数值分析（四）

矩阵特征值与特征向量的计算

乘幂法与反幂法

乘幂法

$$V^{(k)}=A{V}^{(k-1)}$$

• 模最大特征值唯一
  $${\lambda }_1=\underset{k\to \infty }{\lim }\frac{V_i^{(k+1)}}{V_i^{(k)}}$$

  $$x=c{V}^{(k)}$$

• 模最大特征值不唯一

  不同初始值对应不同的特征向量

• 模最大特征值有不同符号
  $${\lambda }_1^2=\underset{k\to \infty }{\lim }\frac{V^{(k+2)}}{V^{(k)}},{\lambda }_2=-{\lambda }_1$$

  $$\begin{array}{rl}& V^{(k+1)}+{\lambda }_1{V}^{(k)}\approx x_1({\lambda }_1)\\ & V^{(k+1)}-{\lambda }_1{V}^{(k)}\approx x_2({\lambda }_2)\end{array}$$

反幂法

$$V^{(k+1)}=A^{-1}{V}^{(k)}$$

• 原点平移法：$A-pI$，可以求出$p$附近的特征值

Jacobi方法

寻找正交矩阵$R_1,R_2\cdots ,R_n$
$$R_n\cdots R_2{R}_{1}A{R}_1^T{R}_2^T\cdots R_n=\Lambda$$

QR分解

$Householder$变换中$\alpha$与$a_1$符号相反