数值计算中条件数与方程组稳定性-CSDN博客

本文链接：https://blog.csdn.net/qq_37264323/article/details/104502452

这篇笔记探讨了数值计算中条件数的概念，它是衡量方程组对输入变化敏感性的指标。文章通过实例解释了如何判断方程组是否为"病态"，即当右端项微小扰动时解的变化是否显著。条件数的定义与不同类型的范数相关，例如最大特征值与最小特征值的比值。此外，误差分析部分介绍了如何利用矩阵范数评估解的精度，以及在实际操作中如何进行误差分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0、范数

点击链接

一、方程组的性态

例： $AX=b \rightarrow \begin{bmatrix} 1 &0.99 \\ 0.99 & 0.98 \end{bmatrix} \begin{bmatrix} x_{1}\\ x_{2} \end{bmatrix} = \begin{bmatrix} 1.99\\ 1.97 \end{bmatrix}$

有准确解： $x = (1,1)^{T}$

现考虑右端项的微小扰动， $b^{'}=(1.989903,1.970106)^{T}$

则此时为方程组的解为： $x^{'}=(3,-1.0203)^{T}$ ，那么就称此类方程组是”病态“的。

条件数定义：称 $||A^{-1}||\cdot ||A||$ 为 $A$ 的条件数，记作： $cond(A) = ||A^{-1}||\cdot ||A||$

可以看到，其条件数的定义是用范数来定义的，而范数有很多的类型，所以可以使用下标来表示。

例： $cond_{\lambda }(A)=\sqrt{\frac{\lambda _{1}}{\lambda _{n}}}$ ，其中 $\lambda _{1}$ 为 $A^{T}A$ 的最大特征值， $\lambda _{n}$ 为 $A^{T}A$ 的最小特征值

特别的，当 $A=A^{T}$ 时， $cond_{\lambda }(A) = \frac{|\lambda _{1}^{'}|}{|\lambda _{n}^{'}|}$ ，其中 $\lambda _{1}^{'}$ 为 $A^{T}A$ 的最大特征值， $\lambda _{n}^{'}$ 为 $A^{T}A$ 的最小特征值