6.3超松弛迭代法（SOR）

超松弛迭代法（SOR）详细讲解与推导

一、迭代法的核心基础框架

对于n阶线性方程组 \(Ax=b\)，迭代法的核心思想是对系数矩阵做分裂：\(A = M - N\)，其中\(M\)为非奇异矩阵（称为分裂矩阵）。由此构造迭代格式：

\[Mx^{(k+1)} = Nx^{(k)} + b \]

两边左乘\(M^{-1}\)，得到标准迭代形式：

\[x^{(k+1)} = L x^{(k)} + f \]

其中：

• 迭代矩阵 \(L = M^{-1}N\)，决定迭代的收敛性与收敛速度；
• 常数项 \(f = M^{-1}b\)。

迭代法收敛的充要条件：迭代矩阵的谱半径 \(\rho(L) < 1\)（谱半径为矩阵所有特征值的模的最大值）。

为了简化迭代构造，对系数矩阵\(A\)做标准的D-L-U分解：

\[A = D - L - U \]

其中：

• \(D\)：对角矩阵，\(D = \text{diag}(a_{11},a_{22},\dots,a_{nn})\)，要求\(a_{ii} \neq 0\)（保证迭代可计算）；
• \(L\)：严格下三角矩阵，对角线元素全为0，当\(i>j\)时\(L_{ij}=-a_{ij}\)，其余为0；
• \(U\)：严格上三角矩阵，对角线元素全为0，当\(i<j\)时\(U_{ij}=-a_{ij}\)，其余为0。

高斯-塞德尔（GS）迭代就是基于该分解的经典迭代法，而超松弛迭代法（SOR）是GS迭代的推广与修正，核心是引入松弛因子优化收敛速度。

---

二、SOR迭代法的构造与完整推导

2.1 松弛思想的来源

GS迭代的核心是用已更新的分量计算新值，分量格式为：

\[\tilde{x}_i^{(k+1)} = \frac{1}{a_{ii}}\left( b_i - \sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)} - \sum_{j=i+1}^n a_{ij}x_j^{(k)} \right) \]

SOR迭代在GS迭代的基础上，引入松弛因子\(\omega>0\)，对旧值\(x_i^{(k)}\)和GS迭代的辅助值\(\tilde{x}_i^{(k+1)}\)做加权平均，得到新的迭代值：

\[x_i^{(k+1)} = (1-\omega)x_i^{(k)} + \omega \tilde{x}_i^{(k+1)} \]

该式也可写成增量形式，更直观体现“松弛”的含义：

\[x_i^{(k+1)} = x_i^{(k)} + \omega\left( \tilde{x}_i^{(k+1)} - x_i^{(k)} \right) \]

即：新值 = 旧值 + 松弛因子×GS迭代的增量，通过调整\(\omega\)控制更新步长，优化收敛速度。

2.2 SOR分量计算公式的推导

将GS辅助值代入加权平均公式，展开推导：

\[\begin{align*} x_i^{(k+1)} &= (1-\omega)x_i^{(k)} + \frac{\omega}{a_{ii}}\left( b_i - \sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)} - \sum_{j=i+1}^n a_{ij}x_j^{(k)} \right) \\ &= x_i^{(k)} - \omega x_i^{(k)} + \frac{\omega}{a_{ii}}\left( b_i - \sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)} - \sum_{j=i+1}^n a_{ij}x_j^{(k)} \right) \\ &= x_i^{(k)} + \frac{\omega}{a_{ii}}\left( b_i - \sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)} - \sum_{j=i}^n a_{ij}x_j^{(k)} \right) \end{align*} \]

最终得到SOR迭代的分量计算公式（计算机实现的核心格式）：

\[\begin{cases} x^{(0)} = (x_1^{(0)},x_2^{(0)},\dots,x_n^{(0)})^T \quad (\text{初始向量}) \\ x_i^{(k+1)} = x_i^{(k)} + \frac{\omega}{a_{ii}}\left( b_i - \sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)} - \sum_{j=i}^n a_{ij}x_j^{(k)} \right) \\ i=1,2,\dots,n,\quad k=0,1,2,\dots \end{cases} \]

2.3 SOR矩阵形式与分裂矩阵的推导

将分量公式两边乘以\(a_{ii}\)，整理得：

\[a_{ii}x_i^{(k+1)} + \omega\sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)} = a_{ii}x_i^{(k)} - \omega\sum_{j=i}^n a_{ij}x_j^{(k)} + \omega b_i \]

结合D-L-U分解的定义，将上式转化为矩阵形式：

• 左边：\((D - \omega L)x^{(k+1)}\)（\(D-\omega L\)为下三角矩阵，对角元为\(a_{ii}\neq0\)，可逆）；
• 右边：\(\left[(1-\omega)D + \omega U\right]x^{(k)} + \omega b\)。

因此得到矩阵等式：

\[(D - \omega L)x^{(k+1)} = \left[(1-\omega)D + \omega U\right]x^{(k)} + \omega b \]

两边左乘\((D - \omega L)^{-1}\)，得到SOR迭代的标准矩阵格式：

\[x^{(k+1)} = L_\omega x^{(k)} + f \]

其中：

1. 迭代矩阵：\(\boldsymbol{L_\omega = (D - \omega L)^{-1}\left[(1-\omega)D + \omega U\right]}\)
2. 常数项：\(\boldsymbol{f = \omega (D - \omega L)^{-1}b}\)

对比迭代法的通用分裂形式\(A=M-N\)，可推导出SOR的分裂矩阵：
由\(M^{-1} = \omega (D - \omega L)^{-1}\)，得分裂矩阵：

\[\boldsymbol{M = \frac{1}{\omega}(D - \omega L)} \]

这就是教材中分裂矩阵的来源，而非凭空定义。

---

三、SOR迭代的分类与特殊情况

1. 当\(\omega=1\)时：
   迭代矩阵退化为\(L_1=(D-L)^{-1}U\)，与高斯-塞德尔迭代的迭代矩阵完全一致。因此GS迭代是SOR迭代在\(\omega=1\)时的特例，SOR是GS迭代的推广。

2. 按松弛因子的分类：

   • \(\omega>1\)：超松弛迭代，放大GS迭代的更新步长，用于加速收敛（是SOR最常用的场景）；
   • \(\omega<1\)：低松弛（亚松弛）迭代，缩小更新步长，用于改善迭代的稳定性，让原本不收敛的迭代变得收敛；
   • \(\omega=1\)：高斯-塞德尔迭代。

---

四、SOR迭代的收敛性理论与证明

4.1 收敛的充要条件

SOR迭代收敛的充要条件是迭代矩阵的谱半径满足：

\[\boldsymbol{\rho(L_\omega) < 1} \]

该条件是所有迭代法收敛的通用充要条件，对SOR迭代完全适用。

4.2 收敛的必要条件（核心定理）

定理：SOR迭代收敛的必要条件是松弛因子满足 \(\boldsymbol{0 < \omega < 2}\)。

严格证明：

矩阵的行列式等于其所有特征值的乘积，因此对迭代矩阵\(L_\omega\)，有：

\[\det(L_\omega) = \prod_{i=1}^n \lambda_i \]

其中\(\lambda_i\)是\(L_\omega\)的特征值。

分别计算行列式的两部分：

1. \(\det\left((D - \omega L)^{-1}\right) = \frac{1}{\det(D - \omega L)}\)：
   \(D-\omega L\)是下三角矩阵，行列式等于对角元的乘积，即\(\det(D-\omega L)=\det(D)\)，因此\(\det\left((D - \omega L)^{-1}\right) = \frac{1}{\det(D)}\)。

2. \(\det\left((1-\omega)D + \omega U\right)\)：
   \((1-\omega)D + \omega U\)是上三角矩阵，行列式等于对角元的乘积，对角元为\((1-\omega)a_{ii}\)，因此：

   \[\det\left((1-\omega)D + \omega U\right) = \prod_{i=1}^n (1-\omega)a_{ii} = (1-\omega)^n \det(D) \]

因此迭代矩阵的行列式为：

\[\det(L_\omega) = \frac{1}{\det(D)} \cdot (1-\omega)^n \det(D) = (1-\omega)^n \]

若SOR迭代收敛，则\(\rho(L_\omega)<1\)，即所有特征值的模\(|\lambda_i|<1\)，因此：

\[|\det(L_\omega)| = \prod_{i=1}^n |\lambda_i| < 1 \]

代入行列式结果得：

\[|1-\omega|^n < 1 \implies |1-\omega| < 1 \]

解不等式得：\(\boldsymbol{0 < \omega < 2}\)。

重要结论：若\(\omega\)不在\((0,2)\)区间内，SOR迭代一定不收敛；只有\(\omega\in(0,2)\)时，迭代才有可能收敛。该条件是收敛的前提，是选择松弛因子的基础。

4.3 对称正定矩阵的收敛充分条件

定理：若系数矩阵\(A\)是对称正定矩阵，且\(0<\omega<2\)，则SOR迭代一定收敛。

该定理是工程中最常用的结论（有限元、有限差分法得到的线性方程组多为对称正定矩阵），证明如下：

严格证明：

要证明SOR收敛，只需证明\(L_\omega\)的任意特征值\(\lambda\)都满足\(|\lambda|<1\)。

设\(\lambda\)是\(L_\omega\)的任意特征值，\(x\)为对应的特征向量，即\(L_\omega x = \lambda x\)，代入\(L_\omega\)的定义得：

\[(D - \omega L)^{-1}\left[(1-\omega)D + \omega U\right]x = \lambda x \]

两边左乘\((D - \omega L)\)，整理得：

\[\left[(1-\omega)D + \omega U\right]x = \lambda (D - \omega L)x \tag{1} \]

由于\(A\)是对称矩阵，\(A=A^T\)，结合\(A=D-L-U\)，可得\(U=L^T\)（\(L\)的转置等于\(U\)）。

对式(1)两边左乘\(x\)的共轭转置\(x^H\)（处理复数特征值），记：

• \(\alpha = x^H D x\)：\(D\)是正定对角矩阵（对称正定矩阵的对角元恒正），因此\(\alpha>0\)；
• \(\beta = x^H L x\)，则\(x^H U x = x^H L^T x = \overline{\beta}\)（\(\beta\)的共轭复数）。

式(1)可改写为：

\[(1-\omega)\alpha + \omega \overline{\beta} = \lambda (\alpha - \omega \beta) \tag{2} \]

解出\(\lambda\)并计算模的平方：

\[\lambda = \frac{(1-\omega)\alpha + \omega \overline{\beta}}{\alpha - \omega \beta} \]

\[|\lambda|^2 = \frac{\left[(1-\omega)\alpha + \omega \overline{\beta}\right] \cdot \left[(1-\omega)\alpha + \omega \beta\right]}{(\alpha - \omega \beta) \cdot (\alpha - \omega \overline{\beta})} \tag{3} \]

利用\(A\)的正定性：\(x^H A x = \alpha - \beta - \overline{\beta} > 0\)，记\(S=\beta+\overline{\beta}\)，则\(S < \alpha\)。

将式(3)的分子\(N\)与分母\(DEN\)展开并做差：

\[\begin{align*} N - DEN &= (1-\omega)^2\alpha^2 + \omega(1-\omega)\alpha S + \omega^2|\beta|^2 - \left(\alpha^2 - \omega \alpha S + \omega^2|\beta|^2\right) \\ &= \omega(2-\omega)\alpha (S - \alpha) \end{align*} \]

分析各项符号：

• \(0<\omega<2\)，因此\(\omega(2-\omega)>0\)；
• \(\alpha>0\)，\(S-\alpha<0\)；

因此\(N-DEN < 0\)，即\(N < DEN\)。同时分母\(DEN=|\alpha - \omega \beta|^2>0\)（若\(DEN=0\)则与\(S<\alpha\)矛盾），因此：

\[|\lambda|^2 = \frac{N}{DEN} < 1 \implies |\lambda| < 1 \]

由于\(\lambda\)是\(L_\omega\)的任意特征值，因此\(\rho(L_\omega)<1\)，SOR迭代收敛。

---

五、最佳松弛因子与收敛加速

SOR迭代的收敛速度高度依赖松弛因子\(\omega\)的选择，最佳松弛因子\(\omega_{opt}\)是使\(\rho(L_\omega)\)最小的\(\omega\)，此时迭代收敛速度最快。

5.1 适用场景

对于具有性质A（2-循环矩阵）且相容次序的矩阵（如五点差分法解泊松方程得到的矩阵，是工程中最常见的场景），有严格的最佳松弛因子计算公式。

5.2 计算公式

记雅可比迭代矩阵\(J=D^{-1}(L+U)\)的谱半径为\(\mu=\rho(J)\)（要求\(\mu<1\)，即雅可比迭代收敛），则：

\[\boldsymbol{\omega_{opt} = \frac{2}{1+\sqrt{1-\mu^2}}} \]

此时迭代矩阵的最小谱半径为：

\[\rho(L_{\omega_{opt}}) = \omega_{opt} - 1 \]

5.3 实例验证

以教材例6.8的矩阵为例，雅可比迭代矩阵的谱半径\(\mu=0.75\)，代入公式得\(\omega_{opt}\approx1.204\)，与实际测试的最优值\(\omega=1.3\)接近，验证了公式的有效性。实际工程中，可通过小规模测试或经验公式确定\(\omega_{opt}\)，大幅减少迭代次数。

---

六、SOR迭代的计算机实现流程

1. 输入：系数矩阵\(A\)、右端向量\(b\)、初始向量\(x_0\)、松弛因子\(\omega\)、收敛精度\(\varepsilon\)、最大迭代次数\(N_{max}\)。
2. 初始化：迭代次数\(k=0\)，当前迭代值\(x=x_0\)。
3. 迭代循环：
   • 对\(i=1\)到\(n\)，依次计算：
     1. 已更新分量和：\(sum1 = \sum_{j=1}^{i-1}a_{ij}x_j\)
     2. 未更新分量和：\(sum2 = \sum_{j=i}^n a_{ij}x_j\)
     3. 增量：\(\Delta x_i = \frac{\omega}{a_{ii}}(b_i - sum1 - sum2)\)
     4. 更新分量：\(x_i = x_i + \Delta x_i\)
   • 计算收敛判据：\(\max|\Delta x_i| < \varepsilon\) 或 \(\|b-Ax\|_\infty < \varepsilon\)。
   • 若满足精度，输出\(x\)，迭代结束；否则\(k=k+1\)，若\(k>N_{max}\)，输出迭代失败，结束循环。

---

七、SOR迭代法核心知识点总结表

分类	核心内容	关键公式/结论
核心定义	迭代格式	\(x^{(k+1)} = L_\omega x^{(k)} + f\)
	迭代矩阵	\(L_\omega = (D - \omega L)^{-1}\left[(1-\omega)D + \omega U\right]\)
	分裂矩阵	\(M = \frac{1}{\omega}(D - \omega L)\)
	分量计算公式	\(x_i^{(k+1)} = x_i^{(k)} + \frac{\omega}{a_{ii}}\left( b_i - \sum_{j=1}^{i-1}a_{ij}x_j^{(k+1)} - \sum_{j=i}^n a_{ij}x_j^{(k)} \right)\)
特殊情况	\(\omega=1\)	退化为高斯-塞德尔迭代
	\(\omega>1\)	超松弛迭代，用于加速收敛
	\(\omega<1\)	低松弛迭代，用于改善稳定性
收敛性理论	收敛充要条件	\(\rho(L_\omega) < 1\)
	收敛必要条件	\(0 < \omega < 2\)（不满足则一定不收敛）
	对称正定矩阵收敛充分条件	\(A\)对称正定 + \(0<\omega<2\) → SOR一定收敛
收敛加速	最佳松弛因子（2-循环相容次序矩阵）	\(\omega_{opt} = \frac{2}{1+\sqrt{1-\mu^2}}\)，\(\mu=\rho(J)\)（雅可比谱半径）
	最优谱半径	\(\rho(L_{\omega_{opt}}) = \omega_{opt} - 1\)
工程特性	存储需求	仅需1个数组存储迭代值，与GS迭代一致，内存占用低
	计算量	单次迭代计算量与雅可比、GS迭代相当，收敛速度远优于二者（选对\(\omega\)时）
	适用场景	大型稀疏线性方程组（如偏微分方程数值解、有限元分析）

---

SOR迭代法收敛性理论 深度讲解与完整推导

承接上一节SOR迭代法的构造，本节是SOR方法的核心理论基础，解决三个关键问题：

1. SOR迭代收敛的前提条件是什么？
2. 什么情况下能保证SOR迭代一定收敛？
3. 如何选择松弛因子让SOR迭代收敛速度最快？

---

一、前置基础回顾

对于线性方程组 \(Ax=b\)，SOR迭代的核心形式为：

\[x^{(k+1)} = L_\omega x^{(k)} + f \]

其中迭代矩阵：

\[L_\omega = (D - \omega L)^{-1}\left[(1-\omega)D + \omega U\right] \]

\(A=D-L-U\) 为系数矩阵的D-L-U分解（\(D\)为对角矩阵，\(L\)为严格下三角矩阵，\(U\)为严格上三角矩阵）。

迭代法收敛的充要条件：迭代矩阵的谱半径 \(\boldsymbol{\rho(L_\omega) < 1}\)（谱半径为矩阵所有特征值模的最大值）。所有收敛性定理均围绕该充要条件展开。

---

二、定理6.10：SOR迭代收敛的必要条件

定理内容

若解 \(Ax=b\) 的SOR迭代法收敛，则松弛因子必然满足 \(\boldsymbol{0 < \omega < 2}\)。

完整证明拆解

步骤1：从收敛性得到行列式的约束

SOR迭代收敛 → 满足收敛充要条件 \(\rho(L_\omega) < 1\)。

设 \(L_\omega\) 的 \(n\) 个特征值为 \(\lambda_1,\lambda_2,\dots,\lambda_n\)，根据矩阵行列式的性质：矩阵的行列式等于所有特征值的乘积，即：

\[\det(L_\omega) = \lambda_1 \lambda_2 \dots \lambda_n \]

对等式两边取模，得：

\[|\det(L_\omega)| = |\lambda_1 \lambda_2 \dots \lambda_n| = \prod_{i=1}^n |\lambda_i| \]

根据谱半径的定义，\(\rho(L_\omega) = \max_{1\leq i\leq n} |\lambda_i|\)，因此所有特征值的模都满足 \(|\lambda_i| \leq \rho(L_\omega)\)，代入乘积得：

\[|\det(L_\omega)| = \prod_{i=1}^n |\lambda_i| \leq \left[\rho(L_\omega)\right]^n \]

由于迭代收敛，\(\rho(L_\omega) < 1\)，因此 \(\left[\rho(L_\omega)\right]^n < 1\)，最终得到核心约束：

\[|\det(L_\omega)| < 1 \]

步骤2：计算迭代矩阵的行列式

根据矩阵行列式的性质：\(\det(AB)=\det(A)\det(B)\)，\(\det(A^{-1})=1/\det(A)\)，对 \(L_\omega\) 拆分计算：

\[\det(L_\omega) = \det\left[(D - \omega L)^{-1}\right] \cdot \det\left[(1-\omega)D + \omega U\right] \]

分别计算两部分的行列式：

1. \(\det\left[(D - \omega L)^{-1}\right]\)：
   \(D-\omega L\) 是下三角矩阵（\(D\)为对角矩阵，\(L\)为严格下三角矩阵），下三角矩阵的行列式等于对角元的乘积。
   \(D-\omega L\) 的对角元与 \(D\) 完全一致（\(L\)的对角元为0），因此 \(\det(D-\omega L)=\det(D)\)，故：

   \[\det\left[(D - \omega L)^{-1}\right] = \frac{1}{\det(D)} \]

2. \(\det\left[(1-\omega)D + \omega U\right]\)：
   \((1-\omega)D + \omega U\) 是上三角矩阵（\(D\)为对角矩阵，\(U\)为严格上三角矩阵），上三角矩阵的行列式同样等于对角元的乘积。
   该矩阵的对角元为 \((1-\omega)a_{ii}\)（\(U\)的对角元为0），因此：

   \[\det\left[(1-\omega)D + \omega U\right] = \prod_{i=1}^n (1-\omega)a_{ii} = (1-\omega)^n \cdot \det(D) \]

步骤3：合并得到最终结论

将两部分行列式合并，\(\det(D)\) 相互抵消：

\[\det(L_\omega) = \frac{1}{\det(D)} \cdot (1-\omega)^n \cdot \det(D) = (1-\omega)^n \]

结合步骤1的约束 \(|\det(L_\omega)| < 1\)，得：

\[|1-\omega|^n < 1 \]

两边开 \(n\) 次方（\(n\)为正整数，不改变不等号方向）：

\[|1-\omega| < 1 \]

解该绝对值不等式：

\[-1 < 1-\omega < 1 \]

• 左半部分：\(1-\omega > -1 \implies \omega < 2\)
• 右半部分：\(1-\omega < 1 \implies \omega > 0\)

最终得到：\(\boldsymbol{0 < \omega < 2}\)，定理得证。

定理核心解读

1. 这是SOR迭代收敛的硬约束：只要 \(\omega\) 不在 \((0,2)\) 区间内，无论系数矩阵 \(A\) 是什么形式，SOR迭代一定发散。
2. 该条件是必要非充分条件：\(\omega\in(0,2)\) 不能保证迭代一定收敛，只是收敛的前提。

---

三、定理6.11：对称正定矩阵的收敛充分条件

该定理是工程中最常用的收敛性判定准则，有限元、有限差分法求解椭圆型方程得到的系数矩阵，大多为对称正定矩阵。

定理内容

若线性方程组 \(Ax=b\) 满足以下两个条件：

1. 系数矩阵 \(A\) 为对称正定矩阵，且 \(A=D-L-U\)；
2. 松弛因子满足 \(\boldsymbol{0 < \omega < 2}\)；

则解 \(Ax=b\) 的SOR迭代法一定收敛。

完整证明拆解

证明思路

要证明SOR迭代收敛，只需证明：\(L_\omega\) 的任意一个特征值 \(\lambda\) 都满足 \(|\lambda| < 1\)，即可推出 \(\rho(L_\omega) < 1\)，满足收敛充要条件。

步骤1：从特征值定义出发，消去逆矩阵

设 \(\lambda\) 是 \(L_\omega\) 的任意一个特征值，\(y\) 为对应的非零特征向量，即：

\[L_\omega y = \lambda y, \quad y=(y_1,y_2,\dots,y_n)^T \neq 0 \]

代入 \(L_\omega\) 的定义：

\[(D - \omega L)^{-1}\left[(1-\omega)D + \omega U\right]y = \lambda y \]

两边左乘 \((D - \omega L)\) 消去逆矩阵，得到核心等式：

\[\left[(1-\omega)D + \omega U\right]y = \lambda (D - \omega L)y \tag{1} \]

步骤2：引入内积，推导特征值表达式

对等式(1)两边同时与特征向量 \(y\) 做欧氏内积（内积定义：\((x,y)=x^H y\)，\(H\)为共轭转置，用于处理复数特征值），得：

\[\left( \left[(1-\omega)D + \omega U\right]y, y \right) = \lambda \left( (D - \omega L)y, y \right) \]

根据内积的线性性质，将常数项提出，整理得到 \(\lambda\) 的表达式：

\[\lambda = \frac{(1-\omega)(Dy,y) + \omega(Uy,y)}{(Dy,y) - \omega(Ly,y)} \tag{2} \]

步骤3：利用对称正定矩阵的性质，化简内积

1. \((Dy,y)\) 的正定性：
   \(A\) 是对称正定矩阵，因此其对角元 \(a_{ii} > 0\)（正定矩阵的必要条件）。展开内积：

   \[(Dy,y) = \sum_{i=1}^n a_{ii} |y_i|^2 \]

   由于 \(y \neq 0\)，\(a_{ii} > 0\)，因此该和式一定为正，记 \(\boldsymbol{\sigma = (Dy,y) > 0}\)。

2. \(U=L^T\) 的对称性：
   \(A\) 是对称矩阵，即 \(A=A^T\)。结合 \(A=D-L-U\)，得：

   \[A^T = D^T - L^T - U^T = D - L^T - U^T = A = D - L - U \]

   因此推出 \(\boldsymbol{U=L^T}\)（严格下三角矩阵的转置为严格上三角矩阵）。

3. 内积的共轭性质：
   记 \(-(Ly,y) = \alpha + i\beta\)（\(\alpha,\beta\) 为实数，\(i\) 为虚数单位），根据内积的共轭性质 \((A^T x,y) = (x,Ay)\)，得：

   \[(Uy,y) = (L^T y,y) = (y,Ly) = \overline{(Ly,y)} \]

   其中 \(\overline{z}\) 表示复数 \(z\) 的共轭。代入 \(-(Ly,y)=\alpha+i\beta\)，得：

   \[(Uy,y) = \overline{-\alpha -i\beta} = -\alpha + i\beta \]

4. 正定带来的核心不等式：
   \(A\) 是正定矩阵，因此 \((Ay,y) > 0\)。展开 \(A=D-L-U\)：

   \[(Ay,y) = (Dy,y) - (Ly,y) - (Uy,y) = \sigma - (Ly,y) - (Uy,y) \]

   代入 \((Ly,y)=-\alpha-i\beta\)、\((Uy,y)=-\alpha+i\beta\)，两者相加抵消虚部，得：

   \[(Ay,y) = \sigma + 2\alpha > 0 \]

步骤4：计算 \(|\lambda|^2\)，证明其小于1

将上述化简结果代入式(2)，得到 \(\lambda\) 的复数形式：

\[\lambda = \frac{\sigma(1-\omega) - \omega\alpha + i\omega\beta}{\sigma + \omega\alpha + i\omega\beta} \]

对于复数 \(z=\frac{a+ib}{c+id}\)，其模的平方满足 \(|z|^2 = \frac{a^2+b^2}{c^2+d^2}\)，因此：

\[|\lambda|^2 = \frac{\left[\sigma(1-\omega) - \omega\alpha\right]^2 + (\omega\beta)^2}{(\sigma + \omega\alpha)^2 + (\omega\beta)^2} \tag{3} \]

要证明 \(|\lambda| < 1\)，只需证明 \(|\lambda|^2 < 1\)，即证明分子 < 分母，等价于证明：

\[\left[\sigma(1-\omega) - \omega\alpha\right]^2 + (\omega\beta)^2 - \left[(\sigma + \omega\alpha)^2 + (\omega\beta)^2\right] < 0 \]

其中 \((\omega\beta)^2\) 相互抵消，剩余部分为平方差形式，利用 \(a^2-b^2=(a-b)(a+b)\) 展开：

\[\begin{align*} \Delta &= \left[\sigma(1-\omega) - \omega\alpha\right]^2 - (\sigma + \omega\alpha)^2 \\ &= \left[\sigma(1-\omega) - \omega\alpha - \sigma - \omega\alpha\right] \cdot \left[\sigma(1-\omega) - \omega\alpha + \sigma + \omega\alpha\right] \\ &= \left[-\omega\sigma - 2\omega\alpha\right] \cdot \left[2\sigma - \omega\sigma\right] \\ &= -\omega \cdot (\sigma + 2\alpha) \cdot \sigma \cdot (2-\omega) \end{align*} \]

分析 \(\Delta\) 的符号：

• \(0<\omega<2\) → \(\omega>0\)，\(2-\omega>0\)；
• \(\sigma>0\)（已证）；
• \(\sigma+2\alpha>0\)（正定带来的核心不等式）；

所有正数相乘后带负号，因此 \(\boldsymbol{\Delta < 0}\)，即分子 < 分母，代入式(3)得：

\[|\lambda|^2 < 1 \implies |\lambda| < 1 \]

由于 \(\lambda\) 是 \(L_\omega\) 的任意特征值，因此 \(\rho(L_\omega) < 1\)，SOR迭代收敛，定理得证。

定理核心解读

1. 这是充分非必要条件：只要满足对称正定+0<ω<2，迭代一定收敛；但迭代收敛不代表矩阵一定对称正定。
2. 工程价值极高：对于结构力学、流体力学、热传导等问题离散得到的对称正定矩阵，只需选择0<ω<2，即可保证迭代收敛，无需额外判定。

---

四、定理6.12：对角占优矩阵的收敛充分条件

定理内容

若线性方程组 \(Ax=b\) 满足以下两个条件：

1. 系数矩阵 \(A\) 为严格对角占优矩阵，或弱对角占优且不可约矩阵；
2. 松弛因子满足 \(\boldsymbol{0 < \omega \leq 1}\)；

则解 \(Ax=b\) 的SOR迭代法一定收敛。

核心概念与定理解读

1. 对角占优定义：

   • 严格对角占优：对矩阵的每一行 \(i\)，都满足 \(|a_{ii}| > \sum_{j\neq i} |a_{ij}|\)；
   • 弱对角占优：对每一行 \(i\)，都满足 \(|a_{ii}| \geq \sum_{j\neq i} |a_{ij}|\)，且至少存在一行严格大于；
   • 不可约矩阵：无法通过行、列置换变为分块上三角矩阵，对应方程组无法拆分为独立的小方程组。

2. 与对称正定定理的核心区别：
   对松弛因子的限制更严格，仅当 \(0<\omega\leq1\) 时能保证收敛；若 \(\omega>1\)（超松弛），则无法保证收敛，需额外条件。

3. 适用场景：
   差分法求解偏微分方程得到的矩阵大多为对角占优矩阵，该定理可直接判定低松弛、GS迭代（ω=1）的收敛性。

---

五、SOR迭代的最佳松弛因子

SOR迭代的收敛速度由 \(\rho(L_\omega)\) 决定，\(\rho(L_\omega)\) 越小，收敛速度越快。最佳松弛因子 \(\omega_{opt}\) 是使 \(\rho(L_\omega)\) 取最小值的松弛因子，即：

\[\omega_{opt} = \arg\min_{0<\omega<2} \rho(L_\omega) \]

1. 适用条件

对于具有性质A（2-循环矩阵）且相容次序的矩阵（工程中最常见的是五点差分法离散泊松方程得到的矩阵），有严格的最佳松弛因子计算公式。

2. 最佳松弛因子公式

\[\boldsymbol{\omega_{opt} = \frac{2}{1 + \sqrt{1 - [\rho(J)]^2}}} \]

其中：

• \(\rho(J)\) 为雅可比迭代矩阵 \(J=D^{-1}(L+U)\) 的谱半径；
• 要求雅可比迭代收敛，即 \(\rho(J) < 1\)。

3. 核心结论

当取最佳松弛因子时，迭代矩阵的最小谱半径为：

\[\rho(L_{\omega_{opt}}) = \omega_{opt} - 1 \]

4. 实例验证

以教材例6.8的矩阵为例，雅可比迭代矩阵的谱半径 \(\rho(J)=0.75\)，代入公式得：

\[\omega_{opt} = \frac{2}{1+\sqrt{1-0.75^2}} \approx 1.204 \]

与实际测试的最优值 \(\omega=1.3\) 高度吻合，验证了公式的有效性。此时 \(\rho(L_{\omega_{opt}})\approx0.204\)，远小于GS迭代（ω=1）的谱半径 \(\rho(J)^2=0.5625\)，收敛速度提升超2倍。

---

六、SOR迭代收敛性核心定理总结表

定理编号	核心条件	结论	条件类型	核心适用场景	关键注意事项
定理6.10	SOR迭代收敛	必有 \(0<\omega<2\)	必要条件	所有SOR迭代的前提	ω∉(0,2)时迭代一定发散
定理6.11	1. \(A\) 对称正定；2. \(0<\omega<2\)	SOR迭代一定收敛	充分条件	有限元、结构力学等对称正定方程组	是工程中最常用的收敛判定准则
定理6.12	1. \(A\) 严格对角占优/弱对角占优不可约；2. \(0<\omega\leq1\)	SOR迭代一定收敛	充分条件	差分法离散偏微分方程得到的对角占优方程组	ω>1时无法保证收敛
最佳松弛因子公式	1. \(A\) 具有性质A、相容次序；2. 雅可比迭代收敛	可计算出收敛最快的 \(\omega_{opt}\)	优化公式	五点差分法等规则网格离散的方程组	需先计算雅可比迭代的谱半径

---

块迭代法（分块迭代法）深度讲解与完整推导

块迭代法是点迭代法（雅可比、GS、SOR）向分块矩阵的推广，核心是将大型稀疏矩阵按结构分块，把每个子块当作“标量元素”，类比点迭代的构造逻辑设计迭代格式。它专为工程中大规模稀疏线性方程组（如偏微分方程离散、有限元分析）设计，核心优势是利用矩阵的分块稀疏性提升计算效率、加快收敛速度，是科学计算中求解大型线性方程组的核心方法之一。

---

一、前置背景：块迭代法的经典应用场景——泊松方程五点差分格式

块迭代法最典型的应用是二维泊松方程边值问题的数值求解，我们先从微分方程离散出发，完整推导差分格式与矩阵分块结构，为块迭代法的讲解建立工程实例基础。

1.1 模型问题与网格剖分

考虑二维泊松方程齐次Dirichlet边值问题：

\[\begin{cases} -\left( \frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2} \right) = f(x,y), & (x,y) \in \Omega \\ u(x,y) = 0, & (x,y) \in \partial\Omega \end{cases} \]

其中求解区域为单位正方形 \(\Omega = [0,1] \times [0,1]\)，\(\partial\Omega\) 为区域边界。

网格剖分

取等步长 \(h = \frac{1}{N+1}\)，用直线 \(x_i = ih\)、\(y_j = jh\)（\(i,j=0,1,\dots,N+1\)）对区域做网格剖分：

• 网格内点：\(\Omega_h = \{(x_i,y_j) \mid i,j=1,2,\dots,N\}\)，共 \(N^2\) 个未知量；
• 边界点：\(\partial\Omega_h = \{(x_i,0),(x_i,1),(0,y_j),(1,y_j) \mid i,j=0,1,\dots,N+1\}\)，边界上 \(u=0\)（齐次边界条件）。

1.2 二阶偏导数的中心差分近似

二阶偏导数的中心差分格式具有二阶精度（截断误差 \(O(h^2)\)），在网格点 \((x_i,y_j)\) 处：

\[\left. \frac{\partial^2 u}{\partial x^2} \right|_{(x_i,y_j)} = \frac{u(x_{i+1},y_j) - 2u(x_i,y_j) + u(x_{i-1},y_j)}{h^2} + o(h^2) \]

\[\left. \frac{\partial^2 u}{\partial y^2} \right|_{(x_i,y_j)} = \frac{u(x_i,y_{j+1}) - 2u(x_i,y_j) + u(x_i,y_{j-1})}{h^2} + o(h^2) \]

1.3 五点差分格式的推导

略去截断误差 \(o(h^2)\)，记 \(u_{ij}\) 为 \(u(x_i,y_j)\) 的近似值，\(f_{ij}=f(x_i,y_j)\)，将差分代入泊松方程：

\[- \left( \frac{u_{i+1,j} - 2u_{ij} + u_{i-1,j}}{h^2} + \frac{u_{i,j+1} - 2u_{ij} + u_{i,j-1}}{h^2} \right) = f_{ij} \]

两边同乘 \(h^2\) 并整理，得到泊松方程的五点差分格式：

\[\boldsymbol{4u_{ij} - u_{i+1,j} - u_{i-1,j} - u_{i,j+1} - u_{i,j-1} = h^2 f_{ij}} \tag{6.27} \]

该格式的物理意义：每个网格点的函数值仅与上下左右4个相邻点相关，因此离散后的线性方程组系数矩阵是稀疏矩阵，每行最多5个非零元素。

1.4 差分方程的矩阵形式与分块结构

将网格点按逐行自然序排列（先排 \(y=y_1\) 行的 \(u_{11},u_{21},\dots,u_{N1}\)，再排 \(y=y_2\) 行，直到 \(y=y_N\) 行），构造未知向量与右端向量：

\[\boldsymbol{u} = (u_{11},u_{21},\dots,u_{N1},u_{12},u_{22},\dots,u_{NN})^T \in \mathbb{R}^{N^2} \]

\[\boldsymbol{b} = h^2(f_{11},f_{21},\dots,f_{N1},f_{12},f_{22},\dots,f_{NN})^T \in \mathbb{R}^{N^2} \]

差分方程可写成矩阵形式 \(\boldsymbol{Au=b}\)，其中系数矩阵 \(\boldsymbol{A}\) 具有块三对角分块结构：

\[A = \begin{pmatrix} A_{11} & -I & & \\ -I & A_{22} & -I & \\ & \ddots & \ddots & \ddots & \\ & & -I & A_{N-1,N-1} & -I \\ & & & -I & A_{NN} \end{pmatrix} \in \mathbb{R}^{N^2 \times N^2} \tag{6.29} \]

其中：

1. \(I\) 为 \(N \times N\) 单位矩阵，对应相邻行网格点的耦合关系（\(u_{i,j+1}\) 与 \(u_{ij}\) 的关联）；
2. 主对角块 \(A_{ii}\) 为 \(N \times N\) 三对角矩阵，对应同一行内网格点的耦合关系：
   \[A_{ii} = \begin{pmatrix} 4 & -1 & & \\ -1 & 4 & -1 & \\ & \ddots & \ddots & \ddots & \\ & & -1 & 4 & -1 \\ & & & -1 & 4 \end{pmatrix} \in \mathbb{R}^{N \times N}, \quad i=1,2,\dots,N \tag{6.30} \]

1.5 点迭代法的谱半径与收敛速度分析

该模型问题是验证迭代法收敛速度的经典算例，我们先推导点迭代的核心参数，为后续块迭代的优势对比建立基准。

（1）雅可比迭代矩阵的谱半径

雅可比迭代矩阵定义为 \(J = D^{-1}(L+U)\)，其中 \(D\) 为 \(A\) 的对角矩阵（对角元全为4）。利用分离变量法可求得 \(J\) 的特征值：

\[\mu_{ij} = \frac{1}{2}\left( \cos i\pi h + \cos j\pi h \right), \quad i,j=1,2,\dots,N \]

谱半径为特征值模的最大值，当 \(i=j=1\) 时取得最大值：

\[\boldsymbol{\mu = \rho(J) = \cos \pi h} \]

当 \(h \to 0\)（网格加密）时，\(\cos \pi h \approx 1 - \frac{1}{2}\pi^2 h^2\)，谱半径趋近于1，雅可比迭代收敛速度极慢。

（2）SOR迭代的最佳松弛因子

该模型问题的系数矩阵 \(A\) 是对称正定矩阵，且满足“性质A”与相容次序，因此可使用最佳松弛因子公式：

\[\omega_{opt} = \frac{2}{1 + \sqrt{1 - \rho(J)^2}} \]

代入 \(\rho(J)=\cos \pi h\)，利用三角恒等式 \(\sqrt{1-\cos^2 \pi h}=\sin \pi h\)，化简得：

\[\boldsymbol{\omega_{opt} = \frac{2}{1 + \sin \pi h}} \]

此时SOR迭代矩阵的最小谱半径为：

\[\rho(L_{\omega_{opt}}) = \omega_{opt} - 1 = \frac{1 - \sin \pi h}{1 + \sin \pi h} = \frac{\cos^2 \pi h}{(1 + \sin \pi h)^2} \]

（3）渐近收敛速度对比

迭代法的渐近收敛速度定义为 \(R(B) = -\ln \rho(B)\)，\(R\) 越大，收敛速度越快。

• 雅可比迭代：\(R(J) = -\ln \cos \pi h \approx \frac{1}{2}\pi^2 h^2 + o(h^4)\)，收敛速度为 \(O(h^2)\)；
• 最佳SOR迭代：\(R(L_{\omega_{opt}}) = -\ln (\omega_{opt}-1) \approx 2\pi h + o(h^3)\)，收敛速度为 \(O(h)\)。

核心结论：最佳SOR迭代的收敛速度比雅可比迭代高一个数量级，网格越密，优势越明显。

• 实例验证：取 \(h=0.05\)（\(N=19\)），收敛精度 \(10^{-6}\)，雅可比迭代需1154次，高斯-塞德尔迭代需578次，最佳SOR迭代仅需61次。

---

二、块迭代法的一般构造与核心格式

块迭代法的核心思想：将系数矩阵 \(A\) 按结构分块，把每个子块当作“标量元素”，完全类比点迭代的分裂思想，构造分块形式的迭代格式。

2.1 矩阵的块D-L-U分解

设 \(A \in \mathbb{R}^{n \times n}\) 为大型稀疏矩阵，将其分块为 \(q \times q\) 的块矩阵：

\[A = \begin{pmatrix} A_{11} & A_{12} & \dots & A_{1q} \\ A_{21} & A_{22} & \dots & A_{2q} \\ \vdots & \vdots & & \vdots \\ A_{q1} & A_{q2} & \dots & A_{qq} \end{pmatrix} \]

其中主对角块 \(A_{ii} \in \mathbb{R}^{n_i \times n_i}\) 为非奇异矩阵，且 \(\sum_{i=1}^q n_i = n\)。

类比点迭代的D-L-U分解，定义块形式的分解：

1. 块对角矩阵：\(\boldsymbol{D} = \text{diag}(A_{11},A_{22},\dots,A_{qq})\)；
2. 严格块下三角矩阵：\(\boldsymbol{L} = \begin{pmatrix} 0 & & \\ -A_{21} & 0 & \\ \vdots & \ddots & \ddots \\ -A_{q1} & \dots & -A_{q,q-1} & 0 \end{pmatrix}\)；
3. 严格块上三角矩阵：\(\boldsymbol{U} = \begin{pmatrix} 0 & -A_{12} & \dots & -A_{1q} \\ & 0 & \dots & -A_{2q} \\ & & \ddots & \vdots \\ & & & 0 \end{pmatrix}\)。

因此得到块形式的矩阵分裂：\(\boldsymbol{A = D - L - U}\)，与点迭代的分解形式完全一致，仅将标量替换为矩阵块。

2.2 块雅可比迭代法（BJ）

（1）迭代构造

类比点雅可比迭代，选取分裂矩阵 \(M=D\)（块对角矩阵），则 \(A = M - N\)，其中 \(N = L + U\)。

代入迭代法通用格式 \(Mx^{(k+1)} = Nx^{(k)} + b\)，得到块雅可比迭代的矩阵形式：

\[\boldsymbol{Dx^{(k+1)} = (L+U)x^{(k)} + b} \]

（2）分量迭代格式

按块展开，得到可直接计算的分量格式：

\[\boldsymbol{A_{ii} x_i^{(k+1)} = b_i - \sum_{\substack{j=1 \\ j \neq i}}^q A_{ij} x_j^{(k)}}, \quad i=1,2,\dots,q \tag{6.31} \]

其中 \(x = (x_1,x_2,\dots,x_q)^T\)、\(b=(b_1,b_2,\dots,b_q)^T\) 为与矩阵分块对应的向量分块，\(x_i \in \mathbb{R}^{n_i}\)，\(b_i \in \mathbb{R}^{n_i}\)。

（3）计算逻辑与优势

块雅可比迭代每一步的核心操作：对每个 \(i\)，求解一个低阶线性方程组 \(A_{ii} x_i^{(k+1)} = g_i\)（\(g_i\) 为等式右端的已知项）。

• 若主对角块 \(A_{ii}\) 为三对角、带状矩阵，可通过追赶法（Thomas算法）直接求解，无需迭代，计算效率极高；
• 各子块的求解相互独立，天然适合并行计算，是大规模并行计算的核心迭代格式之一。

2.3 块超松弛迭代法（BSOR）

（1）迭代构造

类比点SOR迭代，选取带松弛因子的分裂矩阵：

\[\boldsymbol{M = \frac{1}{\omega}(D - \omega L)} \]

其中 \(\omega>0\) 为松弛因子，\(D-\omega L\) 为块下三角矩阵，主对角块为 \(A_{ii}\)（非奇异），因此 \(M\) 可逆。

代入迭代法通用格式，得到BSOR迭代的矩阵形式：

\[x^{(k+1)} = L_\omega x^{(k)} + f \]

其中：

• 迭代矩阵：\(\boldsymbol{L_\omega = (D - \omega L)^{-1}\left[(1-\omega)D + \omega U\right]}\)
• 常数项：\(\boldsymbol{f = \omega (D - \omega L)^{-1} b}\)

（2）分量迭代格式

按块展开，得到可直接计算的分量格式：

\[\boldsymbol{A_{ii} x_i^{(k+1)} = A_{ii} x_i^{(k)} + \omega \left( b_i - \sum_{j=1}^{i-1} A_{ij} x_j^{(k+1)} - \sum_{j=i}^q A_{ij} x_j^{(k)} \right)} \tag{6.32} \]

\[i=1,2,\dots,q, \quad k=0,1,2,\dots \]

（3）计算逻辑与松弛思想

BSOR迭代是块高斯-塞德尔迭代（BGS，\(\omega=1\)）的推广，核心松弛逻辑：

1. 先通过块高斯-塞德尔迭代计算辅助值 \(\tilde{x}_i^{(k+1)}\)：\(A_{ii} \tilde{x}_i^{(k+1)} = b_i - \sum_{j=1}^{i-1} A_{ij} x_j^{(k+1)} - \sum_{j=i+1}^q A_{ij} x_j^{(k)}\)；
2. 对旧值 \(x_i^{(k)}\) 与辅助值 \(\tilde{x}_i^{(k+1)}\) 做加权平均：\(x_i^{(k+1)} = (1-\omega)x_i^{(k)} + \omega \tilde{x}_i^{(k+1)}\)；
3. 整理后即得到式(6.32)的迭代格式。

与块雅可比迭代一致，每一步迭代仅需求解 \(q\) 个低阶线性方程组，利用主对角块的带状结构可实现高效求解。

• 实例验证：对泊松方程模型问题（\(h=0.05\)），块雅可比迭代需581次，块高斯-塞德尔迭代需292次，最佳BSOR迭代仅需52次，收敛速度优于点迭代。

---

三、块迭代法的收敛性理论与证明

块迭代法的收敛性判定与点迭代完全一致，核心是迭代矩阵的谱半径 \(\rho(L) < 1\)，以下给出工程中最常用的收敛性定理与完整证明。

3.1 定理6.13：对称正定矩阵的BSOR收敛充分条件

定理内容

设线性方程组 \(Ax=b\) 满足：

1. 系数矩阵 \(A\) 为对称正定矩阵，块分解为 \(A=D-L-U\)；
2. 松弛因子满足 \(\boldsymbol{0 < \omega < 2}\)；

则解 \(Ax=b\) 的BSOR迭代法一定收敛。

完整证明

要证明BSOR迭代收敛，只需证明迭代矩阵 \(L_\omega\) 的任意特征值 \(\lambda\) 都满足 \(|\lambda| < 1\)，即可推出 \(\rho(L_\omega) < 1\)。

步骤1：从特征值定义出发

设 \(\lambda\) 是 \(L_\omega\) 的任意特征值，\(y\) 为对应的非零特征向量，即 \(L_\omega y = \lambda y\)，代入 \(L_\omega\) 的定义得：

\[(D - \omega L)^{-1}\left[(1-\omega)D + \omega U\right]y = \lambda y \]

两边左乘 \((D - \omega L)\) 消去逆矩阵，得到核心等式：

\[\left[(1-\omega)D + \omega U\right]y = \lambda (D - \omega L)y \tag{*} \]

步骤2：利用对称正定矩阵的性质

1. \(A\) 对称正定 → \(A=A^T\)，结合 \(A=D-L-U\)，得 \(\boldsymbol{U=L^T}\)（严格块下三角矩阵的转置为严格块上三角矩阵）；
2. \(A\) 对称正定 → 主对角块 \(A_{ii}\) 对称正定，因此块对角矩阵 \(D\) 对称正定，对任意非零向量 \(y\)，有 \(\boldsymbol{(Dy,y) > 0}\)，记 \(\sigma = (Dy,y)\)；
3. 记 \(-(Ly,y) = \alpha + i\beta\)（\(\alpha,\beta\) 为实数），由 \(U=L^T\) 得：
   \[(Uy,y) = (L^T y,y) = (y,Ly) = \overline{(Ly,y)} = -\alpha + i\beta \]

4. 由 \(A\) 的正定性：\((Ay,y) = (Dy,y) - (Ly,y) - (Uy,y) = \sigma + 2\alpha > 0\)。

步骤3：推导特征值的模

对式(*)两边与 \(y\) 做欧氏内积，整理得：

\[\lambda = \frac{(1-\omega)(Dy,y) + \omega(Uy,y)}{(Dy,y) - \omega(Ly,y)} = \frac{\sigma(1-\omega) - \omega\alpha + i\omega\beta}{\sigma + \omega\alpha + i\omega\beta} \]

计算模的平方：

\[|\lambda|^2 = \frac{\left[\sigma(1-\omega) - \omega\alpha\right]^2 + (\omega\beta)^2}{(\sigma + \omega\alpha)^2 + (\omega\beta)^2} \]

要证明 \(|\lambda| < 1\)，只需证明分子 < 分母，即：

\[\Delta = \left[\sigma(1-\omega) - \omega\alpha\right]^2 - (\sigma + \omega\alpha)^2 < 0 \]

利用平方差公式展开：

\[\Delta = -\omega \cdot \sigma \cdot (\sigma + 2\alpha) \cdot (2-\omega) \]

分析符号：

• \(0<\omega<2\) → \(\omega>0\)，\(2-\omega>0\)；
• \(\sigma>0\)，\(\sigma+2\alpha>0\)（正定性质）；

因此 \(\Delta < 0\)，即分子 < 分母，故 \(|\lambda|^2 < 1 \implies |\lambda| < 1\)。

由于 \(\lambda\) 是 \(L_\omega\) 的任意特征值，因此 \(\rho(L_\omega) < 1\)，BSOR迭代收敛，定理得证。

3.2 定理6.14：T-矩阵的BSOR收敛性与最佳松弛因子

该定理是块迭代法最佳松弛因子的核心理论，针对工程中最常见的块三对角矩阵。

1. T-矩阵的定义

形如

\[A = \begin{pmatrix} D_1 & F_1 & & \\ E_2 & D_2 & F_2 & \\ & \ddots & \ddots & \ddots & \\ & & E_{q-1} & D_{q-1} & F_{q-1} \\ & & & E_q & D_q \end{pmatrix} \]

的块三对角矩阵，若主对角块 \(D_i\)（\(i=1,2,\dots,q\)）均为对角矩阵，则称 \(A\) 为T-矩阵。

工程意义：泊松方程的五点差分矩阵，通过网格点的红黑排序（棋盘排序）后，可转化为T-矩阵，是偏微分方程数值解中最常见的矩阵形式之一。

2. 定理内容

设 \(A\) 为非奇异的T-矩阵，块对角矩阵 \(D=\text{diag}(D_1,D_2,\dots,D_q)\) 非奇异，块雅可比迭代矩阵 \(J=I-D^{-1}A\)，若 \(\rho(J) < 1\)（块雅可比迭代收敛），则：

1. 对任意 \(0<\omega<2\)，有 \(\rho(L_\omega) < 1\)，即BSOR迭代收敛；
2. 最佳松弛因子为：
   \[\boldsymbol{\omega_{opt} = \frac{2}{1 + \sqrt{1 - [\rho(J)]^2}}} \]

3. 迭代矩阵的谱半径满足分段表达式：
   \[\rho(L_\omega) = \begin{cases} \displaystyle \frac{1}{4}\left[ \omega\mu + \sqrt{\omega^2\mu^2 - 4(\omega-1)} \right]^2, & 0 < \omega < \omega_{opt} \\ \omega - 1, & \omega_{opt} \leq \omega < 2 \end{cases} \]
   其中 \(\mu = \rho(J)\)，且 \(\rho(L_{\omega_{opt}}) = \omega_{opt} - 1 = \min_{0<\omega<2} \rho(L_\omega)\)。

3. 核心推论

当 \(\omega=1\) 时，BSOR退化为块高斯-塞德尔迭代（BGS），此时：

\[\rho(L_1) = \mu^2 = [\rho(J)]^2 \]

因此块高斯-塞德尔迭代的渐近收敛速度为：

\[R(L_1) = -\ln \rho(L_1) = -2\ln \rho(J) = 2R(J) \]

即块高斯-塞德尔迭代的收敛速度是块雅可比迭代的2倍，与点迭代的收敛速度关系完全一致。

---

四、块迭代法核心知识点总结表

迭代方法	迭代矩阵/核心格式	收敛充要条件	常用收敛充分条件	最佳松弛因子（T-矩阵）	收敛速度特性	核心适用场景
块雅可比迭代（BJ）	迭代矩阵 \(B=D^{-1}(L+U)\) 格式：\(A_{ii}x_i^{(k+1)}=b_i-\sum_{j≠i}A_{ij}x_j^{(k)}\)	\(\rho(B) < 1\)	1. \(A\) 对称正定； 2. \(A\) 严格对角占优/弱对角占优不可约	无（无松弛因子）	收敛速度 \(R(B)=-\ln\rho(B)\)，BGS收敛速度是其2倍	大型稀疏块对角占优矩阵，并行计算场景
块高斯-塞德尔迭代（BGS）	迭代矩阵 \(L_1=(D-L)^{-1}U\) 格式：\(\omega=1\) 时的BSOR格式	\(\rho(L_1) < 1\)	1. \(A\) 对称正定； 2. \(A\) 严格对角占优/弱对角占优不可约	无	收敛速度是同条件块雅可比的2倍	串行计算场景，对称正定/对角占优矩阵
块SOR迭代（BSOR）	迭代矩阵 \(L_\omega=(D-\omega L)^{-1}[(1-\omega)D+\omega U]\) 格式：式(6.32)	\(\rho(L_\omega) < 1\)	1. \(A\) 对称正定 + \(0<\omega<2\)； 2. T-矩阵 + \(\rho(J)<1\) + \(0<\omega<2\)； 3. 严格对角占优 + \(0<\omega≤1\)	\(\omega_{opt}=\frac{2}{1+\sqrt{1-\rho(J)^2}}\)	取最佳松弛因子时，收敛速度比BGS高1个数量级，比点SOR更快	偏微分方程离散的块三对角矩阵，大规模工程计算

---

五、点迭代与块迭代的核心对比总结

对比维度	点迭代法（雅可比/GS/SOR）	块迭代法（BJ/BGS/BSOR）
处理对象	矩阵的单个元素	矩阵的子块（利用分块结构）
核心操作	标量的四则运算	低阶线性方程组的直接求解
收敛速度	较慢，依赖网格步长	更快，同条件下优于点迭代
并行性	雅可比可并行，GS/SOR串行性强	块雅可比天然并行，块SOR可实现块内并行
工程适配性	适合小规模、结构简单的矩阵	适合大型稀疏、分块结构明显的矩阵（如PDE离散、有限元）
收敛性判定	与块迭代完全一致，核心为谱半径<1	与点迭代理论体系完全兼容，可直接推广