谁能帮我编一个线性方程Ax=b的共轭梯度法的程序？谢谢了

function [x,n]= conjgrad (A,b,x0) %共轭梯度法求线性方程组Ax=b的解

r1 = b-A*x0

p = r1

n = 0

for i=1:rank(A) %以下过程可参考算法流程

if(dot(p,A*p) <1.0e-50) %循环结束条件

break

end

alpha = dot(r1,r1)/dot(p,A*p)

x = x0+ alpha*p

r2 = r1- alpha*A*p

if(r2 <1.0e-50)%循环结束条件

break

end

belta = dot(r2,r2)/dot(r1,r1)

p = r2+belta*p

n = n + 1

end

function [x,n]= preconjgrad (A,b,x0,M,eps) %预处理共轭梯度法求线性方程组Ax=b的解

if nargin == 4

eps = 1.0e-6

end

r1 = b-A*x0

iM = inv(M)

z1 = iM*r1

p = z1

n = 0

tol= 1

while tol>=eps

alpha = dot(r1,z1)/dot(p,A*p)

x = x0 + alpha*p

r2 = r1 - alpha*A*p

z2 = iM*r2

belta = dot(r2,z2)/dot(r1,z1)

p = z2+belta*p

n = n + 1

tol = norm(x-x0)

x0 = x %更新迭代值

r1 = r2

z1 = z2

end

共轭梯度法是介于最速下降法与牛顿法之间的一个方法，它仅需利用一阶导数信息，但克服了最速下降法收敛慢的缺点，又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点，共轭梯度法不仅是解决大型线性方程组最有用的方法之一，也是解大型非线性最优化最有效的算法之一。 共轭梯度法最早是又Hestenes和Stiefle（1952）提出来的，用于解正定系数矩阵的线性方程组，在这个基础上，Fletcher和Reeves（1964）首先提出了解非线性最优化问题的共轭梯度法。由于共轭梯度法不需要矩阵存储，且有较快的收敛速度和二次终止性等优点，现在共轭梯度法已经广泛地应用与实际问题中。 共轭梯度法是一个典型的共轭方向法，它的每一个搜索方向是互相共轭的，而这些搜索方向d仅仅是负梯度方向与上一次迭代的搜索方向的组合，因此，存储量少，计算方便

---