稳定迭代求解器用于病态线性系统-计算机科学-机器学习-线性系统-算法.pdfVIP

稳定迭代求解器

用于病态线性系统

VasileiosKalantzis,MarkS.Squillante,ChaiWahWu

MathematicsofComputation

IBMResearch

ThomasJ.WatsonResearchCenter,YorktownHeights,NY,USA

vkal@,mss@,cwwu@

摘要—大型线性系统的迭代求解器，如Krylov子空间方著降低经典Krylov子空间迭代方法在解决这些大规模

法，在线性系统病态时可能会发散，从而显著降低了这些迭代方病态系统的实际应用中的适用性。因此，我们的目标是

本法在高性能计算解决此类大规模线性系统中的实用性。为了解决解决使用Krylov子空间迭代方法求解大规模病态线性

这一基本问题，我们提出了修改Krylov子空间迭代求解方法的

译系统时的基本问题。相关的Krylov子空间方法实例包

一般算法框架，以确保算法稳定且不会发散。然后我们将一般框

中架应用于当前实现的相应迭代方法SciPy中，并通过广泛的合成括多种形式的共轭梯度（CG）[6],[7]算法和广义最小

1和实际病态线性系统的数值实验展示了我们稳定的迭代方法的残差（GMRES）[1],[8]算法。

v

3有效性。在本文中，我们旨在通过引入通用算法框架来增强

7IndexTerms—线性系统，Krylov子空间，迭代方法，病

6态条件。广泛的Krylov子空间迭代方法类，以解决上述基本问

7题，同时确保稳定性和避免发散地求解大规模病态线

1

.I.介绍性系统。除了我们的算法贡献外，我们还进行了广泛数

7

0考虑求解大规模线性方程组的计算密集型问题，即值实验，展示了我们的通用框架相对于各种形式的CG

5

2给定一个矩阵和一个向量，找到一个向量使得和GMRES及相关方法的重要优势。特别是，我们首

:或者使最小化。此类问题的解法是现先展示当线性系统足够病态时，经典的Krylov子空间

v

i代科学和工程高性能计算中的重要工具。迭代求解器，及相关迭代方法如何发散，并进一步量化这些效应。然

x

r

a如Krylov子空间方法，已经成为解决这些大规模线性后，我们证明了使用我们的通用算法框架增强的相应版

系统问题的重要一类算法，特别是在稀疏线性系统的情本迭代方法是稳定的，不会发散，并且提供显著更准确

况下[1],[2]。然而，当线性系统是病态的，即矩阵的的结果。此外，对于不那么病态的线性系统，使得经典

条件数很大时，这样的Krylov子空间迭代方法往往会Krylov迭代方法不发散的情况下，我们的数值实验表

发散，导致数值溢出或不准确的结果。即使使用了预处明，用我们的通用算法框架增强的Krylov子空间迭代

理方法，如果预处理器和不匹配，这种情况也可方法通常比原始的Krylov迭代方法提供了更好的精度，

能发生。实践中发现的病态线性系统示例包括三维高频并且性能永远不会差于原方法。

率Helmholtz方程的数值解[3]以及有理滤波预处理中我们注意到，Krylov子空间迭代方法也已经在基

的移位矩阵[4]。此外，在用于现实世界线性系统的标于不准确计算的高性能计算环境中找到了应用，例如那

准矩阵库中，病态矩阵的各种示例也普遍存在[5]。些使用模拟（参见，例如[9]）和混合精度（参见，例

由于病态线性系统在实际中自然出现且并不罕见