08第4章 多极展开广义极小残值算法.docVIP

燕山大学理学硕士学位论文 第4章 基于多极展开法的广义极小残值算法 PAGE 58 PAGE 57 第4章 基于多极展开法的广义极小残值算法 线性方程组的求解的诸多方法中，传统的Gauss消去法或是由Gauss消去法派生的其他方法解方程所需的计算次数与方程秩N的3次方成比例，而在Arnoldi算法[67]的基础上提出的GMRES迭代算法用于求解稠密系数矩阵线性方程组时，其计算次数与N成比例。 GMRES方法因其存储量、计算量较少，每步迭代具有最优性并且迭代不会中断等优点，成为较为可靠的Krylov子空间投影法。但是当问题规模较大时，使用GMRES法求解依然很困难。故将其与多极展开法(FMM)相结合更新计算结构，提高求解效率。其要点是求解时可只用行矩阵求解，而无须生成系数总矩阵，故可减少运算量及计算所需内存，提高计算速度。 广义极小残值(GMRES)算法 4.1.1 Krylov子空间方法 设待求线性代数方程组为 (4-1) 式中，为阶非对称非奇异稠密实矩阵，为实数组成的向量。 设是维线性空间中的一组线性无关向量，由其张成的线性子空间记为，。Krylov子空间投影方法的基本思想是在子空间中构造满足(4-2)的，即式(4-1)近似解。 (4-2) 式中，是另一子空间中的任一向量。令，其中为一维向量，则式(4-2)可写为 (4-3) 故若令，则近似解可表示为 (4-4) 其中，若选取，这样选取的Krylov子空间方法称之为Arnoldi算法。近似解的构造方法如下： 首先，取为任一向量，令，，则可将(4-1) 式化为 (4-5) 之后，特别取，假设其中各向量线性无关，再由其构造一组标准正交基，正交化过程的计算流程为： (1)任取，计算和 (2)迭代 记迭代中形成矩阵为，且有，上述正交化过程也叫Arnoldi过程。 下一步，构造近似解， 其推导过程如下： 令，因为 又因为由子空间的一组标准正交基组成，故有， 由第2步迭代可推出3个重要关系式 (4-6) (4-7) (4-8) (4-6)式和(4-7)式在算法中已直接给出，(4-8)式可由(4-7)式导出，在 (4-7) 式两边乘得 (4-9) (4-10) 即 (4-11) 两边取模 (4-12) 即 (4-13) (4-6)式可写成 在(4-7)式中令则，所以 (4-14) 推导完毕。 最后，求解最小二乘问题，判断并使求得的近似解满足精度要求。 4.1.2 GMRES算法 但是上述Arnoldi算法在理论上难以分析其收敛性，并且存在中断问题，所以人们转而探索其它的Krylov子空间投影方法，如果选取，这样的方法称之为GMRES算法。此时，在中极小化就等价于在中极小化。原问题归结为最小二乘问题。 GMRES算法的计算步骤可以归结为： (1)初始化 任取，计算； (2)迭代 For （直到满足条件）do Step1 正交化 Step2 标准化 Step3 更新与 为上Hessenberg矩阵，当时第一列省略，并且有； (3)求解最小二乘问题，得到； (4)构造近似解。 4.1.3 GMRES算法的实用化处理 GMRES算法应用于求解边界元方程组目前来说是一种比较理想的算法，但是经典的算法存在着两大不足: 第一，就是随着迭代次数的增加，由Arnoldi过程生成的正交基也不断增加，从而造成存储量和计算量的不断增加； 第二，就是随着迭代次数的增加，由于误差积累造成正交基正交性的丧失，从而使迭代的收敛速度放缓甚至发散。 因此GMRES实用化的关键就是解决这两个不足。对于第一个不足，传统方法采用重启技术，其基本思想就是计算过程中最多存储m个基向量，每隔m次迭代就重启一次，即用最后一次的余量作为新一轮迭代的初始余量，最后一次的迭代解作为新一轮迭代的初始解，即GMRES(m)算法。 但是这种方法不仅要根据经验确定m的值，而且也没有收敛性保证，经验表明该法经常出现停滞甚至发散的现象，为此一些学者做了大量的工作[68]。但实践表明这些方法应