精华内容
下载资源
问答
  • 包含三个文件,即doolittle分解、改善的平方根法分解、追赶法分解,可以在matlab中直接调用
  • 矩阵分解的常用方法如:LU分解法,Cholesky分解法,平方根法,追赶法解方程组.
  • 平方根法(Cholesky分解法)解线性方程组 包括程序代码和结果分析 平方根法需要将矩阵做Cholesky分解,化为两个三角方程组求解。 % 平方根法(Cholesky分解法)解线性方程组Ax=b % A为方程组系数矩阵, b是方程组右端向量...
  • matlab平方根法和改进平方根法求解线性方程组例题与程序.doc (2)设对称正定阵系数阵线方程组123456784202400136806224109432510634XX1,2,0,TX2、数学原理1、...

    41528d3028836879cd698677c3999917.gifmatlab平方根法和改进平方根法求解线性方程组例题与程序.doc

    (2)设对称正定阵系数阵线方程组123456784202400136806224109432510634XX1,2,0,TX2、数学原理1、平方根法解N阶线性方程组AXB的CHOLESKLY方法也叫做平方根法,这里对系数矩阵A是有要求的,需要A是对称正定矩阵,根据数值分析的相关理论,如果A对称正定,那么系数矩阵就可以被分解为的形式,其中L是下三角矩TAL阵,将其代入AXB中,可得TLXB进行如下分解TLXBY那么就可先计算Y,再计算X,由于L是下三角矩阵,是上三角矩阵,这TL样的计算比直接使用A计算简便,同时你应该也发现了工作量就转移到了矩阵的分解上面,那么对于对称正定矩阵A进行CHOLESKY分解,我再描述一下过程吧如果你对原理很清楚那么这一段可以直接跳过的。设,即TL1211121222121NNNNNNNAALLLLLL其中,,IJJIA第1步,由矩阵乘法,故求得211,IIALLA11,,3,IILALN一般的,设矩阵L的前K1列元素已经求出第K步,由矩阵乘法得112KKMKIIMIKALALL,于是1212,3N,1,KKMKIKIILALKLLIKN2、改进平方根法在平方根的基础上,为了避免开方运算,所以用计算;其中,TLDA;11112NNNDDDD得11212122NNNDLLLAL按行计算的元素及对元素公式LD对于I,211,21JIJIKJTATLI,/,IJJLTD,I1IIKIATL计算出的第行元素后,存放在的第行相置,LDTI,2IIJT,AI然后再计算的第行元素,存放在的第行的对角元素存放在的相应AD位置对称正定矩阵按分解和按分解计算量差不多,但分解不ATLDTLTLD需要开放计算。求解,的计算公式分别如下公式。BYYX11,IIKHL2,IN1/,NNIIKIXYDLX1,IN3、程序设计1、平方根法FUNCTIONXPFPFA,B楚列斯基分解求解正定矩阵的线性代数方程ALL’先求LYB再用L’XY即可以求出解XN,NSIZEAL1,1SQRTA1,1FORK2NLK,1AK,1/L1,1ENDFORK2N1LK,KSQRTAK,KSUMLK,1K12FORIK1NLI,KAI,KSUMLI,1K1LK,1K1/LK,KENDENDLN,NSQRTAN,NSUMLN,1N12解下三角方程组LYB相应的递推公式如下,求出Y矩阵YZEROSN,1先生成方程组的因变量的位置,给定Y的初始值FORK1NJ1K1YKBKLK,JYJ/LK,KEND解上三角方程组L’XY递推公式如下,可求出X矩阵XZEROSN,1UL 求上对角矩阵FORKN11JK1NXKYKUK,JXJ/UK,KENDA4,2,4,0,2,4,0,02,2,1,2,1,3,2,04,1,14,1,8,3,5,60,2,1,6,1,4,3,32,1,8,1,22,4,10,34,3,3,4,4,11,1,40,2,5,3,10,1,14,20,0,6,3,3,4,2,19B0620239221545XPFPFA,BX1211481140112729751560152810912026796354259201852、改进平方根法FUNCTIONXIMPROVECHOLESKYA,B,N用改进平方根法求解AXBLZEROSN,NL为NN矩阵DDIAGN,0D为NN的主对角矩阵SLDFORI1NL的主对角元素均为1LI,I1ENDFORI1NFORJ1N验证A是否为对称正定矩阵IFEIGAA4,2,4,0,2,4,0,02,2,1,2,1,3,2,04,1,14,1,8,3,5,60,2,1,6,1,4,3,32,1,8,1,22,4,10,34,3,3,4,4,11,1,40,2,5,3,10,1,14,20,0,6,3,3,4,2,19B0620239221545N8XIMPROVECHOLESKYA,B,NX1211481140112729751560152810912026796354259201854、结果分析和讨论平方根法和改进平方根法求解线性方程组的解为X(1211481,1401127,297515,601528,109120,267963,54259,20185)T。与精确解相比较也存在很大的误差,虽然系数矩阵的对角元素都大于零,原则上可以不必选择主元,但由于矩阵的数值问题较大,不选主元的结果就是产生很大的误差,所以在求解的过程中还是应该选择主元以此消除误差,提高精度。5、完成题目的体会与收获对称正定矩阵的平方根法及改进平方根法是目前解决这类问题的最有效的方法之一,合理利用的话,能够产生很好的求解效果。改进平方根法较平方根法,因为不用进行开方运算,所以具有一定的求解优势。通过求解此题,学会了平方根法和改进平方根法MATLAB编程,使我受益匪浅。

    展开全文
  • 数值分析C++源码-二分法,迭代法,牛顿法,高斯消元法,高斯先列主元消元法,高斯全主元消元法,标度化列住院消元法,直接三角分解法,道立特分解法,改进的平方根法,平方根法,雅克比法,高斯赛德尔迭代法,牛顿插值法,拉格朗日...
  • 平方根法function [x]=pingfg(A,b)%喬累斯基分解[n,n]=size(A);L=zeros(n,n);%實際上不用為 L 申請空間,使用 A 即可L(1,1)=sqrt(A(1,1));for k=2:nL(k,1)=A(k,1)/L(1,1);endfor k=2:n-1L(k,k)=sqrt(A(k,k)-sum(L(k,...

    平方根法

    function [x]=pingfg(A,b)

    %喬累斯基分解

    [n,n]=size(A);

    L=zeros(n,n);%實際上不用為 L 申請空間,使用 A 即可

    L(1,1)=sqrt(A(1,1));

    for k=2:n

    L(k,1)=A(k,1)/L(1,1);

    end

    for k=2:n-1

    L(k,k)=sqrt(A(k,k)-sum(L(k,1:k-1).^2));

    for i=k+1:n

    L(i,k)=(A(i,k)-sum(L(i,1:k-1).*L(k,1:k-1)))/L(k,k);

    end

    end

    L(n,n)=sqrt(A(n,n)-sum(L(n,1:n-1).^2));

    %解下三角方程組 Ly=b

    y=zeros(n,1);

    for k=1:n

    j=1:k-1;

    y(k)=(b(k)-L(k,j)*y(j))/L(k,k);

    end

    %解上三角方程組  L'x=y

    x=zeros(n,1);

    U=L';

    for k=n:-1:1

    j=k+1:n;

    x(k)=(y(k)-U(k,j)*x(j))/U(k,k);

    end

    展开全文
  • 这里主要有列主元消元法,LU分解法,改进的平方根法,追赶法和雅可比迭代,高斯—塞德尔迭代 的构造过程及相应的程序。线性方程的解法在数值计算中占有极重要的地位,因此,线性方程组的求解是数值分析课程中最基本的...
  • 乔列斯基分解
    • 满足各阶顺序主子式非零的非奇异矩阵 A A A 存在唯一的LU分解,如果矩阵 A A A 的结构再特殊一点,线性方程组 A x = b Ax=b Ax=b 的求解算法是否还可以得到优化呢。
    • 考虑对称矩阵以及对称正定矩阵,这两者在实际科学计算中出现频率是较高的。

    对称阵.

    • A A A n n n 阶对称阵,并且满足各阶顺序主子式非零,那么 A A A 可以唯一分解为 A = L D L T A=LDL^T A=LDLT其中 D D D 是对角阵, L L L 是单位下三角阵。
    • 简证】首先 A A A 可以进行LU分解,即 A = L U A=LU A=LU,由于 D k = ∏ i = 1 k u i i ≠ 0 D_k=\prod^k_{i=1}u_{ii}≠0 Dk=i=1kuii=0,因此 u i i ≠ 0 , i = 1 , 2 , . . . , n u_{ii}≠0,i=1,2,...,n uii=0,i=1,2,...,n,所以可以将 U U U 分解为 U = D U ′ U=DU' U=DU D = d i a g { u 11 , u 22 , . . . , u n n } D=diag\{u_{11},u_{22},...,u_{nn}\} D=diag{u11,u22,...,unn}因此 A = L D U ′ A=LDU' A=LDU
    • 由于 A A A 是对称阵,所以 A = A T = ( L D U ′ ) T = U ′ T D T L T = U ′ T D L T = L D U ′ A=A^T=(LDU')^T=U'^TD^TL^T=U'^TDL^T=LDU' A=AT=(LDU)T=UTDTLT=UTDLT=LDU根据LU分解唯一性,必然有 U ′ = L T U'=L^T U=LT,即 A = L D L T A=LDL^T A=LDLT
    • 上述结论的意义在于,对于对称阵的LU分解,矩阵 L , U L,U L,U 中的元素存在对称性,大约仅需要计算 n ( n + 1 ) 2 \frac{n(n+1)}2 2n(n+1) 个,相较于一般情况下 n 2 n^2 n2 个元素减少了一半。

    正定阵.

    正定阵】狭义定义:对于 n n n实对称矩阵 A A A 而言,当且仅当 ∀ z ∈ R n , z ≠ 0 \forall z\in R^n,z≠0 zRn,z=0,都有 z T A z > 0 z^TAz>0 zTAz>0,那么称 A A A 是正定矩阵。正定矩阵的各阶顺序主子式为正,其逆矩阵也是正定矩阵。

    • 定理】对于正定矩阵 A A A 而言,存在唯一分解 A = L L T A=LL^T A=LLT其中 L L L下三角阵,且主对角线元素都为正数。
    • 简证】根据上部分对称阵的LU分解,此处有 A = L 1 D L 1 T A=L_1DL_1^T A=L1DL1T,其中 L 1 L_1 L1 是单位下三角阵,又因为 u i i = D k D k − 1 > 0 u_{ii}=\frac{D_k}{D_{k-1}}>0 uii=Dk1Dk>0,因此令 D ′ = d i a g { u 11 , u 22 , . . . , u n n } D'=diag\{\sqrt{u_{11}},\sqrt{u_{22}},...,\sqrt{u_{nn}}\} D=diag{u11 ,u22 ,...,unn }则有 L 1 D L 1 T = L 1 D ′ D ′ L 1 T = ( L 1 D ′ ) ( L 1 D ′ ) T = L L T L_1DL_1^T=L_1D'D'L_1^T=(L_1D')(L_1D')^T=LL^T L1DL1T=L1DDL1T=(L1D)(L1D)T=LLT
    • 上述分解称为正定矩阵的乔列斯基分解,矩阵形式表示如下: A = [ l 11 0 ⋯ 0 l 21 l 22 ⋯ 0 ⋮ ⋮ ⋱ ⋮ l n 1 l 2 n ⋯ l n n ] ⋅ [ l 11 l 21 ⋯ l n 1 0 l 22 ⋯ l n 2 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ l n n ] A=\left[ \begin{matrix} l_{11} & 0 & \cdots & 0 \\ l_{21}& l_{22} & \cdots & 0 \\ \vdots& \vdots& \ddots & \vdots\\ l_{n1} & l_{2n} & \cdots&l_{nn}\end{matrix} \right]· \left[ \begin{matrix} l_{11} & l_{21} & \cdots & l_{n1}\\ 0& l_{22} & \cdots & l_{n2}\\ \vdots& \vdots& \ddots & \vdots\\ 0 & 0 & \cdots&l_{nn}\end{matrix} \right] A=l11l21ln10l22l2n00lnnl1100l21l220ln1ln2lnn
    • 考察矩阵 A A A 的原始元素 [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ] \left[ \begin{matrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21}& a_{22} & \cdots & a_{2n} \\ \vdots& \vdots& \ddots & \vdots\\a_{n1} & a_{n2} & \cdots&a_{nn} \end{matrix} \right] a11a21an1a12a22an2a1na2nann可以发现 a i j = l j j l i j + ∑ k = 1 j − 1 l i k l j k a_{ij}=l_{jj}l_{ij}+\sum^{j-1}_{k=1}l_{ik}l_{jk} aij=ljjlij+k=1j1likljk
    • 于是得到Cholesky分解公式: l j j = a j j − ∑ k = 1 j − 1 l j k 2   ,   j = 1 , 2 , . . . , n l_{jj}=\sqrt{a_{jj}-\sum^{j-1}_{k=1}l_{jk}^2}~,~j=1,2,...,n ljj=ajjk=1j1ljk2  , j=1,2,...,n l i j = a i j − ∑ k = 1 j − 1 l i k l j k l j j   ,   i = j + 1 , j + 2 , . . . , n l_{ij}=\frac{a_{ij}-\sum^{j-1}_{k=1}l_{ik}l_{jk}}{l_{jj}}~,~i=j+1,j+2,...,n lij=ljjaijk=1j1likljk , i=j+1,j+2,...,n

    平方根法.

    • 根据上面得出的Cholesky分解参数 l i j l_{ij} lij,可以解出正定线性方程组 A x = b Ax=b Ax=b 的解为 y i = b i − ∑ k = 1 i − 1 l i k y k l i i   ,   i = 1 , 2 , . . . , n y_i=\frac{b_i-\sum^{i-1}_{k=1}l_{ik}y_k}{l_{ii}}~,~i=1,2,...,n yi=liibik=1i1likyk , i=1,2,...,n x i = y i − ∑ k = i + 1 n l k i x k l i i   ,   i = n , n − 1 , . . . , 1 x_i=\frac{y_i-\sum^{n}_{k=i+1}l_{ki}x_k}{l_{ii}}~,~i=n,n-1,...,1 xi=liiyik=i+1nlkixk , i=n,n1,...,1

    • 上述方法得名于Cholesky分解过程中计算 l i i l_{ii} lii 的时候需要进行开方运算,如果为了避免开方运算,也可以不对矩阵 D D D 做分解,而是将其乘入 L L L 中,得到如下表达形式 A = ( L D ) L T = [ d 1 0 ⋯ 0 d 1 ⋅ l 21 d 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ d 1 ⋅ l n 1 d 2 ⋅ l 2 n ⋯ d n ] ⋅ [ 1 l 21 ⋯ l n 1 0 1 ⋯ l n 2 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ 1 ] A=(LD)L^T=\left[ \begin{matrix} d_{1} & 0 & \cdots & 0 \\ d_1·l_{21}& d_{2} & \cdots & 0 \\ \vdots& \vdots& \ddots & \vdots\\ d_1·l_{n1} & d_2·l_{2n} & \cdots&d_{n}\end{matrix} \right]· \left[ \begin{matrix} 1 & l_{21} & \cdots & l_{n1}\\ 0& 1 & \cdots & l_{n2}\\ \vdots& \vdots& \ddots & \vdots\\ 0 & 0 & \cdots& 1\end{matrix} \right] A=(LD)LT=d1d1l21d1ln10d2d2l2n00dn100l2110ln1ln21
    • 在这种表示形式下: a i j = d j ⋅ l i j + ∑ k = 0 j − 1 d k ⋅ l i k ⋅ l j k a_{ij}=d_j·l_{ij}+\sum^{j-1}_{k=0}d_k·l_{ik}·l_{jk} aij=djlij+k=0j1dklikljk l j j = 1 l_{jj}=1 ljj=1
    • 由此可以得到 d j = a j j − d k ⋅ ∑ k = 0 j − 1 l j k 2   ,   j = 1 , 2 , . . . , n d_j=a_{jj}-d_k·\sum^{j-1}_{k=0}l_{jk}^2~,~j=1,2,...,n dj=ajjdkk=0j1ljk2 , j=1,2,...,n l i j = a i j − ∑ k = 0 j − 1 d k ⋅ l i k ⋅ l j k d j m   ,   i = j + 1 , j + 2 , . . . , n l_{ij}=\frac{a_{ij}-\sum^{j-1}_{k=0}d_k·l_{ik}·l_{jk}}{d_j}m~,~i=j+1,j+2,...,n lij=djaijk=0j1dklikljkm , i=j+1,j+2,...,n
    • 于是线性方程组 A x = b Ax=b Ax=b 转化为求解 L y = b , D L T = y Ly=b,DL^T=y Ly=b,DLT=y,方程的解为 { y 1 = b 1 y i = b i − ∑ k = 1 i − 1 l i k y k   ,   i = 2 , 3 , . . . , n \left\{ \begin{aligned} &y_1=b_1\\ &y_i=b_i-\sum^{i-1}_{k=1}l_{ik}y_k~,~i=2,3,...,n\\ \end{aligned} \right. y1=b1yi=bik=1i1likyk , i=2,3,...,n { x n = y n d n x i = y i d i − ∑ k = i + 1 n l k i x k   ,   i = n − 1 , n − 2 , . . . , 1 \left\{ \begin{aligned} &x_n=\frac{y_n}{d_n}\\ &x_i=\frac{y_i}{d_i}-\sum^{n}_{k=i+1}l_{ki}x_k~,~i=n-1,n-2,...,1\\ \end{aligned} \right. xn=dnynxi=diyik=i+1nlkixk , i=n1,n2,...,1
    • 这种方法被称为改进的平方根法,避免了开方运算。
    展开全文
  • 平方根法Python代码

    2018-07-08 19:08:17
    所谓平方根法,就是利用对称正定矩阵的三角分解得到的求解对称正定方程组的一种有效方法。python编写的改进的平方根法代码
  • 平方根法 乔累斯基分解Cholesky_解线性方程组的直接解法

    平方根法 乔累斯基分解Cholesky_解线性方程组的直接解法

    标签:计算方法实验

    #include <stdio.h>
    #include <math.h>
    
    const int maxn = 15;
    
    int main(){
        double a[maxn][maxn], b[maxn], y[maxn], x[maxn], l[maxn][maxn];
        int n, sum;
    
        freopen("sqrt.txt", "r", stdin);
        scanf("%d", &n);
        for(int i = 1; i <= n; i++){
            for(int j = 1; j <= n; j++)  scanf("%lf", &a[i][j]);
            scanf("%lf", &b[i]);
        }
        /*
        for(int i = 1; i <= n; i++){
            for(int j = 1; j <= n; j++)  printf("%10f", a[i][j]);
            printf("%10f\n", b[i]);
        }
        */
    
        for(int i = 1; i <= n; i++){  //算L: 对正定矩阵A分解,A = LL^T
            sum = 0;
            for(int k = 1; k <= i - 1; k++)  sum += (l[i][k] * l[i][k]);
            l[i][i] = sqrt(a[i][i] - sum);
    
            sum = 0;
            for(int j = i + 1; j <= n; j++){
                for(int k = 1; k <= i - 1; k++)  sum += (l[j][k] * l[i][k]);
                l[j][i] = (a[j][i] - sum) / l[i][i];
            }
        }
    
        for(int i = 1; i <= n; i++){  //求y: A = LL^T -> LL^Tx = b -> Ly = b
            sum = 0;
            for(int k = 1; k <= i - 1; k++)  sum += (l[i][k] * y[k]);
            y[i] = (b[i] - sum) / l[i][i];
        }
    
        for(int i = n; i >= 1; i--){  //求x: L^Tx = y
            sum = 0;
            for(int k = i + 1; k <= n; k++)  sum += (l[k][i] * x[k]);
            x[i] = (y[i] - sum) / l[i][i];
        }
    
        for(int i = 1; i <= n; i++)  printf("%10f\n", x[i]);
    
        return 0;
    }
    

    数据文件
    input
    实验结果
    output

    展开全文
  • 平方根法

    千次阅读 2017-11-28 20:11:21
    //分解公式第二步 } s=0; for(s=0,k=1;k;k++) s+=l[i][k]*l[i][k]; l[i][i]=sqrt(a[i][i]-s);//分解公式第一步 } for(i=1;i;i++) { for(j=1;j;j++) printf("%lf ",l[i][j]); printf("\n"); } for(i=1;i...
  • 平方根法解方程组

    2018-03-19 09:35:40
    平方根法是数值分析课程里的一个重要内容,也是一个比较方便的算法。
  • 利用对称正定矩阵的乔累斯基分解求解对称正定方程组的方法称为平方根法 对称正定矩阵A的对角元为正 实对称矩阵A正定的充要条件是A的所有特征值为正 对称正定矩阵非奇异,其逆亦为对称正定矩阵 实对称矩阵A正定的充要...
  • 每个代码都可以运行哦 运行环境我的是VC6.0
  • 在平方根的基础上,为了避免开方运算,采用 A=LDLT计算,改进平方根法的工作量约是平方根法的一半。选主元的Gauss消去法通过对每次消元过程中主元的多次选取达到快速求解的一种消元方法,且避免了由于除法运算分母过...
  • 改进平方根法解矩阵

    2019-04-05 19:35:41
    改进平方根法求解矩阵
  • 【矩阵论笔记】平方根分解

    千次阅读 2020-05-22 11:38:00
    定义 例子 首先判断顺序主子式。 R矩阵每一行除以对角元 平方根分解推导 因为A的分解是唯一的,可以得到L=RTL=R^{T}L=RT 例题 待定系数
  • 7.4.3 矩阵极分解平方根分解 当矩阵 AAA 是方阵时 A=UΣVT=UVTVΣVT=(UVT)(VΣVT)=QSQ=UVT是正交矩阵,S=VΣVT是对称半正定矩阵,即对任意向量x,有xTSx≥0成立,因为对角阵Σ对角元素非负.又A=UΣVT=UΣUTUVT=(U...
  • 改进的平方根法

    千次阅读 2017-11-28 20:31:20
    %分解A,使A=L*D*L' for  i=1:n  L(i,i)=1; end for  k=1:n  t1=0;   for  j=1:k-1  t1=t1+L(k,j)^2*d(j);   end  d(k)=A(k,k)-t1;   for  i=k+1:n  t2=0;   for ...
  • 矩阵的三角分解! 文章目录一、三角分解1.1、内容回顾 一、三角分解 LU分解(LU Decomposition)是矩阵分解的一种,可以将一个矩阵分解为一个单位下三角矩阵和一个上三角矩阵的乘积(有时是它们和一个置换矩阵的乘积)...
  • %定理2.2.3:对阵正定矩阵的楚列斯基(Cholesky)分解%设A为n阶对阵正定矩阵,则存在一个可逆的下三角矩阵G,使得%A=GG’,当限定G的对角元为正时,这种分解是唯一的%--------A=GG’的分解算法------- %参考教材:...
  • 一,要解决的问题选用合适的算法,求解三种线性方程组:一般线性方程组,对称正定方程组,三对角线性方程组。...算法伪代码:消元过程回代过程2,使用平方根法求解对称正定方程组平方根法,它把系数矩阵(对
  • 转自改进的平方根法 做了一些注释和修改了函数 function [L,D,x,y]=improvedSqareRoot(A,b) n=length(A(:,1)); %求A矩阵第一列的长度,即矩阵维数 %% 判断输入的矩阵是不是符合要求 for k=1:n if (det(A(1:k,1:k)))...
  • 一:概述 本篇文章介绍解线性方程组的平方根法及改进平方根法,适用范围为系数矩阵为正定Hermite矩阵(下称H阵)的...平方根法中的分解方法: 改进平方根中的分解方法: 然后再大致解释一下 首先是平方根法:根据矩阵
  • %定理2.2.3:对阵正定矩阵的楚列斯基(Cholesky)分解 %设A为n阶对阵正定矩阵,则存在一个可逆的下三角矩阵G,使得 %A=GG’,当限定G的对角元为正时,这种分解是唯一的 %--------A=GG’的分解算法------- %参考...
  • 平方根法的matlab实现

    2018-01-19 14:14:39
    对正定系数矩阵的特殊求解方程方法。最终结果为矩阵L,并由它以及它的转置矩阵可以求解方程
  • 数值分析--第二章--平方根法

    千次阅读 2020-03-26 00:19:28
    平方根法(Cholesky分解) 引入:对称正定矩阵 矩阵各元素的各元素沿主对角线对称 矩阵的所有特征值均大于零 平方根法的使用条件 AAA为对称正定矩阵,且Ukk>0U_{kk}>0Ukk​>0。 平方根法的步骤 A=UUTA...
  • 改进平方根法求解方程组(C语言)

    千次阅读 2018-02-10 10:37:30
    编写用改进平方根法解方程组 的程序,并解下列方程组: #include&lt;stdio.h&gt; main() { float x[6],y[8]; int i; float a[6][7]={0.5,-0.5,0,0,0,0,-1, -0.5,1.5,-0.5,-0.25,0.25,0,0, ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,722
精华内容 2,288
关键字:

平方根法分解