QR方法.docVIP

QR方法 QR方法是求任意矩阵的全部特征值的一种有效方法，它是JACOBI方法的推广。 基本思想 利用矩阵的QR分解，通过逆序相乘产生对原矩阵的一系列正交相似变换，使其变 化为一个近似的上三角矩阵来求全部特征值。这里QR分解是指将矩阵化为一个正 交矩阵Q和一个上三角矩阵左乘的形式。 构造原理 实对称矩阵可用正交相似变换将其化为对角形矩阵，但对非对称矩阵，一般用正交相 似变换化不成对角矩阵，但SCHUR分解定理给我们一个有关这方面的结果。 定理3。（实SCHUR分解定理）设矩阵A∈Rn*n，则存在一个正交矩阵Q∈Rn*n，使 QTAQ= 其中每个Bii是1*1或2*2的小矩阵，若Bii为1*1的，其元素就是A的实特征值，否则Bii的特征值是A一对共轭复特征值。 此定理的证明可参阅文献[3]。定理3指出了求矩阵A的全部特征值也可用正交相似变换的方法来做，正交相似变换的结果虽然不是对角矩阵，而是分块三角形矩阵，但它同样能很方便地求出全部特征值，有关一般矩阵的正交相似变换，我们不加证明地给出一个结论。 定理4。设非奇异矩阵A∈Rn*n，且有n个不同的特征值，记A=A(1)。如果对整数k，有矩阵A(k)的 QR分解为A(k)=QkRk，则令A(k+1)=QTkA(k)Qk，当k→∞时有A(k)本质上收敛于分块上三角形矩阵，这里“本质上收敛”指A(k)的主对角线上的元素或子块有确定的极限，其它元素或子块不管是否有极限。 此定理给出了求解一般矩阵全部特征值的方法。由定理3，A(k+1)=(Q1Q2....Qk)TA(Q1Q2....Qk)， 令， 则Qk也是正交矩阵，A(k+1)=QTkA(k)Qk说明A(k+1)也是原矩阵A的正交相似变换，从而A(k+1)与A有相同的特征值，n任意，此外，由A(k)=QkRk，则有QTkA(k)= QTkA(k)Rk=Rk，故有A(k+1)=QkRk，这说明A(k+1)可直接交换Qk与Rk的乘积顺序得到，于是可的如下QR算法。 ①对A(k)作QR分解A(k)=QkRk。 ②逆序相乘A(k)的分解矩阵，A(k)=RkQk。 ③判别A(k+1)是否为主对角线为1*1或2*2的子块形式的分块上三角形矩阵，若是对角线上各子块的特征值为所求特征值，终止，否则k+1k，转①。 分析 从QR 算法的构造过程可以看到算法的主要计算量出现在QR分解上，如果直接对矩阵A 用QR方法求全部特征值，那麽涉及的计算量是很大的，因此应该先对A作预处理。应用 中常先对 做正交相似变换将其化为上Hessenberg矩阵H，然后再对H采用QR方法，可以大大减少计算量，这里Hessenberg矩阵也称为拟三角矩阵，它的非零元素比三角矩阵多了 一条次对角线，其形式为： 牋牋牋牋牋牋牋牋牋牋牋牋牋牋牋牋牋?构造过程可以看到算法的主要计算量出现 上Hessenberg矩阵 ??????????????????? 下Hessenberg矩阵 实际上，Hessenberg矩阵虽然不是三角矩阵，但它很接近三角矩阵，由于其每列只比三角矩阵 多一个非零元，故选用旋转变换做QR分解更简单些，因为对上Hessenberg矩阵H的第1列 到第n-1列，依次做旋转变换使H的主对角线下的元素都变为零，则H化为上三角矩阵R了，用矩阵描述就是 记，则J为正交矩阵，解出H，可得H=J-1R，因为J-1也是正交矩阵， 于是得H的QR分解容易验证按这个方法做对H做QR分解，然后使用QR算法则构造的 迭代序列都是上Hessenberg矩阵中进行，于是整个QR算法都在上Hessenberg矩阵中进行，这当然使QR算法的计算量大量减少。下面我们来 具体讨论一下一般矩阵相似约化到Hessenberg矩阵的方法，为说明此问题，引入镜面反射 阵概念。 定义4。设非零向量V=(V1,V2,.....,Vn)T∈Rn，则称矩阵P=I－β-1VVT为Hessenberg矩阵，式中。 易验证Householder矩阵P是对称，正交和对合的。 从定义可知Householder矩阵主要由一个非零向量V确定，若将V看某一过原点的超平面 π的法向量，则有任给一个非零向量α，经Householder矩阵P作用后，记为Pα，则α与Pα是关与超平面π对称，因此也称Householder矩阵是镜面反射阵。Householder矩阵可改变任一向量的方向，这可从下面定理得出。 定理5。任取非零向量X=(X1,X2,.....,Xn)T∈Rn，可以选择一个Householder矩阵P，使Px=－бｅ1式中e1=(1,0,......,0)T 是Rn的单位向量， 证： 作u=x+бｅ1，用u做一个Householder矩阵P=I－β-1uuT, 因为 而 证毕 定理中β=б(б+x1)，为避免б+x1