Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
5 <strong>Numerische</strong> Iterationsverfahren<br />
10<br />
1<br />
0.1<br />
Jacobi<br />
Gauss-Seidel<br />
Abstiegs-Jacobi<br />
Abstiegs-Gauss-Seidel<br />
2<br />
1.9<br />
1.8<br />
1.7<br />
1.6<br />
1.5<br />
1.4<br />
1.3<br />
1.2<br />
Jacobi<br />
Abstiegsverfahren<br />
0.01<br />
1<br />
0.9<br />
0.001<br />
0.0001<br />
1e-05<br />
1 2 3 4 5 6 7 8 9 10<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2 0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
-1<br />
-1.2<br />
-1.4<br />
-1.6<br />
Abbildung 5.2: L<strong>in</strong>ks: Konvergenz von Jacobi-, Gauß-Seidel- sowie den entsprechenden<br />
Abstiegsverfahren. Rechts: Vergleich der Annäherung bei Jacobi- und<br />
Jacobi-Abstiegs-Verfahren an <strong>die</strong> Lösung x = (1, 0, 2) T .<br />
Gra<strong>die</strong>ntenverfahren Abschließend werden wir e<strong>in</strong> erstes Verfahren entwickeln, welches<br />
<strong>die</strong> neue Suchrichtung d k ∈ R n systematisch so bestimmt, dass das quadratische Funktional<br />
Q(x) möglichst stark m<strong>in</strong>imiert werden kann. Wir suchen also <strong>die</strong> Richtung des<br />
stärksten Abfalls. Zu e<strong>in</strong>em Punkt x ∈ R n ist <strong>die</strong>s gerade <strong>die</strong> Richtung d ∈ R n , <strong>die</strong> normal<br />
auf den Niveaumenge N(x) steht:<br />
N(x) := {y ∈ R n : Q(y) = Q(x)}<br />
In e<strong>in</strong>em Punkt x ist <strong>die</strong> Niveaumenge aufgespannt durch alle Richtungen δx ∈ R n mit:<br />
0 ! = Q ′ (x) · δx = (∇Q(x), δx) = (b − Ax, δx).<br />
Die Vektoren δx, welche <strong>die</strong> Niveaumenge aufspannen stehen orthogonal auf dem Defekt<br />
b − Ax, <strong>die</strong>ser zeigt daher <strong>in</strong> Richtung der stärksten Änderung von Q(·). Wir wählen<br />
d k := b − Ax k . Die so gefundene Suchrichtung wird dann mit dem Abstiegsverfahren<br />
komb<strong>in</strong>iert, d.h. wir iterieren:<br />
d k := b − Ax k , ω k := ‖dk ‖ 2 2<br />
(Ad k , d k ) 2<br />
, x k+1 := x k + ω k d k .<br />
Wir def<strong>in</strong>ieren das Gra<strong>die</strong>ntenverfahren:<br />
Algorithmus 5.39 (Gra<strong>die</strong>ntenverfahren). Es sei A ∈ R n×n symmetrisch positiv def<strong>in</strong>it,<br />
b ∈ R n . Es sei x 0 ∈ R n beliebig und d 0 := b − Ax 0 . Iteriere für k = 0, 1, 2, . . .<br />
1. r k := Ad k<br />
2. ω k = ‖d k‖ 2 2<br />
(r k ,d k ) 2<br />
3. x k+1 = x k + ω k d k .<br />
4. d k+1 = d k − ω k r k .<br />
212