高斯消去法

  提示：此条目的主题不是高斯-若尔当消元法。

高斯消去法（英语：Gaussian Elimination）是线性代数中的一个算法，可以把矩阵转化为行阶梯形矩阵。高斯消去法可用来为线性方程组求解，求出矩阵的秩，以及求出可逆方阵的逆矩阵。

历史

该方法以数学家卡尔·高斯命名，但最早出现于中国古籍《九章算术》，成书于约公元前150年。

例子

高斯消去法可用来找出下列方程组的解或其解的限制： $\left\{{\begin{matrix}2x+y-z=8\quad (L_{1})\\-3x-y+2z=-11\quad (L_{2})\\-2x+y+2z=-3\quad (L_{3})\\\end{matrix}}\right.$

这个算法的原理是：

首先，要将$L_{1}$以下的等式中的$x$消除，然后再将$L_{2}$以下的等式中的$y$消除。这样可使整个方程组变成一个三角形似的格式。之后再将已得出的答案一个个地代入已被简化的等式中的未知数中，就可求出其馀的答案了。

在刚才的例子中，我们将${\frac {3}{2}}L_{1}$和$L_{2}$相加，就可以将$L_{2}$中的$x$消除了。然后再将$L_{1}$和$L_{3}$相加，就可以将$L_{3}$中的$x$消除。

我们可以这样写：

$L_{2}+{\frac {3}{2}}L_{1}\rightarrow L_{2}$

$L_{3}+L_{1}\rightarrow L_{3}$

结果就是：

$2x+y-z=8\,$

${\frac {1}{2}}y+{\frac {1}{2}}z=1\,$

$2y+z=5\,$

现在将$-4L_{2}$和$L_{3}$相加，就可将$L_{3}$中的$y$消除：

$L_{3}+-4L_{2}\rightarrow L_{3}$

其结果是：

$2x+y-z=8\,$

${\frac {1}{2}}y+{\frac {1}{2}}z=1\,$

$-z=1\,$

这样就完成了整个算法的初步，一个三角形的格式（指：变数的格式而言，上例中的变数各为3,2,1个）出现了。

第二步，就是由尾至头地将已知的答案代入其他等式中的未知数。第一个答案就是：

$z=-1\quad (L_{3})$

然后就可以将$z$代入$L_{2}$中，立即就可得出第二个答案：

$y=3\quad (L_{2})$

之后，将$z$和$y$代入$L_{1}$之中，最后一个答案就出来了：

$x=2\quad (L_{1})$

就是这样，这个方程组就被高斯消去法解决了。

这种算法可以用来解决所有线性方程组。即使一个方程组不能被化为一个三角形的格式，高斯消去法仍可找出它的解。例如，如果在第一步化简后，$L_{2}$及$L_{3}$中没有出现任何$y$，没有三角形的格式，照著高斯消去法而产生的格式仍是一个行阶梯形矩阵。这情况之下，这个方程组会有超过一个解，当中会有至少一个变数作为答案。每当变数被锁定，就会出现一个解。

通常人或电脑在应用高斯消去法的时候，不会直接写出方程组的等式来消去未知数，反而会使用矩阵来计算。以下就是使用矩阵来计算的例子：

$\left[{\begin{array}{ccc|c}2&1&-1&8\\-3&-1&2&-11\\-2&1&2&-3\end{array}}\right]$

跟著以上的方法来运算，这个矩阵可以转变为以下的样子：

$\left[{\begin{array}{ccc|c}2&1&-1&8\\0&{\frac {1}{2}}&{\frac {1}{2}}&1\\0&0&-1&1\end{array}}\right]$

这矩阵叫做“行阶梯形矩阵”。

最后，可以利用同样的算法产生以下的矩阵，便可把所得出的解或其限制简明地表示出来：

$\left[{\begin{array}{ccc|c}1&0&0&2\\0&1&0&3\\0&0&1&-1\end{array}}\right]$

最后这矩阵叫做“简化行阶梯形矩阵”，亦是高斯-若尔当消元法指定的步骤。

其他应用

找出逆矩阵

高斯消去法可以用来找出一个可逆矩阵的逆矩阵。设$A$为一个$n\times n$的矩阵，其逆矩阵可被两个分块矩阵表示出来。将一个$n\times n$ 单位矩阵放在$A$的右手边，形成一个$n\times 2n$的分块矩阵$B=[A,I]$。经过高斯消去法的计算程序后，矩阵$B$的左手边会变成一个单位矩阵$I$，而逆矩阵$A^{-1}$会出现在$B$的右手边。

假如高斯消去法不能将$A$化为三角形的格式，那就代表$A$是一个不可逆的矩阵。

应用上，高斯消去法极少被用来求出逆矩阵。高斯消去法通常只为线性方程组求解。

计出秩和基底的基本算法

高斯消去法可应用在任何$m\times n$的矩阵$A$。在不可减去某数的情况下，我们都只有跳到下一行。以一个$6\times 9$的矩阵作例，它可能可以变化为一个行阶梯形矩阵：

${\begin{bmatrix}1&*&0&0&*&*&0&*&0\\0&0&1&0&*&*&0&*&0\\0&0&0&1&*&*&0&*&0\\0&0&0&0&0&0&1&*&0\\0&0&0&0&0&0&0&0&1\\0&0&0&0&0&0&0&0&0\end{bmatrix}}$

而矩阵中的*是一些数字。这个行阶梯形矩阵$T$会有一些关于$A$的资讯：

• $A$的秩是5，因为$T$有5行非0的行；
• $A$的列空间Col(A)，将以$A$的第1、3、4、7和9列为基底，就是那些在矩阵$T$之中拥有主元的行；
• 矩阵中的*表示了$A$的该行如何写为上述基底的线性组合。

分析

高斯消去法的算法复杂度是O(n³)；这就是说，如果系数矩阵的是n × n，那么高斯消去法所需要的计算量大约与n³成比例。

高斯消去法可以用在电脑中来解决数千条等式及未知数。不过，如果有过百万条等式时，这个算法会十分费时。一些极大的方程组通常会用迭代法来解决。亦有一些方法特地用来解决一些有特别排列的系数的方程组。

高斯消去法可用在任何域中。

高斯消去法对于一些矩阵来说是稳定的。对于普遍的矩阵来说，高斯消去法在应用上通常也是稳定的，不过亦有例外。

伪代码

高斯消去法的其中一种伪代码：

 i = 1
 j = 1
 while (i ≤ m and j ≤ n) do
   Find pivot in column j, starting in row i    // 从第i行(row)开始，找出第j列(column )中的最大值（i、j值应保持不变）  #台湾与大陆的列、行定义相反。台湾列为row行为column，大陆列为column行为row。
   maxi = i
   for k = i+1 to m do
     if abs(A[k,j]) > abs(A[maxi,j]) then
       maxi = k   // 使用交换法找出最大值（绝对值最大）
     end if
   end for
   if A[maxi,j] ≠ 0 then  // 判定找到的绝对值最大值是否为零：若不为零就进行以下操作；若为零则说明该列第(i+1)列以下（包括第(i+1)列）均为零，不需要再处理，直接跳转至第(j+1)行第(i+1)列
     swap rows i and maxi, but do not change the value of i   // 将第i行与找到的最大值所在行做交换，保持i值不变（i值记录了本次操作的起始行）
     Now A[i,j] will contain the old value of A[maxi,j].
     divide each entry in row i by A[i,j]    // 将交换后的第i列归一化（第i列所有元素分别除以A[i,j]）
     Now A[i,j] will have the value 1.
     for u = i+1 to m do    // 第j行中，第(i+1)列以下（包括第(i+1)列）所有元素都减去A[i,j]，直到第j行的i+1列以後元素均為零
       subtract A[u,j] * row i from row u
       Now A[u,j] will be 0, since A[u,j] - A[i,j] * A[u,j] = A[u,j] - 1 * A[u,j] = 0.
     end for
     i = i + 1   
   end if
   j = j + 1  // 第j行中，第(i+1)列以下（包括第(i+1)列）所有元素均为零。移至第(j+1)行，从第(i+1)列开始重复上述步骤。
 end while

这个算法和之前谈到的有点不同，它由绝对值最大的部分开始做起，这样可以改善算法的稳定性。本算法由左至右地计算，每作出以下三个步骤，才跳到下一行和下一列：

1. 定出每行的绝对值最大的一个非0的数，将第一列的值与该列交换，使得第一列拥有这一行的最大值；
2. 将第一行的数字除以该数，使得该列的第一个数成为1；
3. 对每一列减去第一列乘以每一列的第一个数，使得每一列的第一个数变为0。

所有步骤完成后，这个矩阵会变成一个行阶梯形矩阵，再用代入法就可以求解该方程组。

随着多核处理器的日益普及，现在的程序员可以利用线程级并行高斯消元算法来提高计算的速度。内存共享模式（而不是消息交换模式）的伪代码如下所示：

void parallel(int num_threads,int matrix_dimension)
{
	int i;
	for(i=0; i<num_threads; i++)
		create_thread(&threads[i],i);
	pthread_attr_destroy(&attr); // Free attribute and wait for the other threads
	for(i=0; i<p; i++)
		pthread_join(threads[i],NULL);
}
void *gauss(int thread_id)
{
	int i,k,j;
	for(k=0; k<matrix_dimension-1; k++)
	{
		if(thread_id==(k%num_thread))  //interleaved-row work distribution
		{
			for(j=k+1; j<matrix_dimension; j++)
				M[k][j]=M[k][j]/M[k][k];
			M[k][k]=1;
		}
		barrier(num_thread,&mybarrier);      //wait for other thread finishing this round
		for(i=k+1; i<matrix_dimension; i=i+1)
			if(i%p==thread_id)
			{
				for(j=k+1; j<matrix_dimension; j++)
					M[i][j]=M[i][j]-M[i][j]*M[k][j];
				M[i][k]=0;
			}
		barrier(num_thread,&mybarrier);
	}
	return NULL;
}
void barrier(int num_thread, barrier_t * mybarrier)
{
	pthread_mutex_lock(&(mybarrier->barrier_mutex));
	mybarrier->cur_count++;
	if(mybarrier->cur_count!=num_thread)
		pthread_cond_wait(&(mybarrier->barrier_cond),&(mybarrier->barrier_mutex));
	else
	{
		mybarrier->cur_count=0;
		pthread_cond_broadcast(&(mybarrier->barrier_cond));
	}
	pthread_mutex_unlock(&(mybarrier->barrier_mutex));
}

参考文献

• Atkinson, Kendall A. An Introduction to Numerical Analysis, 第二版, John Wiley & Sons, New York, 1989年 ISBN 978-0-471-50023-0
• Golub, Gene H., and Van Loan, Charles F. Matrix computations, 第三版, Johns Hopkins, Baltimore, 1996年 ISBN 978-0-8018-5414-9
• Lipschutz, Seymour, and Lipson, Mark. Schaum's Outlines: Linear Algebra, Tata McGraw-hill edition.Delhi 2001年, 第69-80页

参见

• 高斯－约当消去法
• 行阶梯形矩阵
• 线性方程组求解
• 四元玉鉴

外部链接

• 高斯消去法 （页面存档备份，存于互联网档案馆）
• java applet高斯消去法，只能取自然数。
• matlab octave的高斯约当消去法
• python语言的高斯消去法 （页面存档备份，存于互联网档案馆）
• 中国大百科智慧藏-消元法