cholesky分解_<读书笔记8>稀疏矩阵Cholesky分解[3]

本篇为稀疏矩阵求解算法经典论著<Direct Methods for Sparse Linear System>的<读书笔记 8>

4.6 Symbolic analysis

矩阵的符号分析是其数值分解的前导。它通常只包括计算非零模式而不进行数值计算。这使得数值分解可以对具有相同非零模式的矩阵序列进行重复计算（在求解非线性方程时经常出现的一种情况）。符号因子分解包括对因子分解的非零模式的显式表示的计算;一些稀疏的Cholesky算法需要这一点。矩阵的置换对fill-in有很大的影响。通常找到一个fill-reducing置换矩阵

，使得

的因子分解要比

更加稀疏。

cs_schol函数完成了应用于up-looking 稀疏Cholesky分解的符号分析。

4.7 Up-looking Cholesky

函数cs_cho1是up-looking Cholesky算法的实现。在本书中，用粗体描述代码中相对应的注释，如下：

Nonzero pattern of L(k, :):

Triangular solve:

Compute L(k,k):

执行完整的稀疏Cholesky分解，包括用函数S=cs_schol(order,A)完成fill-reducing preordering和符号分析，接下来用N=cs_chol(A,S),其中order为0，则用自然排序，如果order为1，则用对

完成fill-reducing 最小度排序。

4.8 left-looking and supernodal Cholesky

left-looking的Cholesky分解算法比向上的Cholesky分解算法更常用。其伪代码为：

它一次计算一列，可以从以下表达式推导得到：

其中，每个矩阵的中间的行和列均为矩阵第

行和第

列。如果

的前

列已经算出来，则

，然后就能得到

。对于稀疏矩阵的伪代码为：

该方法要求计算

的列的非零样式(按顺序)在数值分解之前。相比之下，up-looking方法在进行数值因数分解之前只需要列计数的累积和，并在一次遍历中计算非零样式(按排序顺序)和数值分解。使用

cs_ereach可以在

时间内计算

的非零样式。

left-looking的数值分解需要访问

的第

行。非零样式

通过第

行子树

。这对于up-looking算法已经足够，但是对于left-looking方法仍然还需要访问

以及submatrix

的数值。

left-looking算法构成了超节点法（supernodal）的基础。在Cholesky分解以及LU分解中，经常会出现以下形式的矩阵，黑色的稠密块（block）即被称为超节点supernodal。考虑到上面提到的公式，三个矩阵中间的行与列可以扩展为维度为

的块矩阵

。则可以将公式改写为：

chol_super函数是supernodal left- looking Cholesky分解的原型。

chol_super依赖于四个关键操作，所有这些操作都可以利用密集的矩阵内核:

1. 一个对称的更新

。在稀疏情况下，

是一个稠密矩阵。

表示第

个超节点的子节点的子集中的行。每个子孙的更新可以通过单个密集矩阵乘法完成。

2. 一个密集的Cholesky分解，函数chol。

3.一个稀疏矩阵乘积，

，其中两个

项来自第

个超节点的后代。

4. 稠密三角形解

，使用

的第

个对角块。

4.9 Right-looking and multifrontal Cholesky

right-looking Cholesky 分解基于以下表达式，其中

为标量。

可以通过

来求解

，然后可以求得

。接下来可以得到方程

。然后迭代求解。其MATLAB的表达为：

right-looking方法是multifrontal法的基础。multifrontal法与choL_right方法类似，除了对外积

求和做延迟处理。类似supernodal方法，

的列被组合在一起。每一组被表示为一个稠密前波矩阵（dense frontal matrix）。令

为一个前波矩阵的第一列的非零样式。则前波矩阵的维度为

。对前波矩阵进行

步的分解，并且完成一个rank-k的外积。这些步骤可以使用密集矩阵BLAS，因此他们也可以获得非常高的性能。在本书的第6.3节将会做更加详细的介绍。

与chol_right不同的是，在前波矩阵中计算的外积不会立即添加到稀疏矩阵

中。设列

是一个被表示为前波矩阵

的最后一个主列（即

在函数

chol_super）。它保持在前波矩阵中，直到它的父矩阵被分解。