幂法和反幂法

    一、 幂法
    1. 幂法
    幂法是一种计算矩阵主特征值(矩阵按模最大的特征值)及对应特征向量的迭代方法, 特别是用于大型稀疏矩阵。
设实矩阵A=[a_ij]_n×n有一个完全的特征向量组，其特征值为λ₁ ，λ₂ ,…,λ_n,相应的特征向量为x₁ ,x₂ ,…,x_n.已知A的主特征值是实根，且满足条件
              |λ₁ |>|λ₂ |≥|λ₃ |≥…≥|λ_n |, (2.1)
现讨论求λ₁ 的方法。

    幂法的基本思想是任取一个非零的初始向量ν₀,由矩阵A构造一向量序列
            
称为迭代向量。由假设，ν₀ 可表示为

                 ν₀ =α₁ x₁ +α₂ x₂ + … +α_n x_n (α≠0 ), (2.3) 

于是
    
其中

          (2.4)
由假设
         
从而
         
这说明序列ν_k /λ₁^k 越来越接近A的对应于λ₁ 的特征向量, 或者说当k充分大时
      
故
      
即两相邻迭代向量分量的比值收敛到主特征值。
如果|λ₁ |>1 或 |λ₁ |<1, 由(2.5)可知
         
这样就得不到λ₁ 的特征向量，为此每求出ν_k 这一步，对其归一化：
       
然后给出迭代向量
          ν_k+1 = Aμ_k , k=1,2,… 
重复上面的过程，我们就得到下面的定理

    定理1 设A∈R^n×n有n个线性无关的特征向量，主特征值λ₁ 满足

           |λ₁ |＞|λ₂ |≥|λ₃ |≥…≥|λ_n |,

则对任何非零初始向量ν₀ =μ₀ (α₁ ≠0 ),按下方法构造的序列{ν_k } ,{μ_k } :

           (2.7)
其中 |ν_k |_r = ‖ν‖_∞ , 则有
         
如果A的主特征值为实的重根，即λ₁ =λ₂ =…=λ_r ，且 

              |λ_r |＞|λ_r+1 |≥…≥|λ_n |,

又设A有n个线性无关的特征向量,λ₁ 对应的r个线性无关的特征向量为x₁ ,x₂ ,…,x_r ,则由(2.2)式变成了

        
这说明当A的主特征值是实的重根时，定理1的结论仍正确。

例3 用幂法计算 的主特征值和相应的特征向量。  于是得到   λ1 ≈ 2.5365323    及相应的特征向量 (0.7482 0.6497 1)T .  λ1 和相应的特征向量为 λ1 =2.5365258

    
    2. 加速方法
由关系式
    
可知，幂法计算A的主特征值的收敛速度主要由比值r=λ₂ /λ₁ 来决定,但当r接近于1时，收敛可能很慢，为此我们采用加速收敛方法。
    1) 原点平移法
引进矩阵 
     B = A - pI ,
其中p为代选参数。设A的特征值为λ₁ ,λ₂ ,…,λ_n , 则B的相应特征值为λ₁ -p,λ₂ -p,…，λ_n -p, 且A,B的特征向量相同。

如果需要计算A的主特征值λ₁ ，就要适当选择p使λ₁ -p仍然是B的主特征值，且使
      |(λ₂ -p)/(λ₁ -p)|﹤|λ₂ /λ₁ | .

对B应用幂法，使得在计算B的主特征值λ₁ -p的过程中得到加速。这种方法通常称为原点平移法
 
    例4 设A∈R^4×4 有特征值λ_j =15-j (j=1,2,3,4), 比值
             r = λ₂ /λ₁ ≈0.9
作变换 
             B = A-pI (p=12) ,
则B的特征值为
            μ₁ = 2，μ₂ = 1，μ₃ = 0，μ₄ = -1。
应用幂法计算B的主特征值μ₁ 的收敛速度的比值为
            
当A的特征值为实数时，即
             λ₁ ＞λ₂ ≥…≥λ_n-1 ≥λ_n ， (2.8)
则
          max{|λ₁ -p|,…|λ_n -p|}=|λ₁ -p|或者|λ_n -p|

故，B=A-pI的主特征值为λ₁ -p或λ_n -p。令p^* =(λ₁ +λ_n )/2 当选择p<p^* 时, 则 |λ₁ -p|>|λ_n -p|, 对B的幂法收敛于λ₁ -p此时
收敛速度比ω=max {|λ₂ -p|/|λ₁ -p|,|λ_n -p| /|λ₁ -p|}.如果p=(λ₂ +λ_n ), 收敛速度最快。

当选择p>p^* 时, 则 |λ₁ -p|<|λ_n -p|, 对B的幂法收敛于λ_n -p此时收敛速度比
 ω = max {|λ₁ -p|/|λ_n -p|,|λ_n-1 -p| /|λ_n -p|}.
如果p=(λ₁ +λ_n-1 ), 收敛速度最快。

           例5 计算例3中矩阵A的主特征值(2.536526>1.480121>0.016647)。

解 作变换B = A-pI,取p=0.75,则 对B应用幂法,计算结果如图 由此得B的主特征值为  μ1 ≈ 1.7865914， A的主特征值λ1 为  λ1 ≈μ1 +0.75=2.5365914,

与例3结果比较，上述结果比例3迭代15次还好. 若迭代15次，μ₁ =1.7865258(相应的λ₁ =2.5365258).

     2) 埃特肯(Aitken)加速
 如果序列{a_i }线性收敛于a, 即
                
则当n充分大时，有
                
由此可得
        

序列比{an }更快地收敛到  a,这就是Aitken加速法。将这 一方法用于幂法所产生的序列   可加快幂法的收敛速度。对例  3 用Aitken加速法得到的结果 见右图。

    二、 反幂法

反幂法用来计算矩阵按模最小的特征值及其特征向量，也可用来计算对应与一个给定近似特征值的特征向量。

设A∈R^n×n 为非奇异矩阵，A的特征值依次记为
         |λ₁ |≥|λ₂ |≥|λ₃ |≥…≥|λ_n |,
相应的特征向量为x₁ ,x₂ ,…,x_n , 则A^-1 的特征值为
 |1/λ_n |≥|1/λ_n-1 |≥…≥|1/λ₁ | ,
相应的特征向量为x_n ,x _n-1 ,…,x₁ . 所以计算A的按模最小的特征值λ_n的问题就是计算A^-1 的按模最大的特征值问题。
对于A^-1应用幂法迭代(称为反幂法)，可求得矩阵A^-1的主特征值1/λ_n ，从而求得A的按模最小的特征值λ_n 。

    反幂法迭代公式
任取初始向量ν₀ =μ₀ ≠0，构造向量序列
          (2.10)

 迭代向量ν_k 可以通过解方程组 Aν_k =μ_k-1 求得.

在反幂法中也可以用原点平移法来加速迭代过程或求其他特征值及特征向量。
如果矩阵(A-pI)^-1存在, 对其应用幂法，得反幂法的迭代公式
             

如果p是A的特征值λ_j 的一个近似值，且设λ_j与其他特征值分离,即
             |λ_j -p|<<|λ_i -p| (i≠j),

就是说1/(λ_j -p)是(A-pI)^-1的主特征值，可用反幂法(2.11)计算特征值及特征向量。这样我们有下面的定理

    定理2 设A∈R^n×n 有n个线性无关的特征向量, A的特征值及对应的特征向量分别记为λ_i 及x_i (i=1,2,…,n),而p为λ_j 的近似值,(A-pI)^-1存在，且
             |λ_j -p|<<|λ_i -p| (i≠j)。

则对任意的初始非零向量μ₀ α_j ≠0，有反幂法迭代公式(2.11)构造的向量序列{ν_k }，{μ_k } 满足

             
即
            
且收敛速度由比值
            
确定。

    由该定理知，对A-pI(其中p≈λ_j)应用反幂法，可用来计算特征向量x_j . 只要选择的p是λ_j 的一个较好的近似且特征值分离情况较好,一般r很小，常常只要迭代一二次就可完成特征向量的计算。

    反幂法迭代公式中的ν_k是通过解方程组
                (A - pI)ν_k = μ_k-1 

求得的。为节省工作量，可先将A - pI进行三角分解 
                 (A - pI) = LU ,
其中P为某个排列阵，于是求ν_k 相当于解两个三角形方程组
                (2.12)
 实验表明，按下述方法选择μ₀ 较好：选μ₀ 使

               Uν₁ = L^-1 μ₀ = (1,1,…,1)^T 

用回代求解(2.12)即得ν₁ ，然后再按公式(2.11)进行迭代。

    反幂法迭代公式
      1. 分解计算 (A - pI) = LU , 且保存L,U信息。
      2. 反幂法迭代
 
     (1) 解 Uν₁ =(1,1,…,1)^T 求ν₁ 

        μ₁ =ν₁ / (ν₁ )_r , 
 
     (2) k=2,3,…
      a) 解 Ly_k =μ_k-1 ，求得y_k

      解 Uν_k = y_k ，求得ν_k

      b) μ_k =ν_k /(ν_k)_r 

    例6 用反幂法求 对应于特征值λ=1.2679(精确 特征值为的特征向量, 并求其它的特征值和特征向量.
    解 用部分选主元的三角分解将A-pI(其中p=1.2679)分解为

(A-pI) = LU 其中

   
 
注意到
 λ₁ +λ₂ +λ₃ = a₁₁ +a₂₂ +a₃₃ 
 
 = 2+3+5 = 9 
并由圆盘定理可知
 1<λ_i <5,i=1,2,3
故另外两个特征值大于2，取p从2增加可得另外两个特征值和特征向量：

λ₂ =3.00000 x₂ =(1.00000,1.00000,1.00000)^T 


λ₃ =4.73308 x₃ =(0.26886,0.73308,1.00000)^T

转载于:https://www.cnblogs.com/cl1024cl/p/6205247.html