线性方程组求解：Jacobi 迭代法与 LU 分解法的应用

首先，我们给出线性方程组的系数矩阵 A 和常数向量 b：

A = np.array([[4, -1, 0],
              [1, 6, -2],
              [0, 2, 5]])

b = np.array([2, -4, 1])

接下来，我们来计算 Jacobi 迭代矩阵。Jacobi 迭代矩阵的定义如下：

D = np.diag(np.diag(A))  # A 的对角线元素构成的对角矩阵
L = -np.tril(A, k=-1)  # A 的下三角矩阵
U = -np.triu(A, k=1)  # A 的上三角矩阵

J = np.linalg.inv(D) @ (L + U)

其中，tril 和 triu 函数分别返回矩阵的下三角和上三角部分。

然后，我们可以计算 Jacobi 迭代矩阵的谱半径，判断迭代法是否收敛。谱半径的定义如下：

rho = np.max(np.abs(np.linalg.eigvals(J)))

如果 rho 小于 1，则迭代法收敛；如果 rho 大于等于 1，则迭代法不收敛。

最后，根据迭代法是否收敛，选择使用迭代法或 LU 分解法求解方程组。

下面是 Python 代码实现：

import numpy as np

# 线性方程组的系数矩阵 A 和常数向量 b
A = np.array([[4, -1, 0],
              [1, 6, -2],
              [0, 2, 5]])

b = np.array([2, -4, 1])

# Jacobi 迭代矩阵的计算
D = np.diag(np.diag(A))
L = -np.tril(A, k=-1)
U = -np.triu(A, k=1)

J = np.linalg.inv(D) @ (L + U)

# Jacobi 迭代矩阵的谱半径
rho = np.max(np.abs(np.linalg.eigvals(J)))

if rho < 1:
    print('迭代法收敛')
    # 使用迭代法求解方程组
    x = np.zeros_like(b)  # 初始化解向量
    max_iter = 100  # 最大迭代次数
    tol = 1e-6  # 迭代精度

    for i in range(max_iter):
        x_new = (b - (L + U) @ x) / np.diag(A)
        if np.linalg.norm(x_new - x) < tol:
            break
        x = x_new

    print('方程组的解为：', x)

else:
    print('迭代法不收敛')
    # 使用 LU 分解法求解方程组
    if np.linalg.det(A) != 0:
        x = np.linalg.solve(A, b)
        print('方程组的解为：', x)
    else:
        print('方程组无解或有无穷解')

注意，上述代码使用了 numpy 中的一些线性代数函数，需要提前导入 numpy 库。