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 <strong>Numerische</strong> Iterationsverfahren<br />
Satz 5.41 (Konvergenz des Gra<strong>die</strong>ntenverfahrens). Es sei A ∈ R n×n e<strong>in</strong>e symmetrisch<br />
positiv def<strong>in</strong>ite Matrix. Dann gilt für das Gra<strong>die</strong>ntenverfahren zur Lösung von Ax = b <strong>die</strong><br />
Fehlerabschätzung<br />
Beweis: Siehe [9]<br />
‖x k − x‖ A ≤<br />
( ) 1 − 1/κ k<br />
, κ := cond 2 (A) = λ max(A)<br />
1 + 1/κ<br />
λ m<strong>in</strong> (A) .<br />
Die asymptotische Konvergenzrate des Gra<strong>die</strong>ntenverfahrens wir durch <strong>die</strong> Kondition der<br />
Matrix bestimmt. Für <strong>die</strong> Modellmatrix gilt κ = O(n 2 ), siehe Beispiel 5.33. Also gilt:<br />
ρ = 1 − 1 n 2<br />
1 + 1 n 2 = 1 − 2 n 2 + O ( 1<br />
n 4 )<br />
.<br />
Die Konvergenz ist demnach ebenso langsam wie <strong>die</strong> des Jacobi-Verfahrens (wir haben<br />
bereits diskutiert, dass es für <strong>die</strong> Modellmatrix mit dem Jacobi-Abstiegsverfahren übere<strong>in</strong>stimmt).<br />
Für das Gra<strong>die</strong>ntenverfahren gilt jedoch der folgende Zusammenhang, der<br />
Basis des CG-Verfahrens ist:<br />
Satz 5.42 (Abstiegsrichtungen im Gra<strong>die</strong>ntenverfahren). Es sei A ∈ R n×n symmetrisch<br />
positiv def<strong>in</strong>it. Dann stehen je zwei aufe<strong>in</strong>anderfolgende Abstiegsrichtungen d k und d k+1<br />
des Gra<strong>die</strong>ntenverfahren orthogonal aufe<strong>in</strong>ander.<br />
Beweis: Zum Beweis, siehe Algorithmus 5.39. Es gilt:<br />
Also gilt:<br />
d k+1 = d k − ω k r k = d k − (dk , d k )<br />
(Ad k , d k ) Adk .<br />
(d k+1 , d k ) = (d k , d k ) − (dk , d k )<br />
(Ad k , d k ) (Adk , d k ) = (d k , d k ) − (d k , d k ) = 0.<br />
□<br />
□<br />
Das CG-Verfahren Der Zusammenhang aus Satz 5.42 gilt nur für jeweils aufe<strong>in</strong>ander folgende<br />
Abstiegsrichtungen, im Allgeme<strong>in</strong>en gilt jedoch d k ̸⊥ d k+2 . In Abbildung 5.2 rechts<br />
ist der Approximationsverlauf des Abstiegs-Jacobi-Verfahren, welches mit dem Gra<strong>die</strong>ntenverfahren<br />
übere<strong>in</strong>stimmt dargestellt. Zwei aufe<strong>in</strong>ander folgende Richtungen s<strong>in</strong>d zwar<br />
je orthogonal, <strong>die</strong> dritte Richtung steht jedoch wieder nahezu parallel auf der ersten. Dies<br />
führt dazu, dass das Gra<strong>die</strong>ntenverfahren im Allgeme<strong>in</strong>en sehr langsam konvergiert. Das<br />
CG-Verfahren, oder “Verfahren der konjugierten Gra<strong>die</strong>nten”, entwickelt <strong>die</strong>sen Ansatz<br />
weiter und wählt Suchrichtungen {d 1 , . . . , d k } <strong>die</strong> paarweise orthogonal s<strong>in</strong>d. Orthogonalität<br />
wird dabei im A-Skalarprodukt erreicht:<br />
(Ad r , d s ) = 0 ∀r ≠ s.<br />
214