Министерство образования и наукиРоссийской Федерации
Новосибирский государственныйтехнический университет
Кафедра экономической информатики
Курсовая работа
по дисциплине «Численные методы»
на тему: «Метод квадратных корней для симметричной матрицы при решенииСЛАУ»
Новосибирск, 2010
Содержание
Введение
1. Математическая постановка задачи
2. Описание программного обеспечения
3. Описание тестовых задач
4. Анализ результатов. Выводы
Заключение
Список использованной литературы
ВведениеВ даннойработе мы будем исследовать метод квадратных корней для симметричной матрицыпри решении систем линейных алгебраических уравнений (СЛАУ).
В жизни, очень частоприходится описывать состояние различных объектов, в том числе и экономическихс помощью математических моделей. После того, как объект описан такой моделью,очень часто необходимо найти его состояние равновесия.
Именно тогда, чтобы найтиэто состояние, приходится решать систему алгебраических уравнений. В нашемслучае система состоит из nлинейных уравнений с nнеизвестными, и ее можно описать так:
/>
Также данную системуможно записать и в матричном виде:
Тогда мы будем иметьматрицу коэффициентов А:
/>,
столбец свободных членовуравнений f:
/>,
и столбец неизвестных х:
/>.
Чтобы данная СЛАУ имелаединственное решение, нужно, чтобы определитель матрицы коэффициентов А не былравен нулю (det(A))¹0.
Данную систему можнорешить многими методами. Например, методом Гаусса. Решение этой системы методомГаусса потребует выполнить
/> действий,
где n – число неизвестных в уравнении. Аэто довольно таки трудоемко, особенно при больших порядках числа n.
Еще одним точным методомдля решения данных СЛАУ является рассматриваемый в данной работе методквадратных корней для симметричной матрицы А.
Изучать данный метод мыбудем следующим образом. Сначала рассмотрим математическую постановку задачидля метода квадратных корней при решении СЛАУ. В данном разделе будет полностьюописана математическая модель метода. Затем рассматривается разработаннаяреализация данного метода в среде MatLab 7.0. После того, как метод будет реализован, можно провести анализточности этого метода. Анализ будет основываться на исследовании влияниямерности матрицы А, ее обусловленности, разреженности на точность полученногорешения. По результатам исследования будет приведен график зависимости точностиполученного решения от мерности матрицы А.
метод решение кореньсимметричная матрица
1.Математическая постановка задачи
Метод квадратных корнейиспользуется для решения линейной системы вида Ах=f (1.1), в которой матрица А является симметричной, т.е. аij=aji, где (i, j = 1, 2, …, n).
Данный метод является болееэкономным и удобным по сравнению с решением систем общего вида. Решение системыосуществляется в два этапа.
Прямой ход. Представим матрицу А в видепроизведения двух взаимно транспонированных треугольных матриц:
А = Т¢ Т, (1.2)
где />, а />.
Перемножая матрицы T¢ и T и приравнивая матрице A, получим следующие формулы для определения tij:
/> (1.3)
После того,как матрица Т найдена, систему (1.1) заменяем двумя эквивалентными ей системамис треугольными матрицами
T¢y = b, Tx = y. (1.4)
Обратный ход. Записываем в развернутом виде системы(1.4):
/> (1.5)
/> (1.6)
И из этих систем (1.5) и (1.6)последовательно находим
/> (1.7)
При вычислениях применяется обычныйконтроль с помощью сумм, причем при составлении суммы учитываются всекоэффициенты соответствующей строки.
Заметим, что придействительных aijмогут получиться чисто мнимые tij. Метод применим и в этом случае.
Метод квадратных корнейдает большой выигрыш во времени по сравнению с другими методами (например,методом Гаусса), так как, во-первых, существенно уменьшает число умножений иделений (почти в два раза для больших n), во-вторых, позволяет накапливать сумму произведений без записипромежуточных результатов.
Всего метод квадратныхкорней требует
/>
операций умножения иделения (примерно в два раза меньше, чем метод Гаусса), а также n операций извлечения корня.2. Описание программногообеспечения
Метод квадратных корнейбыл реализован через функцию function [e,x]=mkk(a,f), с входными переменными аи f и выходными e и х, где
а – матрица коэффициентовА,
f – столбец свободных членов,
х – столбец найденныхрешений,
е – столбец ошибок.
Столбец ошибоквычисляется, как Е=А*х-f.
Текст функции на языке MatLab:
function[e,x]=mkk(a,f)
f=f’; %столбец fпереводим в строку
n=size(a,1);% вычисляем мерность матрицы А
if (a==a’)
if (det(a)~=0)% проверяем, чтобы система имела единственное решение
if (size(f’,1)==n) %проверяем соответствует лимерность матрицы А мерности вектора f
t=zeros(n);%создаем матрицу элементов T изаполняем ее нулями
t(1,1)=sqrt(a(1,1));% 1.3
for k=2:n
t(1,k)=a(1,k)/t(1,1);
end
for j=2:n
for i=2:n
if (i==j)
c=0;
for k=1:(i-1)
c=c+t(k,i)^2;
end
t(i,i)=sqrt(a(i,i)-c);
else
if (i
c=0;
for k=1:(i-1)
c=c+t(k,i)*t(k,j);
end
t(i,j)=(a(i,j)-c)/t(i,i);
end
end
end
end
y=zeros(n,1);%1.7 создаем столбецу
y(1)=f(1)/t(1,1);
for i=2:n
c=0;
for k=1:(i-1)
c=c+t(k,i)*y(k);
end
y(i)=(f(i)-c)/t(i,i);
end
x=zeros(n,1);%создаем столбец точных решений
e=zeros(n,1);% создаем столбец ошибок
x(n)=y(n)/t(n,n); %1.8 вычисляем вектор Х
fori=(n-1):-1:1
c=0;
for k=(i+1):n
c=c+t(i,k)*x(k);
end
x(i)=(y(i)-c)/t(i,i);
e=a*x-f’;
end
else
error(‘Внимание! Ошибка! Размерностьматрицы А не соответствует размерности вектора F’);
end
else
error(‘Внимание! Ошибка! Определительматрицы А равен 0′)
end
else
f=f*a’;
a=a*a’;
if (det(a)~=0) %проверяем, чтобы система имела единственное решение
if size(f’,1)==n %проверяем соответствует ли мерность матрицы А мерностивектора f
t=zeros(n); %создаемматрицу элементов T и заполняем еенулями
t(1,1)=sqrt(a(1,1));% 1.3
for k=2:n
t(1,k)=a(1,k)/t(1,1);
end
for j=2:n
for i=2:n
if (i==j)
c=0;
for k=1:(i-1)
c=c+t(k,i)^2;
end
t(i,i)=sqrt(a(i,i)-c);
else
if (i
c=0;
for k=1:(i-1)
c=c+t(k,i)*t(k,j);
end
t(i,j)=(a(i,j)-c)/t(i,i);
end
end
end
end
y=zeros(n,1);
y(1)=f(1)/t(1,1);
for i=2:n
c=0;
for k=1:(i-1)
c=c+t(k,i)*y(k);
end
y(i)=(f(i)-c)/t(i,i);
end
x=zeros(n,1);
x(n)=y(n)/t(n,n);
fori=(n-1):-1:1
c=0;
for k=(i+1):n
c= c+t (i,k)*x (k);
end
x (i) = (y(i)-c) /t (i,i);
end
else
error (‘Внимание! Ошибка! Размерность вектора F несоответствует размерности матрицы А’);
end
else
error (‘Внимание! Ошибка! Определитель матрицы А равен 0’);
end
end 3. Описание тестовых задач
После того, как функциябыла разработана, для ее отладки была составлена программа, где задавалисьматрица А, вектор f и откуда вызывалась написаннаяфункция.
Программа имеет вид:
a=[1 0 0; 0 1 0; 0 0 1];
f=[7;8;9];
[e,x]=mkk(a,f)
Решение для даннойпрограммы выдано такое:
e =
x =
7
8
9
Как видим, решениеправильное.
Начнем исследованиеметода квадратных корней. Для начала исследуем влияние мерности матрицы А наточность решения.
Для этого будемпоследовательно решать СЛАУ, каждый раз увеличивая мерность А. Для этогосоставим такую программу, которая
а) решит четыре СЛАУ сразными мерностями матрицы А,
б) посчитает четыреточности полученного решения по формуле E1=max |Ei|,
в) посчитает четыреточности полученного решения по формуле
/>,
в которых i – количество решенных уравнений
г) построит два графиказависимости точностей полученного решения от мерности матрицы А.
Текст программы:
e1=0;
e2=0;
a=[1 0.42;.42 1]
f=[0.3;0.5]
[e,x]=mkk(a,f)
e1=max(abs(e))
e2=sqrt(sum(power(e,2)))
a=[1 0.42.54;.42 1 .32; .54 .32 1;]
f=[0.3;0.5;.7]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
a=[1 0.42 .54.66;.42 1 .32 .44; .54 .32 1 .22; .66 .44 .22 1]
f=[0.3;0.5;.7;.9]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
a=[1 0.42 .54.66 .53;.42 1 .32 .44 .45; .54 .32 1 .22 .41; .66 .44 .22 1 .25; .53 .45 .41.25 1;]
f=[0.3;0.5;.7;.9;.6]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
mernost=[2 3 45];
plot(mernost,e1);
pause;
plot(mernost,e2);
pause
Результат работыпрограммы:
>> head5
a =
1.0000 0.4200
0.4200 1.0000
f =
0.3000
0.5000
e =
x =
0.1093
0.4541
e1 =
e2 =
a =
1.0000 0.4200 0.5400
0.4200 1.0000 0.3200
0.5400 0.3200 1.0000
f =
0.3000
0.5000
0.7000
e =
1.0e-016 *
0.5551
x =
-0.2405
0.3737
0.7103
e1 =
1.0e-016 *
0 0.5551
e2 =
1.0e-016 *
0 0.5551
a =
1.0000 0.4200 0.54000.6600
0.4200 1.0000 0.32000.4400
0.5400 0.3200 1.00000.2200
0.6600 0.4400 0.22001.0000
f =
0.3000
0.5000
0.7000
0.9000
e =
1.0e-015 *
-0.0555
-0.2220
x =
-1.2578
0.0435
1.0392
1.4824
e1 =
1.0e-015 *
0 0.0555 0.2220
e2 =
1.0e-015 *
0 0.0555 0.2289
a =
1.0000 0.4200 0.54000.6600 0.5300
0.4200 1.0000 0.32000.4400 0.4500
0.5400 0.3200 1.00000.2200 0.4100
0.6600 0.4400 0.22001.0000 0.2500
0.5300 0.4500 0.41000.2500 1.0000
f =
0.3000
0.5000
0.7000
0.9000
0.6000
e =
1.0e-015 *
0.0555
0.2220
-0.1110
-0.3331
x =
-1.6362
-0.1885
0.9761
1.6642
0.7358
e1 =
1.0e-015 *
0 0.0555 0.2220 0.3331
e2 =
1.0e-015 *
0 0.0555 0.2289 0.4191
Построенные графики дляоценки точности решения:
Для E1=max |Ei|,
/>
Для />
/>
Как видим из решения,выданного программой, а также из графиков, ошибка растет с увеличением мерностиматрицы А, а точность решения, как следствие уменьшается.
Теперь исследуем влияниеразреженности матрицы А на точность решения. Для этого немного модифицируемпрограмму, использованную для исследования влияния мерности матрицы А наточность решения: изменим в ней СЛАУ для решения. На каждом шаге будем увеличиватьколичество нулевых элементов в матрице.
Текст программы:
e1=0;
e2=0;
a=[1 0.42 .54 .66 .53;.42 1 .32 .44.45; .54 .32 1 .22 .41; .66 .44 .22 1 .25; .53 .45 .41 .25 1;]
f=[0.3;0.5;.7;.9;.6]
[e,x]=mkk(a,f)
e1=max(abs(e))
e2=sqrt(sum(power(e,2)))
a=[1 0 .54 0.53;0 1 .32 .44 .45; .54 .32 1 .22 .41; 0 .44 .22 1 .25; .53 .45 .41 .25 1;]
f=[0.3;0.5;.7;.9;.6]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
a=[1 0 .54 0.53;0 1 .32 .44 .45; .54 .32 1 .22 .41; 0 .44 .22 1 0; .53 .45 .41 0 1;]
f=[0.3;0.5;.7;.9;.6]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
a=[1 0 .54 00;0 1 0 .44 .45; .54 0 1 .22 0; 0 .44 .22 1 0; 0 .45 0 0 1;]
f=[0.3;0.5;.7;.9;.6]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
mernost=[2 3 45];
plot(mernost,e1);
pause;
plot(mernost,e2);
pause
Результат работыпрограммы:
a =
1.0000 0.4200 0.54000.6600 0.5300
0.4200 1.0000 0.32000.4400 0.4500
0.5400 0.3200 1.00000.2200 0.4100
0.6600 0.4400 0.22001.0000 0.2500
0.5300 0.4500 0.41000.2500 1.0000
f =
0.3000
0.5000
0.7000
0.9000
0.6000
e =
1.0e-015 *
0.0555
0.2220
-0.1110
-0.3331
x =
-1.6362
-0.1885
0.9761
1.6642
0.7358
e1 =
3.3307e-016
e2 =
4.1910e-016
a =
1.0000 0 0.54000 0.5300
0 1.0000 0.32000.4400 0.4500
0.5400 0.3200 1.00000.2200 0.4100
0 0.4400 0.22001.0000 0.2500
0.5300 0.4500 0.41000.2500 1.0000
f =
0.3000
0.5000
0.7000
0.9000
0.6000
e =
1.0e-015 *
0.0555
0.1110
0.2220
0.1110
0.1110
x =
-0.1810
-0.1718
0.5355
0.7673
0.3618
e1 =
1.0e-015 *
0.3331 0.2220
e2 =
1.0e-015 *
0.4191 0.2989
a =
1.0000 0 0.54000 0.5300
0 1.0000 0.32000.4400 0.4500
0.5400 0.3200 1.00000.2200 0.4100
0 0.4400 0.22001.0000 0
0.5300 0.4500 0.41000 1.0000
f =
0.3000
0.5000
0.7000
0.9000
0.6000
e =
1.0e-015 *
-0.0555
-0.0555
0.1110
x =
-0.4156
-0.4724
0.5213
0.9932
0.8192
e1 =
1.0e-015 *
0.3331 0.2220 0.1110
e2 =
1.0e-015 *
0.4191 0.2989 0.1360
a =
1.0000 0 0.54000 0
0 1.0000 0 0.44000.4500
0.5400 0 1.00000.2200 0
0 0.4400 0.22001.0000 0
0 0.4500 0 0 1.0000
f =
0.3000
0.5000
0.7000
0.9000
0.6000
e =
1.0e-015 *
-0.1110
x =
0.0374
-0.1969
0.4863
0.8797
0.6886
e1 =
1.0e-015 *
0.3331 0.2220 0.11100.1110
e2 =
1.0e-015 *
0.4191 0.2989 0.13600.1110
Для E1=max|Ei|,
/>
Для
/>
/>
Как видим из решения играфиков, величина ошибок уменьшается, а точность найденного решенияувеличивается с увеличением количества нулевых элементов в матрице А. Этосвязано с тем, что увеличение числа нулевых элементов постепенно уменьшаетчисло ненулевых элементов задействованных в вычислениях.
Теперь исследуем влияниеобусловленности матрицы А на точность получаемого решения. Для этого в третийраз модифицируем нашу программу. Теперь мы будем брать обусловленные матрицы, скаждым шагом увеличивая их размерность.
Текст программы:
e1=0;
e2=0;
a=[500 501;501 500]
f=[15000;16000]
[e,x]=mkk(a,f)
e1=max(abs(e))
e2=sqrt(sum(power(e,2)))
a=[500 501-503;501 500 499;-503 499 500]
f=[15000;16000;18000]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
a=[500 501-503 500;501 500 499 -501;-503 499 500 502;500 -501 502 500]
f=[15000;16000;18000;16000]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
a=[500 501-503 500 499;501 500 499 -501 500;-503 499 500 502 -501;500 -501 502 500 -500;499 500 -501 -500 500]
f=[15000;16000;18000;16000;17000]
[e,x]=mkk(a,f)
e1=[e1max(abs(e))]
e2=[e2sqrt(sum(power(e,2)))]
mernost=[2 3 45];
plot(mernost,e1);
pause;
plot(mernost,e2);
pause
Результат работы программы:
>> head5
a =
500 501
501 500
f =
15000
16000
e =
1.0e-010 *
-0.2910
0.5821
x =
515.4845
-484.5155
e1 =
5.8208e-011
e2 =
6.5078e-011
a =
500 501 -503
501 500 499
-503 499 500
f =
15000
16000
18000
e =
1.0e-010 *
0.0182
0.0364
0.1455
x =
-2.0239
32.9970
1.0330
e1 =
1.0e-010 *
0.5821 0.1455
e2 =
1.0e-010 *
0.6508 0.1511
a =
500 501 -503 500
501 500 499 -501
-503 499 500 502
500 -501 502 500
f =
15000
16000
18000
16000
e =
1.0e-008 *
-0.1120
0.0997
x =
14.5050
16.5505
17.4961
16.5125
e1 =
1.0e-008 *
0.0058 0.0015 0.1120
e2 =
1.0e-008 *
0.0065 0.0015 0.1500
a =
500 501 -503 500499
501 500 499 -501500
-503 499 500 502-501
500 -501 502 500-500
499 500 -501 -500500
f =
15000
16000
18000
16000
17000
e =
1.0e-010 *
-0.0364
0.0364
0.8367
-0.9459
0.1091
x =
33.0693
35.1332
-1.0682
-2.1077
-37.3144
e1 =
1.0e-008 *
0.0058 0.0015 0.11200.0095
e2 =
1.0e-008 *
0.0065 0.0015 0.15000.0127
Для E1=max|Ei|,
/>
Для
/>
/>
В целом обусловленностьматрицы А дает высокую точность решения, но по выбранным в данной работесистемам трудно судить о влиянии мерности обусловленной матрицы А на точностьрешения. 4. Анализ результатов. Выводы
По исследованию можно сказатьследующее. Точность решения СЛАУ методом квадратных корней для симметричнойматрицы зависит от многих параметров, как то: мерность матрицы А, разреженностьматрицы А, обусловленность матрицы А. Точность зависит от этих параметров какпо отдельности, так и в комбинации. Можно также сказать, что точность решениясильно зависит от количества округлений во время решения и, как следствиесобственно количества вычислений, которые необходимо произвести, чтобы решитьСЛАУ методом квадратных корней. Было отмечено на этапе отладки программы, что,чем ближе корни системы к целым числам, тем меньше ошибка, тем выше точность.
Заключение
В данной курсовой работебыл исследован метод квадратных корней для симметричной матрицы — один изметодов решения систем линейных алгебраических уравнений. Этим методом можнорешать системы вида A x = f, в которых матрица A – симметричная.
Также в данной работебыли проанализированы разного рода параметры матрицы А: мерность,обусловленность, разряженность, и их влияние на точность полученного решения. Вцелом метод дает достаточно точные решения и может быть использован при поискесостояний равновесия в экономических моделях.
Списокиспользованной литературы
1. Волков Е.А.,Численные методы.- М.: «Наука», 1982.
2. Калиткин Н.Н. Численные методы.- М.: Наука,1978.
3. Сарычева О.М. Численные методы в экономике /О.М.Сарычева.-Новосибирск, 1995.- 67 стр.