- •Цель работы.
- •3) Выполнить задания п.2 для систем с одинаково плохо обусловленными матрицами.
- •5) Исследовать возможность улучшения обусловленности задачи посредством внесения малого случайного возмущения в матрицу системы.
- •Повторить эксперимент п.6 для 2-3 задач с плохо обусловленной матрицей.
- •Графики зависимости относительной ошибки от ранга матрицы
5) Исследовать возможность улучшения обусловленности задачи посредством внесения малого случайного возмущения в матрицу системы.
-
|| Ainv ||
Cond
Real Error
без возм.
9.604E+0012
2.262E+0013
5.400E+0000
с возм.
1.589E+0008
2.888E+0008
2.002E-0002
Для матрицы №5 порядка 10 использовалась модель возмущения Md. Возмущение было действительно малым, т.к. || Md ||= 9.644E-0009, но не смотря на это удалось добиться снижения нормы обратной матрицы, числа обусловленности и фактической ошибки вычисления. Т.о. способ внесения случайного малого возмущения в матрицу системы может использоваться для более получения более точного решения.
6) Для 2-3 задач с «хорошей» матрицей ( = 102 - 104 ) посредством внесения в матрицу системы возмущений различной величины сделать заключение о приемлемой для получения требуемой (наперед заданной) точности решения степени неопределенности в задании исходных данных.
Тип возмущения |
Величина |
Real Error |
Relative Error |
ErrEst([P]) |
ErrEst([M]) |
без возмущения |
|
0 |
0 |
4.02E-19 |
1.26E-17 |
M |
kEpsA = 1 kEpsB = 0 |
0 |
0 |
4.02E-19 |
1.90E-17 |
M |
kEpsA = 0 kEpsB = 1 |
0 |
0 |
4.02E-19 |
1.08E-19 |
M |
kEpsA = 10^7 kEpsB = 0 |
4.29E-10 |
2.68125E-11 |
8.95E-11 |
1.58E-10 |
M |
kEpsA = 0 kEpsB = 10^7 |
1.10E-09 |
6.875E-11 |
1.11E-10 |
1.11E-10 |
M |
kEpsA = 10^7 kEpsB = 10^7 |
9.80E-10 |
6.125E-11 |
2.86E-11 |
1.52E-10 |
P |
kEpsA = 10^7 kEpsB = 0 |
6.59E-10 |
4.11875E-11 |
1.24E-09 |
1.94E+01 |
P |
kEpsA = 0 kEpsB = 10^7 |
1.10E-09 |
6.875E-11 |
1.11E-10 |
1.94E+01 |
P |
kEpsA = 10^7 kEpsB = 10^7 |
2.03E-09 |
1.26875E-10 |
1.13E-09 |
1.94E+01 |
Таблица для матрицы №1 порядка 8 (Cond = 791.3)
Т.о. хорошо обусловленные матрицы достаточно устойчивы к погрешности входных данных.
Повторить эксперимент п.6 для 2-3 задач с плохо обусловленной матрицей.
Тип возмущения |
Величина |
Cond |
Real Error |
Relative Error |
ErrEst([P]) |
ErrEst([M]) |
Без возмущения |
|
8,45E+18 |
1102,00 |
68,875 |
1,23E-02 |
1,23E-02 |
м |
kEpsA = 1,000E+0001 |
8,45E+18 |
1102,00 |
68,875 |
1,23E-02 |
1,23E-02 |
kEpsA = 1,000E+0006 |
8,45E+18 |
1102,00 |
68,875 |
1,23E-02 |
1,23E-02 |
|
kEpsA = 1,000E+00011 |
3,44E+18 |
797,70 |
49,85625 |
7,46E-01 |
1,50E+00 |
|
kEpsA = 1,000E+0016 |
система вырождена |
|||||
kEpsA = 1,000E+0021 |
3,76E+18 |
4,1E+10 |
2,56E+09 |
1,80E+00 |
1,83E+00 |
|
kEpsA = 1,000E+0026 |
6,10E+18 |
4,6E+06 |
2,89E+05 |
2,08E-01 |
7,82E-01 |
|
р |
kEpsA = 1,000E+0001 |
8,79E+18 |
6,8E+02 |
4,27E+01 |
1,28E-02 |
1,79E+10 |
kEpsA = 1,000E+0006 |
3,92E+18 |
5,1E+02 |
3,20E+01 |
5,45E-03 |
1,06E+10 |
|
kEpsA = 1,000E+0011 |
4,64E+18 |
7,2E+01 |
4,47E+00 |
2,22E-03 |
8,87E+10 |
|
kEpsA = 1,000E+0016 |
система вырождена |
|||||
kEpsA = 1,000E+0021 |
5,21E+16 |
4,40E+00 |
2,75E-01 |
3,94E+00 |
8,57E+09 |
|
kEpsA = 1,000E+0026 |
6,78E+16 |
1,00E+01 |
6,25E-01 |
2,79E+05 |
2,93E+09 |
Как следует из таблицы, посредством внесения возмущения в матрицу, относительная ошибка достигает минимума при параметре возмущения Keps порядка 15-20. Т.е. внесение возмущений напротив приводит к более точным результатам, в случае плохо обусловленных матриц.
8) Рассмотрев возмущения для трех матриц порядка 8 с хорошим числом обусловленности, можно сказать, что число обусловленности Cond остается постоянным. Это означает, что различные неточности при задании входных данных не приведут к большой ошибке вычисления.
|
Keps A |
Keps B |
Фактическая ошибка |
Относительная ошибка |
ErrEst([Р]) |
ErrEst([M]) |
|
|
«До» |
«После» |
|||||
P-возмущения (пункт №6) |
1.000Е+0007 |
0 |
1.74E-03 |
1.09E-04 |
6.62E-04 |
1.13E-03 |
8.60E+08 |
0 |
1.000Е+0007 |
2.01E-03 |
1.25E-04 |
8.56E-05 |
|||
1.000Е+0007 |
1.000Е+0007 |
2.85E-03 |
1.78E-04 |
4.72E-04 |
|||
М-возмущения (пункт №7) |
10 |
0 |
1.10E+03 |
6.89E+01 |
1.23E-02 |
1.23E-02 |
1.83E+00 |
1.000Е+0006 |
0 |
1.10E+03 |
6.89E+01 |
1.23E-02 |
|||
1.000Е+0011 |
0 |
7.98E+02 |
4.99E+01 |
7.46E-01 |
|||
1.000Е+0021 |
0 |
4.09E+10 |
2.56E+09 |
1.80E+00 |
|||
1.000Е+0026 |
0 |
4.62E+06 |
2.89E+05 |
2.08E-01 |
(для пункта 6 Cond = 2,45E+10;
для пункта 7 Cond = 8,45E+18)
Вывод: Для «хороших» матриц оба метода дают примерно одинаковые результаты, для систем с плохо обусловленными матрицами наблюдаем, что фактическая ошибка больше, чем с хорошо обусловленными.
По данным п.6 и п.7, в случаю внесения в матрицу возмущения типа «М», видно, что наиболее близкие значения оценок ошибки к фактической ошибке дал метод оценки ошибки решения по матрице возмущения типа М(ErrEst[M]). В случае внесения в матрицу возмущения типа «Р», видно, что наиболее близкие значения ошибки к фактической ошибке дал метод оценки ErrEst[Р]. Эти методы учитывают не только изменения числа обусловленности, но и вносимое возмущение, что позволяет получать более близкие к истине значения ошибки вычислений. Поэтому, метод оценки ErrEst(Cond) оказался самым малоподходящим.
9) Применить для решения нескольких систем из пунктов 2-4 итерационные методы Якоби и Гаусса-Зейделя; проверить реализацию задаваемого критерия точности. Исследованием спектра матрицы В проверить выполнение теоремы сходимости стационарного метода; выявить взаимосвязь скорости сходимости итерационного процесса с величиной спектрального радиуса матрицы В.
Для матриц порядка 3 начальное вектор точного решения (3 6 9), порядка 8 – (3 6 9 5 7 2 4 8), порядка 13 – (0 1 1 2 3 5 8 13 21 34 55 89 144). В качестве начального приближения использовались вектора, все координаты которых равны единице.
N матрицы |
Метод |
Порядок |
Точность |
|
Cond |
Кол-во итераций |
|r| |
Real Error |
1 |
Якоби |
3 |
1.00E-04 |
0.00E+00 |
1.18E+01 |
4 |
0.00E+00 |
0.00E+00 |
8 |
1.00E-04 |
0.00E+00 |
7.91E+02 |
9 |
2.33E-09 |
3.23E-11 |
||
13 |
1.00E-04 |
0.00E+00 |
8.33E+04 |
14 |
0.00E+00 |
0.00E+00 |
||
1 |
Гаусс-Зейдель |
3 |
1.00E-04 |
0.00E+00 |
1.18E+01 |
4 |
0.00E+00 |
0.00E+00 |
8 |
1.00E-04 |
0.00E+00 |
7.91E+02 |
9 |
2.33E-09 |
3.23E-11 |
||
13 |
1.00E-04 |
0.00E+00 |
8.33E+04 |
14 |
0.00E+00 |
0.00E+00 |
||
5 |
Якоби |
3 |
1.00E-04 |
1.72E+00 |
6.81E+02 |
∞ |
|
|
8 |
1.00E-04 |
6.04E+00 |
2.45E+10 |
∞ |
|
|
||
13 |
1.00E-04 |
1.04E+01 |
8.80E+12 |
∞ |
|
|
||
5 |
Гаусс-Зейдель |
3 |
1.00E-04 |
9.81E-01 |
6.81E+02 |
254 |
1.39E-04 |
3.43E-03 |
8 |
1.00E-04 |
1.00E+00 |
2.45E+10 |
1602 |
9.94E-05 |
3.27E-01 |
||
13 |
1.00E-04 |
1.00E+00 |
1.09E+14 |
18259 |
3.75E-05 |
1.75E-01 |
||
2 |
Якоби |
3 |
1.00E-04 |
1.41E+00 |
1.93E+01 |
∞ |
|
|
8 |
1.00E-04 |
4.87E+00 |
1.35E+02 |
∞ |
|
|
||
13 |
1.00E-04 |
8.33E+00 |
3.51E+02 |
∞ |
|
|
||
2 |
Гаусс-Зейдель |
3 |
1.00E-04 |
6.67E-01 |
1.93E+01 |
27 |
1.41E-04 |
4.69E-05 |
8 |
1.00E-04 |
8.75E-01 |
1.35E+02 |
85 |
6.75E-04 |
2.59E-04 |
||
13 |
1.00E-04 |
9.23E-01 |
3.51E+02 |
264 |
1.18E-05 |
3.02E-07 |
||
11 |
Якоби |
3 |
1.00E-04 |
2.18E+00 |
5.95E+03 |
∞ |
|
|
8 |
1.00E-04 |
1.36E+01 |
5.76E+13 |
∞ |
|
|
||
13 |
1.00E-04 |
2.59E+01 |
2.67E+14 |
∞ |
|
|
||
11 |
Гаусс-Зейдель |
3 |
1.00E-04 |
1.29E+00 |
5.95E+03 |
∞ |
|
|
8 |
1.00E-04 |
3.77E+00 |
5.76E+13 |
∞ |
|
|
||
13 |
1.00E-04 |
5.89E+01 |
2.67E+14 |
∞ |
|
|
Вывод: для большинства исследуемых матриц метод Гаусса-Зейделя проявил себя лучше, чем метод Якоби. Для исследуемых матриц Метод Гаусса-Зейделя сходится при различной обусловленности, в то время как метод Якоби сошелся лишь для матрицы №2 (хорошо обусловленной).
Из полученных результатов видно, что для данных методов выполняется теорема сходимости: метод сходится, если < 1 , где B = D * ( A - D ) для метода Якоби, B = E - (D + L ) * A для метода Гаусса-Зейделя (A – исходная матрица, D – диагональ исходной матрицы, L – нижний треугольник исходной матрицы). Также, исходя из полученных результатов, можно сделать вывод, что метод сходится тем медленнее, чем ближе спектральный радиус к единице, при спектральном радиусе больше единицы, метод расходится.