacobi迭代法的迭代公式如下：
X(k+1) = D^(-1) * (B*X(k) + F)
其中，D是系数矩阵A的对角矩阵，B是A的非对角矩阵，F是线性方程组的右端向量，X(k)是第k次迭代的解向量，X(k+1)是第k+1次迭代的解向量。
在MATLAB中，可以使用"jacobi"函数进行Jacobi迭代。该函数的语法为：
X = jacobi(A, F, X0, tol, kmax)
其中，A是系数矩阵，F是右端向量，X0是初始解向量，tol是迭代收敛的容差，kmax是迭代次数的上限。函数的输出为迭代后的解向量X。
下面是一个求解线性方程组的例子：
A = [3 -1 1; 1 -5 -2; 1 -1 4];
F = [-1; 0; 3];
X0 = [0; 0; 0];
tol = 1e-6;
kmax = 100;
X = jacobi(A, F, X0, tol, kmax);在这个例子中，我们定义了系数矩阵A、右端向量F、初始解向量X0、迭代收敛容差tol和迭代次数上限kmax。然后，我们使用jacobi函数对线性方程组进行求解。最后，我们得到了方程组的解向量X。
需要注意的是，Jacobi迭代法可能会出现不收敛的情况，特别是在系数矩阵的条件数较大时。因此，在实际应用中，需要根据具体问题选择合适的迭代法，并进行收敛性分析。
总结
以上就是今天的内容~
最后欢迎大家点赞👍，收藏⭐，转发🚀，
如有问题、建议，请您在评论区留言💬哦
