稳定双共轭梯度法BiCGSTAB流程

于 2022-12-16 14:22:42 发布
阅读量582 收藏 4
点赞数
文章标签： 算法 矩阵 线性代数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/abner361/article/details/128341958
版权

求解Ax=b时，如若A不是正定对称矩阵时，使用CG或者SSOR等迭代方法效果不是很好。在使用BiCGSTAB求解时，即便是主对角元素值很小，效果也较好。

下面是无预处理的稳定双共轭梯度法用于处理非正定对称矩阵的流程：

1.      \large r_0 = b - Ax_0

2.在\large <\hat{r} ,r>=0的前提下，设置\large \hat{r}   一般设置\large \hat{r} = r

3.初始化\large \rho _0=\alpha = \omega_0=0\large v_0=P_0=0,

4.for i   in  1------>n:

        5.\large \rho_i = <\hat{r_0},r_{i-1}>

        6.\large \beta = (\frac{\rho_i}{\rho_{i-1}})\times(\frac{\alpha}{\omega_{i-1}})

        7.\large P_i = r_{i-1}+\beta (P_{i-1}-\omega_{i-1}v_{i-1})

        8.\large v_i=AP_i

        9.\large \alpha = \frac{\rho_i}{<\hat{r}_0,v_i>}

        10.\large x_i = x_{i-1}+\alpha P_i

        11.\large s = r_{i-1}-\alpha v_i

        12.\large t = As

        13.\large \omega_i = \frac{<t,s>}{<t,t>}\large \omega _i = \frac{<t,s>}{<t,t>}

        14.\large x_i = x_i+ \omega_i s

        15.\large r_i = s-\omega_i t

        16.\large i= i+1

 

odesseyy
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
AMG并行运算fortran 代码
05-08
AMG（代数多重网格算法）并行运算fortran 代码
平行班研究：双共轭梯度稳定
04-11
使用双共轭梯度稳定方法求解线性方程组的.NET并行类的研究
A BiCGSTAB variant based on multiple Lanczos
04-08
A BiCGSTAB VARIANT BASED ON MULTIPLE LANCZOS STARTING VECTORS
基于分块存储格式的稀疏线性系统求解优化
04-30
针对基于GPU求解大规模稀疏线性方程组进行了研究，提出一种稀疏矩阵的分块存储格式HMEC（hybrid multiple ELL and CSR）。通过重排序优化系数矩阵的存储结构，将系数矩阵以一定的比例分块存储，采用ELL与CSR存储格式相结合的方式以适应不同的分块特征，分别使用适用于不对称矩阵的不完全LU分解预处理BiCGStab法和对称正定矩阵的不完全Cholesky分解预处理共轭梯度法求解大规模稀疏线性系统。实验表明，应用HMEC格式存储稀疏矩阵并以调用GPU kernel的方式实现前述两种方法，与其他存储格式的实现方式作比较，最优可分别获得31.89%和17.50%的加速效果。
并行计算共轭梯度算法
06-19
该文件内容为共轭梯度算法的并行实现方式，主要包括在mpi下的实现，openmp下的实现以及基于cuda的gpu实现。 文件中的readme.txt是对代码的编译和运行以及参数的的说明。 串行代码参见https://blog.csdn.net/aiwodaqinshi/article/details/92835333
稳定的双共轭梯度法(BiCGSTAB)
Angelaboy的博客
03-31 2766
1、未预处理的 2、预处理后的 CG
稳定双共轭梯度法(BiCGSTAB)解方程(python,数值积分)
seventonight的博客
04-19 3689
第十三课 稳定双共轭梯度法(BiCGSTAB)解方程 非对称方程 前面的方法只使用于方程是对称排列的情况，对于非对称排列的情况，只需要在之前的基础上做一些改进。尽管最终方法的编程相对简单，但完整的数学推理也很复杂，感兴趣的同学可以查看这方面的资料，了解更多细节。我们选择基于前一节的共轭梯度法编程的一种方法，称为“稳定双共轭梯度”(“BiCGSTAB”)。该算法采取以下步骤: 初始化阶段： 迭代阶段： 我们看到了与上文相似但更复杂的计算过程。 算例采用第一篇中的基础算例 具体求解过程可以看高斯消元法
MATLAB求解线性方程组的八种方法
热门推荐
weixin_47567401的博客
02-01 2万+
MATLAB求解线性方程组的八种方法 求解线性方程分为两种方法–直接法和迭代法 常见的方法一共有8种 直接法 Gauss消去法 Cholesky分解法 迭代法 Jacobi迭代法 Gauss-Seidel迭代法 超松弛迭代法 共轭梯度法 Bicg迭代法 Bicgstab迭代法 这里我就从计算代码的角度来讲解，在下面也会按照上面这个顺序给出代码，遇到方程组直接带入已知条件就可以得到答案。 适用条件 Gauss消去法 ：求解中小规模线性方程（阶数不过1000），一般用于求系数矩阵稠密而且没有任何特殊结构的线性方
matlab进行稳定性分析,求解线性方程组 - 稳定双共轭梯度法
weixin_31674039的博客
03-18 714
通过为 bicgstab 提供函数句柄来求解线性方程组，用函数句柄代替系数矩阵 A 来计算 A*x。gallery 生成的 Wilkinson 测试矩阵之一是 21×21 三对角矩阵。预览该矩阵。A = gallery('wilk',21)A = 21×2110 1 0 0 0 0 0 0 0 0 0 0 ...
双共轭梯度预处理(BICGSTAB)(python,数值积分)
seventonight的博客
04-20 995
第十五课 双共轭梯度处理 采取预处理的原因在上一篇中已经介绍预处理共轭梯度 此篇预处理在第十三课稳定双共轭梯度的基础上 算例采用之前的 详细计算过程可见高斯消元解方程 左手边预处理 #线性联立方程的双共轭梯度法(左手边预处理) import numpy as np import math import B n=3 converged=np.array([False]) precon=np.zeros((n,1)) v=np.zeros((n,1)) r=np.zeros((n,1)) r0_hat=np.z
基于预处理BICGSTAB法的电力系统潮流并行计算方法.pdf
08-27
基于预处理BICGSTAB法的电力系统潮流并行计算方法.pdf
论文研究-大型复线性方程组预处理双共轭梯度法.pdf
09-06
当复线性方程组的规模较大或系数矩阵的条件数很大时，系数矩阵易呈现病态特性，双共轭梯度法存在不收敛和收敛速度慢的潜在问题，采用适当的预处理技术，可以改善矩阵病态特性，加快收敛速度。从实型不完全Cholesky分解预处理方法出发，构造了一种针对复线性方程组的预处理方法，结合双共轭梯度法，给出了一种预处理双共轭梯度法。数值算例表明该算法求解速度快，可靠高效，能够应用于大型复线性方程组的求解。
不完全LU分解预处理的BICGSTAB算法在大地电磁二维正演模拟中的应用 (2009年)
05-24
基于双二次插值的有限单元法求解大地电磁二维正演问题,以不均匀网格剖分为基础,推导出大地电磁响应的计算公式。针对有限单元法最后形成一个线性方程组,系数矩阵是大型稀疏的带状对称正定复系数矩阵,并且其条件数远大于1,为严重病态矩阵,求解其对应方程组会遇到很多困难等问题,采用不完全LU分解(即上三角与下三角分解)处理的稳定双共轭梯度算法(BICGSTAB算法)求解该线性方程组,通过对层状介质和二维模型电磁响应进行计算,获得二维大地电磁的视电阻率曲线和阻抗相位曲线。研究结果表明,BICGSTAB算法具有速度快、精度
论文研究-基于压缩存储技术求解压力Poisson方程的BiCGSTAB算法.pdf
07-22
基于投影算法所得压力Poisson方程进行数值离散，对离散系统形成的稀疏线性方程组，由于线性方程组的系数矩阵存在大量的零元素，为降低内存存储，以一维稀疏存储结构对大规模的系数矩阵进行压缩处理，只存储非零元素；同时，以具有优化性质的BiCGSTAB算法求解压力Poisson方程，显著提高了计算效率。在相同初始条件下，利用Fortran90完成超松弛迭代法的程序求解压力Poisson方程数值离散所得到的线性方程组进行求解对比。结果表明基于压缩存储的BiCGSTAB算法在求解稀疏线性方程组具有明显的优势，该算法求解速度快、高效、可靠。
双共轭梯度算法
FPGA/MATLAB学习教程/源码/项目合作开发
10-20 8450
双共轭梯度算法的基本流程如下所示，具体如下所示： 1）、初步给定 x 0 2）、计算 r0=b-Ax 0； 令 r0=r0； 3）、循环体计算： for i=1,2,… if i=1 pi =ri -1 ; pi =ri -1 ; else pi =ri -1+βi-1 pi-1 ; pi =ri -1+βi-1 pi-1 ; end αi =ri -1Tri -1pi TApi x i =x i -1+αi pi if x i -x i-1 x...
共轭梯度粗糙接触matlab,求解线性方程组 - 稳定双共轭梯度 (l) 法
weixin_35500243的博客
03-23 238
通过为 bicgstabl 提供函数句柄来求解线性方程组，用函数句柄代替系数矩阵 A 来计算 A*x。gallery 生成的 Wilkinson 测试矩阵之一是 21×21 三对角矩阵。预览该矩阵。A = gallery('wilk',21)A = 21×2110 1 0 0 0 0 0 0 0 0 0 0 ...
稳定双共轭梯度法解线性方程组C++
最新发布
08-06
在C++中使用稳定的双共轭梯度法（Stabilized BiConjugate Gradient Method）解线性方程组，你可以按照以下步骤： 1. 定义矩阵和向量： - 创建一个表示系数矩阵的二维数组，可以使用C++的多维数组或者矩阵类库（如Eigen）来表示。 - 创建一个表示右侧向量的一维数组。 2. 初始化迭代参数： - 定义一个容差值，用于判断迭代是否收敛。 - 定义一个最大迭代次数，用于避免无限循环。 3. 定义初始解向量和其他辅助向量： - 创建一个表示解向量的一维数组，初始化为零向量。 - 创建两个辅助向量：r0和p0，初始化为右侧向量。 4. 迭代计算： - 进入一个循环，循环次数不超过最大迭代次数。 - 在每次迭代中，计算以下步骤： - 计算残差向量r = b - A * x，其中A是系数矩阵，x是解向量。 - 计算两个新的辅助向量： - alpha = dot(r0, r) / dot(p0, A * p0) - s = r - alpha * A * p0 - t = A * s - 计算新解向量： - beta = dot(r0, t) / dot(p0, A * p0) - x = x + alpha * p0 + beta * s - 更新辅助向量： - r0 = r - p0 = s - 在每次迭代后，检查残差向量的范数是否小于容差值，如果是，则停止迭代。 5. 返回解向量x。 这是一个基本的双共轭梯度法的实现框架，你可以根据具体的问题进行适当的修改和优化。同时，还可以使用现成的线性代数库，如Eigen、LAPACK等，来简化矩阵和向量的操作。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值