Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5.3 Iterative Lösungsverfahren für l<strong>in</strong>eare Gleichungssysteme<br />
Die Schwierigkeit bei der Realisierung des SOR-Verfahrens ist <strong>die</strong> Bestimmung von guten<br />
Relaxationsparametern, so dass <strong>die</strong> Matrix H ω e<strong>in</strong>en möglichst kle<strong>in</strong>en Spektralradius<br />
besitzt. Es gilt <strong>die</strong> erste Abschätzung:<br />
Satz 5.31 (Relaxationsparameter des SOR-Verfahrens). Es sei A ∈ R n×n mit regulärem<br />
Diagonalteil D ∈ R n×n Dann gilt:<br />
Für spr(H ω ) < 1 muss gelten ω ∈ (0, 2).<br />
spr(H ω ) ≥ |ω − 1|, ω ∈ R.<br />
Beweis: Wir nutzen <strong>die</strong> Matrix-Darstellung der Iteration:<br />
H ω = [D + ωL] −1 [(1 − ω)D − ωR] = (I + w } D −1 {{ L}<br />
) −1 D} −1 {{ D}<br />
[(1 − ω)I − ω } D −1 {{ R}<br />
].<br />
=: ˜L =I<br />
=: ˜R<br />
Die Matrizen ˜L sowie ˜R s<strong>in</strong>d echte Dreiecksmatrizen mit Nullen auf der Diagonale. D.h., es<br />
gilt det(I +ω ˜L) = 1 sowie det((1−ω)I −ω ˜R) = (1−ω) n , also Nun gilt für <strong>die</strong> Determ<strong>in</strong>ante<br />
von H ω<br />
det(H ω ) = 1 · (1 − ω) n .<br />
Für <strong>die</strong> Eigenwerte λ i von H ω gilt folglich<br />
n∏<br />
i=1<br />
λ i = det(H ω ) = (1 − ω) n ⇒ spr(H ω ) = max<br />
1≤i≤n |λ i| ≥<br />
( n ∏<br />
|λ i |<br />
i=1<br />
) 1<br />
n<br />
= |1 − ω|.<br />
Die letzte Abschätzung nutzt, dass das geometrische Mittel von n Zahlen kle<strong>in</strong>er ist, als<br />
das Maximum.<br />
□<br />
Dieser Satz liefert e<strong>in</strong>e erste Abschätzung für <strong>die</strong> Wahl des Relaxationsparameters, hilft<br />
jedoch noch nicht beim Bestimmen e<strong>in</strong>es Optimums. Für <strong>die</strong> wichtige Klasse von positiv<br />
def<strong>in</strong>iten Matrizen erhalten wir e<strong>in</strong> sehr starkes Konvergenzresultat:<br />
Satz 5.32 (SOR-Verfahren für positiv def<strong>in</strong>ite Matrizen). Es sei A ∈ R n×n e<strong>in</strong>e symmetrisch<br />
positiv def<strong>in</strong>ite Matrix. Dann gilt:<br />
spr(H ω ) < 1 für 0 < ω < 2.<br />
SOR-Verfahren und auch Gauß-Seidel-Verfahren s<strong>in</strong>d konvergent.<br />
Beweis: Siehe [9].<br />
Für <strong>die</strong> oben angegebene Modellmatrix ist <strong>die</strong> Konvergenz von Jacobi- sowie Gauß-Seidel-<br />
Iteration auch theoretisch abgesichert. Für <strong>die</strong>se Matrizen (und allgeme<strong>in</strong> für <strong>die</strong> Klasse<br />
der konsistent geordneten Matrizen, siehe [9]) kann für <strong>die</strong> Jacobi- J und Gauß-Seidel-<br />
Iteration H 1 der folgende Zusammenhang gezeigt werden:<br />
spr(J) 2 = spr(H 1 ). (5.15)<br />
□<br />
205