数学-线性代数-#2 用消元法解线性方程组

线性代数-#2 用消元法解线性方程组

#2实现了#1中的承诺,介绍了求解线性方程组的系统方法——消元法。

既然是一种系统的方法,其基本步骤可以概括如下:

1.将方程组改写为增广矩阵:

为了省去传统消元法中反复出现但是没有应用价值的未知数符号和运算符,我们可以将线性方程组表示为增广矩阵的形式,也就是把“Ax=b”中的b附在A右侧;

2.确定第一列中的一个非零元素为主元,以方框框起示之。此元素所在行即为主元行:

一般第n个主元选在第n行。若在进行行变换(交换上下行)后仍没有可供选择的非零元素,则说明消元法失效,也即该方程组没有唯一的解,下同;

3.主元行原样写入新矩阵,同时乘以合适的系数与第二行相加使得主元下方的元素变为0,得到的新行写入新矩阵,未作处理的行原样写入。以此类推,直到主元列除了主元外的所有元素(一般为主元下方的元素)为0:

包括最右一行在内,遵循一一数乘,对应相加的原则,不要出现计算错误;

4.确定第二列中的主元;

5.重复步骤3;

6.以此类推,直到增广矩阵中原属A的部分变为上三角矩阵U,原属b的一列变为c,也即“Ax=b”变为“Ux=c”;

7.在U中添加未知数符号和运算符,将U变回方程组,自下而上解出全部未知数。

此类消元法的描述方法还是掺杂了传统方法中的运算方法(倍乘、相加)。如果将其单纯用矩阵语言进行描述,虽然在解方程中不具有实际应用价值,但是可以引出后续学习中矩阵乘法的一些概念。

比如:

1.行向量乘以矩阵的运算法则:

逐行对应,数乘相加,纵向排列结果,构成新的矩阵;

2.通过左乘初等矩阵E的方法进行行变换:

其中一种仅由1,0构成的特殊的初等矩阵,即乘了和没乘一样,即矩阵中的1,我们称之为单位矩阵I。此外,不难猜出,右乘E可以进行列变换;

3.矩阵乘法可以从行出发,可以从列出发,也可以从元素出发:

从元素出发意即运算结果中的(m,n)等于左矩阵的m行乘以右矩阵的n列;

4.矩阵乘法中矩阵的排列顺序不能变,而乘法的运算次序即括号的位置可以任意移动:

即矩阵乘法满足结合律而不满足交换律;

5.通过某矩阵乘其逆矩阵等于单位矩阵I的关系可以求得其逆矩阵。

此外,Prof. Strang 在本节课中提及了自己对线性代数这门独立学科的一些经验总结,摘录如下,相信在以后的学习中会进一步加深对其的理解:

1.“线性代数的核心是进行矩阵变换。”

2.“矩阵变换的基本方法是分别用行和列进行矩阵计算。”

3.“矩阵计算时应始终着眼于整个向量。”

原文地址:https://www.cnblogs.com/samaritan-z/p/8337984.html

时间: 2024-10-23 07:36:55

数学-线性代数-#2 用消元法解线性方程组的相关文章

选主元的高斯-约旦(Gauss-Jordan)消元法解线性方程组/求逆矩阵

做数据结构课设时候查的资料,主要是看求逆矩阵方面的知识的. 选主元的高斯-约当(Gauss-Jordan)消元法在很多地方都会用到,例如求一个矩阵的逆矩阵.解线性方程组(插一句:LM算法求解的一个步骤),等等.它的速度不是最快的,但是它非常稳定(来自网上的定义:一个计算方法,如果在使用此方法的计算过程中,舍入误差得到控制,对计算结果影响较小,称此方法为数值稳定的),同时它的求解过程也比较清晰明了,因而人们使用较多.下面我就用一个例子来告诉你Gauss-Jordan法的求解过程吧.顺便再提及一些注

数学-线性代数-#1 表示及解方程组的新视角

线性代数-#1 表示及解方程组的新视角 学习线性代数之前,我们解n元一次方程组的方法(消元法)着眼于行,把每一行当成一个独立的整体进行处理,最后将各行联系起来求解. 而线性代数为我们提供了一个新视角:着眼于列. 以二元一次方程组为例,即把方程组表示为系数x乘以未知数x的系数组成的列向量v1与系数y乘以未知数y的系数组成的列向量v2通过平行四边形/三角形法则相加后得到方程组每一行的常数项所组成的列向量v3. 在这个视角下,我们可以发现: 1.代数学中的方程组可以通过向量的画法表示为几何学中的列图像

数学-线性代数-#5 矩阵变换之置换与转置

线性代数-#5 矩阵变换之置换与转置 在之前的基础课程中,我们以用于解线性方程组的Gauss消元法为主线,介绍了矩阵语言这一表示法如Ax=b,介绍了一些特殊的矩阵如单位矩阵I.初等矩阵E.上三角矩阵U.下三角矩阵L,学习了矩阵乘法这一矩阵的基本运算,学习了矩阵变换中的逆变换,并运用它们进行了矩阵的LU分解.在真正进入线性代数的大门之前,我们还需要配齐两种实现矩阵变换的工具,就是之前已经提及的置换与转置. 首先是置换. 置换操作,也即行交换,通过左乘置换矩阵P来实现,可以应对解Ax=b过程中主元位

高斯消去法解线性方程组(MPI)

用一上午的时间,用MPI编写了高斯消去法解线性方程组.这次只是针对单线程负责一个线程方程的求解,对于超大规模的方程组,需要按行分块,后面会在这个基础上进行修改.总结一下这次遇到的问题: (1)MPI_Allreduce()函数的使用: (2)MPI_Allgather()函数的使用: (3)线程之间不使用通信函数进行值传递(地址传递)是没有办法使用其他线程的数据,这是设计并行程序中最容易忽视的一点. 1 #include "stdio.h" 2 #include "mpi.h

数学-线性代数导论-#9 Ax=b的解:存在性、解法、解的数量、解的结构

线性代数导论-#9 Ax=b的解:存在性.解法.解的结构.解的数量 终于,我们在b为参数的一般情况下,开始分析Ax=b的解,包括标题中的四个方面. 首先是解的存在性. 从几何上说,当且仅当向量b位于列空间C(A)内时,Ax=b有解: 从代数上说,不能出现类似于"非0数=0"的矛盾方程: 1.这为我们判定是否有解提供了一个简便的途径: 根据Gauss消元法中对A和b进行行变换的同步性,行的相同线性组合其值一定相同. 所以加入A中各行可以通过简单的线性组合得到零行,而b进行相同线性组合的结

数学 - 线性代数 - #12 向量空间的衍生:矩阵空间、微分方程的解、图

线性代数导论-#12 向量空间的衍生:矩阵空间.微分方程的解.图 凡是可以进行加法和数乘运算的对象,我们都可以将其视为向量. 凡是对加法和数乘封闭的集合,我们都可以将其视为空间. 分析空间时,我们着眼于其维度和基. 矩阵空间:把矩阵视为向量 矩阵空间的维度与基 矩阵空间的交集与"合集" 秩1矩阵:rank = 1 的矩阵 特性 用途 微分方程的解:把函数视为向量 图: 图的概念 Graph = { Nodes, Edges } Small World Graph 图的两个任意节点之间最

Matlab应用实例(9)—A\b解线性方程组

说明:A\b用来求解线性方程组,只要写出系数矩阵A和资源向量b,就可以用左除的方法(高斯消元法)得到解.其调用格式为X=A\b. [例1]求下列线性方程组: 解:写成矩阵形式有: 用MATLAB进行求解 主函数: A=[1 -2 3;3 -2 1;1 1 -1]; b=[2;7;1]; X=A\b 解得: X = 1.6250 -1.5000 -0.8750 版权声明:本文为博主原创文章,未经博主允许不得转载.

数学-线性代数-#6 线性代数-#6 向量空间、列空间、R^n与子空间

线性代数-#6 向量空间.列空间.Rn与子空间 让我们回想一下#1的内容,当我们在用向量的新视角看待线性方程组时,曾经提到以"向量的图像"作为代数学与几何学桥梁的想法. 而现在,让我们沿着这个想法深入探索下去,将其作为开启线性代数核心学习的钥匙. 引入新概念:向量空间. 什么是向量空间?我们把向量构成的空间叫做向量空间. 为了简化问题,我们先假定研究的对象是某个元素数为2或3的非零向量. 回归到向量的几何定义,一条有向的线段.这条线段会覆盖从起点到终点的区域.显然,这个区域不足以以&q

数学-线性代数导论-#10 线性相关性、向量空间的基和维数

线性代数导论-#10 线性相关性.向量空间的基和维数 这节课中,我们先讲了前面的课程中一直提及的线性相关性的具体定义,并以此为基础建立了向量空间的"基"和"维数"的定义,最后归纳为一种已知若干向量求其生成的空间的基和维数的系统方法. 首先是线性相关性的定义. 已知一个由n个向量构成的向量组[V1,V2,-,Vn],如果存在n个系数[C1,C2,-,Cn],使得各CiVi(i=1,2,3,-,n)的和为0,则称这组向量线性相关.反之,如不存在,则称其线性无关. 当然,