数值分析-第7章 矩阵特征值问题的数值解法n.pptVIP

研究生学位课程 数值分析 研究生学位课程 数值分析 定理7.4.3 设非奇异n阶矩阵A,有n个特征值满足,通过迭代格式(7.4.1)构造A(k)和A(k+1),当k→∞时有矩阵序列A(k)本质上收敛于分块上三角矩阵.这里本质上收敛指A(k)的主对角线上的元素或子块有确定的极限，其它元素或子块不管是否有极限。 由式(7.3.11),令t=tan?,c=cos?,s=sin?,d=(aii-ajj)/2aij t2+2dt-1=0 为保证|?|??/4,取绝对值较小的根,有 于是 算法7.3 Jacobi法 (1)输入矩阵A,Q=I,最大迭代次数N,精度? 置k=1,u=0； (2) 在矩阵A的非对角元中选取一个绝对值最大 的元素aij，记 u=|aij| (3) 按式(7.3.14)和(7.3.15)计算cos?,sin?，从而得平面旋转矩阵J1=J(i,j) (4) 按式(7.3.7)计算 (5) 更新Q，令 (6)若u?，输出A(1)的对角元和Q的列向量,停算；否则，转步7. (7)若kN,置k=k+1,以A(1)代替A,转(2);否则,停算,输出计算失败信息. 例 7.3.1 用Jcobi方法求矩阵 解 首先 i = 1 , j =2 , 由于 故取t=1，所以 再取i =1,j =3,有 得t =0.5176,sin?≈0.45970,cos?≈0.88807, . 所以 的特征值与特征向量. 继续做下去,直到非对角线元素趋于零,进行九次变换后,得 A(9)的对角线元素就是A 的特征值,即 相应的特征向量为 A 的特征值的精确值为 相应的特征向量为 用Jacobi方法求得的结果精度一般都比较高，特别是求得的特征向量正交性很好。所以Jacobi方法是求实对称矩阵全部特征值和特征向量的一个较好的方法。 它的弱点是计算量大，对原矩阵是稀疏矩阵，旋转变换后不能保持其稀疏的性质。 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(i,j)的非零元素aij作Jacobi变换,使其零化,逐次重复扫描下去,直至S(A)?为止. 2.过关Jacobi方法: 取单调下降收敛于零的正数序列?an?,先以a1为关卡值,依照1中顺序,将绝对值超过a1的非对角元素零化,待所有非对角元素绝对值均不超过a1时,再换下一个关卡值a2 ,直到关卡值小于给定的精度? . 实际运算中常用如下的办法取限值：对于矩阵A,计算A=A(0)的非对角线元素平方和S(A(0)),对N≥n,取 7.4 QR方法 7.4.1 QR方法的原理与算法 QR方法是求一般实矩阵的全部特征值和特征向量的最有效的方法，它是20世纪60年代发展起来的。1976年G.Strang在他的著作Linear Algebra and its Applications中，称QR方法是“数值数学最值得注意的算法之一”，从理论分析到实际应用都使这种观点得到广泛的认同。 定理7.4.1 设 n 阶实矩阵 A ，则存在正交矩阵Q，使得 其中Rii是一阶或二阶小块方阵，若为一阶，其元素就是A的实特征值，若为二阶其特征值是A一对共轭复特征值。 定理7.4.2 设 n 阶实矩阵 A 非奇异，则存在正交分解 其中 Q 是 n 阶正交矩阵 ，R 是非奇异上三角矩阵 。 若限定 R 是对角线元素为正数，则此分解唯一 。 QR算法的基本想法 利用矩阵的QR分解，通过迭代格式 将A=A(1)化成与之相似的上三角阵或分块上三角阵，从而求出矩阵A的全部特征值和特征向量。 由A=A(1)=Q1R1.将等号右边两个矩阵因子的次序交换， 得A(2)＝R1Q1， 则 A(2)=Q1-1A(1)Q1 ,即A(2)～A(1). 不难证明: A(k+1)～A(k)～…～A(1)，矩阵序列｛A(k)｝有相同的特征值. A=QR 当k趋于无穷大时，我们有如下的收敛性定理。 算法7.4 （基本QR算法） (1) 输入矩阵A,令A(1)=A，最大迭代次数N，置k=1； (2)对A(k)作QR分解A(k)=QkRk,令A(k+1)=RkQk; (3)判别A(k+1)是否为主对角线为1×1或2×2的子块形式的分块上三角形矩阵，若是对角线上各子块的特征值为所求特征值，停算；否则，转(4). (4)若kN,置k=k+1,，转(2)；否则,停算,输出计算失败信