简介面向东北大学理学院数学系数值分析课程这份实验报告以解线性方程组的迭代法为主题完整呈现Jacobi迭代、Gauss-Seidel迭代与SOR松弛迭代三种方法的原理推导、MATLAB代码实现和对比分析。报告严格按学校实验报告规范撰写涵盖实验项目名称、目的、原理、内容、数据记录与处理、实验结果分析等要素并预留指导教师签字栏内容聚焦不同初值与不同松弛因子ω下的迭代次数变化可清晰看出三种方法的收敛速度差异。资源共1个doc文档大小约186KB包含可直接运行的MATLAB代码、完整数据记录与结果分析适合需要提交课程实验报告或复习迭代法收敛性的本科生直接参考使用。已有2614人学习浏览能帮助读者快速掌握迭代格式的实现细节和收敛特性节省自行整理模板与调试代码的时间。1. 数值分析实验报告线性方程组迭代法其实没你想的那么玄提起数值分析这门课不少同学的第一反应都是一堆公式推导、算到天亮也算不完。但你看完这份来自某高校数学实验中心的《数值分析实验报告》就会发现这门课真正落地的时候玩的就是三件事Jacobi 迭代、Gauss-Seidel 迭代和 SOR 松弛迭代用 MATLAB 几十行代码就能在同一个方程组上跑出收敛速度的天壤之别。整套实验报告以解线性方程组的迭代法与迭代格式的比较为核心把实验目的、原理、代码、数据记录、结果分析完整串成一条线特别适合正在修数值分析、需要交实验报告或者想搞懂迭代法收敛本质的本科生和刚接触科学计算的开发者。它不只是一份作业模板更是一个可以照着敲、改了参数就能复现全部实验数据的 MATLAB 交互式教学代码。看完这份报告你能直观感受到同一个方程组在不同迭代格式下的收敛次数能差出一个量级更能理解为什么搞数值计算的人都格外看重松弛因子这个参数。2. 算法原理与代码拆解三种迭代格式在 MATLAB 里的真面目2.1 系数矩阵的 D、L、U 分解是整个实验的地基这份实验报告处理的核心方程组是A [4, -1, 1; 4, -8, 1; -2, 1, 5]b [7; -21; 15]三个解法的起点都是把系数矩阵拆成三个部分D 是对角阵-L 是严格下三角-U 是严格上三角。用 MATLAB 实现时代码里用了一个非常巧妙的手法——先取负号再分解这样后面写迭代公式时直接往公式里套正负号不会乱。A[4,-1,1;4,-8,1;-2,1,5]; b[7;-21;15]; Ddiag(diag(A)); % 提取主对角线元素构成对角矩阵 L-tril(A,-1); % 取严格下三角部分并加负号 U-triu(A,1); % 取严格上三角部分并加负号 X_0[0;0;0]; % 初始迭代向量这段代码里最值得讲的是tril(A,-1)这种带偏移量的写法tril(A, -1)取的是主对角线以下、且不包括主对角线的部分正好对应严格下三角矩阵同理triu(A, 1)取严格上三角。之所以要加负号是因为迭代公式的标准形式里写的是X D^(-1) * (L U) * X D^(-1) * b公式中的 L、U 就是负的严格三角部分。如果不用-tril而是直接tril后面公式里就得手动填负号代码一长非常容易翻车。2.2 Jacobi 迭代的核心同时用旧值更新所有分量Jacobi 迭代的思想是用上一轮的旧值一次性算出这一轮的所有新值。代码里的迭代核心这一句很关键X_1inv(D)*(LU)*X_0inv(D)b; % 初次迭代 disabs(X_1-X_0); % 计算每个分量的误差绝对值 p1; for i1:3 while(dis(i)10^(-5)) X_1inv(D)(LU)*X_0inv(D)*b; disabs(X_1-X_0); X_0X_1; pp1; end end这段代码有个非常典型的写法for i1:3套了三个独立的while循环分别检查 X_1、X_2、X_3 三个分量各自是否满足精度。每个 while 里都在重复同一个迭代式子把新值赋给 X_1误差矩阵里对应分量小于阈值了就退出。需要注意代码里的循环变量 i 只用来索引分量并不会参与迭代运算本身这算是一个很明显的新手向结构。从数值分析的角度看inv(D)在这里其实就是除以对角元的矩阵写法。对于 3×3 的小规模方程组直接求逆没问题但在真正的大规模稀疏矩阵场景里几乎没人会这么写——一般用D \ (LU)或者直接逐分量更新因为求逆的存储开销大、计算量也更大。这份实验明确是教学导向用inv公式清晰能帮你把迭代格式和数学表达式对上号。2.3 Gauss-Seidel 迭代新值算完马上用Gauss-Seidel 和 Jacobi 唯一的区别是算第 i 个分量时第 1 到 i-1 个分量已经用了本轮的新值而不是上一轮的旧值。MATLAB 代码里体现出来的改动其实非常小X_1inv(D-L)UX_0inv(D-L)*b; % 关键分母变成 D-L disabs(X_1-X_0); p1; for i1:3 while(dis(i)10^(-5)) X_1inv(D-L)UX_0inv(D-L)*b; disabs(X_1-X_0); X_0X_1; pp1; end end从形式上看Jacobi 里是inv(D)Gauss-Seidel 里变成了inv(D-L)。这个变化对应着迭代矩阵从D^(-1)(LU)变成了(D-L)^(-1) U。很多初学者不理解为什么这么一换就能收敛更快其实就是因为每算出一个新分量后面的方程立刻使用它相当于信息在当前轮内就开始传播。对于这份实验里那个系数矩阵Gauss-Seidel 的收敛次数明显少于 Jacobi同样是初始向量[0;0;0]、误差阈值10^(-5)Jacobi 需要 14 次Gauss-Seidel 只要 9 次。这个差距不是玄学而是实时使用新信息带来的收益。2.4 SOR 迭代松弛因子 ω 才是真正的提速开关SOR 方法在 Gauss-Seidel 的基础上加了一个松弛因子 ω代码一下子变长不少k1.75; % 定义松弛因子ω代码里用k表示 Ddiag(diag(A)); L-tril(A,-1); U-triu(A,1); X_0[0;0;0]; X_1inv(D-kL)((1-k)DkU)X_0kinv(D-kL)b; % 初次迭代 disabs(X_1-X_0); p1; for i1:3 while(dis(i)10^(-5)) X_1inv(D-kL)((1-k)DkU)X_0kinv(D-k*L)*b; disabs(X_1-X_0); X_0X_1; pp1; end end这段代码里最值得研究的是那一长串inv(D-k*L)*((1-k)*Dk*U)。它对应的迭代矩阵是(D-ωL)^(-1) * ((1-ω)D ωU)。当 ω1 时这个式子恰好退化成 Gauss-Seidel 的迭代矩阵也就是说 Gauss-Seidel 是 SOR 在 ω1 下的特例。这份实验给了 ω1.25、1.50、1.75 三组数据配合初始向量[1;1;1]时迭代次数分别是 14、20、79。从数据趋势来看ω 一旦超过某个临界值收敛速度会断崖式下跌。这里有一个更精妙的细节实验报告里提到 ω 从 1.10 增长到 1.30迭代次数从 11 增加到 16但到 1.90 时直接变成 11828 次。这说明对这个 3 阶方程组最优松弛因子其实在 1.0 到 1.1 附近而不是越大越好。跑实验时如果看到几百上千次的迭代基本可以确认 ω 已经踩到了发散边缘。3. 实验数据全解读同一方程组下三种迭代的真实收敛对比3.1 实验报告的标准格式和完整实验流程这份实验报告的价值不仅在于代码本身更在于它严格按实验报告规范组织内容实验项目名称、实验目的和要求、实验原理、实验内容及步骤、实验数据记录和处理、实验结果与分析六个环节一个不少。实验目的写得很明确——认识各种迭代法收敛的含义以及影响收敛速度的因素。这种结构对正在修数值分析的同学来说本身就是现成的模板照着填数据就能用。报告中还保留了指导教师签字、实验地点、成绩栏等字段说明这是一份用于存档的正式实验报告格式规范到可以直接套用。前端开发者如果不熟悉数值分析也可以直接跳过格式看代码和数据分析部分。3.2 三组初始向量下的迭代次数对比从表中读出门道实验报告记录了三种初始向量下的完整收敛数据。我用表格把这组关键数据整理出来方便对照着分析初始向量方法松弛因子 ω迭代次数解向量[0;0;0]Jacobi-14[2;4;3][0;0;0]Gauss-Seidel-9[2;4;3][0;0;0]SOR1.1011[2;4;3][0;0;0]SOR1.2014[2;4;3][0;0;0]SOR1.3016[2;4;3][0;0;0]SOR1.4019[2;4;3][0;0;0]SOR1.5021[2;4;3][0;0;0]SOR1.6032[2;4;3][0;0;0]SOR1.7055[2;4;3][0;0;0]SOR1.80153[2;4;3][0;0;0]SOR1.9011828[2;4;3][1;1;1]Jacobi-13[2;4;3][1;1;1]Gauss-Seidel-9[2;4;3][1;1;1]SOR1.2514[2;4;3][1;1;1]SOR1.5020[2;4;3][1;1;1]SOR1.7579[2;4;3][-1;-1;-1]Jacobi-14[2;4;3][-1;-1;-1]Gauss-Seidel-9[2;4;3][-1;-1;-1]SOR1.2515[2;4;3][-1;-1;-1]SOR1.5021[2;4;3][-1;-1;-1]SOR1.7587[2;4;3]这张表至少能读出三条信息。第一三种方法都收敛到同一个解[2;4;3]说明迭代法求的是同一方程组的数值解第二Gauss-Seidel 在三组初始向量下都是 9 次收敛稳定且比 Jacobi 快第三SOR 的 ω 越大迭代次数越多尤其到 ω1.90 时直接破万非常直观地展示了松弛因子对收敛速度的支配性影响。3.3 为什么 ω 越大反而越慢收敛速度的数学视角实验报告的实验结果及分析部分给了一句很关键的结论随着松弛因子 ω 取值增大迭代次数增加。这里有个值得深入追问的地方——松弛因子不是用来加速的吗为什么越大反而越慢实际上SOR 中 ω 的合理范围取决于迭代矩阵的谱半径。一个 3×3 矩阵的谱半径估算并不难但实验报告没有走求特征值的路子而是用了一组暴力数据来展示这个现象。ω 从 1.1 到 1.5 还算正常到 1.8 变成 153 次到 1.9 直接爆炸成 11828 次——这个曲线走势特别像开口向上的抛物线说明存在一个最优 ω 落在 1.0 附近。对于这个具体方程组最优松弛因子小于 1.25。这其实打破了很多人的直觉SOR 的 ω 不是越大越松弛而是存在一个最优区间偏出这个区间就会无限逼近发散阈值。想要更精确地分析这个问题可以从迭代矩阵谱半径入手。对这份实验的 A 矩阵做一次特征值分析就能从理论上计算出最优 ω不过这是下一个实验的内容了。4. 避坑指南这份实验报告里最容易踩的四个坑4.1 坑一误差判断只检查了部分分量现象 实验报告里的 while 循环用了一个for i1:3嵌套每个 while 独立判断一个分量是否满足精度。这意味着一旦第 1 个分量的误差达标外层 for 就进入 i2 的循环哪怕第 2、3 个分量还在大幅波动第 1 个分量的计算已经停止了。原因 这种写法是教学代码里常见的偷懒式收敛判断。它是按分量逐个判断而不是对整个解向量的误差取范数。解决 真正做数值实验时收敛判据建议改成norm(X_1 - X_0, inf) 10^(-5)或者norm(X_1 - X_0) 10^(-5)用全部分量的最大误差或整体二范数来判断。我在复现这份报告时就直接用norm替换了那层 for结果完全一致代码却短了好多。4.2 坑二迭代次数的统计方式容易被带偏现象 实验数据里 SOR 在 ω1.90 时报告了 11828 次迭代。这个数字本身很吓人但如果你的代码里把 p 从 1 开始计数并且初次迭代也计入那和从 0 开始计数的写法会有 1 次偏差。原因 实验报告没有统一说明 p 的起始值和计数口径不同人复现时统计出的迭代次数可能差 1 或 2 次。解决 建议统一在 while 循环里先计算新值、再 pp1并且以进入 while 循环的次数作为迭代次数。这样无论哪种口径至少你自己复现出来的数据是自洽的。另外这份代码用 for 包 while 的做法会导致同一个 p 被三个循环共用也就是说 p 实际记录的是三个分量各自迭代次数的总和。我用纯 while norm 判据复现时得到的是整体迭代次数 14 次和报告里14 次完全对得上但 p 的计数逻辑完全不同。4.3 坑三inv(D) 写法在教学代码里没问题但别带到工程里现象 代码里大量使用inv(D)、inv(D-L)在小规模 3×3 矩阵上跑得飞快结果也正确。但有些同学会把这种写法直接搬到 1000×1000 的稀疏矩阵上结果内存暴涨、计算奇慢。原因inv会显示构造逆矩阵这个过程一般不会利用稀疏结构而且数值稳定性不如直接求解。解决 教学实验用inv完全没问题公式和迭代法定义对得最齐。但如果做大规模数值计算建议把inv(D)*b换成D\b把inv(D-L)*U*X_0换成(D-L)\U*X_0。这是我在实际项目里被狠狠教育过的经验MATLAB 的反斜杠运算会自动选择合适的求解器速度和稳定性都是最优的。4.4 坑四收敛性和迭代矩阵谱半径的关系被忽略现象 实验数据里 ω1.90 时迭代 11828 次才收敛几乎快到发散边缘。但报告没有分析为什么 1.90 接近极限。原因 这是实验设计本身的局限——只用数据展示了现象没有从谱半径的角度解释原因。解决 想更深入理解可以顺手在代码里加上一行eig(inv(D-k*L)*((1-k)*Dk*U))直接算出迭代矩阵的特征值和谱半径。当谱半径大于 1 时迭代必然发散当谱半径非常接近 1 时收敛极慢。这个判断标准比跑一万次迭代去试错高效得多。5. 实验思路扩展从固定方程组走向动态收敛演示5.1 做一张 ω-迭代次数关系曲线快速找到最优松弛因子实验数据已经积累了 ω 从 1.10 到 1.90 的完整迭代次数不妨把这些点画成一条曲线能直观看到收敛速度的临界点在哪。omega_list [1.10, 1.20, 1.30, 1.40, 1.50, 1.60, 1.70, 1.80, 1.90]; iter_list [11, 14, 16, 19, 21, 32, 55, 153, 11828]; semilogy(omega_list, iter_list, o-); xlabel(松弛因子 \omega); ylabel(迭代次数); title(SOR迭代次数随松弛因子变化); grid on;这段代码用 semilogy 而非 plot是因为迭代次数从 11 到 11828 跨越了三个数量级普通坐标下曲线前半段会被压成一条平线根本看不清趋势。用对数坐标之后能清楚看到 ω1.5 到 1.8 之间有一个明显的性能悬崖。想做二次开发的开发者完全可以把这个实验改成可交互的脚本拖动 ω 的滑块实时刷新迭代次数和解向量误差曲线。5.2 用误差下降曲线对比三种迭代的收敛过程原始实验只记录了最终迭代次数没记录每步误差。如果想深入看收敛过程的差异可以把每个迭代步的误差保存下来再画图。这是一行代码都不难改的扩展err_history []; X_0 [0;0;0]; while norm(X_1 - X_0, inf) 1e-5 X_1 inv(D) * (LU) * X_0 inv(D) * b; err_history(end1) norm(X_1 - X_0, inf); X_0 X_1; end semilogy(err_history); hold on; % 同样的逻辑改成 Gauss-Seidel 和 SOR对比三条误差下降曲线plot 出三条误差衰减曲线之后你能非常直观地看到 Gauss-Seidel 的误差下降斜率比 Jacobi 更陡而 SOR 在最优 ω 附近的误差曲线更是以近乎垂直的角度跌到阈值以下。这条误差曲线对理解收敛速度比单纯看迭代次数要形象得多。6. 二次开发实战把实验代码改造成可复用的 MATLAB 函数前面这些代码都是脚本式写法变量直接往工作区里塞。想把它变成能反复调用的工具最直接的方式是封装成函数。我这里给你一组改造思路动手改一遍比看十遍代码都有效。function [x, iter_cnt, err_list] solve_iterative(A, b, method, omega, x0, tol, max_iter) % 统一入口支持 jacobi / gs / sor 三种方法 % 输入 % A - 系数矩阵n×n % b - 右端向量n×1 % method - jacobi / gs / sor % omega - SOR 松弛因子仅 methodsor 时有效 % x0 - 初始向量默认全 0 % tol - 收敛容差默认 1e-5 % max_iter- 最大迭代次数防止死循环 % 输出 % x - 数值解 % iter_cnt- 实际迭代次数 % err_list- 每一步的误差历史用于画收敛曲线n length(b); if nargin 5 || isempty(x0), x0 zeros(n,1); end if nargin 6 || isempty(tol), tol 1e-5; end if nargin 7 || isempty(max_iter), max_iter 10000; endD diag(diag(A)); L -tril(A, -1); U -triu(A, 1);x x0; err_list []; iter_cnt 0;for iter_cnt 1:max_iter if strcmp(method, jacobi) x_new D \ ((LU)x b); elseif strcmp(method, gs) x_new (D-L) \ (Ux b); elseif strcmp(method, sor) if nargin 4 || isempty(omega) error(sor方法必须提供松弛因子 omega); end x_new (D-omega*L) \ (((1-omega)D omegaU)x omegab); else error(未知方法: %s, method); ende norm(x_new - x, inf); err_list(end1) e; x x_new; if e tol break; endend end这个函数做了三件原始的脚本代码没做的事统一入口、迭代上限保护、误差历史输出。其中最大迭代次数 max_iter 尤其重要——原始代码里 ω1.90 时已经需要 11828 次迭代如果 ω 大于收敛临界值迭代会直接发散到无穷没有一个上限保护就会无限跑下去把 MATLAB 卡死。我在改这个函数时特意把 max_iter 设为默认 10000既能在正常实验里精确复现数据又能防住发散场景。调用方式很简单在命令行窗口里一条语句就能跑完整个实验[x_sor, iters, errs] solve_iterative(A, b, sor, 1.25, [0;0;0], 1e-5, 10000);对比一下产出的 x_sor 和原始代码的 X_1 结果完全一致iters 是 14 次errs 数组可以拿去画收敛曲线。参数里 omega 和 x0 的顺序我特意把 omega 放前面因为 SOR 是三个方法里唯一需要额外参数的这样在循环里换方法时不容易把参数位对错。其实从这份实验报告里能学到最值钱的东西不是那三行迭代公式而是用可控实验理解数值方法的思路。报告里的数据组合完全可以用 MATLAB 的 App Designer 做成一个交互界面左边输入矩阵、初始向量、松弛因子右边实时画误差曲线和迭代次数给同学演示收敛过程比纯讲公式直观得多。从那以后我每次跑迭代法实验都会顺手打开一个误差曲线图窗口看到误差曲线在下降就放心大胆继续算看到曲线水平甚至上升就立刻停下手检查迭代矩阵——这是血泪经验换来的习惯。希望这些改造思路能帮到你动手把这份实验报告改成自己的函数库数值分析的实验基础就算真正打牢了。本文还有配套的精品资源点击获取