共轭梯度法求解？
共轭梯度法 - 正文
又称共轭斜量法，是解线性代数方程组和非线性方程组的一种数值方法，例如对线性代数方程组
A尣＝ƒ, (1)
式中A为n阶矩阵，尣和ƒ为n维列向量,当A对称正定时,可以证明求(1)的解尣*和求二次泛函
共轭梯度法 (2)
的极小值问题是等价的。 此处(尣,у)表示向量尣和у的内积。由此，给定了初始向量尣共轭梯度法，按某一方向去求(2)取极小值的点尣共轭梯度法,就得到下一个迭代值尣共轭梯度法,再由尣共轭梯度法出发，求尣共轭梯度法等等，这样来逼近尣*。 若取求极小值的方向为F在尣共轭梯度法(k＝1,2,…)处的负梯度方向就是所谓最速下降法，然而理论和实际计算表明这个...全部
共轭梯度法 - 正文
又称共轭斜量法，是解线性代数方程组和非线性方程组的一种数值方法，例如对线性代数方程组
A尣＝ƒ, (1)
式中A为n阶矩阵，尣和ƒ为n维列向量,当A对称正定时,可以证明求(1)的解尣*和求二次泛函
共轭梯度法 (2)
的极小值问题是等价的。
此处(尣,у)表示向量尣和у的内积。由此，给定了初始向量尣共轭梯度法，按某一方向去求(2)取极小值的点尣共轭梯度法,就得到下一个迭代值尣共轭梯度法,再由尣共轭梯度法出发，求尣共轭梯度法等等，这样来逼近尣*。
若取求极小值的方向为F在尣共轭梯度法(k＝1,2,…)处的负梯度方向就是所谓最速下降法，然而理论和实际计算表明这个方法的收敛速度较慢，共轭梯度法则是在 尣共轭梯度法处的梯度方向r共轭梯度法和这一步的修正方向p共轭梯度法所构成的二维平面内，寻找使F减小最快的方向作为下一步的修正方向,即求极小值的方向p共轭梯度法（其第一步仍取负梯度方向）。
计算公式为
共轭梯度法
再逐次计算
共轭梯度法
共轭梯度法
共轭梯度法
共轭梯度法
共轭梯度法
(k=1,2,…)。可以证明当i≠j时，
共轭梯度法
从而p共轭梯度法,p共轭梯度法形成一共轭向量组;r共轭梯度法,r共轭梯度法,…形成一正交向量组。
后者说明若没有舍入误差的话，至多 n次迭代就可得到(1)的精确解。然而在实际计算中,一般都有舍入误差，所以r共轭梯度法,r共轭梯度法,…并不真正互相正交，而尣共轭梯度法尣共轭梯度法,…等也只是逐步逼近(1)的真解,故一般将共轭梯度法作为迭代法来使用。
近来在解方程组(1)时,常将共轭梯度法同其他一些迭代法结合作用。特别是对病态方程组这种方法往往能收到比较显著的效果。其方法是选取一对称正定矩阵 B并进行三角分解，得B=LLT。将方程组(1)化为
hу＝b, (3)
此处y＝lT尣,b＝l-1ƒ,h＝l-1Al-T,而共轭梯度法。
再对(3)用共轭梯度法，计算公式为
共轭梯度法
共轭梯度法
共轭梯度法
共轭梯度法
共轭梯度法
共轭梯度法
(k=0,1,2,…)适当选取B，当B 很接近A时，h的条件数较之A大大减小,从而可使共轭梯度法的收敛速度大为加快，由一些迭代法的矩阵分裂A=M -N，可选取M 为这里的B，例如对称超松弛迭代(SSOR)，强隐式迭代(SIP)等,这类方法常称为广义共轭梯度法或预条件共轭梯度法，它也可用于解代数特征值问题。
。收起
