大创项目笔记（2）

在文献《Randomized LU Decomposition》中的算法4.1,如下图：

首先，把输入矩阵A投影到一个随机矩阵G上，得到了矩阵Y，这个矩阵可以反映出输入矩阵A 值域的很大一部分；
然后，对矩阵Y应用RRLU分解，得到基底L_k和U_k，并对输入矩阵A进行再次投影，得到矩阵B；
之后，再对矩阵B进行列选主元的LU分解从而得到新基底L_b和U_b；
最后，得到L=L_kL_b，U=U_b。
在实现上述算法的过程中，需要考虑步骤3中RRLU分解是如何实现的，于是我们根据本篇文章的引用文献找到了如下文章，并进行了研读。

RRLU分解：全称rank-revealing LU factorizations, 实现该算法用到的内容有：

1. 计算矩阵体积（volume）
   
   上图定义3.1给出了矩阵体积的定义也就是所有奇异值的乘积。
   接着，文章又给出了矩阵的局部最大体积的定义：从原矩阵A中选取k列（或者是k行）构成子矩阵B，并且使得矩阵B的体积最大。
   具体原文定义，如下图：
   
   在实际操作中，为了增加可操作性，避免陷入无穷循环，上图不等式（3.2）常常被换成不等式（3.3）
   
   注意到在用不等式（3.3）时，对应矩阵B的体积不再单单是依赖于局部，还依赖于系数mju的选取，因此这里矩阵B的体积（vol(B)）又被称为局部mju最大体积。如下图：
   
   根据该文献的思路，找矩阵A的RRLU分解，就是找两个置换矩阵，一个可以取上述矩阵B（也就是矩阵体积是局部mju最大的矩阵），之后在此基础上根据局部mju最大选出k行。为实现上述取矩阵子集的思想，作者利用了高斯消去法。

RRLU算法：