[拼音]：gong’e tidufa

[外文]：conjugate gra nt method

又称共轭斜量法，是解线性代数方程组和非线性方程组的一种数值方法，例如对线性代数方程组

A尣＝ƒ，

式中A为n阶矩阵，尣和ƒ为n维列向量，当A对称正定时，可以证明求(1)的解尣*和求二次泛函

的极小值问题是等价的。此处(尣，у)表示向量尣和у的内积。由此，给定了初始向量尣，按某一方向去求(2)取极小值的点尣，就得到下一个迭代值尣，再由尣出发，求尣等等，这样来逼近尣*。若取求极小值的方向为F在尣(k＝1，2，…)处的负梯度方向就是所谓最速下降法，然而理论和实际计算表明这个方法的收敛速度较慢，共轭梯度法则是在 尣处的梯度方向r和这一步的修正方向p所构成的二维平面内，寻找使F减小最快的方向作为下一步的修正方向，即求极小值的方向p（其第一步仍取负梯度方向）。计算公式为

再逐次计算

(k=1，2，…)。可以证明当i≠j时，

从而p，p形成一共轭向量组;r，r，…形成一正交向量组。后者说明若没有舍入误差的话，至多 n次迭代就可得到(1)的精确解。然而在实际计算中，一般都有舍入误差，所以r，r，…并不真正互相正交，而尣尣，…等也只是逐步逼近(1)的真解，故一般将共轭梯度法作为迭代法来使用。

近来在解方程组(1)时，常将共轭梯度法同其他一些迭代法结合作用。特别是对病态方程组这种方法往往能收到比较显著的效果。其方法是选取一对称正定矩阵 B并进行三角分解，得B=LLT。将方程组(1)化为

hу＝b， (3)

此处y＝lT尣，b＝l-1ƒ，h＝l-1Al-T，而。再对(3)用共轭梯度法，计算公式为

(k=0，1，2，…)适当选取B，当B 很接近A时，h的条件数较之A大大减小，从而可使共轭梯度法的收敛速度大为加快，由一些迭代法的矩阵分裂A=M -N，可选取M 为这里的B，例如对称超松弛迭代(SSOR)，强隐式迭代(SIP)等，这类方法常称为广义共轭梯度法或预条件共轭梯度法，它也可用于解代数特征值问题。

参考书目

冯康等编：《数值计算方法》，国防工业出版社，北京，1978。

严正声明：本文由历史百科网注册或游客用户文彦自行上传发布关于» 共轭梯度法的内容，本站只提供存储，展示，不对用户发布信息内容的原创度和真实性等负责。请读者自行斟酌。同时如内容侵犯您的版权或其他权益，请留言并加以说明。站长审查之后若情况属实会及时为您删除。同时遵循 CC 4.0 BY-SA 版权协议，尊重和保护作者的劳动成果，转载请标明出处链接和本声明内容：作者：文彦；本文链接：https://www.freedefine.cn/wenzhan/135463.html