H-矩阵线性方程组的一类预条件并行多分裂SOR迭代法

基于并行多分裂算法的思想及SOR迭代格式, 本文提出一种求解H-矩阵线性方程组新的并行多分裂SOR迭代法, 新方法某种程度上避免了SOR迭代法中选取最优参数的困难. 同时, 选取Kohno等(1997)提出的预条件子$P=I+S_{\alpha}$对原始线性方程组进行预处理, 进而给出了一种实用的预条件并行多分裂SOR迭代法. 理论分析和数值实验均表明, 新算法是实用而有效的.     

关于伽略金方法收敛阶的估计

§1.引言设H是可分的Hilbert空间,内积为(·,·),范数为||·||.v是H的稠密子空间.于V定义另一内积[·,·]和相应的范数|·|,使v关于[·,·]具有Hilbert空间结构。假定v往H的嵌入:v|→H连续,即存在常数a>0,使 ||u||≤a|u|,uv. (1) 设L_1,L_2是由v到H的线性算子,其定义域D_(L_1),D_(L_2)是v的线性稠密子集,且D_(L_1)D_(L_2).令A=L_1+L_2(显然A的定义域D_A=D_(L_ I))。对H,我们考虑算子方程     

几类非自治系统的指数渐近稳定性

§1.预备知识对向量及矩阵引进模的概念如下:向量x的模记为||x|| ||X|| sum from i=1 to n |x_i|矩阵A的模记为||A|| ||A||sum from i.j=1 to n |a_(ij)|引理1设A为n×n阶常数矩阵,且它的所有特征根λ_k(k=1,2,…,n)均具有负     

奇异H-矩阵并行算法

1　引　　言对于H矩阵类,到目前为止,人们关注的是非奇异H矩阵,对于奇异H矩阵研究结果很少,不象奇异M-矩阵研究的丰富[1-4]及获得了半收敛的一些结论,王川龙和游兆永将并行算法用于奇异M矩阵[5].本文的目的就是将并行算法用于奇异H矩阵.为此,首先讨论了奇异H矩阵与奇异M矩阵的关系.2　符号特征设Mn(R)代表实方阵的全体,A∈Mn(R),不特殊说明,A=D-B表示Jacobi分裂,〈A〉是A的比较矩阵,detA表示A的行列式,ρ(A)表示A的谱半径,μ(A)表示A的谱〈n〉={1,2,…,n},A[α|α]表示由α所决定的主子矩阵,α∈〈n〉.定理2.1[8]　设A是实H矩阵…     

非奇异H-矩阵一类新的实用性判据

1引言在计算数学、数学物理、控制论与矩阵论中,非奇异H-矩阵是有着重要应用的一类特殊矩阵,有关其数值判定也一直是矩阵计算的重要课题,不少学者对此进行了研究,得到了许多结果,如文[1]-[10]都给出一些比较实用的判别方法．本文另提出了一些新的实用性判别,进一步改进了文[1]的主要结果．用Cn×n表示n阶复矩阵集,设A=(aij)∈Cn×n,记,若|aii|≥Λi(i=1,2,…,n)(本文用Λi表示Λi(A)),则称A为对角占优矩阵;如果每个不等号都为严格成立,则称A为严格对角占优矩阵,记A∈D;若存在正对角阵X,使得AX为严格对角占优矩阵,则称A为广义严格对角占优阵,记A∈D．设A∈Zn×n={(aij)∈Cn×n|aij≤0,i≠j;i,j∈N},若A=sI-B,s>ρ(B),其中B为非负方阵,ρ(B)表示B的谱半径,则称A为非奇异M-矩阵．若A∈Cn×n的比较矩阵M(A)=(mij)为非奇异M-矩阵,则称A为非奇异H-矩阵,其中     

正则化HSS预处理鞍点矩阵的特征值估计

最近,Bai和Benzi针对鞍点问题提出了一类正则化HSS（Regularized Hermitian and skew-Hermitian splitting,RHSS）预处理子（BIT Numer.Math.,57（2017）287-311）.为了进一步分析RHSS预处理子的效果,本文重点研究了RHSS预处理鞍点矩阵特征值的估计,分析了复特征值实部和模的上下界、实特征值的上下界,还给出了特征值均为实数的充分条件.当正则化矩阵取为零矩阵时,RHSS预处理子退化为HSS预处理子,分析表明本文给出的复特征值实部的界比已有的结果更精确.数值算例验证了本文给出的理论结果.     

关于Toeplitz+Hankel线性方程组的迭代解法

本文研究Toeplitz+Hankel线性方程组的预处理迭代解法.我们提出了几个新的预条件子,并分析了预处理矩阵的谱性质,当生成函数在Wiener类中时,预处理矩阵的特征值聚集在1附近.数值实验表明该预处理子比文[5]中的预处理子更有效.     

求解多项式特征值问题的部分正交投影方法及其变形

正1引言为表述方便,用C~(m×n)表示m×n复矩阵的全体,C~m=C~(m×1).‖·‖表示向量或矩阵的2-范数.对A∈C~(m×n),v∈C~m及正整数m,K[A,v,m]=[v,Av,A~2v,...,A~(m-1)v]称为Krylov矩阵,span(K[A,v,m])就是由A和v生成的Krylov子空间.e_j是适当阶单位矩阵的第j列.设A_i∈C~(m×n)(i=0,1,…,d)是给定的矩阵,记     

一种求解大型Lyapunov矩阵方程的预处理并行算法

研究了一种求解大型Lyapunov矩阵方程的并行预处理变形共轭梯度法.首先将处理小型矩阵方程的Smith预处理方法引入该问题的求解,将原矩阵方程转变为Stein方程,然后采用变形共轭梯度法并行求解预处理后的矩阵方程.其中遇到的难点是需要确定参数μ及求矩阵(A+μI)的逆.基于估计特征值的Gerschgorin圆定理给出了参数μ的估值,再采用变形共轭梯度法并行求得矩阵(A +μ l)的逆,从而形成预处理后的矩阵方程.通过数值试验,该算法与未预处理的变形共轭梯度法相比较,预处理算法明显优于未预处理的算法,而且其并行效率高达0.85.     

几乎各向同性的高维空间分数阶扩散方程的分块快速正则Hermite分裂预处理方法

一类空间分数阶扩散方程经过有限差分离散后所得到的离散线性方程组的系数矩阵是两个对角矩阵与Toeplitz型矩阵的乘积之和.在本文中,对于几乎各向同性的二维或三维空间分数阶扩散方程的离散线性方程组,采用预处理Krylov子空间迭代方法,我们利用其系数矩阵的特殊结构和具体性质构造了一类分块快速正则Hermite分裂预处理子.通过理论分析,我们证明了所对应的预处理矩阵的特征值大部分都聚集于1的附近.数值实验也表明,这类分块快速正则Hermite分裂预处理子可以明显地加快广义极小残量(GMRES)方法和稳定化的双共轭梯度(BiCGSTAB)方法等Krylov子空间迭代方法的收敛速度.     

规范矩阵乘积的特征值的最优估计

文[1]给出了下面的定理: 设A,B为两个n×n(n>1)阶正定厄米特矩阵;μ_1,…μ_4;ν_1,…ν_n分别为A,B的特征值,     

M—矩阵分裂的迭代矩阵

1 迭代矩阵谱半径的代数重数 设A=M—N是M-矩阵的正则分裂。一般地,mult_0(A)与mult_1(M~(-1)N)不一定相等.我们研究在弱正则分裂下使mult_0(A)=mult_1(M~(-1)N)的条件. 引理 1.1 设A∈R~(nn)是有“性质C”的M-矩阵,rank(A)=n—1.则mult_0(A)=1. 证明 显然. 引理 1.2 设A=M—N是奇异不可约M-矩阵的弱正则分裂,则     

一类特殊矩阵方程的并行预处理变形共轭梯度算法

研究了求解一类矩阵方程AXB=C,提出了一种并行预处理变形共轭梯度法．该方法给出一种迭代法的预处理模式．首先给出的预处理矩阵是严格对角占优矩阵,构造并行迭代求解预处理矩阵方程的迭代格式,进而使用变形共轭梯度法并行求解．通过数值试验,预处理变形共轭梯度法与直接使用变形共轭梯度法相比较,该算法不仅有效提高了收敛速度,而且具有很高的并行性．     

等式约束加权线性最小二乘问题的解法

1 引言 在实际应用中常会提出解等式约束加权线性最小二乘问题 min||b-Ax||_M,(1.1) x∈C~n s.t.Bx=d, 其中B∈C~(p×n),A∈C~(q×n),d∈C~p,b∈C~q,M∈C~(q×q)为Hermite正定阵. 对于问题(1.1),目前已有多种解法,见文[1—3).本文将利用广义逆矩阵的知识,给出(1.1)的通解及迭代解法.本文中关于矩阵广义逆与投影算子(矩阵)的记号基本上与文[4]的相同.例如,A~+表示A的MP逆,P_L表示到子空间L上的正交投影算子,λ_(max)(MAY)表示矩阵M~(1/2)AY的最大特征值.我们还要用到广义BD逆的概念: 设A∈C~(n×n),L为C~n的子空间,则称A_(L)~(+)=P_L(AP_L+P_L⊥)~+为A关于L的广义BD逆.     

子矩阵约束下矩阵方程组的双对称最小二乘解

矩阵方程组l∑j=1在控制与系统领域中具有广泛应用.该文构造了一种算法求解这个矩阵方程组,其中X_j∈R~(n_j×n_j)(j=1,2,…,l)为带有特殊中心主子矩阵约束的双对称矩阵.在没有舍入误差的情况下,该算法经过有限步迭代得到[X_1,X_2,…,X_l],使得t∑i=1||l∑j=1A_(ij)X_jB_(ij)-C_i||=min.实例表明这种方法是有效的.     

非埃米特正定Toeplitz矩阵的m—步预处理子（英文）

众所周知,如果A是Toeplitz矩阵,那么矩阵A有一循环与反循环分裂(记为CSCS)[7],可写为A=C+S,其中C为循环矩阵,S为反循环矩阵.本文针对某类Toeplitz矩阵,提出了一个m步的预处理子P_m,这个预处理子P_m是基于CSCS迭代方法构建的.本文中证明当C和S都是正定矩阵时,对于适当的m,预处理矩阵(P_m*A)**(P_m*A)的谱半径聚集于1.实验结果表明,对于适当的m,本文提出的预处理子优于T—Chan预处理子[3].     

非齐次对称特征值问题

引言 用SR~(n×n)表示所有。n×n实对称矩阵的集合。R~n表示n维线性空间。||·||_2表示向量的Euclid范数或矩阵的谱范数。 本文研究如下问题: 问题ISEP 给定矩阵A∈SR~n×n和向量b∈R~n,求实数λ和向量X∈R~n使得 AX=λX+b, (1) ||X||_2=1. (2) 若b=0,则问题ISEP就是通常的实对称矩阵特征值问题,若b≠0,则问题ISEP称为非齐次对称特征值问题,使(1)和(2)式成立的数λ和向量X分别称为非齐次特征值和相应的非齐     

对称正定Toeplitz型方程组的混合预处理

本文提出一个新的预条件子,用共轭梯度法求解对称正定的Teoplitz型线性方程组.该预处理子构造简单,易于实施快速傅里叶变换.理论和数值实验显示,我们的预处理子与T.Chan预处理子收敛性相近.     

关于两个正定矩阵之积的特征值估计的一个注记

令A>0及B>0记两个n×n(n≥2)厄尔米特正定矩阵;μ_1≥μ_2≥…μ_n及ν_1≥ν_2≥…≥ν_n记A和B的特征值;设λ为AB的任意特征值.ShaHu-yun证得2/nμ_n~2ν_n~2/μ_n~2 ν_n~2<λ相似文献   

有限几何与不完全区组设计的构作(Ⅰ)——有限域士辛几何中的若干计数定理

<正> §1.引言以 F_q 表 q 个元素的有限域,q 是一个素数的冪.考察 F_q 上所有 n 数组(x_1,x_2,…,x_n),x_i∈F_q,i=1,2,…,n,所组成的 n 维向量空间 V_n(F_q).V_n(F_q)的任—m 维子空间 P(1≤m≤n)都可以用一个秩为 m 的 m×n 矩阵来代表,只要这个矩阵的 m 个行向量组成 P 的一组基.我们把代表这个子空间 P 的矩阵仍记作 P.自然两个秩为 m 的m×n 矩阵 P 和 Q 代表同一子空间,当且仅当有 m×m 非奇异矩阵 A 存在使得 P=AQ.以下设 n=2ν是偶数,并考察 F_q 上的2ν×2ν的非奇异交错矩阵