矩阵方程组无解

高等代数课程设计,

**大学理学院

本科考查（课程论文）专用封面

学年学期：2019-2020学年第1学期

课程名称：高等代数

任课教师：**

论文/作业题目：《线性方程组及其矩阵解法》

年级专业：19数学类

姓名学号：************

提交时间：2019.12.15

评阅成绩：

评阅意见：

阅卷教师签名：2020年1月4日

高等代数课程设计,

运用矩阵解线性方程组

摘要

解方程是代数中一个基本的问题，对于多元一次方程组，用矩阵来求解及讨论其的是否有解，是否只有唯一解和多解之间的解的结构问题是一个相对简便和可行的办法。本文主要列出矩阵和多元线性方程组性质和概念，对其定理进行证明和讨论，然后找出定理的推论进行归纳总结。最后提出个人的思考与留下的疑问。

关键词：高等代数；线性方程组；矩阵；性质；证明；思考

Abstract

Solving equations is a basic problem in algebra. For multivariate linear equations, the matrix is used to solve and discuss whether there is a solution, whether there is only one

一、 用列主元素高斯削去法求解下述线性方程组：

?x1?13x2?2x3?34x4?13?2x?6x?7x?10x??22?1234 ??10x?x?5x?9x?141234????3x1?5x2?15x4??36程序：

function x=gaussa(a)

m=size(a); n=m(1); x=zeros(n,1); for k=1:n-1

[c,i]=max(abs(a(k:n,k))); q=i+k-1; if q~=k

d=a(q,:);a(q,:)=a(k,:);a(k,:)=d end

for i=k+1:n

a(i,:)=a(i,:)-a(k,:)*a(i,k)/a(k,k) end end

for j=n:-1:1

x(j)=(a(j,n+1)-a(j,j+1:n)*x(j+1:n))/a(j,j) end

执行过程：

>> a=[1 13 -2 -34 13;2 6 -7 -10 -22;-10 -1 5 9 14; -3 -5 0 15 -36] a =

-10 -1 5 9 14 2 6 -7 -10

3.4 向量和矩阵的范数

为了研究线性方程组近似解的误差估计和迭代法的收敛性，我们需要对Rn(n维

向量空间)中的向量或Rnxn中矩阵的“大小”引入一种度量，——向量和矩阵的范 数。

向量和矩阵的范数

在一维数轴上，实轴上任意一点x到原点的距离用|x|表示。而任意两点x1,

x2之间距离用| x1-x2 |表示。

向量和矩阵的范数

而在二维平面上，平面上任意一点P(x,y)到原点的距离用 x 2 y 2 | OP 表示。而平面上 | 任意两点P1(x1,y1),P2(x2,y2)的距离用 表示。 推广到n维空间，则称为向量范数。

| P1 P2 | ( x1 x 2 ) ( y1 y 2 )2

2

向量范数定义3.4.1 设任一向量x R n , 按某一确定的

x ||, 且满足 : 1)非负性： || x || 0,当且仅当x 0时， || x || 0; 2)奇次性： || kx || | k ||| x ||, k R; 3)三角不等式：对任意 x, y R , 都有 || x y || || x || || y || ,法则对应于一非负实数 ||n

则称 || x || 为向量x的范数。

常见的向量范数设向

3.4 向量和矩阵的范数

为了研究线性方程组近似解的误差估计和迭代法的收敛性，我们需要对Rn(n维

向量空间)中的向量或Rnxn中矩阵的“大小”引入一种度量，——向量和矩阵的范 数。

向量和矩阵的范数

在一维数轴上，实轴上任意一点x到原点的距离用|x|表示。而任意两点x1,

x2之间距离用| x1-x2 |表示。

向量和矩阵的范数

而在二维平面上，平面上任意一点P(x,y)到原点的距离用 x 2 y 2 | OP 表示。而平面上 | 任意两点P1(x1,y1),P2(x2,y2)的距离用 表示。 推广到n维空间，则称为向量范数。

| P1 P2 | ( x1 x 2 ) ( y1 y 2 )2

2

向量范数定义3.4.1 设任一向量x R n , 按某一确定的

x ||, 且满足 : 1)非负性： || x || 0,当且仅当x 0时， || x || 0; 2)奇次性： || kx || | k ||| x ||, k R; 3)三角不等式：对任意 x, y R , 都有 || x y || || x || || y || ,法则对应于一非负实数 ||n

则称 || x || 为向量x的范数。

常见的向量范数设向

数值分析第二次上机实习报告

——线性方程组迭代解法

一、问题描述

设 Hn = [hij ] ∈ Rn×n 是 Hilbert 矩阵, 即

hij=

对n = 2,3,4，…15, 1 i+j 1

1 x ∈Rn×n，及bn=Hnx，用SOR迭代法和共轭梯度法来求解，并与直取=

1

接解法的结果做比较。

二、方法描述

1. SOR迭代法

记H = D – L – U，SOR法的分量形式可以写成向量形式

x(k+1)=(1 ω)x(k)+ωD 1(b+Lx(k+1)+Ux(k))

(D ωL)x(k+1)=[(1 ω)D+ωU]x(k)+ωb

整理成

x(k+1)=Lwx(k)+ω(D ωL) 1b

其中，Lw为SOR法的迭代矩阵：

Lw=(D ωL) 1[(1 ω)D+ωU]

这相当于方程组Hx=b的系数矩阵分裂为H = M – N，其中

=M

N=1ω1(D ωL)

ω[(1 ω)D+ωU]

由此得到等价方程组x = M-1Nx+M-1b，利用它构造迭代法。

2. 共轭梯度法

梯度法通常的做法是先任意给定一个初始向量，然后确定一个搜索的方向和搜索步长，如此循环直到找到极小值。共轭梯度法是从整体来寻找最佳的搜索方向。它的第一步是取负梯度方向作为搜索方

Matlab 解方程

这里系统的介绍一下关于使用Matlab求解方程的一系列问题，网络上关于Matlab求解方程的文章数不胜数，但是我大体浏览了一下，感觉很多文章都只是零散的介绍了一点，都只给出了一部分Matlab函数例子，以至于刚接触的人面对不同文章中的不同函数一脸茫然，都搞不清楚这些函数各自的用途，也不知道在什么样的情况下该选择哪个函数来求解方程，在使用Matlab解方程时会很纠结。不知道读者是否有这样的感觉，反正我刚开始接触时就是这样的感觉，面对网络搜索到一系列函数都好想知道他们之间是个什么关系。

所谓的方程就是含有未知数的等式，解方程就是找出使得等式成立时的未知数的数值。

求方程的解可以转换成不同形式，比如求函数的零点、多项式的根。方程分类很多，按照未知数个数分为一元、二元、多元方程；按照未知数组合形式分为线性方程和非线性方程；按照非零项次数是否一致分为齐次方程和非齐次方程。线性方程就是方程中未知数次数是一次的，未知数之间不存在指、对、2及以上幂次的关系，线性方程又分为一元线性方程，也就是一元一次方程；多元线性方程，也就是多元一次方程，多以线性方程组的形式出现（包括齐次线性方程组和非齐次线性方程组）。在Matlab中求解方程的函数主要有ro

常系数线性方程组基解矩阵的计算

董治军

（巢湖学院 数学系，安徽 巢湖 238000）

摘 要：微分方程组在工程技术中的应用时非常广泛的，不少问题都归结于它的求解问题，基解矩阵的存在和具体寻求是不同的两回事，一般齐次线性微分方程组的基解矩阵是无法通过积分得到的，但当系数矩阵是常数矩阵时，可以通过 方法求出基解矩阵，这时可利用矩阵指数expAt，给出基解矩阵的一般形式，本文针对应用最广泛的常系数线性微分方程组，结合微分方程，线性代数等知识，讨论常系数齐次线性微分方程的基解矩阵的几个一般的计算方法. 关键词；常系数奇次线性微分方程组；基解矩阵；矩阵指数

Calculation of Basic solution Matrix of Linear Homogeneous System with Constant

Coefficients

Zhijun Dong

(Department of Mathematics, Chaohu College Anhui, Chaohu)

Abstract: Differential equations application in engineering technology is very extensive

矩阵函数的性质及其在微分方程组中的应用

§7矩阵函数的性质及其在微分方程组中的应用

1.矩阵函数的性质： 设A.B Cn n 1．

ddte

At

Ae

At

e

At

A

proof: 由 e

At

m 0m!

1

At m

1m!

t

m

A

m

对任何t收敛。因而可以逐项求导。

ddt

e

At

m 0

m 1 !

1

t

m 1

A

m

11m 1 k A At A At k! m 1 m 1 ! 1m 1 At

A At A e A

m 1 m 1 !

A eAt

m 0

m 1 !t

1

m 1

A

m 1

可见，A与eAt使可以交换的，由此可得到如下n个性质

2．设AB BA，则 ①．eAt B BeAt ②．eA eB eB eA eA B ③．

cos A B cosAcosB sinAsinBsin A B sinAcosB cosAsinB

BA AB BA

m

m

A B

cos2A cos

2

A sin

2

A

sin2A 2sinAcosA

proof：①，由AB而e

At

1mm B At B

m 0m!

m 0

1m!

tAB

mm

m 0

1m!

tBA

mm

B

m 0

1m!

At m

B eAt

②令C(t) e A

用Matlab学习线性代数 线性方程组与矩阵代数

实验目的：熟悉线性方程组的解法和矩阵的基本运算及性质验证。 Matlab命令：

本练习中用到的Matlab命令有：inv，floor，rand，tic，toc，rref，abs，max，round，sum，eye，triu，ones，zeros。

本练习引入的运算有：+，-，*，’，，\\。其中+和-表示通常标量及矩阵的加法和减法运算；*表示标量或矩阵的乘法；对所有元素为实数的矩阵，’运算对应于转置运算。若A为一个n?n非奇异矩阵(det!=0)且B为一个n?r矩阵，则运算A\\B等价于A?1B。 实验内容：

1． 用Matlab随机生成4?4的矩阵A和B。求下列指定的C,D,G,H，并确定那些矩阵是相等的。你可以利用Matlab计算两个矩阵的差来测试两个矩阵是否相等。

（1）C=A*B,D=B*A,G=(A’*B’)’,H=(B’*A’)’ C=H;D=G； （2）C=A’*B’,D=(A*B)’,G=B’*A’,H=(B*A)’ C=H;D=G； （3）C=inv(A*B),D=inv(A)*inv(B),G=inv(B*A),H=inv(B)*inv(A)

（4）

用Matlab学习线性代数 线性方程组与矩阵代数

实验目的：熟悉线性方程组的解法和矩阵的基本运算及性质验证。 Matlab命令：

本练习中用到的Matlab命令有：inv，floor，rand，tic，toc，rref，abs，max，round，sum，eye，triu，ones，zeros。

本练习引入的运算有：+，-，*，’，，\\。其中+和-表示通常标量及矩阵的加法和减法运算；*表示标量或矩阵的乘法；对所有元素为实数的矩阵，’运算对应于转置运算。若A为一个n?n非奇异矩阵(det!=0)且B为一个n?r矩阵，则运算A\\B等价于A?1B。 实验内容：

1． 用Matlab随机生成4?4的矩阵A和B。求下列指定的C,D,G,H，并确定那些矩阵是相等的。你可以利用Matlab计算两个矩阵的差来测试两个矩阵是否相等。

（1）C=A*B,D=B*A,G=(A’*B’)’,H=(B’*A’)’ C=H;D=G； （2）C=A’*B’,D=(A*B)’,G=B’*A’,H=(B*A)’ C=H;D=G； （3）C=inv(A*B),D=inv(A)*inv(B),G=inv(B*A),H=inv(B)*inv(A)

（4）