第七章 特征值问题的迭代解法.pdfVIP

第七章 特征值问题的迭代解法 当矩阵规模很大时, 计算其所有的特征值和特征向量是非常困难的. 而在实际应用中, 我们通常也只对 其中的某些特征值和特征向量感兴趣, 因此也没必要计算所有的特征值和特征向量. 本章讨论计算部分特征值和特征值向量的迭代解法. 这些算法的存储量要远小于 , 运算量也远 小于 . 7-2 7.1 投影算法 最简单的特征值问题就是仅仅计算一个特征值, 如计算模最大的特征值. 这时我们可以使用幂迭代算 法. 算法7.1 幂迭代: 计算最大特征值 1: Given 2: for ,untilconverge do 3: 4: ∥ ∥ 5: endfor 幂迭代所产生的迭代向量, 生成一个Krylov 子空间 { } 在幂迭代中, 我们取 为近似特征向量. 显然, 如果我们在 中找出“最佳” 的近似特征向 量, 则收敛速度就可能会大大加快. 下面我们讨论如何在 中寻找“最佳” 的近似特征向量. 设 , 并设 和 是 的两个 维子空间. 投影算法就是在寻找 的近似特征对 , 满足下面的Petrov-Galerkin 条 件 find and suchthat (7.1) 7-3 这样的算法我们称为斜投影算法. 如果我们取 , 则上面的算法就是一个正交投影算法, 此时条件 (7.1) 称为Galerkin 条件. 设 和 分别是 和 的一组标准正交基. 令 , . 则对任意 , 存在向量 使得 , 即 可以由 线性表出. 根据条件(7.1), 我们可得 即 (7.2) 这是一个广义特征值问题. 如果我们取 , 并令 , 则(7.2) 就化为 (7.3) 其中 . 这意味着 是矩阵