第八章特征值问题的计算方法2探究.ppt

例1 例2 例3，用QR算法求解矩阵A的特征值 * §8.2（ 续） 反 幂 法 反幂法是求一个矩阵的模最小的特征值和对应的特征 向量的一种迭代方法（又称为反迭代法）。 ?基本思想 设 ，则 对 应用幂法就可以求得矩阵 的 模最小的特征值和相应的特征向量。 不妨假设 的特征值为 则 的特征值为 反幂法如何进行迭代？ 幂法的思想是： 任取初始向量x0 做以下迭代：xk+1=A*xk xk+1=xk+1 / || xk+1 || 用A-1取代幂法中的A？ 需要计算用A-1，可用解方程替换计算A-1 ，即： 于是，反幂法的迭代过程为： 任取初始向量x0 做以下迭代： ?反幂法算法： For k=1,2,3,… if 输出 和 若 和 均收敛，由幂法知 收敛速度取决于 的大小 反幂法每次迭代都需要 求解方程组 ?带位移的反幂法： 实际应用中，反幂法主要用于求特征向量。 且用某种方法已经得到 的特征值 的近似值 对矩阵 采用反幂法迭代格式为： 记 假设 的特征值满足 For k=1,2,3,… 因为方程组的系数矩阵 Doolittle分解化为两个三角方 是固定的，通常采用 程组求解，从而减少工作量。 求解方程组 化为： 带位移的反幂法迭代格式： For k=1,2,3,… 收敛速度取决于 的大小 当 时，收敛速度会非常快 设矩阵 存在Doolittle分解： 解： 例1：用带位移的反幂法求矩阵 ）的近似特征向量。 对应特征值 （精确值为 其中 Step1 Step2 所求近似特征向量为： 若直接解方程： 计算得： = 0.7310 1.0000 0 1.0000 1.7310 1.0000 0 1.0000 2.7310 用反幂法：不停运行以下两步，直到达到误差要求： 1、解方程 2、 3、 §3 Jacobi方法 Jacobi法：计算实对称矩阵全部特征值和相应特征向量 ?基本思想 对 存在正交矩阵 ，满足 记 则 寻找正交相似变换 ，将矩阵 约化为对角阵即可 正交相似变换求法：通过Givens变换来实现 ?经典Jacobi方法 设 令 非对角“范数” 当 时， 趋于一个对角阵 先来研究一下矩阵 的元素和矩阵 的元素之间的关系。 Givens变换记为 ，下面通过Givens变换 对矩阵 进行约化，使得 例如取 记 选取适当的 ，由Givens变换将矩阵的下三角元素 尽可能多的化为零：即非对角“范数”尽可能的小。 如果 ，则取 否则，令 ?首先由 确定 ?其次确定旋转平面 由F-范数的正交不变性 设 经过一次正交相似变换后变为矩阵 注意到 旋转平面 的选取方法： 经典Jacobi方法的迭代格式： 对于经典Jacobi方法产生的矩阵序列 ， 存在 的特征值的一个排列 满足 证明见教材 ?经典Jacobi方法的迭代算法 给定矩阵 选取最佳旋转平面 ： For k=1,2,3,… 计算 计算 直到 需比较 个元素 习惯上称 次Jacobi迭代为一次“扫描” ?循环Jacobi方法 每一次Jacobi迭代不是去选择最佳旋转平面， 而是直接按照某种预先指定的顺序来“扫描” 自然顺序： 按照自然顺序的循环Jacobi方法是渐进平方收敛的 §8.4 QR 方法 8.4.1、矩阵的QR分解 8.4.2 计算特征值的 QR 方 法 ?基本思想 利用正交相似变换将一个给定的矩阵逐步约化 为上三角矩阵或拟上三角矩阵的一种迭代方法 ?QR方法的迭代格式 设 令 对矩阵 进行QR分解 再对矩阵 进行QR分解 一、QR基本迭代方法 QR方法是目前计算矩阵全部特征值的最有效 的方法之一；具有收敛快、算法稳定等特点。 一般地有： 矩阵序列 中每一个矩阵都与原矩阵 相似 QR方法的迭代算法： For m=1,2,3,… 直到 近似 为上三角阵 由迭代格式同时还得到： 记 若A近似为三角阵，则特征根即求得 ?QR方法的收敛性 则由QR迭代算法产生的矩阵 的对角线以 下的元素趋于0，同时对角元素 趋于 假设 部分迭