迭代法
| 本條目没有列出任何参考或来源。 (2017年5月28日) |
body.skin-minerva .mw-parser-output table.infobox caption{text-align:center}
| 「迭代法」的各地常用別名 | |
|---|---|
| 中国大陸 | 迭代 |
| 港臺 | 疊代 |
迭代法(英语:Iterative Method),在计算数学中,迭代是通过从一个初始估计出发寻找一系列近似解来解决问题(一般是解方程或者方程组)的数学过程,为实现这一过程所使用的方法统称。
跟迭代法相对应的是直接法(或者称为一次解法),即一次性解决问题,例如通过开方解决方程x2=4{displaystyle x^{2}=4}。一般如果可能,直接解法总是优先考虑的。但当遇到复杂问题时,特别是在未知量很多,方程为非线性时,我们无法找到直接解法(例如五次以及更高次的代数方程没有解析解,参见阿贝尔定理),这时候或许可以通过迭代法寻求方程(组)的近似解。
最常见的迭代法是牛顿法。其他还包括最速下降法、共轭迭代法、变尺度迭代法、最小二乘法、线性规划、非线性规划、单纯型法、惩罚函数法、斜率投影法、遗传算法、模拟退火等等。
目录
1 线性系统
1.1 定常迭代法
1.2 Krylov子空间法
1.3 Krylov子空间法的收敛性
2 参见
3 外部連結
线性系统
求解线性方程系统的迭代方法主要分为两类,分别是定常迭代法和Krylov子空间法。
定常迭代法
这种方法易于推导,方便实现和分析,但只能保证某些特定形式矩阵求解的收敛性。定常迭代法的例子包括雅可比法,高斯-赛德尔迭代,以及逐次超松弛迭代法(SOR)。线性定常迭代法又称为松弛法。
Krylov子空间法
通过在子空间上最小化余量来得到近似解。Krylov子空间法的原型是是共轭梯度法(CG),其它方法还包括广义最小残量法(GMRES)和双共轭梯度方法(BiCG)。
Krylov子空间法的收敛性
参见
- 迭代
- 迭代函数
- 逼近
- 数值分析
外部連結
| ||||||
| 这是一篇关于数学的小作品。你可以通过编辑或修订扩充其内容。 |

Comments
Post a Comment