数值分析 -第8-9讲-QR方.pptVIP

把A变成Hessenberg矩阵（拟上三角矩阵）的目是减少QR方法的计算量； 把A变成Hessenberg矩阵（拟上三角矩阵）能够减少QR方法计算量的主要原因是 对拟上三角矩阵的QR分解时，Q一定是拟上三角矩阵； RQ（＝Ak＋1）的乘积为拟上三角矩阵。 QR方法 定理：对任意实方阵A，由QR方法产生的矩阵序列{Ak}本质上收敛于分块上三角矩阵（对角块以上的元素可能不收敛！），其中对角块为一阶或二阶方阵，每一个一阶对角块对应于A的一个实特征值，每一个二阶对角块的两个特征值是A的一对共轭复特征值。 QR方法的加速－带原点位移的QR 方法 尽管通过Householder矩阵已把矩阵A相似地变成为Hessenberg矩阵从而已减少了QR方法的不少工作量，但上述方法工作量仍太大，其中主要工作量在第二步的QR分解和收敛速度问题！ 带原点位移的QR 方法 为加速收敛，每次选取位移 ，作 该矩阵序列有如下性质： （1） （2）如 为拟上三角，则 也为拟上三角矩阵（拟上三角矩阵指的是次对角线下的元素为零的矩阵） （3）如取位移 为 ，则 最后一行非对角元二阶收敛于零（特别对于对称矩阵，能达到三阶收敛），其余次对角元收敛于零的速度会慢一些。 加速技术下的算法： （1）确定计算精度10E-m （2）对矩阵 取加速因子 进行加速 （3）判断矩阵 的最后一行非对角元素是否小于要求的精度，如果不小于，继续加速迭代，如已经小于精度，停止计算，并划掉矩阵的最后一行和最后一列，产生一个子矩阵 （4）对子矩阵重复进行上面的加速计算 带原点位移的QR 方法的总结： （1）利用Householder矩阵，将矩阵 A 相似于拟上三角矩阵（尤其，对于对称矩阵可以化为三对角矩阵） （2）利用带原点位移的QR 方法构造矩阵序列 （3）对矩阵 取加速因子 进行加速 （4）判断矩阵 的最后一行非对角元素（由于是拟上三角矩阵，只有一个元素 ）是否小于要求的精度 （5）如已经小于精度，停止计算，并划掉矩阵的最后一行和最后一列，产生一个子矩阵，对子矩阵重复进行上面的加速计算。 QR方法的加速2－带双步位移的QR方法 尽管通过Householder矩阵已把矩阵A相似地变成为Hessenberg矩阵从而已减少了QR方法的不少工作量，但上述方法工作量仍太大，其中主要工作量在第二步的QR分解和收敛速度问题！ 作业 教材第66页习题8、10、12 课外阅读 数值分析 朱立永 北京航空航天大学 数学与系统科学学院 Email: numerical_analysis@ Password:beihang 答疑时间：星期四下午2:30－5:30 答疑地点：主216 第八讲矩阵特征值与特征向量的计算（2） ----Jacobi方法和QR方法 第三章 矩阵特征值与特征向量的计算 常用的求特征值的方法有 幂法与反幂法 Jacobi法 QR方法 上次课内容回顾 幂法可以用来求矩阵模最大的特征值和特征向量； 反幂法可以用来求矩阵模最小的特征值和特征向量； 理论上可以用带原点平移的反幂法求得矩阵所有特征值和特征向量； 在用幂法与反幂法求矩阵特征值和特征向量时，初始值u0的第一个分量不要为零； 当|λ1|=| λ2 |，但λ1= -λ2 时，直接幂法失败；当|λn-1|=| λn |，但λn-1= -λn 时，直接反幂法失败； 当是多重特征值时，幂法和反幂法仍有效。 Jacobi法 只适用于实对称方阵 可以求出所有特征值和特征向量 矩阵的两个重要的基本性质： （1）如 A 为实对称矩阵，则一定存在正交矩阵 Q ，使之相似于一个对角矩阵，而该对角矩阵的对角元正是 A 的特征值。 （2）一个矩阵左乘一个正交矩阵或右乘一个正交矩阵，其F范数(Frobenius)不变。 Jacobi法的基本原理 Jacobi法基于的原理是：对一个实对称矩阵 A一定存在一个正交矩阵 R (R-1=RT)使得 RTAR=D，其中 D＝diag[d1, d2, …,dn]。我们有 D 的对角元素即为 A 的特征值，对应的 R 的行向量即为相应的特征向量 。 思路：通过一系列的旋转变换（正交变换）把A中非对角线上的非零元变为零 。 下面的矩阵是一个 n 阶正交矩阵： ( p ) ( q ) 旋转变换 Upq其元素特点： 如果apq≠0那么我们可以选取一个φ ， (A(1) 仍为实对称矩阵）使得 A(1) 的元素为： 选取φ满足 我们就有 Jacobi法的算法 令k＝1，R（1）＝I，