当前求解三对角线性方程组两类并行算法的特点.docVIP

　　当前求解三对角线性方程组两类并行算法的特点 　一、概述 　　三对角线性方程组的求解是许多 科学 和工程 计算 中最重要也是最基本的 问题 之一。在核物理、流体力学、油藏工程、石油地震数据处理及数值天气预报等许多领域的大规模科学工程和数值处理中都会遇到三对角系统的求解问题。很多三对角线性方程组的算法可以直接推广到求解块三对角及带状线性方程组。由于在 理论 和实际 应用 上的重要性，近20年来三对角方程组的并行算法 研究 十分活跃。 　　大规模科学计算需要高性能的并行计算机。随着软硬件技术的 发展 ，高性能的并行计算机日新月异。现今，SMP可构成每秒几十亿次运算的系统，PVP和COPP和DSM可构成每秒万亿次运算或更高的系统。 　　高性能并行计算机只是给大型科学计算提供了计算工具。如何发挥并行计算机的潜在性能和对三对角系统进行有效求解，其关键在于抓住并行计算的特点进行并行算法的研究和程序的设计与实现。另外，对处理机个数较多的并行计算系统，在设计并行算法时必须解决算法的可扩展性，并对可扩展性进行研究和 分析 。 　　二、问题的提出 　　设三对角线性方程组为 AX=Y （1） 式中：A∈Rn×n非奇异，αij=0， 。X=(x1，x2，…xn)T Y=(y1，y2，…yn）T。 　　此系统在许多算法中被提出，因此研究其高性能并行算法是很有理论和实际意义的。 　　三、并行求解三对角系统的直接解法 　　关于三对角线性方程组的直接求解已经有大量并行算法，其中3090VF向量机的特点提出了局部循环约化法；P.Amodio针对分布式系统的特点改进了循环约化方法；最近针对此方法又提出对三对角方程组进行更大约化步的交替迭代策略。 　　（三）基于矩阵乘分解算法 　　将系数矩阵A分解成A=FT，方程Ax=b化为Fy=b和Tx=y两个方程组的并行求解。这种算法又可以分为两类： 　　1.重叠分解。如ichielse和A.Van der Vorst改变ichielse和A.Van der Vorst算法中的通信模式从单向串行改为双向并行，提出DPP算法，是 目前 最好的三对角方程组分布式算法之一。2000年骆志刚等中依据DPP算法，利用计算与通信重叠技术，减少处理机空闲时间取得了更好的并行效果。此类算法要求解P-1阶缩减系统。 　　2.不重叠分解。例如Lap; Sameh算法、Johsoon算法、Baron算法、Chaan Morrison公式将和的逆化为子矩阵逆的和。按矩阵分解方法，这种算法又可分为两类： 　　1.重叠分解。这类算法首先由Mehrmann在1990年提出，通过选择好的分解在计算过程中保持原方程组系数矩阵的结构特性，具有好的数值稳定性，需要求解P-1阶缩减系统。 　　2.不重叠分解。Sun等在1992年提出的并行划分LU算法PPT算法和并行对角占优算法PDD算法均属于这一类。需要求解2P-2阶缩减系统。其中PDD算法的通讯时间不随处理机的变化而变化，具有很好的可扩展性。X.H.Sun和为维子空间，一般投影方法是从m维仿射子空间X0+Km中寻找近似解Xm使之满足Petrov-Galerkin条件 　　　　　　　　Y-AXm┻Lm　　　　　 其中Lm为另一个维子空间。如果Km是Krylov子空间，则上述投影方法称为Krylov子空间方法。Krylov子空间Km(A，r0)定义为： 　　 Km(A，r0)=span{r0，Ar0，A2r0，…，Am-1r0} 选取不同的Km和Lm就得到不同的Krylov子空间方法。主要算法包括四类：基于正交投影方法、基于正交化方法、基于双正交化方法、基于正规方程方法。 　　Krylov子空间迭代法的收敛速度依赖于系数矩阵特征值的分布，对于很多问题，直接使用迭代法的收敛速度特别慢，或者根本不收敛。因此使用预条件改变其收敛性，使中断问题可解，并加速收敛速度是需要的。目前人们 研究 的预条件技术可分为四类：采用基于矩阵分裂的古典迭代法作为预条件子、采用不完全LU分解作预条件子、基于系数矩阵近似逆的预条件子、结合实际问题用多重网格或区域分解作预条件子。对Krylov子空间和预条件Krylov子空间方法有详细的讨论。 　　预条件Krylov子空间方法的并行计算问题一直是研究热点，已提出了一系列好的并行算法。目前预条件Krylov子空间方法的计算量主要集中在矩阵向量乘上。虽然学者们做了大量的研究工作，但是还没找到效果好，又易于并行的预条件子。 　　需要特别指出的是，对于一般线性代数方程组的并行求解，其可扩展并行计算的研究已相对成熟，并已形成相应的并行软件库，如美国田纳西亚州立大学和橡树岭国家实验室研制的基于消息传递计算平台的可扩展线性代数程序库ScaLAPACK和得克萨斯大学开发的界面更加友好的并行线性