Professional Documents
Culture Documents
lastne
lastne
1 / 20
1 Uvod
2 Potenčna metoda
3 Inverzna iteracija
4 QR iteracija
2 / 20
Uvod
yH A = λ yH,
3 / 20
Lema
Levi in desni lastni vektorji matrike A, ki pripadajo različnim lastnim
vrednostim, so ortogonalni.
4 / 20
Izrek
Za vsako matriko A obstajata unitarna matrika U in zgornja trikotna matrika
T, da je U H A U = T (Schurova forma).
Izrek
Za vsako realno matriko A obstajata ortogonalna matrika Q in kvazi zgornja
trikotna matrika T, da je Q T A Q = T.
Opomba
Matrika T je kvazi zgornja trikotna v smislu, da ima samo na nekaterih
diagonalnih mestih bloke 2 × 2, sicer pa je prava zgornja trikotna (ti bloki
ustrezajo kompleksnim lastnim vrednostim).
5 / 20
Potenčna metoda
Izberimo normirani vektor z 0 in generirajmo
1
y k +1 = A z k , z k +1 = y k +1 , k = 0, 1, . . .
k y k +1 k
Izrek
Naj bo λ1 dominantna lastna vrednost matrike A, torej
| λ1 | > | λ2 | ≥ · · · ≥ | λ n |.
6 / 20
Opomba
Metodo lahko predelamo tudi za primere:
|λ1 | = |λ2 | > |λ3 | ≥ · · · ≥ |λn k in λ1 = −λ2 .
|λ1 | = |λ2 | > |λ3 | ≥ · · · ≥ |λn k in λ1 = λ2 .
k z k +1 − z k k ≤ ε
xH A x
ρ( x , A) = .
xH x
7 / 20
Iteracijo ustavimo, ko je
k A z k − ρk z k k ≤ ε,
kjer je
ρ k : = ρ ( z k , A ).
Hitrost konvergene je linearna. Odvisna je od razmerja |λ2 |/|λ1 |.
Čim bližje je razmerje 0, tem hitrejša je konvergenca.
Ko poiščemo dominantno lastno verdnost λ1 , lahko problem
reduciramo na iskanje naslednjih lastnih vrednosti (po velikosti).
8 / 20
Hotelingova redukcija za A = A T . Definiramo
B := A − λ1 x 1 x 1> .
B z = A z − λ1 ( x 1> z ) x 1 .
9 / 20
Householderjeva redukcija za splošno matriko.
Poiščemo ortogonalno matriko Q, da je Q x 1 = k e 1
(Householderjevo zrcaljenje).
Matrika B = Q A Q> ima obliko
λ b>
B= 1 .
0 C
10 / 20
Inverzna iteracija
11 / 20
QR iteracija
A0 = A
k = 0, 1, . . .
Ak = Qk Rk (QR razcep)
A k +1 = R k Q k
Lema
Če ima matrika A lastne vrednosti s paroma različnimi absolutnimi
vrednostmi, potem zaporedje matrik Ak konvergira proti Schurovi formi.
12 / 20
Za uporabno verzijo QR iteracije potrebujemo nekaj izboljšav:
I Matriko A najprej reduciramo na zgornjo Hessenbergovo z
ortogonalnimi podobnostnimi transformacijami (Householder ali
Givens).
I QR iteracijo potem uporabimo na zgornji Hessenbergovi obliki, saj
velja spodnja trditev:
Lema
Če je A zgornja Hessenbergova, se njena oblika med QR iteracijo ohranja.
13 / 20
Metode za simetrične matrike
14 / 20
Sturmovo zaporedje
Naj bo
a1 b1
b1 a2 b2
T=
.. .. ..
. . .
bn − 2 a n − 1 bn − 1
bn − 1 an
ireducibilna (bi 6= 0, i = 1, 2, . . . , n − 1) tridiagonalna simetrična
matrika.
Naj bo Tr vodilna r × r podmatrika matrike T in
f r (λ) = det( Tr − λ I ).
Velja
f r+1 (λ) = ( ar+1 − λ) f r (λ) − br2 f r−1 (λ),
kjer je f 0 (λ) = 1, f 1 (λ) = a1 − λ.
15 / 20
Izrek
Polinomi f r , r = 0, 1, . . . , n, tvorijo Sturmovo zaporedje, kar pomeni, da
zanje velja:
1 f 0 (λ) 6= 0, za vsak λ.
2 Če je f r (λ0 ) = 0 za r < n, potem je f r−1 (λ0 ) f r+1 (λ0 ) < 0.
3 Če je f n (λ0 ) = 0, potem je f n−1 (λ0 ) f n0 (λ0 ) < 0.
Posledica
Ireducibilna tridiagonalna simetrična matrika ima enostavne lastne vrednosti.
16 / 20
Lema
Število u(λ0 ) je enako številu lastnih vrednosti matrike T, ki so strogo večje
od λ0 .
17 / 20
Jacobijeva iteracija
18 / 20
Izkaže se, da je r
1
c= , s = c t,
1 + t2
kjer je
sign(τ ) a pp − aqq
t= √ , τ= .
|τ | + 1 + τ 2 2 a pq
Definicija
Za matriko A ∈ Rn×n definiramo
v
u n
off( A) = t ∑ a jk .
u 2
j,k=1
j6=k
19 / 20
Lema
Če je matrika A0 dobljena iz A z enim korakom Jacobijeve metode na elementu
( p, q), je
off( A0 )2 = off( A)2 − 2 a2pq .
20 / 20