其他分享
首页 > 其他分享> > 数值分析-超松弛迭代法

数值分析-超松弛迭代法

作者:互联网

超松弛迭代法

【简介-源自百度百科】

D. M. Young于20世纪70年代提出逐次超松弛(Successive Over Relaxation)迭代法,简称SOR方法,是一种经典的迭代算法。它是为了解决大规模系统的线性等式提出来的,在GS法基础上为提高收敛速度,采用加权平均而得到的新算法。由于超松弛迭代法公式简单,编制程序容易,很多工程学、计算数学中都会应用超松弛迭代方法。使用超松弛迭代法的关键在于选取合适的松弛因子,如果松弛因子选取合适,则会大大缩短计算时间。

为解决实际问题中大维数线性代数方程组的求解问题,提出了许多迭代法。但大多数迭代法不是对各类线性方程组都有收敛性。在解题时,对原方程组矩阵作一根本的变换,从而可能使条件数变坏,也可能破坏了变换前后方程组的等价性,以及丧失使原方程组的对称性等。通过对GS法进行改进,从而产生了逐次超松弛(SOR)迭代法。

SOR方法的思路为:如果能够简单有效地确定单个样本加入样本集后对训练结果的影响,一方面,出现新的样本时可以利用原来的一训练结果而不必重新开始;另一方面,让训练样本逐个进入样本集可以简化寻优过程,提高算法速度。这实际上是将样本集中的样本数减少到一个。
对于逐次超松弛迭代法,松弛因子的选取对算法的收敛速度有很大影响,通常对于方程组Ax=Y,若A为正定矩阵,则当0< <2时,逐次超松弛迭代恒收敛。

逐次超松弛迭代法与Jacobi迭代法、Seidel迭代法等相比收敛速度较快。由逐次超松弛迭代法求出的方程组的数值解具有较高的精确性。逐次超松弛迭代法可以大大减少计算量和计算机的内存储量,从而提高计算效率。逐次超松弛迭代法可以广泛地应用于实际,如支持向量机算法中求最大分类间隔的二次规划问题、解高阶稀疏线性方程组等

超松弛迭代法的定义

在这里插入图片描述

收敛性判别条件

在这里插入图片描述

例题

在这里插入图片描述

标签:松弛,方程组,样本,数值,算法,逐次,迭代法
来源: https://blog.csdn.net/ITGGU/article/details/122169348