利用逆矩阵解线性方程组_QR方法求解矩阵所有特征值（一）

QR分解法是求中小型矩阵全部特征值的最有效并广泛应用的方法。
一般矩阵先经过正交相似变化成为Hessenberg矩阵，然后再应用QR方法求特征值和特征向量。

QR 分解

在学习QR方法之前需要知道什么是QR分解。不过相信每个人都在线性代数课上学过了。

总的来说，矩阵QR分解有三种方法：

1. 经典的 Gram-Schmidt 正交化方法

有数值不稳定的缺点，可以用改进的Gram-Schmidt方法

2. Householder 变换法：数值稳定，适用于稠密矩阵

3. Givens 变换：数值稳定，适用于稀疏矩阵

详细的可以看某位大佬的这个回答：

QR分解的三种实现方法（Gram schmidt等）各自有什么优势和劣势？​www.zhihu.com

如何理解 Householder 变换和 Givens 变换可以看这个回答：

如何理解Householder变换和Givens旋转?​www.zhihu.com

Householder 变换能将一个向量变换为坐标向量的若干倍

计算出这个 Householder 矩阵需要

的时间

function

而 Givens 变换将向量的某一个位置变换为0

计算出这个 Givens 矩阵只需要

的时间

function

对于一个低阶的稠密矩阵，通常的方法就是 Householder 变换了。

function

对一个可逆矩阵

，

。

是正交矩阵，

是对角元为正的上三角矩阵。易证这样的分解是唯一的。

上 Hessenberg 化

用 Householder 变换还能把一个矩阵变换为上海森伯格矩阵：

是正交矩阵，

是上海森伯格矩阵。这样的分解一般不是唯一的，但如果固定矩阵

的第一列的数值，那么就只会有一个符号上的差别（

倍）

这时

和

是相似的，因而具有相同的特征值，求

的特征值等价于求

的特征值。

function

为什么要将矩阵化为上Hessenberg矩阵呢？

原因在于，用Household变换求解一个常规矩阵的QR分解需要的时间是

，而上Hessenberg矩阵可以用Givens变换在

的时间内做到

，而任何一个实矩阵都可以正交相似与一个上Hessenberg矩阵，因而两者有相同的特征值！

（因为求出一个Householder矩阵需要

，

而确定一个Givens矩阵只需要

，同时Givens矩阵乘以一个矩阵只需要

的时间！！！）

另有参考文献：

lanczos算法及C++实现（二）实对称阵奇异值分解的QR算法 - qxred - 博客园​www.cnblogs.com

本文代码的 GitHub 链接：

https://github.com/wunian12138/zhihu/tree/master/MATLAB/qr_method​github.com

欢迎 star