7矩阵特征值与特征向量的计算.ppt

第7章矩阵特征值与特征向量的计算  引言    7.1 引言 定义：对于n阶方阵A，数λ0，若存在非零列向量x，使得Ax=λ0x，则称λ0为A的特征值（特征根），x为A的属于λ0的特征向量。 定义： 以λ为未知量的方程|A-λE|=0称为方阵A的特征方程，λ的多项式|A-λ0E|称为方阵A的特征多项式，记为f(λ)。 λ0是为方阵A的特征值，x为A的属于λ0的特征向量的充要条件是：λ0是A的特征方程|A-λE|=0的根，x是齐次线性方程组(A-λ0E)X=0的非零解向量。 因此，可以按以下步骤求方阵A的特征值和特征向量： ⒈ 计算A的特征多项式|A-λE|； ⒉ 求出A的特征方程|A-λE|=0的全部根，这是A的全部特征值； ⒊ 对A的每一个特征值λi，求出(A-λiE)X=0的一个基础解系x1,x2,……,xs，并写成列向量的形式，这就是A的属于λi的一组线性无关的特征向量。那么 的属于λi的全部特征向量为： k1x1＋k2x2＋……＋ksxs 其中k1,k2,……,ks是不全为零的常数。 对于高阶方阵用上述方法求特征值，运算量大，需要求解高阶代数方程，并且在计算机上实现也较为困难。本章介绍几种便于在计算机上实现的方法。 7.2 乘幂法 一、乘幂法的基本思想 有些实际问题不需要求出全部特征值，只需要求出按模最大特征值和按模最小特征值。乘幂法用来求按模最大特征值和与它对应的特征向量。按模最大特征值又称为主特征值，是指绝对值最大的特征值。乘幂法的特点是算法简单，易于在计算机上实现，特别适用于高阶稀疏方阵。乘幂法的收敛情况与特征值的分布有关。 设n阶方阵A的特征值为λ1,λ2,……,λn，主特征值为λ1且满足|λ1|＞ |λ2|≥|λ3|≥……≥|λn|，对应的特征向量为x1,x2,……,xn且线性无关，那么用乘幂法求n阶方阵A的主特征值λ1和属于λ1的特征向量x1的步骤为： 任取n维非零向量v(0)=(v1(0),v2(0),v3(0),……,vn(0))T作为初始向量，反复计算： v(k)=Av(k-1)，向量(v1(k)/v1(k-1),v2(k)/v2(k-1),v3(k)/v3(k-1),……,vn(k)/vn(k-1))T记为u(k-1)，k=1,2,3,……。 当k→∞时，向量u(k-1)的各分量都收敛于主特征值λ1，并且向量v(k)/λ1k收敛于向量a1x1，式中a1为非零常数。当k足够大时，取u(k)的任一分量作为主特征值λ1的近似值，v(k)近似地作为属于λ1的特征向量。 乘幂法是线性收敛的，收敛速度主要由|λ2/λ1|决定。|λ2/λ1|越小，收敛越快；如果|λ2/λ1|接近于1，那么收敛很慢。 7.2 乘幂法 二、改进后的乘幂法 在上述迭代过程中，如果|λ1|≠1且迭代次数过大，那么|λ1k|会成为很大的数或很小的数，计算v(k)≈λ1ka1x1时可能出现上溢出（数据的绝对值比能表示的最大的数还大，导致出错）或下溢出（非零数据的绝对值比能表示的最小的正数还小，导致出错）。为了克服这一缺点，在每一轮迭代v(k)=Av(k-1)之后，对向量v(k)的长度归一化。 向量长度的归一化是指把向量所有的分量都除以一个常数，使此向量中绝对值最大的分量为1。改进后的乘幂法在每一轮迭代后，都对迭代向量的长度归一化。与上述乘幂法类似，改进后的乘幂法求n阶方阵A的主特征值λ1及对应特征向量x1的步骤为： 任取n维非零向量v(0)作为初始向量，反复计算： ①u(k)=Av(k-1)，②若u(k)各分量中绝对值最大的分量为j第个分量uj(k)，则令m(k)=uj(k)，③令v(k)=u(k)/m(k)， k=1,2,3,……。 当k→∞时，m(k)→λ1，向量v(k)越来越接近于属于λ1的特征向量。因此当k足够大时，m(k)≈λ1，近似地认为向量v(k)是A的属于λ1的特征向量。 7.2 乘幂法 三、改进后的乘幂法的算法 7.3 反幂法 一、反幂法的基本思想 反幂法用来求可逆矩阵的按模最小特征值（即绝对值最小的特征值）和与它对应的特征向量。 定理：若λ为n阶方阵A的特征值，x为A的属于λ的特征向量，则1/λ为A-1的特征值，x也是A-1的属于1/λ的特征向量。 定理：n阶方阵A是可逆矩阵的充要条件为零不是A的特征值。 由上述定理可知，λn是A的按模最小特征值，当且仅当1/λn为A-1的按模最大特征值。用7.2中的乘幂法求出A-1的按模最大特征值，此特征值的倒数即A的按模最小特征值，这是反幂法的基本思想。 设n阶方阵A的特征值为λ1,λ2,……,λn，按模最小特征值为λn且满足|λ1|≥|λ2|≥……≥|λn-1|＞|λn|＞0，对应的特征向量为x1,x2,…