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 />
Durch E<strong>in</strong>führen e<strong>in</strong>es zweiten Hilfsvektors r k ∈ R n kann <strong>in</strong> jeder Iteration e<strong>in</strong> Matrix-<br />
Vektor-Produkt gespart werden. Für Matrizen mit Diagonalanteil D = αI ist das Gra<strong>die</strong>ntenverfahren<br />
gerade das Jacobi-Verfahren <strong>in</strong> Verb<strong>in</strong>dung mit dem Abstiegsverfahren.<br />
Daher kann für <strong>die</strong>ses Verfahren im Allgeme<strong>in</strong>en auch ke<strong>in</strong>e verbesserte Konvergenzaussage<br />
erreicht werden. Es stellt jedoch den E<strong>in</strong>stieg <strong>in</strong> e<strong>in</strong>e ganze Klasse von fortgeschrittenen<br />
Verfahren, <strong>die</strong> Krylow-Unterraum-Verfahren dar. Wir zeigen:<br />
Satz 5.40 (Gra<strong>die</strong>ntenverfahren). Es sei A ∈ R n×n symmetrisch positiv def<strong>in</strong>it. Dann<br />
konvergiert das Gra<strong>die</strong>ntenverfahren für jeden Startvektor x 0 ∈ R n gegen <strong>die</strong> Lösung des<br />
Gleichungssystems Ax = b.<br />
Beweis: Es sei x k ∈ R n e<strong>in</strong>e gegebene Approximation. Weiter sei d := b − Ax k . Dann<br />
berechnet sich e<strong>in</strong> Schritt des Gra<strong>die</strong>ntenverfahrens als:<br />
Für das Energiefunktional gilt:<br />
x k+1 = x k +<br />
(d, d)<br />
(Ad, d) d.<br />
Q(x k+1 ) = 1 2 (Axk+1 , x k+1 ) − (b, x k+1 )<br />
Also folgt:<br />
= 1 2 (Axk , x k ) + 1 (d, d) 2<br />
(d, d)<br />
(Ad, d) +<br />
2 (Ad, d) 2 (Ad, d) (Axk , d) − (b, x k (d, d)<br />
) − (b, d)<br />
(Ad, d)<br />
{<br />
= Q(x k (d, d) 1<br />
) +<br />
(Ad, d) 2 (d, d) + (Axk , d) − (b, d)}<br />
⎧<br />
⎫<br />
= Q(x k (d, d) ⎨1<br />
⎬<br />
) +<br />
(Ad, d) ⎩2 (d, d) + (Axk − b, d)<br />
} {{ } ⎭<br />
=−d<br />
Q(x k+1 ) = Q(x k ) −<br />
(d, d)2<br />
2(Ad, d) .<br />
Wegen der positiven Def<strong>in</strong>itheit von A gilt λ m<strong>in</strong> (A)(d, d) ≤ (Ad, d) ≤ λ max (A)(d, d) und<br />
schließlich ist mit<br />
Q(x k+1 ) ≤ Q(x k (d, d)<br />
) − ,<br />
2λ<br />
} {{ max<br />
}<br />
≥0<br />
<strong>die</strong> Folge Q(x k ) monoton fallend. Weiter ist Q(x k ) nach unten durch Q(x) beschränkt. Also<br />
konvergiert <strong>die</strong> Folge Q(x k ) → c ∈ R n . Im Grenzwert muss gelten 0 = (d, d) = ‖b − Ax‖ 2 ,<br />
also Ax = b.<br />
□<br />
Schließlich zitieren wir noch zur Abschätzung der Konvergenzgeschw<strong>in</strong>digkeit <strong>die</strong> folgende<br />
Fehlerabschätzung:<br />
213