幂法求特征值 matlab_幂法求矩阵的主特征值和对应的特征向量

当矩阵的最大特征值是实数的时候，无论该特征值是否是重根，都可以使用幂法来求矩阵的这个最大特征值、也就是主特征值

关于幂法的说明，可以参考搜狗百科

幂法求矩阵特征值 - 搜狗百科​baike.sogou.com

这里补充一点，无论该特征值是否是重根，都可以使用幂法来求矩阵的这个最大特征值。重根的情况下，最后得到的特征向量，也是在这个特征值的特征子空间里的，只不过会与选取的迭代初始值有关。

MATLAB 程序

function [eig, v] = power_method(M, tol)
% 使用幂法求矩阵的最大实特征值的近似值
% M: 给定的矩阵，tol: 允许的误差上界。 eig: 返回的主特征值近似值

[m, ~] = size(M);
v0 = ones(m, 1);
v1 = M * v0;

k = 1;
while abs(max(v0) - max(v1)) > tol
    v0 = v1;
    v1 = M * (v0 / max(v0));
    k = k + 1;
end

eig = max(v1);
v = v1 / max(v1);
fprintf('共迭代%d次n', k)
end

Python 程序

import numpy as np

def power_method(M, tol):
    '''
    使用幂法求矩阵的最大实特征值的近似值
    M: 给定的矩阵, ndarray类型，tol: 允许的误差上界。 eig: 返回的主特征值近似值
    '''
    m = M.shape[0]
    v0 = np.ones((m, 1))
    v1 = M @ v0
    k = 0
    while np.abs(np.max(v0) - np.max(v1)) > tol:
        v0 = v1
        v1 = M @ (v1 / np.max(v1))
        k += 1
    print(f'共迭代{k}次')
    eig = np.max(v1)
    v = v1 / eig
    return eig, v

对于一个 n 阶矩阵，幂法每次迭代需要计算

次，若迭代 k 次，那么总的计算次数近似为

，要减少计算量就需要减少迭代的次数。

幂法收敛速度取决于

，其中

是主特征值，

是除主特征值外第二大的特征值，当这个比值接近 1 的时候，收敛的速度是不够快的。

对幂法的改进，比较经典和易于理解的就是原点平移法。欲求矩阵A的特征值，转化为求矩阵

的特征值，就有收敛速度

，如果这个数是远小于1的，那么就能有较快的收敛速度，当然这个 p 值的选取也是有考量的。

此外，实际应用中，幂法通常用来求稀疏矩阵的主特征值和对应的特征向量。

对于一个稀疏的马尔科夫矩阵，我们已经知道它必有一个最大的实特征值 1，且代数重数也是1，要求 特征值 1 对应的特征向量，就可以用这种办法！！

不知道大家有没有想到什么，一个非常经典的算法就要用到本文所说的幂法。总之，欢迎大家转载我的文章并且附上链接哦~