实现幂迭代算法：计算矩阵的最大特征值和对应的特征向量

实现幂迭代算法：计算矩阵的最大特征值和对应的特征向量

幂迭代算法（Power Iteration）是一种用于计算矩阵的最大特征值和对应的特征向量的迭代方法。它是一种简单而有效的算法，被广泛应用于各种科学和工程领域。在本文中，我们将使用Python来实现幂迭代算法，并演示其用法。

首先，让我们了解一下幂迭代算法的基本原理。给定一个实对称矩阵A，我们的目标是找到它的最大特征值λ1和对应的特征向量v1。幂迭代算法的基本思想是通过迭代乘以矩阵A的向量来逼近特征向量v1。迭代过程如下：

1. 随机选择一个非零向量x0作为初始向量。
2. 对于每个迭代步骤k：
   a. 计算y = Ax(k)，其中x(k)是第k次迭代的向量。
   b. 更新x(k+1) = y / ||y||，其中||y||表示y的范数。
   c. 计算特征值的估计值λ(k) = (x(k))^T * Ax(k)，其中(x(k))^T表示向量x(k)的转置。

迭代过程会逐渐使得x(k)趋近于特征向量v1，并且特征值的估计值λ(k)也会逐渐趋近于λ1。在实际应用中，通常需要进行多次迭代，直到达到预定的收敛条件。

现在，我们将使用Python来实现幂迭代算法。以下是实现的源代码：