第7章矩阵特征值和特征向量的数值解法 设矩阵A∈R"",如果存在数λ∈C及非零向量x∈C"满足方程 Ax∈Ax,则称λ为矩阵A的一个特征值,x称为矩阵A的相应于特 征值λ的特征向量。为简单起见,下称,x为矩阵A的一特征对。 特征值的计算,直接从特征方程()=den-A)=0出发会遇到很 大困难,当n稍大一些,行列式展开本身就很不容易,随后是高次代数 方程求解。因此,矩阵特征值的求解,主要是数值解法
第 7 章 矩阵特征值和特征向量的数值解法 设矩阵 n n A R ,如果存在数C 及非零向量 n x C 满足方程 Axx,则称 为矩阵 A 的一个特征值,x 称为矩阵 A 的相应于特 征值 的特征向量。为简单起见,下称 ,x 为矩阵 A 的一特征对。 特征值的计算,直接从特征方程() = det(I − A) = 0 出发会遇到很 大困难,当 n 稍大一些,行列式展开本身就很不容易,随后是高次代数 方程求解。因此,矩阵特征值的求解,主要是数值解法
7.1幂法 711幂法原理及实用幂法 幂法主要用于求矩阵按模最大的特征值和相应的特征向量。设矩阵A的 n个特征值入(i=12…,m)满足: 入|2图23…2An|(71.1) 相应的n个特征向量x(i=1,2,…,n)线性无关。上述假设表明,1为非零单 实根,x1为实特征向量
7.1 幂法 7.1.1 幂法原理及实用幂法 幂法主要用于求矩阵按模最大的特征值和相应的特征向量。设矩阵 A 的 n 个特征值 ( 1,2,..., ) i i = n 满足: | | | | | | ... | | 1 2 3 n (7.1.1) 相应的 n 个特征向量 ( 1,2,..., ) xi i = n 线性无关。上述假设表明,1 为非零单 实根, 1 x 为实特征向量
7.1幂法 幂法基本原理是:任取非零实向量u),做迭代 A^u0(k=1,2,,)(7.1.2 k+1) li (7.1.3) 这里l表示向量)的第j个分量 事实上,由于x1(i=12…,m)线性无关,故可构成R中一组基,于是 有=∑ax,由式(712)可得
7.1 幂法 幂法基本原理是:任取非零实向量 (0) u ,做迭代 ( 1,2,...) (7.1.2) ( ) ( 1) (0) = = = − u Au A u k k k k 则 lim (7.1.3) ( ) ( 1) 1 k j k j k u u + → = 这里 (k ) j u 表示向量 (k ) u 的第 j 个分量。 事实上,由于 ( 1,2,..., ) xi i = n 线性无关,故可构成 n R 中一组基,于是 有 = = n i i i u x 1 (0) ,由式(7.1.2)可得
7.1幂法 ∑ax=∑a4x=∑ax,=x+∑a()x](714) 主要用于求矩阵按模最大的特征值和相应的特征向量。设矩阵A的 n个特征值A(i=1,2,,n)满足: 13P…2n|(711) 由于<1i=23…n,当a1≠0(x)≠0时有 ax+∑a(")x k) [ax+∑a()x
7.1 幂法 [ ( ) ] (7.1.4) 2 1 1 1 1 1 1 1 ( ) = = = = = = = = + n i i k i i k n i n i n i i k i i i k i i i k k u A x A x x x x 主要用于求矩阵按模最大的特征值和相应的特征向量。设矩阵 A 的 n 个特征值 ( 1,2,..., ) i i = n 满足: | | | | | | ... | | 1 2 3 n (7.1.1) 由于 1(i 2,3,...,n), 1 i = 当1 0,(x1 ) j 0时有 1 2 1 1 1 1 1 2 1 1 1 1 1 ( ) ( 1) [ ( ) ] [ ( ) ] lim lim = + + = = + = + → + → i j k n i i i k i j k n i i i k k k j k j k x x x x u u
7.1幂法 由式(714)还可知,当k充分大时有 u)snax, 这表明n是特征向量x1的一常数倍,即n近似于特征向量x1。 基于式(712)和式(73)幂法的主要缺点是:当A1或Ak1 时,由式(714)可知,u4*)会发生上溢或下溢,因此不实用。克服这一缺点 的常用方法是迭代每一步对向量u(规范化。引入函数max(u4),它表示取 向量()中按模最大的分量,例如,16)=(2,54),则max()=5,这样 (k) n)的最大分量为1,即完成了规范化
7.1 幂法 由式(7.1.4)还可知,当 k 充分大时有 1 1 1 ( ) u x k k 这表明 (k ) u 是特征向量 1 x 的一常数倍,即 (k ) u 近似于特征向量 1 x 。 基于式(7.1.2)和式(7.1.3)幂法的主要缺点是:当| 1 |1或| 1 |1 时,由式(7.1.4)可知, (k ) u 会发生上溢或下溢,因此不实用。克服这一缺点 的常用方法是迭代每一步对向量 (k ) u 规范化。引入函数 max( (k ) u ),它表示取 向 量 (k ) u 中按模最大的分量,例如, (k ) u =(2,-5,4)T ,则 max( (k ) u )=-5,这 样 max( ) ( ) ( ) k k u u 的最大分量为 1,即完成了规范化
7.1幂法 由式(714)还可知,当k充分大时有 ax 这表明是特征向量x1的一常数倍,即6近似于特征向量x1 基于式(712)和式(713)幂法的主要缺点是:当}1或A1k1 时,由式(714)可知,u48)会发生上溢或下溢,因此不实用。克服这一缺点 的常用方法是迭代每一步对向量n)规范化。引入函数max(l),它表示取 向量l中按模最大的分量,例如,l()=(2,5.4),则max(l)=-5,这样 (k) 的最大分量为1,即完成了规范化 max u
7.1 幂法 由式(7.1.4)还可知,当 k 充分大时有 1 1 1 ( ) u x k k 这表明 (k ) u 是特征向量 1 x 的一常数倍,即 (k ) u 近似于特征向量 1 x 。 基于式(7.1.2)和式(7.1.3)幂法的主要缺点是:当| 1 |1或| 1 |1 时,由式(7.1.4)可知, (k ) u 会发生上溢或下溢,因此不实用。克服这一缺点 的常用方法是迭代每一步对向量 (k ) u 规范化。引入函数 max( (k ) u ),它表示取 向 量 (k ) u 中按模最大的分量,例如, (k ) u =(2,-5,4)T ,则 max( (k ) u )=-5,这 样 max( ) ( ) ( ) k k u u 的最大分量为 1,即完成了规范化
7.1幂法 由于v中最大分量为1,即max(y()=1,故 max(40(7.16) 由式(714)有 x+∑()x y”max+)x)m (k)=lim x1
7.1 幂法 由于 (k ) v 中最大分量为 1,即 max( (k ) v )=1,故 (7.1.6) max( ) (0) (0) ( ) A u A u v k k k = 由式(7.1.4)有 max( ) max( ( ) ) [ ( ) ] lim lim 1 1 2 1 i 1 1 1 2 1 i 1 1 1 ( ) x x x x x x v n i i k k n i i k k k k k = + + = = = → →
7.1幂法 由式(71.5)和式(71.6)有 max(A'u (0) m=max(u )=max( au) max(a+y(O) 于是 [ax+∑()x m “xmax+(生yx) i=2
7.1 幂法 由式(7.1.5)和式(7.1.6)有 max( ) max( ) max( ) max( ) ! (0) (0) ( ) ( 1) A u A u m u Au k k k k k + − = = = 于是 1 2 1 1 1 1 1 1 2 1 1 1 1 max( ( ) ) [ ( ) ] lim lim = + + = = − − = → → n i i k i k n i i k i k k k k x x x x m
7.1幂法 实用幂法迭代格式如下 任取初始向量u0≠0,作迭代 k = max(u (k=0,12,)(71.5) +=Av) 则 m max(xu) 事实上,由式(7.1.5)知 ,)4t0) mi
7.1 幂法 实用幂法迭代格式如下: 任取初始向量 0 (0) u ,作迭代 ( 0,1,2,...) (7.1.5) max( ) ( 1) ( ) ( ) ( ) ( ) = = = = + k u Av m u v m u k k k k k k k 则 1 lim = → k k m max( ) lim 1 ( ) 1 x x v k k = → 事实上,由式(7.1.5)知 = = k i i k k m A u v 0 (0) ( )
算法71.1实用幂法 (1)输入:a1(2j=12,m)1(=1,2,…)E (2)k=i,m1=max() (3)v2=l1/m(i=12,…,n); ∑av(=12…nm)
算法 7.1.1 实用幂法 (1) 输入:a (i, j = 1,2,n),u (i = 1,2,),; i j i (2) 1; max( ); 1 0 i i n k m u = = (3) ( 1,2, , ); vi = ui m0 i = n (4) ( 1,2, , ); 1 u a v i n n j i = i j j = =