数值分析9.Approximating Eigenvalues

1.The Power Method

寻找最大特征值。

不断按照x=Au迭代，

u是上一次的x归一化的结果。

当前的特征值为x坐标中绝对值的最大的

 Algorithm: Power Method

To approximate the dominant eigenvalue and an associated eigenvector of the n*n matrix A given a nonzero initial vector.

Input: dimension n; matrix a[ ][ ]; initial vector x0[ ]; tolerance TOL; maximum number of iterations Nmax.

Output: approximate eigenvalue lambda and approximate eigenvector  (normalized) or a message of failure.

Step 1  Set  k = 1;

Step 2  Find  index  such that  | x0[ index ] | = || x0 ||infty ;

Step 3  Set  x0[ ] = x0[ ] / x0[ index ];   /* normalize x0 */

Step 4  While ( k <= Nmax)  do  steps 5-11     

Step 5   x[ ] = A x0[ ];   /* compute  xk from u^{k-1} */                

Step 6   lambda = x[ index ];     

Step 7   Find  index  such that  | x[ index ] | = || x ||infty ;     

Step 8   If  x[ index ] == 0  then                                

             Output ( “A has the eigenvalue 0”; x0[ ] ) ;   STOP.                                

             /* the matrix is singular and user should try a new x0 */     

Step 9   err = || x0 - x / x[ index ] || infty ;                                

              x0[ ] = x[ ] / x[ index ];   /* compute uk  */     

Step 10  If  (err < TOL)  then                                  

               Output ( lambda ; x0[ ] ) ;   STOP.   /* successful */     

Step 11  Set  k ++;

Step 12  Output (Maximum number of iterations exceeded);                

              STOP.  /* unsuccessful */

 最大特征值相同也可以算

如果lambda1 = -lambda2 则不能算

收敛速度：

两次迭代的特征值之比越小越好，因此用幂法算B=A-pI的特征值，p=(lambda1+lambda2)/2

最后算出的特征值加上p

 2.Inverse Power Method

反幂法，计算最小的特征值,

计算p附近的特征值：

1.令B=A-pI

2.使用幂法，但是使用迭代（每次需要解xk=Axk+1）

3.幂法计算得到的特征值为：1/(lamda-p)，然后解出lambda