矩阵特征值问题及解法.ppt

按模最大特征值和特征向量的乘幂法 设A是n阶矩阵，其n个特征值按模从大到小排序为 任意取定初始向量x0 因为 在实际计算时，须按规范法计算，每步先对向量xk进行“规范化”。迭代格式改为 对任意给定的初始向量x0 类似地 当?10时 按模最大特征值λ1及其相应的特征向量v1的乘幂法的计算公式： 3 QR方法 QR方法在特征值计算问题的发展上具有里程碑意义。 在1955年的时候人们还觉得特征值的计算是十分困扰的问题，到1965年它的计算——基于QR方法的程序已经完全成熟。 直到今天QR方法仍然是特征值计算的有效方法之一。 记A＝A１且有A１＝Q 1R1.将等号右边两个矩阵因子的次序交换，得A２＝R１Q１，且 ，(3) 即A２～A１. 不难证明: 即Ak+1～Ak～…～A１，矩阵序列｛Ak｝有相同的特征值. 记 相似约化为上Hessenberg矩阵 QR算法的收敛性 定理设n阶矩阵A的n个特征值满足|λ１||λ２|…|λn|0，其相应的n个线性无关特征向量为x1，x2，…，xn. 记X＝(x1,x2,…,xn), Y= X－１.如果Y存在LU分解，那么，由迭代式产生的矩阵Ak基本收敛于上三角矩阵R.这里，基本收敛的含义指｛Ak｝的元素中除对角线以下的元素趋于零外，可以不收敛于R的元素. QR算法的迭代过程 一个QR迭代步的计算 ①对l=1，2，…，n-1，构造n-1个平面旋转矩阵Pl,l+1,使A1的次对角元全部零化，实现A1的QR分解的计算， 这里, ②用Pl,l+1右乘(24)，所得结果也放回矩阵A相应的元素中. QR算法的迭代控制 当迭代步数k充分大时，由迭代格式产生的Ak的次对角元趋于0.在 实 际计算中，控制迭代次数常用的一种办法是，预先给定一个小的正数ε，在一个迭代步的计 算结束后，对l=n-1, n-2,…，1，依次判别次对角元的绝对值是否满足  或更严格的准则是 或不太严格的准则是 如果上面三个不等式中有一个成立， 把 看做实际上为零. 带原点位移的ＱＲ算法 由ＱＲ算法收敛性可以看出，ＱＲ算法的收敛速度 依赖于矩阵相邻特征值的比 值.为了加快算法的收敛速度，在迭代过程中，对矩阵Ak确定一个原点位移量sk，称Ak-skI为带原点位移量的矩阵，再对Ak-skI应用ＱＲ算法.这时，迭代格式改为 称为带原点位移的QR算法 计算特征值问题的QR方法，实际上总是分成2个阶段： 从而A的特征值可取为 ?1?2.125825, ?2?8.388761, ?3?4.485401 为了减少搜索非对角线绝对值最大元素时间, 对经典的Jacobi方法可作进一步改进. 1.循环Jacobi方法:按(1,2),(1,3),…,(1,n),(2,3), (2,4),…,(2,n),…,(n-1,n)的顺序, 对每个(p,q)的非零元素apq作Jacobi变换,使其零化,逐次重复扫描下去,直至?(A)?为止. 2.过关Jacobi方法: 取单调下降收敛于零的正数序列??k?,先以?1为关卡值,依照1中顺序,将绝对值超过?1的非对角元素零化,待所有非对角元素绝对值均不超过?1时,再换下一个关卡值?2 ,直到关卡值小于给定的精度? . Jacobi方法具有方法简单紧凑,精度高,收敛较快等优点, 是计算对称矩阵全部特征值和相应特征向量的有效方法,但计算量较大,一般适用于阶数不高的矩阵. 附录： 约化矩阵的Householder方法 矩阵的约化 目的：利用相似变换，将矩阵约化为“尽可能简单” 的形式的过程，称为矩阵的约化. 特征值 特征向量 Householder 矩阵 称 为Householder矩阵. 性质：1） （Hermite矩阵） 2）正交性： 正交矩阵 作用于 上，仍有： 即不改变向量的长度. 定理 设 ，则总存在Householder 矩阵H 使： 证明：若 ，则只需取 即可. 若 ，并确定w使 据此应有： 即：w应与向量 平行. 因为 ，所以 又因为 ，所以可取 这时 即为所求的Householder矩阵. 可以设计 ，使得 变为所需要的形状.