2012数值分析 -lec8-9--QR方法.pptVIP

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 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:beihang2012 答疑时间：星期三下午2:00－5:00 答疑地点：主216 第八讲矩阵特征值与特征向量的计算（2） ----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 幂法和反幂法回顾 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； 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。 QR方法 cf:《矩阵计算》，G.H. Golub F. Van Loan 袁亚湘等译，第五章 （5.1、5.2节） QR方法是计算中小型矩阵特征值和特征向量的有效方法； 理论上，QR方法可以应用于任何矩阵，但对以下几类矩阵效率很高：1）对称三对角矩阵；2）Hessenberg矩阵；3）对称带状矩阵 QR方法最重要的一步是对A进行正交分解使得A＝QR，其中Q为一特殊正交矩阵； QR方法的理论依据 定理：设A是一个n阶实方阵，那么存在一个正交矩阵Q使得A相似于 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方法的一般形式 由于 产生的矩阵序列{Ak}中的每一个 矩阵都与A有相同的特征值。要解决的问题是上述算法的工作量和Q的选择！ 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。 Q的选择－Householder矩阵（镜面映象变换） 定义：设υ为n维单位向量，即υT υ=1 ； H=I-2υυT Householder变换（矩阵） Householder矩阵是正交矩阵 Householder变换的几何意义－镜面反射 通过Householder变换可以把一个矩阵上三角化和拟拟上三角化 引理3.1：设有非零向量s和单位向量e，则必存在Householder矩阵H使得Hs＝αe，其中α是实数且 定理：设A是一个n阶实方阵，那么A可分解为一个正交矩阵Q和一个上三角矩阵R的乘积，A＝QR 减少QR算法的工作量－－矩阵的拟上三角化 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