线性方程组求解：Jacobi迭代法和LU分解法

本文介绍使用Python实现线性方程组求解，包括Jacobi迭代法和LU分解法，并根据矩阵的谱半径和行列式判断迭代法收敛性和方程组唯一解。

首先，我们定义了 jacobi_iteration_matrix 函数用于计算Jacobi迭代矩阵，该函数接受系数矩阵A作为参数，并返回对应的迭代矩阵。

import numpy as np

def jacobi_iteration_matrix(A):
    D = np.diag(np.diag(A))
    D_inv = np.linalg.inv(D)
    L_plus_U = A - D
    return -D_inv @ L_plus_U

接下来，check_convergence 函数用于判断迭代法是否收敛，该函数通过计算迭代矩阵的谱半径来判断，若谱半径小于1，则迭代法收敛，否则不收敛。

def check_convergence(A):
    eigenvalues = np.linalg.eigvals(A)
    rho = np.max(np.abs(eigenvalues))
    if rho < 1:
        return True
    else:
        return False

最后，solve_linear_equations 函数用于求解线性方程组，该函数首先判断迭代法是否收敛，如果收敛，则采用迭代法求解；如果不收敛，则采用LU分解法判断方程组是否有唯一解。

def solve_linear_equations(A, b):
    if check_convergence(A):
        x = np.zeros_like(b)
        T = jacobi_iteration_matrix(A)
        c = np.linalg.inv(np.diag(np.diag(A))) @ b
        max_iterations = 1000
        tolerance = 1e-6
        for _ in range(max_iterations):
            x_new = T @ x + c
            if np.linalg.norm(x_new - x) < tolerance:
                return x_new
            x = x_new
        return None
    else:
        if np.linalg.det(A) != 0:
            LU, P = lu_factorization(A)
            b_permuted = P @ b
            y = forward_substitution(LU, b_permuted)
            x = backward_substitution(LU, y)
            return x
        else:
            return None

# 假设线性方程组的系数矩阵为A，常数向量为b
A = np.array([[2, -1, 0],
              [-1, 2, -1],
              [0, -1, 2]])
b = np.array([1, 0, 1])

x = solve_linear_equations(A, b)

if x is not None:
    print('方程组的解为:', x)
else:
    print('方程组无解')

代码中，我们首先定义了系数矩阵A和常数向量b，然后调用 solve_linear_equations 函数求解方程组。最后，根据返回结果判断方程组是否有解，并输出结果。