第4章 线性代数问题求解PPT讲稿.ppt

《第4章 线性代数问题求解PPT讲稿.ppt》由会员分享，可在线阅读，更多相关《第4章 线性代数问题求解PPT讲稿.ppt（94页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第4章 线性代数问题求解第1页，共94页，编辑于2022年，星期一4.1 矩阵4.1.1特殊矩阵的输入数值矩阵的输入零矩阵、幺矩阵及单位矩阵 生成nn方阵：A=zeros(n),B=ones(n),C=eye(n)生成mn矩阵：A=zeros(m,n),B=ones(m,n),C=eye(m,n)生成和矩阵B同样位数的矩阵：A=zeros(size(B)第2页，共94页，编辑于2022年，星期一随机元素矩阵若矩阵随机元素满足0,1区间上的均匀分布 生成nm阶标准均匀分布为随机数矩阵：A=rand(n,m)生成nn阶标准均匀分布为随机数方阵：A=rand(n)第3页，共94页，编辑于2022年，

2、星期一对角元素矩阵 已知向量生成对角矩阵：A=diag(V)已知矩阵提取对角元素列向量：Vdiag(A)生成主对角线上第k条对角线为V的矩阵：A=diag(V,k)第4页，共94页，编辑于2022年，星期一例：diag()函数的不同调用格式 C=1 2 3;V=diag(C)%生成对角矩阵V=1 0 0 0 2 0 0 0 3 V1=diag(V)%将列向量通过转置变换成行向量V1=1 2 3 C=1 2 3;V=diag(C,2)%主对角线上第 k条对角线为C的矩阵V=0 0 1 0 0 0 0 0 2 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0第5页，共94页，编辑于2

3、022年，星期一生成三对角矩阵:V=diag(1 2 3 4)+diag(2 3 4,1)+diag(5 4 3,-1)V=1 2 0 0 5 2 3 0 0 4 3 4 0 0 3 4第6页，共94页，编辑于2022年，星期一Hilbert矩阵及逆Hilbert矩阵 生成n阶的Hilbert矩阵：A=hilb(n)求取逆Hilbert矩阵：B=invhilb(n)第7页，共94页，编辑于2022年，星期一Hankel(汉克)矩阵 其中：第一列的各个元素定义为C向量，最后一行各个元素定义为R。H为对称阵。H1=hankel(C)由 Hankel 矩阵反对角线上元素相等得出一下三角阵均为零的Ha

4、nkel 矩阵第8页，共94页，编辑于2022年，星期一Vandermonde(范德蒙)矩阵 第9页，共94页，编辑于2022年，星期一伴随矩阵其中：P(s)为首项系数为一的多向式。第10页，共94页，编辑于2022年，星期一符号矩阵的输入 数值矩阵A转换成符号矩阵：B=sym(A)例：A=hilb(3)A=1.0000 0.5000 0.3333 0.5000 0.3333 0.2500 0.3333 0.2500 0.2000 B=sym(A)B=1,1/2,1/3 1/2,1/3,1/4 1/3,1/4,1/5第11页，共94页，编辑于2022年，星期一4.1.2 矩阵基本概念与性质行列

5、式 格式：d=det(A)例：求行列式 A=16 2 3 13;5 11 10 8;9 7 6 12;4 14 15 1;det(A)ans=0第12页，共94页，编辑于2022年，星期一例：tic,A=sym(hilb(20);det(A),toc ans=1/237745471676853450909164424342761644017541983775348649303318533123441975931064458518758576681657377344056575986726555897176563841971079330338658232414981124102355448916

6、6154717809635257797836800000000000000000000000000000000000elapsed_time=2.3140高阶的Hilbert矩阵是接近奇异的矩阵。第13页，共94页，编辑于2022年，星期一矩阵的迹 格式：t=trace(A)矩阵的秩格式：r=rank(A)用默认的精度求数值秩 r=rank(A，)给定精度下求数值秩 矩阵的秩也表示该矩阵中行列式不等于0的子式的最大阶次。可证行秩和列秩（线性无关的）应相等。第14页，共94页，编辑于2022年，星期一例 A=16 2 3 13;5 11 10 8;9 7 6 12;4 14 15 1;rank(

7、A)ans=3该矩阵的秩为3，小于矩阵的阶次，故为非满秩矩阵。例 H=hilb(20);rank(H)数值方法ans=13 H=sym(hilb(20);rank(H)%解析方法，原矩阵为非奇异矩阵ans=20第15页，共94页，编辑于2022年，星期一矩阵范数第16页，共94页，编辑于2022年，星期一矩阵的范数定义：格式：N=norm(A)求解默认的2范数 N=norm(A，选项)选项可为1,2,inf等第17页，共94页，编辑于2022年，星期一例：求一向量、矩阵的范数 a=16 2 3 13;norm(a),norm(a,2),norm(a,1),norm(a,Inf)ans=2.09

8、2844953645635e+001 2.092844953645635e+001 3.400000000000000e+001 1.600000000000000e+001 A=16 2 3 13;5 11 10 8;9 7 6 12;4 14 15 1;norm(A),norm(A,2),norm(A,1),norm(A,Inf)ans=34 34 34 34 符号运算工具箱未提供norm()函数，需先用double()函数转换成双精度数值矩阵，再调用norm()函数。第18页，共94页，编辑于2022年，星期一特征多项式格式：C=poly(A)例：A=16 2 3 13;5 11 10

9、8;9 7 6 12;4 14 15 1;poly(A)直接求取ans=1.000000000000000e+000 -3.399999999999999e+001 -7.999999999999986e+001 2.719999999999999e+003 -2.819840539024018e-012 A=sym(A);poly(A)运用符号工具箱 ans=x4-34*x3-80*x2+2720*x第19页，共94页，编辑于2022年，星期一矩阵多项式的求解第20页，共94页，编辑于2022年，星期一符号多项式与数值多项式的转换格式：f=poly2sym(P)或 f=poly2sym(P,

10、x)格式：P=sym2poly(f)第21页，共94页，编辑于2022年，星期一例：P=1 2 3 4 5 6;%先由系数按降幂顺序排列表示多项式 f=poly2sym(P,v)%以 v 为算子表示多项式 f=v5+2*v4+3*v3+4*v2+5*v+6 P=sym2poly(f)P=1 2 3 4 5 6第22页，共94页，编辑于2022年，星期一矩阵的逆矩阵格式：C=inv(A)例：format long;H=hilb(4);H1=inv(H)H1=1.0e+003*0.01600000000000 -0.11999999999999 0.23999999999998 -0.139999

11、99999999 -0.11999999999999 1.19999999999990 -2.69999999999976 1.67999999999984 0.23999999999998 -2.69999999999976 6.47999999999940 -4.19999999999961 -0.13999999999999 1.67999999999984 -4.19999999999961 2.79999999999974第23页，共94页，编辑于2022年，星期一检验：H*H1ans=1.00000000000001 0.00000000000023 -0.000000000000

12、45 0.00000000000023 0.00000000000001 1.00000000000011 -0.00000000000011 0.00000000000011 0.00000000000001 0 1.00000000000011 0 0.00000000000000 0.00000000000011 -0.00000000000011 1.00000000000011计算误差范数：norm(H*inv(H)-eye(size(H)ans=6.235798190375727e-013 H2=invhilb(4);norm(H*H2-eye(size(H)ans=5.68434

13、1886080802e-014第24页，共94页，编辑于2022年，星期一 H=hilb(10);H1=inv(H);norm(H*H1-eye(size(H)ans=0.00264500826202 H2=invhilb(10);norm(H*H2-eye(size(H)ans=1.612897415528547e-005 H=hilb(13);H1=inv(H);norm(H*H1-eye(size(H)Warning:Matrix is close to singular or badly scaled.Results may be inaccurate.RCOND=2.339949e-

14、018.ans=53.23696008570294 H2=invhilb(13);norm(H*H2-eye(size(H)ans=11.37062973181391对接近于奇异矩阵，高阶一般不建议用inv()，可用符号工具箱。第25页，共94页，编辑于2022年，星期一 H=sym(hilb(7);inv(H)ans=49,-1176,8820,-29400,48510,-38808,12012-1176,37632,-317520,1128960,-1940400,1596672,-5045048820,-317520,2857680,-10584000,18711000,-1571724

15、0,5045040-29400,1128960,-10584000,40320000,-72765000,62092800,-2018016048510,-1940400,18711000,-72765000,133402500,-115259760,37837800-38808,1596672,-15717240,62092800,-115259760,100590336,-3329726412012,-504504,5045040,-20180160,37837800,-33297264,11099088 H=sym(hilb(30);norm(double(H*inv(H)-eye(si

16、ze(H)ans=0第26页，共94页，编辑于2022年，星期一例：奇异阵求逆 A=16 2 3 13;5 11 10 8;9 7 6 12;4 14 15 1;format long;B=inv(A)Warning:Matrix is close to singular or badly scaled.Results may be inaccurate.RCOND=1.306145e-017.B=1.0e+014*0.93824992236885 2.81474976710656 -2.81474976710656 -0.93824992236885 2.81474976710656 8.4

17、4424930131968 -8.44424930131968 -2.81474976710656 -2.81474976710656 -8.44424930131968 8.44424930131968 2.81474976710656 -0.93824992236885 -2.81474976710656 2.81474976710656 0.93824992236885 norm(A*B-eye(size(A)检验ans=1.64081513306419 A=sym(A);inv(A)奇异矩阵不存在一个相应的逆矩阵，用符号工具箱的函数也不行?Error using=sym/invErro

18、r,(in inverse)singular matrix第27页，共94页，编辑于2022年，星期一同样适用于含有变量的矩阵求逆。例：syms a1 a2 a3 a4;C=a1 a2;a3 a4；inv(C)ans=-a4/(-a1*a4+a2*a3),a2/(-a1*a4+a2*a3)a3/(-a1*a4+a2*a3),-a1/(-a1*a4+a2*a3)第28页，共94页，编辑于2022年，星期一矩阵的相似变换与正交矩阵 其中：A为一方阵，B矩阵非奇异。相似变换后，X矩阵的秩、迹、行列式与特征值等均不发生变化，其值与A矩阵完全一致。对于一类特殊的相似变换满足如下条件，称为正交基矩阵。第2

19、9页，共94页，编辑于2022年，星期一例：A=5,9,8,3;0,3,2,4;2,3,5,9;3,4,5,8;Q=orth(A)Q=-0.6197 0.7738 -0.0262 -0.1286 -0.2548 -0.1551 0.9490 0.1017 -0.5198 -0.5298 -0.1563 -0.6517 -0.5300 -0.3106 -0.2725 0.7406 norm(Q*Q-eye(4)ans=4.6395e-016 norm(Q*Q-eye(4)ans=4.9270e-016第30页，共94页，编辑于2022年，星期一例：A=16,2,3,13;5,11,10,8;9,

20、7,6,12;4,14,15,1;Q=orth(A)A为奇异矩阵，故得出的Q为长方形矩阵Q=-0.5000 0.6708 0.5000 -0.5000 -0.2236 -0.5000 -0.5000 0.2236 -0.5000 -0.5000 -0.6708 0.5000 norm(Q*Q-eye(3)ans=1.0140e-015第31页，共94页，编辑于2022年，星期一4.2 线性方程组直接解法4.2.1线性方程组直接求解矩阵除法关于线性方程组的直接解法，如Gauss消去法、选主元消去法、平方根法、追赶法等等，在MATLAB中，只需用“”或“”就解决问题。它内部实际包含着许许多多的自适

21、应算法，如对超定方程用最小二乘法，对欠定方程时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等。格式：x=Ab第32页，共94页，编辑于2022年，星期一例：解方程组 A=.4096,.1234,.3678,.2943;.2246,.3872,.4015,.1129;.3645,.1920,.3781,.0643;.1784,.4002,.2786,.3927;b=0.4043 0.1550 0.4240-0.2557;x=Ab;xans=-0.1819 -1.6630 2.2172 -0.4467第33页，共94页，编辑于2022年，星期一4.2.2线性方程组直接求解判定求解第34页

22、，共94页，编辑于2022年，星期一第35页，共94页，编辑于2022年，星期一例：A=1 2 3 4;4 3 2 1;1 3 2 4;4 1 3 2;B=5 1;4 2;3 3;2 4;C=A B;rank(A),rank(C)ans=4ans=4 x=inv(A)*Bx=-1.8000 2.4000 1.8667 -1.2667 3.8667 -3.2667 -2.1333 2.7333第36页，共94页，编辑于2022年，星期一检验 norm(A*x-B)ans=7.4738e-015精确解 x1=inv(sym(A)*B x1=-9/5,12/5 28/15,-19/15 58/15,

23、-49/15-32/15,41/15检验 norm(double(A*x1-B)ans=0第37页，共94页，编辑于2022年，星期一原方程组对应的齐次方程组的解求取A矩阵的化零矩阵：格式：Z=null(A)求取A矩阵的化零矩阵的规范形式：格式：Z=null(A,r)第38页，共94页，编辑于2022年，星期一例：判断可解性 A=1 2 3 4;2 2 1 1;2 4 6 8;4 4 2 2;B=1;3;2;6;C=A B;rank(A),rank(C)ans=2 2 Z=null(A,r)%解出规范化的化零空间Z=2.0000 3.0000 -2.5000 -3.5000 1.0000 0

24、0 1.0000第39页，共94页，编辑于2022年，星期一 x0=pinv(A)*B%得出一个特解x0=0.9542 0.7328%全部解 -0.0763 -0.2977验证得出的解 a1=randn(1);a2=rand(1);%取不同分布的随机数 x=a1*Z(:,1)+a2*Z(:,2)+x0;norm(A*x-B)ans=4.4409e-015第40页，共94页，编辑于2022年，星期一解析解 Z=null(sym(A)Z=2,3-5/2,-7/2 1,0 0,1 x0=sym(pinv(A)*B)x0=125/131 96/131 -10/131 -39/131 第41页，共94页

25、，编辑于2022年，星期一验证得出的解 a1=randn(1);a2=rand(1);%取不同分布的随机数 x=a1*Z(:,1)+a2*Z(:,2)+x0;norm(double(A*x-B)ans=0通解 syms a1 a2;x=a1*Z(:,1)+a2*Z(:,2)+x0 x=2*a1+3*a2+125/131-5/2*a1-7/2*a2+96/131 a1-10/131 a2-39/131第42页，共94页，编辑于2022年，星期一 摩尔彭罗斯广义逆求解出的方程最小二乘解不满足原始代数方程。第43页，共94页，编辑于2022年，星期一4.2.3 线性方程组的直接求解分析LU分解 第4

26、4页，共94页，编辑于2022年，星期一第45页，共94页，编辑于2022年，星期一第46页，共94页，编辑于2022年，星期一格式 l,u,p=lu(A)L是一个单位下三角矩阵，u是一个上三角矩阵，p是代表选主元的置换矩阵。故：Ax=y =PAx=Py =LUx=Py =PA=LU l,u=lu(A)其中l等于P-1 L，u等于U，所以(P-1 L)U=A第47页，共94页，编辑于2022年，星期一例：对A进行LU分解 A=1 2 3;2 4 1;4 6 7;l,u,p=lu(A)l=1.0000 0 0 0.5000 1.0000 0 0.2500 0.5000 1.0000u=4.000

27、0 6.0000 7.0000 0 1.0000 -2.5000 0 0 2.5000p=0 0 1 0 1 0 1 0 0第48页，共94页，编辑于2022年，星期一 l,u=lu(A)lP-1 Ll=0.2500 0.5000 1.0000 0.5000 1.0000 0 1.0000 0 0u=4.0000 6.0000 7.0000 0 1.0000 -2.5000 0 0 2.5000第49页，共94页，编辑于2022年，星期一QR分解 将矩阵A分解成一个正交矩阵与一个上三角矩阵的乘积。求得正交矩阵Q和上三角阵R，Q和R满足A=QR。格式：Q,R=qr(A)第50页，共94页，编辑于

28、2022年，星期一例：A=1 2 3;4 5 6;7 8 9;10 11 12;Q,R=qr(A)Q=-0.0776 -0.8331 0.5456 -0.0478 -0.3105 -0.4512 -0.6919 0.4704 -0.5433 -0.0694 -0.2531 -0.7975 -0.7762 0.3124 0.3994 0.3748R=-12.8841 -14.5916 -16.2992 0 -1.0413 -2.0826 0 0 -0.0000 0 0 0第51页，共94页，编辑于2022年，星期一Cholesky(乔里斯基)分解 若矩阵A为 n阶对称正定阵,则存在唯一的对角元素

29、为正的三角阵D，使得 第52页，共94页，编辑于2022年，星期一格式：D=chol(A)第53页，共94页，编辑于2022年，星期一例：进行Cholesky分解。A=16 4 8;4 5-4;8-4 22;D=chol(A)D=4 1 2 0 2 -3 0 0 3第54页，共94页，编辑于2022年，星期一利用矩阵的LU、QR和cholesky分解求方程组的解（1）LU分解：A*X=b 变成 L*U*X=b所以 X=U(Lb)这样可以大大提高运算速度。例：求方程组 的一个特解。解：A=4 2-1;3-1 2;11 3 0;B=2 10 8;D=det(A)D=0第55页，共94页，编辑于20

30、22年，星期一 L,U=lu(A)L=0.3636 -0.5000 1.0000 0.2727 1.0000 0 1.0000 0 0U=11.0000 3.0000 0 0 -1.8182 2.0000 0 0 0.0000第56页，共94页，编辑于2022年，星期一 X=U(LB)Warning:Matrix is close to singular or badly scaled.Results may be inaccurate.RCOND=2.018587e-017.X=1.0e+016*%结果中的警告是由于系数行列式为零产生的。-0.4053%可以通过A*X验证其正确性。1.486

31、2 1.3511 A*Xans=0 8 8第57页，共94页，编辑于2022年，星期一（2）Cholesky分解 若A为对称正定矩阵，则Cholesky分解可将矩阵A分解成上三角矩阵和其转置的乘积，方程 A*X=b 变成 R*R*X=b所以 X=R(Rb)（3）QR分解 对于任何长方矩阵A，都可以进行QR分解，其中Q为正交矩阵，R为上三角矩阵的初等变换形式，即：A=QR方程 A*X=b 变形成 QRX=b所以 X=R(Qb)这三种分解，在求解大型方程组时很有用。其优点是运算速度快、可以节省磁盘空间、节省内存。第58页，共94页，编辑于2022年，星期一三个变换 在线性方程组的迭代求解中，要用到

32、系数矩阵A的上三角矩阵、对角阵和下三角矩阵。此三个变换在MATLAB中可由以下函数实现。上三角变换：格式 triu(A,1)对角变换：格式 diag(A)下三角变换：格式 tril(A,-1)例：对此矩阵做三种变换。第59页，共94页，编辑于2022年，星期一 A=1 2-2;1 1 1;2 2 1;triu(A,1)ans=0 2 -2 0 0 1 0 0 0 tril(A,-1)ans=0 0 0 1 0 0 2 2 0 b=diag(A);bans=1 1 1第60页，共94页，编辑于2022年，星期一4.3 迭代解法的几种形式5.3.1 Jacobi迭代法方程组 Ax=b A可写成 A

33、=D-L-U 其中:D=diaga11,a22,ann,-L、-U分别为A的严格下、上三角部分（不包括对角线元素）.由 Ax=b x=Bx+f 由此可构造迭代法：x(k+1)=Bx(k)+f 其中：B=D-1(L+U)=I-D-1A,f=D-1b.第61页，共94页，编辑于2022年，星期一function y=jacobi(a,b,x0)D=diag(diag(a);U=-triu(a,1);L=-tril(a,-1);B=D(L+U);f=Db;y=B*x0+f;n=1;while norm(y-x0)=1.0e-6 x0=y;y=B*x0+f;n=n+1;endn第62页，共94页，编辑

34、于2022年，星期一例：用Jacobi方法求解，设x(0)=0,精度为10-6。a=10-1 0;-1 10-2;0-2 10;b=9;7;6;jacobi(a,b,0;0;0)n=11ans=0.9958 0.9579 0.7916第63页，共94页，编辑于2022年，星期一4.3.2 Gauss-Seidel迭代法由原方程构造迭代方程 x(k+1)=G x(k)+f其中：G=(D-L)-1 U,f=(D-L)-1 b D=diaga11,a22,ann,-L、-U分别为A的严格下、上三角部分（不包括对角线元素）.第64页，共94页，编辑于2022年，星期一function y=seidel

35、(a,b,x0)D=diag(diag(a);U=-triu(a,1);L=-tril(a,-1);G=(D-L)U ;f=(D-L)b;y=G*x0+f;n=1;while norm(y-x0)=1.0e-6 x0=y;y=G*x0+f;n=n+1;endn第65页，共94页，编辑于2022年，星期一例：对上例用Gauss-Seidel迭代法求解 a=10-1 0;-1 10-2;0-2 10;b=9;7;6;seidel(a,b,0;0;0)n=7ans=0.9958 0.9579 0.7916例：分别用Jacobi和G-S法迭代求解,看是否收敛。第66页，共94页，编辑于2022年，星期

36、一 a=1 2-2;1 1 1;2 2 1;b=9;7;6;jacobi(a,b,0;0;0)n=4ans=-27 26 8 seidel(a,b,0;0;0)n=1011ans=1.0e+305*-Inf Inf -1.7556第67页，共94页，编辑于2022年，星期一4.3.3 SOR迭代法 在很多情况下，J法和G-S法收敛较慢，所以考虑对G-S法进行改进。于是引入一种新的迭代法逐次超松弛迭代法（Succesise Over-Relaxation),记为SQR法。迭代公式为：X(k+1)=(D-wL)-1(1-w)D+wU)x(k)+w(D-wL)-1 b 其中：w最佳值在1,2）之间，

37、不易计算得到，因此 w通常有经验给出。第68页，共94页，编辑于2022年，星期一function y=sor(a,b,w,x0)D=diag(diag(a);U=-triu(a,1);L=-tril(a,-1);M=(D-w*L)(1-w)*D+w*U);f=(D-w*L)b*w;y=M*x0+f;n=1;while norm(y-x0)=1.0e-6 x0=y;y=M*x0+f;n=n+1;endn第69页，共94页，编辑于2022年，星期一例：上例中，当w=1.103时，用SOR法求解原方程。a=10-1 0;-1 10-2;0-2 10;b=9;7;6;sor(a,b,1.103,0;

38、0;0)n=8ans=0.9958 0.9579 0.7916第70页，共94页，编辑于2022年，星期一4.3.4 两步迭代法 当线性方程系数矩阵为对称正定时，可用一种特殊的迭代法来解决，其迭代公式为：（D-L）x(k+1/2)=U x(k)+b （D-U）x(k+1)=Lx(k+1/2)+b=x(k+1/2)=(D-L)-1 U x(k)+(D-L)-1 b x(k+1)=(D-U)-1 Lx(k+1/2)+(D-U)-1 b第71页，共94页，编辑于2022年，星期一function y=twostp(a,b,x0)D=diag(diag(a);U=-triu(a,1);L=-tril(

39、a,-1);G1=(D-L)U;f1=(D-L)b;G2=(D-U)L;f1=(D-U)b;y=G1*x0+f1;y=G2*y+f2;n=1;while norm(y-x0)=1.0e-6 x0=y;y=G1*x0+f1;y=G2*y+f2;n=n+1;endn第72页，共94页，编辑于2022年，星期一例：求解方程组 a=10-1 2 0;-1 11-1 3;2-1 10 3;0 3-1 8;b=6;25;-11;15;twostp(a,b,0;0;0;0)n=7ans=1.0791 1.9824 -1.4044 0.9560第73页，共94页，编辑于2022年，星期一4.4 线性方程组的符

40、号解法 在MATLAB的Symbolic Toolbox中提供了线性方程的符号求解函数，如 linsolve(A,b)等同于 X=sym(A)sym(b).solve(eqn1,eqn2,.,eqnN,var1,var2,.,varN)第74页，共94页，编辑于2022年，星期一例：A=sym(10,-1,0;-1,10,-2;0,-2,10)；b=(9;7;6)；linsolve(A,b)ans=473/475 91/95 376/475 vpa(ans)ans=.99578947368421052631578947368421.9578947368421052631578947368421

41、1.79157894736842105263157894736842第75页，共94页，编辑于2022年，星期一例：x,y=solve(x2+x*y+y=3,x2-4*x+3=0,x,y)x=1 3 y=1 -3/2 第76页，共94页，编辑于2022年，星期一4.5 稀疏矩阵技术稀疏矩阵的建立：格式 S=sparse(i,j,s,m,n)生成一mxn阶的稀疏矩阵，以向量i和j为坐标的位置上对应元素值为s。例：n=5;a1=sparse(1:n,1:n,4*ones(1,n),n,n)a1=(1,1)4 (2,2)4 (3,3)4 (4,4)4 (5,5)4第77页，共94页，编辑于2022年

42、，星期一例：a2=sparse(2:n,1:n-1,ones(1,n-1),n,n)a2=(2,1)1 (3,2)1 (4,3)1 (5,4)1 full(a2)ans=0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0第78页，共94页，编辑于2022年，星期一例：n=5,建立主对角线上元素为4，两条次对角线为1的三对角阵。n=5;a1=sparse(1:n,1:n,4*ones(1,n),n,n);a2=sparse(2:n,1:n-1,ones(1,n-1),n,n);a=a1+a2+a2a=(1,1)4 (2,1)1 (1,2)1 (2,

43、2)4 (3,2)1 (2,3)1 (3,3)4 (4,3)1 第79页，共94页，编辑于2022年，星期一 (3,4)1 (4,4)4 (5,4)1 (4,5)1 (5,5)4 full(a)ans=4 1 0 0 0 1 4 1 0 0 0 1 4 1 0 0 0 1 4 1 0 0 0 1 4第80页，共94页，编辑于2022年，星期一格式 A=spdiags(B,d,m,n)生成一mxn阶的稀疏矩阵，使得B的列放在由d指定的位置。例：n=5 b=spdiags(ones(n,1),4*ones(n,1),ones(n,1),-1,0,1,n,n);full(b)ans=4 1 0 0

44、0 1 4 1 0 0 0 1 4 1 0 0 0 1 4 1 0 0 0 1 4第81页，共94页，编辑于2022年，星期一格式：spconvert(dd)对于无规律的稀疏矩阵，可使用此命令由外部数据转化为稀疏矩阵。调用形式为：先用load函数加载以行表示对应位置和元素值的.dat文本文件，再用此命令转化为稀疏矩阵。例：无规律稀疏矩阵的建立。首先编制文本文件sp.dat如下：5 1 5.003 5 8.004 4 2.005 5 0第82页，共94页，编辑于2022年，星期一 load sp.dat spconvert(sp)ans=(5,1)5 (4,4)2 (3,5)8 full(ans

45、)ans=0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0 2 0 5 0 0 0 0第83页，共94页，编辑于2022年，星期一稀疏矩阵的计算：同满矩阵比较，稀疏矩阵在算法上有很大的不同。具体表现在存储空间减少，计算时间减少。例：比较求解下面方程组n1000时两种方法的差别。第84页，共94页，编辑于2022年，星期一 n=1000;a1=sparse(1:n,1:n,4*ones(1,n),n,n);a2=sparse(2:n,1:n-1,ones(1,n-1),n,n);a=a1+a2+a2;b=ones(1000,1);tic;x=ab;t1=toct1=0.48

46、00 a=full(a);tic;x=ab;t2=toct2=1.3220第85页，共94页，编辑于2022年，星期一4.6 矩阵的特征值问题 4.6.1一般矩阵的特征值与特征向量格式：d=eig(A)只求解特征值。格式：V,D=eig(A)求解特征值和特征向量。第86页，共94页，编辑于2022年，星期一例：直接求解：A=16 2 3 13;5 11 10 8;9 7 6 12;4 14 15 1;eig(A)ans=34.0000 8.9443 -8.9443 0.0000第87页，共94页，编辑于2022年，星期一精确解：eig(sym(A)ans=0 34 4*5(1/2)-4*5(1

47、/2)高精度数值解：vpa(ans,70)ans=0 34.8.944271909999158785636694674925104941762473438446102897083588981642084-8.9442719099991587856366946749251049417624734384461028 97083588981642084第88页，共94页，编辑于2022年，星期一同时求出特征值与特征向量：直接求解：v,d=eig(A)v=-0.5000 -0.8236 0.3764 -0.2236 -0.5000 0.4236 0.0236 -0.6708 -0.5000 0.023

48、6 0.4236 0.6708 -0.5000 0.3764 -0.8236 0.2236d=34.0000 0 0 0 0 8.9443 0 0 0 0 -8.9443 0 0 0 0 0.0000第89页，共94页，编辑于2022年，星期一解析解：v,d=eig(sym(A)v=-1,1,-8*5(1/2)-17,8*5(1/2)-17 -3,1,4*5(1/2)+9,-4*5(1/2)+9 3,1,1,1 1,1,4*5(1/2)+7,-4*5(1/2)+7 d=0,0,0,0 0,34,0,0 0,0,4*5(1/2),0 0,0,0,-4*5(1/2)第90页，共94页，编辑于202

49、2年，星期一4.6.2 矩阵的广义特征向量问题 若B=I，则化成普通矩阵特征值问题。格式：d=eig(A，B)求解广义特征值。格式：V,D=eig(A，B)求解广义特征值和特征向量。第91页，共94页，编辑于2022年，星期一例：直接求解：A=5,7,6,5;7,10,8,7;6,8,10,9;5,7,9,10;B=2,6,-1,-2;5,-1,2,3;-3,-4,1,10;5,-2,-3,8;V,D=eig(A,B)V=0.3697 -0.3741+0.6259i -0.3741-0.6259i 1.0000 0.9948 -0.0674-0.2531i -0.0674+0.2531i -0.6090 0.7979 0.9239+0.0264i 0.9239-0.0264i -0.2316 1.0000 -0.6599-0.3263i -0.6599+0.3263i 0.1319 第92页，共94页，编辑于2022年，星期一D=4.7564 0 0 0 0 0.0471+0.1750i 0 0 0 0 0.0471-0.1750i 0 0 0 0 -0.0037 检验：norm(A*V-B*V*D)ans=1.3897e-014 符号运算工具箱中的eig()函数不支持广义特征值的运算。第93页，共94页，编辑于2022年，星期一第94页，共94页，编辑于2022年，星期一