2021年数值线性代数第二版徐树方高立张平文第五章上机习题实验报告.docxVIP

2021年数值线性代数第二版徐树方高立张平文第五章上机习题实验报告

在2021年，《数值线性代数》第二版是一本包含了很多经典的数值线性代数方法和算法的教材。本章讨论了矩阵的特征值和特征向量，以及与他们相关的特征值问题的数值算法。

首先，本章重点介绍了幂迭代法（poweriterationmethod）和反幂迭代法（inversepoweriterationmethod）两种方法来计算矩阵的最大和最小特征值。

幂迭代法通过计算矩阵乘法的幂次，使用特征向量的伸缩因子来逼近最大的特征值。具体而言，给定一个向量$x^{(0)}$作为初始向量，通过计算不断迭代的向量$x^{(k+1)}=Ax^{(k)}$，其中$A$是矩阵，$k$是迭代次数。然后，通过计算特征向量的伸缩因子来逼近最大的特征值。幂迭代法要求矩阵$A$具有一个特征值$\lambda_1$的绝对值大于其它所有特征值的绝对值。

反幂迭代法是幂迭代法的一种变体，主要用来计算矩阵的最小特征值。它通过迭代计算矩阵的逆的幂次乘以向量来逼近最小的特征值。具体而言，给定一个向量$x^{(0)}$作为初始向量，通过计算不断迭代的向量$x^{(k+1)}=A^{-1}x^{(k)}$来逼近最小的特征值。同样地，反幂迭代法要求矩阵$A$具有一个特征值$\lambda_1$的绝对值小于其它所有特征值的绝对值。

此外，本章还介绍了矩阵的QR分解和QR算法。QR分解是将一个矩阵分解为一个正交矩阵和一个上三角矩阵的乘积。QR算法通过不断进行QR分解迭代来逼近矩阵的特征值和特征向量。其主要思想是使用QR分解将原始矩阵$A$分解为$A=QR$，然后计算$RQ$，再次进行QR分解得到新的$Q$和$R$。重复这个过程直到收敛到一个上三角矩阵，其对角线上的元素就是矩阵$A$的特征值的近似值。

最后，本章还介绍了一些计算实例和算法的收敛性分析。例如，利用幂迭代法和反幂迭代法计算对称矩阵的特征值和特征向量的收敛性分析。

综上所述，本章主要讨论了矩阵的特征值和特征向量的计算方法，包括幂迭代法、反幂迭代法和QR算法。这些方法在实际计算中有着广泛的应用，对于解决特征值问题具有重要意义。通过本章的学习，读者可以了解到这些数值算法的原理和实现，深入理解矩阵特征值问题的数值计算过程。同时也能对这些算法的收敛性有所认识，并且能够应用于实际问题的求解中。