Алгоритм

1. Выбирается первая колонка слева, в которой есть хоть одно отличное от нуля значение.

2. Если самое верхнее число в этой колонке есть нуль, то меняется вся первая строка матрицы с другой строкой матрицы, где в этой колонке нет нуля.

3. Все элементы первой строки делятся на верхний элемент выбранной колонки.

4. Из оставшихся строк вычитается первая строка, умноженная на первый элемент соответствующей строки, с целью получить первым элементом каждой строки (кроме первой) нуль.

5. Далее проводим такую же процедуру с матрицей, получающейся из исходной матрицы после вычёркивания первой строки и первого столбца.

6. После повторения этой процедуры n − 1 раз получаем верхнюю треугольную матрицу

7. Вычитаем из предпоследней строки последнюю строку, умноженную на соответствующий коэффициент, с тем, чтобы в предпоследней строке осталась только 1 на главной диагонали.

8. Повторяем предыдущий шаг для последующих строк. В итоге получаем единичную матрицу и решение на месте свободного вектора (с ним необходимо проводить все те же преобразования).

9. Чтобы получить обратную матрицу, нужно применить все операции в том же порядке к единичной матрице.

8) Метод Крамера (прямой слау)

При небольшой размерности системы m (m = 2,…,5) на практике часто используют формулы Крамера для решения СЛАУ:

(i = 1, 2, …, m). Эти формулы позволяют находить неизвестные в виде дробей, знаменателем которых является определитель матрицы системы, а числителем – определители матриц A_i, полученных из A заменой столбца коэффициентов при вычисляемом неизвестном столбцом свободных членов. Так А₁ получается из матрицы А заменой первого столбца на столбец правых частей f.

Например, для системы двух линейных уравнений

Размерность системы (т.е., число m) является главным фактором, из–за которого формулы Крамера не могут быть использованы для численного решения СЛАУ большого порядка. При непосредственном раскрытии определителей решение системы с m неизвестными требует порядка m!*m арифметических операций. Таким образом, для решения системы, например, из m = 100 уравнений потребуется совершить 10¹⁵⁸ вычислительных операций (процесс займёт примерно 10¹⁹ лет), что не под силу даже самым мощным современным ЭВМ

9) Метод обратной матрицы (прямой слау)

Если det A ≠ 0, то существует обратная матрица . Тогда решение СЛАУ записывается в виде: . Следовательно, решение СЛАУ свелось к умножению известной обратной матрицы на вектор правых частей. Таким образом, задача решения СЛАУ и задача нахождения обратной матрицы связаны между собой, поэтому часто решение СЛАУ называют задачей обращения матрицы. Проблемы использования этого метода те же, что и при использовании метода Крамера: нахождение обратной матрицы – трудоемкая операция.

10) Метод Гаусса – Зейделя (Итерационный СЛАУ)

Расчетные формулы имеют вид:

т.е. для подсчета i–й компоненты (k+1)–го приближения к искомому вектору используется уже вычисленное на этом, т.е. (k+1)–м шаге, новые значения первых i–1 компонент.

Подробные формулы имеют вид:

Достаточное условие сходимости этого метода такое же, как и для метода простой итерации, т.е. диагональное преобладание:

Начальное приближение:

11) Метод релаксации

Метод релаксации - приближённый метод решения систем линейных уравнений.

Система линейных уравнений

приводится к виду

где , ,

Находятся невязки R_j:

Выбирается начальное приближение X⁽⁰⁾ = 0. На каждом шаге необходимо обратить в ноль максимальную невязку: .

Условие остановки: .

Ответ находится по формуле:

12) Метод хорд

Метод хорд  — итерационный метод нахождения корня уравнения.

Алгебраическое описание метода

Пусть x₁,x₂ − абсциссы концов хорды, y = kx + b − уравнение прямой, содержащей хорду. Найдем коэффициенты k и b из системы уравнений:

.

Вычтем из первого уравнения второе:

f(x₁) − f(x₂) = k(x₁ − x₂), затем найдем коэффициенты k и b:

, тогда

.

Уравнение принимает вид:

Таким образом, теперь можем найти первое приближение к корню, полученное методом хорд:

Теперь возьмем координаты x₂ и x₃ и повторим все проделанные операции, найдя новое приближение к корню. Повторять операцию следует до тех пор, пока x_n − x_{n − 1} не станет меньше или равно заданному значению погрешности.