求解大规模矩阵内部特征值问题的精化与修正的精化调和块Arnoldi算法(英文)

调和块Arnoldi方法可以用于求解大规模矩阵的内部特征对,给定一个位移点τ可以用该方法求接近τ的内部特征值及其相应的特征向量.然而,理论分析表明,所求得调和Ritz向量可能收敛非常缓慢,甚至不收敛.为避免这种情况,给出了精化调和块Arnoldi及修正的精化调和块Arnoldi方法.此外,还给出了修正的精化调和Ritz向量和精化调和Ritz向量之间的关系.数值实验结果表明了新算法的有效性.     

精化调和Ritz向量张成子空间上的调和Ritz值

研究了精化调和Rayleigh—Ritz过程中的近似特征值选取的问题．一般地。精化调和Ritz对在求解子空间中具有残量最小的最优性。因此在它们张成的子空间中应含有想求的特征向量的更丰富的信息，从而在此子空间上计算的调和Ritz值应该更准确．本正是从这一指导思想出发，研究如何求矩阵A在精化调和Ritz向量所张成的子空间上的调和Rit值θi．对Krylov子空间，建立了θi和调和Ritz值间的一个先验估计式，同时给出了用θi作为近似特征值的精化调和Arnoldi算法。最后的数值结果表明新的算法的有效性．     

解大规模矩阵内部特征问题的简单调和Arnoldi方法

给出了调和Arnoldi算法的一种等价变形.利用求解Krylov子空间和其位移子空间的基之间的巧妙关系式,作者以较少的运算量将原大规模矩阵特征问题转化为一个标准特征问题求解,比原来调和Arnoldi算法求解广义特征问题要简单.简要分析了新方法收敛的充要条件.数值试验表明了新方法比调和Arnoldi算法有效,尤其是当求解子空间维数较小时,新方法的优越性更明显.     

隐式重新启动精化Lanczos双对角化方法

给出一种计算少数几个最小奇异三元组的隐式重新启动精化Lanczos双对角化方法,采用调和Ritz值作为位移,有效地逼近大规模矩阵的小奇异值的奇异三元组,算法用精化残量,精化奇异向量和精化Rayleigh商,同时采取压缩技术压缩掉已经求出的小的奇异三元组,数值实验表明,算法更有效地求解大规模矩阵的小奇异三元组,收敛速度也快.     

一种广义残量Arnoldi方法

基于残量Arnoldi方法与最优子空间扩张的思想,提出一种广义残量Arnoldi方法,其核心是将精化Ritz向量对应的残量方向作为新的求解子空间的扩张方向.利用该方法研究了求解单个特征对的算法.结果表明,该方法所用的矩阵向量积个数和时间都较少,收敛速度较快.     

求解对称矩阵特征问题的精化Arnoldi方法

研究在有限精度下,如何用精化Arnoldi方法求对称矩阵的一组正交程度可达到机器精度的近似特征向量组.首先给出精化Ritz向量的一个新的表达式,该表达式表明理论上对不同的近似特征值,一般地无法保证精化Arnoldi方法所确定的精化Ritz向量组是正交的.进一步,采用再正交化方法便可得到一组正交化程度可达到机器精度的标准正交近似特征向量组,最后的数值结果验证结论的准确性,同时再正交化后得到新的近似对的残量几乎是不变的.     

求解大型对称特征值问题的改进的块Davidson方法

块Davidson方法是求解大型对称矩阵特征值问题的一种有效方法．但对一些特征值问题，当Ritz值收敛以后，该方法并不能保证Ritz向量也同时收敛．因此，为加速块Davidson方法的收敛性，研究了块Davidson方法的重新开始技术，将精化策略和收缩技术应用于块Davidson方法，提出了收缩的精化块Davidson方法．数值试验结果及理论分析均表明，新方法比块Davidson和块Lanczos方法有更好的收敛效果，对计算大型对称矩阵的一些极端特征对是有效的．     

大规模非对称线性方程组Lanczos算法和精化Lanczos算法的对比

为了得到更加符合大规模非对称线性方程组的求解算法提出了Lanczos算法和精化Lanczos算法的对比分析,利用构建三角矩阵精化向量子空间的Ritz值和投影方式进行精细化对比,发现精化Lanczos算法的精细度高出10~2,接着分析算法的计算速度得出收敛效果的对比结果,在此基础上对比两种算法的时间消耗和内存消耗,得出精化Lanczos算法可以节省约30 s时间消耗和二分之一内存空间消耗的结论,最后通过计算残量值和特征值对比算法计算结果,经过对比分析充分凸显精化Lanczos算法的多方面优势.     

关于Arnoldi精化算法的收敛性

对于解大型非对称阵Ａ特征问题的Ａｒｎｏｌｄｉ方法，为克服Ｒｉｔｚ值收敛于特征值时而Ｒｉｔｚ向量不一定收敛于特征向量这一弊病，Ｊｉａ提出了用精化向量了代Ｒｉｔｚ向量的精化算法，并且对于具有相异特征值的Ａ证明了：只要Ｒｉｔｚ值收敛于特征值，精化向量就收敛于特征向量，本文取消对Ａ的限制，证明了即使Ａ可能亏损的一般情形上述结论也成立。     

一种计算非负矩阵最大特征值的对角相似变换下的原点位移法

利用矩阵的原点位移和正对角相似变换,给出了非负矩阵最大特征值和对应特征向量的一种算法,在适当选择平移参数下,算法具有较好的收敛效率.     

求解非线性特征值问题的两种迭代投影法

研究求解大型非线性特征值问题的两种迭代投影法:非线性有理Krylov子空间法和非线性Arnoldi方法.通过引入精化策略和不精确求解线性系统的思想,给出了精化有理Krylov方法和不精确非线性Arnoldi方法的实用算法,通过数值算例验证了改进后的方法可以提高计算的效率.     

一种求解高阻尼PageRank问题的加权块Arnoldi算法

提出了一种加权块Arnoldi方法求解PageRank问题．为了加快算法的收敛速度，采用子空间迭代法作为加速策略．数值实验结果表明，当阻尼因子。靠近1时，提出的加速加权块Arnoldi算法比现有的一些Krylov子空间方法优越．     

一类Krylov子空间方法在求解Sylvester方程的应用

提出了一种求解Sylvester方程AX+XB=EFT的块Krylov子空间方法。当矩阵A和B非常大,并且右侧的的秩很小时,给出如何求解精确低秩近似解。理论结果和数值实例证明了方法的有效性。     

加速广义极小残余新算法

研究了Krylov子空间广义极小残余算法（GMRES（m））的基本理论，特别是残余向量与Krylov子空间的关系．根据残余向量所满足的代数方程组，深入探讨算法的收敛性质与所选择的子空间的关系，指出大大量按模很小的特征值对应的特征向量的存在会降低算法的收敛速度，从而提出一种利用按模很小的特征值对应的特征向量扩充Krylov子空间的加速广义极小残余算法（AGMRES（m））、理论分析和数值结果都表明，算法是可靠和有效的．     

求解控制系统部分特征值配置问题新方法

在控制理论领域里,特征值配置问题是一个经典问题,提出了新的通过部分特征值配置来使大型单输入时不变控制系统稳定化的算法,该算法建立在隐式重新启动的精化Arnoldi方法基础上,适合那些需要对一小部分特征值重新配置的控制系统．同时对配置问题进行了理论分析,证明算法的精度越高,配置后的系统越稳定．与已有的基于隐式重新启动的Arnoldi方法进行比较体现出新方法的优越性。     

GMRES(m)算法在离散不适定问题中的应用

基于投影方法的规划算法——Krylov子空间技术,研究了离散不适定正则化和Krylov子空间广义极小残余算法(GMRES(m))的基本理论,特别是残余向量与Krylov子空间的关系。利用离散不适定正则化方法,将不适定问题转化为适定问题,利用广义极小残余算法对此适定问题进行数值求解。数值结果表明该算法是可靠和有效的。     

求解最大特征值及其对应特征向量的FPGA实现

针对某些领域只需求解矩阵的最大特征值及其对应特征向量的特点,设计了基于乘幂法的复矩阵的最大特征值及其对应特征向量求解的FPGA实现,提高了运算速度。设计采用状态机设计方法,将9×9复矩阵的定点数格式转化为浮点数运算,使得到的特征值及特征向量有很高的精度。结果表明,本设计稳定并可实现工程化应用。