一种非负矩阵特征值迭代算法研究.docVIP

一种非负矩阵特征值的迭代算法研究 　　【摘 要】根据C-W函数及其理论，本文提出了非负矩阵求最大特征值和最大特征向量的迭代方法，同时证明了该方法的收敛性。数值实例和对比分析表明该方法较幂法有较快的收敛性。 　　【关键词】非负矩阵 最大特征值 最大特征向量 迭代法 　　 　　在理论数学和数值计算领域中，非负矩阵最大特征值的计算问题一直受到关注和研究，因非负矩阵的最大特征值及最大特征向量在理论上和应用上都有着特殊的重要性，故需要建立一些切实易行的寻求任意非负方阵最大特征值和最大特征向量的数值分析方法。幂法是求矩阵最大特征值与最大特征向量的经典数值方法，但是幂法有一个较大的缺点，即幂法的收敛速度比较慢。特别是当模数第二大的特征值的模与最大特征值相差不大时，幂法的收敛速度会慢得失去其实用价值。本文根据Colliaz-Wieland函数的相关理论，提出了一种新的迭代算法，从收敛速度上可以得到该算法优于幂法。 　　1.相关知识介绍 　　1.1 Perron-Frobenius理论 　　Perron-Frobenius理论[8]为非负矩阵的经典理论，它证明每一个非负方阵A都有一个非负的特征值r(A)。其模数不小于A的其他任何一个特征值的模数，并且存在对应于r(A)的非负特征向量，这个等于A的谱半径的特征值r(A)称为非负方阵A的最大特征值，对应于它的非负特征向量称为非负方阵A的最大特征向量。 　　1.2 Colliaz-Wieland函数 　　定义1 对任意的n阶非负方阵A，以下两个从Hn+到Rn+的函数 　　（1） 　　（2） 　　称为伴随A的Colliaz-Wieland函数，简称为A的C-W函数。其中，Rn+={x=(x1,x2,…,xn)T∈Rn|xi≥0,i=1,2,…,n}，Hn+=Rn+-{0}，若i，使得xi=0且(Ax)i0，则规定GA(x)=+。 　　C-W函数具有的许多良好的性质，通常被认为是证明非负矩阵经典理论的好工具。本文C-W迭代算法及其收敛定理都是以C-W函数为基础，因此本文将C-W函数的有关性质做了详细的说明。 　　2.C-W迭代算法 　　2.1 C-W定理 　　设FA(x)和GA(x)是n阶非负方阵A的C-W函数,则有 　　(1)FA(x)和GA(x)都是零次齐次式； 　　(2)如果p是满足Ax-px≥0，x∈Hn+的最大实数，那么p≤FA(x)； 　　(3) 如果q是满足Ax-px≤0，x∈Hn+的最小实数，那么q≥GA(x)； 　　(4)如果x∈Hn+，且y=(I+A)n-1x，那么FA(y)≥FA(x)，GA(y)≤GA(x)； 　　(5)FA(x)≤s，GA(x)≥t，其中s和t分别为A的最大和最小列和。 　　2.2 C-W迭代算法 　　设n阶非负矩阵A的最大特征值为r，则计算r的迭代法如下： 　　(1) 令x(0)=(1,1,…,1)T或x(0)∈Hn+； 　　(2) 计算B=(I+A)(n-1)； 　　(3) 计算y(k)=Bx(k-1)； 　　(4) 计算，k=1,2, …。 　　(5) 计算s=GA(x(k))-FA(x(k))，并判别s是否小于等于z（z是给定的精度），如果s≤z成立，就把r’=1/2[GA(x(k))+FA(x(k))]作为最大特征值r(A)的近似值，x(k)为对应的最大特征向量的k次近似值，迭代停止，否则转（3）进行下一次迭代。 　　该算法中，核心的迭代公式为: 　　，k=1,2,…（3） 　　3.C-W迭代算法的收敛性分析 　　本节对上节的C-W迭代算法进行收敛性证明，即正数列{ FA(x(k))|k=1,2,…}和{GA(x(k))|k=1,2,…}都收敛于A的最大特征值r(A)，向量序列{x(k)|k=1,2,…}收敛于A的最大特征向量。 　　定理1 设A是一个n阶非负方阵，B=(I+A)(n-1)，{x(k)|k=1,2,…}为由迭代公式（3）所计算得到的向量序列，则FA(x(k))=GA(x(k))=r(A)且x(k)=w为满足Aw=r(A)的正向量。 　　证明：依据C-W函数的定义，对任意正整数k都有Ax(k)-FA(x(k))x(k)≥0，于是BAx(k)-BFA(x(k))x(k)≥0，因为AB=BA，故有A(Bx(k))-FA(x(k))Bx(k)≥0，进而得Ax(k+1))-FA(x(k))x(k+1)≥0。由C-W函数的性质（2）可得FA(x(k))≤FA(x(k+1))， k=1,2,…。由C-W函数的性质（4）可得{FA(x(k))| k=1,2,…}是有上界的单调不减实数列，从而存在极限值，设FA(x(k))=q，由于x(k)∈Hn+且B=(I+A)(n-1)为正矩阵，故B