数值计算之第四期:追赶法和范数
上一期链接:https://blog.csdn.net/axehead/article/details/105855475
参考资料:
数值分析教程 刘长安 西北工业大学出版社
数值计算方法 黄云清 科学出版社
数值分析简明教程 王能超 高等教育出版社 第二版
追赶法解三对角矩阵
上一期末尾提到了cholesky分解和追赶法,但是没有展开来讲,这期就提一下追赶法的计算步骤.至于cholesky分解,后面会有专门针对正定矩阵的算法,这里就不说了.
设系数矩阵A为:
A=[e1f10d2⋱⋱⋱⋱fn−10dnen]A=\begin{bmatrix} e_1 & f_1 & & 0\\ d_2 & \ddots & \ddots& \\ &\ddots &\ddots & f_{n-1}\\0 & & d_n& e_n\\ \end{bmatrix}A=⎣⎢⎢⎡e1d20f1⋱⋱⋱⋱dn0fn−1en⎦⎥⎥⎤
我们将形似方阵A的矩阵称为三对角矩阵.
对这类矩阵,有如下分解:
A=LU=[10l21⋱⋱0ln1]⋅[r1f10r2⋱⋱fn−10rn]A=LU=\begin{bmatrix} 1 & & & 0\\ l_2 & 1 & & \\ &\ddots &\ddots & \\0 & & l_n& 1\\ \end{bmatrix}\cdot\begin{bmatrix} r_1 & f_1 & & 0\\ & r_2 & \ddots& \\ & &\ddots & f_{n-1}\\0 & & & r_n\\ \end{bmatrix}A=LU=⎣⎢⎢⎡1l201⋱⋱ln01⎦⎥⎥⎤⋅⎣⎢⎢⎡r10f1r2⋱⋱0fn−1rn⎦⎥⎥⎤
得到分解的矩阵及具体的求解过程如下:
令r1=e1r_1=e_1r1=e1,然后对i=2,...,ni=2,...,ni=2,...,n计算
li=diri−1l_i=\frac {d_i}{r_{i-1}}li=ri−1di和ri=ei−li×fi−1r_i=e_i-l_i\times f_{i-1}ri=ei−li×fi−1
注意上三角矩阵U中的fif_ifi仍然是A中的对应元素.这样就做完分解了.接下来就是解方程Ly=bLy=bLy=b和Ux=yU_x=yUx=y(其中b为方程组Ax=bAx=bAx=b中对应的b向量):
(1)令y1=b1y_1=b_1y1=b1,对i=2,...,ni=2,...,ni=2,...,n计算:
yi=bi−li×yi−1y_i=b_i-l_i\times y_{i-1}yi=bi−li×yi−1
(2)令xn=ynrnx_n=\frac {y_n}{r_n}xn=rnyn,再对i=n−1,...,1i=n-1,...,1i=n−1,...,1计算:
xi=yi−fi×xi+1rix_i=\frac {y_i-f_i\times x_{i+1}}{r_i}xi=riyi−fi×xi+1
该算法的计算量为O(n)O(n)O(n),理论上为最优运算量的算法.
矩阵范数及向量范数
向量范数
说到范数,我认为可以把它理解称n维空间上的一类特殊函数,一般来说,是一个实值函数,常常记为∥x∥(x∈Rn)\Vert x\Vert(x\in\mathbb R^n)∥x∥(x∈Rn).
常用的范数就是p(p∈[1,∞)p\in[1,\infty)p∈[1,∞))范数:
∥x∥p=(∑i=1n∣xi∣p)1/p\Vert x\Vert _p=(\sum\limits^n_{i=1}|x_i|^p)^{1/p}∥x∥p=(i=1∑n∣xi∣p)1/p
最为重要的就是1范数,2范数(或Euclid范数)和 ∞\infty∞范数,分别对应下面三个式子:
∥x∥1=∣x1∣+∣x2∣+...+∣xn∣=∑i=1n∣x1∣\Vert x\Vert_1=|x_1|+|x_2|+...+|x_n|=\sum\limits^n_{i=1}|x_1|∥x∥1=∣x1∣+∣x2∣+...+∣xn∣=i=1∑n∣x1∣
∥x∥2=(∑i=1n∣xi∣2)1/2\Vert x\Vert_2=(\sum\limits^n_{i=1}|x_i|^2)^{1/2}∥x∥2=(i=1∑n∣xi∣2)1/2
∥x∥∞=max{∣x1∣,...,∣xn∣}\Vert x\Vert_\infty=\max\{|x_1|,...,|x_n|\}∥x∥∞=max{∣x1∣,...,∣xn∣}
上面说到范数是一类特殊的函数,自然就满足某些性质:
x,y∈Rn,a∈Rx,y\in\mathbb R^n,a\in\mathbb Rx,y∈Rn,a∈R
(1)非负性(也称正定性):x≠0x\neq0x=0,成立∥x∥>0,∥x∥=0\Vert x\Vert\gt0,\Vert x\Vert=0∥x∥>0,∥x∥=0当且仅当x=0x=0x=0;
(2)齐次性:∥ax∥=∣a∣∥x∥\Vert ax\Vert=|a|\Vert x\Vert∥ax∥=∣a∣∥x∥;
(3)三角不等式:∥x+y∥≤∥x∥+∥y∥\Vert x+y\Vert\le\Vert x\Vert+\Vert y\Vert∥x+y∥≤∥x∥+∥y∥.
下面叙述几条相关的定理:
定理1:对Rn\mathbb R^nRn中的任意向量范数,∀x,y∈Rn\forall x,y\in\mathbb R^n∀x,y∈Rn,成立
∣∥x∥−∥y∥∣≤∥x−y∥|\Vert x\Vert-\Vert y\Vert|\le\Vert x-y\Vert∣∥x∥−∥y∥∣≤∥x−y∥
(利用范数的三角不等式性质证明)
定理2:Rn\mathbb R^nRn中的任意向量范数都是Rn\mathbb R^nRn上的连续函数.
(利用定理1证明和范数的性质证明)
定理3:Rn\mathbb R^nRn空间上所有的范数都是等价的.用不同的下标表示不同的范数就是:总存在常数m和M,∀x∈Rn\forall x\in\mathbb R^n∀x∈Rn,成立
m∥x∥(1)≤∥x∥(2)≤M∥x∥(1)m\Vert x\Vert_{(1)}\le\Vert x\Vert_{(2)}\le M\Vert x\Vert_{(1)}m∥x∥(1)≤∥x∥(2)≤M∥x∥(1)
(只需证明任意范数和某一确定的范数等价即可)
定理4:Rn\mathbb R^nRn中序列{x(k)}\{x^{(k)}\}{x(k)}收敛于某一x∈Rnx\in\mathbb R^nx∈Rn的充要条件为:
∥x(k)−x∥→0,k→∞\Vert x^{(k)}-x\Vert\to0,k\to\infty∥x(k)−x∥→0,k→∞
矩阵范数
对于一般的矩阵范数,它们是满足上面所说的三条范数的性质的,下面讲一类特殊的矩阵范数,叫做矩阵的从属范数.
对Rn\mathbb R^nRn上的任意范数,对任一A∈Rn×nA\in \mathbb R^{n\times n}A∈Rn×n,定义:
∥A∥=maxx≠0∥Ax∥∥x∥=max∥x∥=1∥Ax∥\Vert A\Vert=\max\limits_{x\ne0}\frac {\Vert Ax \Vert}{\Vert x\Vert}=\max\limits _{\Vert x\Vert=1}\Vert Ax\Vert∥A∥=x=0max∥x∥∥Ax∥=∥x∥=1max∥Ax∥
为A的从属范数.(注意!这里的矩阵范数是有向量范数导出的)
下面分别给出1范数,2范数和 ∞\infty∞范数的计算公式:
∥A∥1=maxj∑i=1n∣aij∣\Vert A\Vert_1=\max\limits_j\sum\limits^n_{i=1}|a_{ij}|∥A∥1=jmaxi=1∑n∣aij∣
∥A∥∞=maxi∑j=1n∣aij∣\Vert A\Vert_{\infty}=\max\limits_i\sum\limits^n_{j=1}|a_{ij}|∥A∥∞=imaxj=1∑n∣aij∣
∥A∥2=λmax\Vert A\Vert_2=\sqrt{\lambda_{max}}∥A∥2=λmax
矩阵的从属范数除了满足一般范数的性质外,还满足相容性条件。即:
(4)∥Ax∥≤∥A∥⋅∥x∥,∀x∈Rn\Vert Ax\Vert\le\Vert A\Vert\cdot\Vert x\Vert,\forall x\in\mathbb R^n∥Ax∥≤∥A∥⋅∥x∥,∀x∈Rn;
(5)∥A⋅B∥≤∥A∥⋅∥B∥,∀A,B∈Rn×n\Vert A\cdot B\Vert\le\Vert A\Vert \cdot\Vert B\Vert,\forall A,B\in\mathbb R^{n\times n}∥A⋅B∥≤∥A∥⋅∥B∥,∀A,B∈Rn×n.
此外矩阵的范数之间也是等价的,特别地,1范数,2范数,F范数和 ∞\infty∞范数的关系如下:
∥A∥2≤∥A∥F≤n∥A∥2\Vert A\Vert_2\le\Vert A\Vert_F\le\sqrt{n}\Vert A\Vert_2∥A∥2≤∥A∥F≤n∥A∥2
1n∥A∥∞≤∥A∥2≤n∥A∥∞\frac {1}{\sqrt{n}}\Vert A\Vert_\infty\le\Vert A\Vert_2\le\sqrt{n}\Vert A\Vert_{\infty}n1∥A∥∞≤∥A∥2≤n∥A∥∞
1n∥A∥1≤∥A∥2≤n∥A∥1\frac {1}{\sqrt{n}}\Vert A\Vert_1\le\Vert A\Vert_2\le\sqrt{n}\Vert A\Vert_1n1∥A∥1≤∥A∥2≤n∥A∥1
其中,F范数的定义为:
∥A∥F=(∑i=1n∑j=0naij2)12\Vert A\Vert_F=(\sum_{i=1}^n \sum_{j=0}^n a_{ij}^2)^{\frac 12}∥A∥F=(∑i=1n∑j=0naij2)21,可以证明F范数也满足相容性
谱半径
记ρ(A)=max{∣λ∣:λ∈σ(A)}\rho(A)=\max\{|\lambda|:\lambda \in\sigma(A)\}ρ(A)=max{∣λ∣:λ∈σ(A)},为n阶方阵的谱半径,其中σ(A)\sigma(A)σ(A)表示A特征值的全体.
显然,谱半径就是最大特征根,且有∥A∥2=ρ(ATA)\Vert A\Vert_2=\sqrt{\rho(A^TA)}∥A∥2=ρ(ATA),
特别地,当A对称时,还有∥A∥2=ρ(A)\Vert A\Vert_2=\rho(A)∥A∥2=ρ(A)
下面给出几个关于谱半径的重要结论:
定理5:对任意一种A的从属范数,有ρ(A)≤∥A∥\rho(A)\le\Vert A\Vertρ(A)≤∥A∥
定理6:谱半径ρ(A)\rho (A)ρ(A)是A的所有范数的下确界,即:
ρ(A)=infμ∥A∥μ\rho(A)=\inf\limits_{\mu}\Vert A\Vert _{\mu}ρ(A)=μinf∥A∥μ
(这个定理的证明比较繁琐,要用到若尔当标准型,感兴趣的朋友可查查资料)
定理7:设A∈Rn×nA\in\mathbb R^{n\times n}A∈Rn×n,limk→∞Ak=0\lim\limits_{k\to\infty}A^k=0k→∞limAk=0的充要条件是ρ(A)<1\rho(A)<1ρ(A)<1.
(这里其实还涉及到矩阵级数的收敛性,篇幅问题就不说明了)
说明
mathor cup临近,下一期估计就要等到月底了。下一期讲讲线性方程组的扰动分析。然后的话,我想了想,追赶法的程序我过两天再上传吧,想要下载的朋友就点我的头像,找找我上传的资源,里面就会有啦。
数值计算之第四期:追赶法和范数相关推荐
- Datawhale团队第四期录取名单!
Datawhale团队 公示:Datawhale 组织成员 Datawhale已经成立一年半了,从一开始的12个人,学习互助,到提议建立开源组织,做更多开源的事情,帮助更多学习者,也促进我们更好地成长 ...
- 百度黄埔学院计划第四期来了!
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale发布 组织方:百度黄埔学院 如今,越来越多的企业踏上新基建的浪潮,开始接触人工 ...
- Datawhale第四期组队学习团队成员
第四期组队学习团队成员 集训 负责人 评优助教 基础算法梳理 Sm1les 钱令武 高级算法梳理 于鸿飞 小雪 ML项目实践 杨冰楠 孙涛 编程 孙超 小熊 统计学 李奇锋 蓝昔 Leetcode 老 ...
- 2019微生物组—宏基因组分析技术专题研讨会第四期
文章目录 课程简介 课程大纲 一.分析平台搭建 二.生信基础 三.图表解读和绘制专题 四.宏基因组学概述 五.宏基因组学有参分析流程 六.宏基因组无参分析流程 七.高级分析与可视化实战 学习完本课程, ...
- 【阿里云总监课第四期】时髦的云原生应用怎么写?
为什么80%的码农都做不了架构师?>>> 概述 应用已经跨入了云原生的时代.要写一个时髦的云原生应用,首先当然要了解什么是云原生.CNCF,也就是云原生计算基金会,作为目前人气 ...
- 参与有奖 | Arthas 第 5 期征文活动火热开启!(内附第四期中奖名单)
为了让更多开发者开始用上 Arthas 这个 Java 诊断神器,3 月 26 日,我们联合 JetBrains 推出了第一期 Arthas 有奖征文活动:聊聊这些年你和 Arthas 之间的那些事儿 ...
- 线下课程推荐 | 知识图谱理论与实战:构建行业知识图谱 (第四期)
知识,是智能的前提. 2012年,Google推出"Google Knowledge Graph",并利用其在搜索引擎中增强搜索结果,这便是"知识图谱"名称的由 ...
- 分布式技术追踪 2017年第四期
分布式技术追踪 2017年第四期 欢迎大家订阅 高柯用架构师 微信公众号, 除了"每周一报"之外, 还有更多原创技术文章等着你. 分布式系统实践 1. Apache Beam成功孵 ...
- 第四期直播分享预告-高薪offer指南
第四期直播分享预告 ● 精简回顾和总结之前分享的精华内容 ● 深度剖析大厂求职本质原理(需求,简历,面试,策略): ● 如何学习和深入理解网络(上周分享,剩余部分继续):帮你梳理关于网络的一切知识,让 ...
- 拿不到offer全额退款 | 第四期人工智能 NLP / CV 课 培训招生
人工智能与自然语言处理/计算机视觉课培训招生 Artificial Intelligence ForNLP/CV Courses 真实企业级项目驱动 找工作拿不到offer全额退款 GitHub年度活 ...
最新文章
- c语言:婚礼上的谎言
- AMD规范:简单而优雅的动态载入JavaScript代码
- Quick Cocos2dx 调试问题
- JSP门户--JetSpeed
- 网上商城—管理员增加商品
- How to remove live visual tree?
- 判断一个数是否是2的平方
- wait和notify使用例子
- LeetCode 794. 有效的井字游戏(分类讨论)
- oracle 修改 回话数,Oracle命令--修改oracle回话数
- SpringCloud学习笔记017---分布式之数据分片处理
- Python3 Time 模块详解 import time
- c#之new关键词——隐藏基类方法
- 桂电管理科学可以转计算机,去年调到桂电计算机的感言,希望对各研友有帮助...
- Java面经背诵版(一)
- python爬股指期货数据_股指期货高频数据机器学习预测
- 有些东西还得记下来,看过了又忘了,找起来又难找 (fluxbox, ab, seige)
- unique中译_unique是什么意思_ unique的翻译_音标_读音_用法_例句_爱词霸在线词典...
- 布谷鸟哈希函数的参数_Cuckoo Hash 布谷鸟哈希
- 我是如何从写不出来到写二十万字的稿的
热门文章
- 2022最新简历模板
- 区块链升为国家战略,它就升天了么?
- mapinfo professional 学习资料
- Android 开发,你遇上 Emoji 头疼吗?
- 服务器如何备份系统和配置,windows server 2008和2012如何设置完整备份+增量备份
- 两万字详解自动驾驶开发工具链的现状与趋势
- 使用@PostConstruct创建需要依赖注入的工具类
- 杭州/北京内推 | 蚂蚁集团数字身份及安全生态团队招聘学术实习生
- couchbase java 手册_couchBase在java中使用的基本知识
- bin文件如何编辑_如何加密PDF?使用福昕PDF编辑器加密PDF文件实操