既然你已经提供了代码,所以努力了......我会指出一个更好的方法。当您使用 MATLAB 时,请尝试使用该语言的功能。不要假装你还在使用低级语言。因此,我们可以将 jacobi 迭代写为
X_(n+1) = inv(D)*(b - R*X_n)
其中 D 是包含 A 的对角线的对角矩阵,R 是 A 的非对角元素的矩阵,因此对角线上有零。我们如何在 MATLAB 中做到这一点?
首先,以简单的方式构建 D 和 R。
D = diag(diag(A));
R = A - D;
现在,我们应该认识到计算对角矩阵的逆是愚蠢的。更好的是计算对角线上每个元素的倒数。
Dinv = diag(1./diag(A));
所以,现在我们可以编写一个 Jacobi 迭代,如
X = Dinv*(b - R*X);
看到不需要嵌套循环。我们根本不费心索引这些矩阵。现在将其全部封装在一个 MATLAB 函数中。保持友好,检查问题,并自由地使用评论。
====================================================
function [X,residuals,iter] = JacobiMethod(A,b)
% solves a linear system using Jacobi iterations
%
% The presumption is that A is nxn square and has no zeros on the diagonal
% also, A must be diagonally dominant for convergence.
% b must be an nx1 vector.
n = size(A,1);
if n ~= size(A,2)
error('JACOBIMETHOD:Anotsquare','A must be n by n square matrix')
end
if ~isequal(size(b),[n 1])
error('JACOBIMETHOD:incompatibleshapes','b must be an n by 1 vector')
end
% get the diagonal elements
D = diag(A);
% test that none are zero
if any(D) == 0
error('JACOBIMETHOD:zerodiagonal', ...
'The sky is falling! There are zeros on the diagonal')
end
% since none are zero, we can compute the inverse of D.
% even better is to make Dinv a sparse diagonal matrix,
% for better speed in the multiplies.
Dinv = sparse(diag(1./D));
R = A - diag(D);
% starting values. I'm not being very creative here, but
% using the vector b as a starting value seems reasonable.
X = b;
err = inf;
tol = 100*eps(norm(b));
iter = 0; % count iterations
while err > tol
iter = iter + 1;
Xold = X;
% the guts of the iteration
X = Dinv*(b - R*X);
% this is not really an error, but a change per iteration.
% when that is stable, we choose to terminate.
err = norm(X - Xold);
end
% compute residuals
residuals = b - A*X;
====================================================
让我们看看这是如何工作的。
A = rand(5) + 4*eye(5);
b = rand(5,1);
[X,res,iter] = JacobiMethod(A,b)
X =
0.12869
-0.0021942
0.10779
0.11791
0.11785
res =
5.7732e-15
1.6653e-14
1.5654e-14
1.6542e-14
1.843e-14
iter =
39
它是否收敛到我们从反斜杠得到的解决方案?
A\b
ans =
0.12869
-0.0021942
0.10779
0.11791
0.11785
对我来说看起来不错。更好的代码可能会检查对角线优势以尝试预测代码何时会失败。我可能在解决方案上选择了更智能的容差,或者为 X 选择了更好的起始值。最后,我想提供更完整的帮助,并附上参考资料。
你想看到的是好的代码的一般特征。