Численные методы линейной алгебры

3.5.2. Метод скорейшего спуска

В методе скорейшего спуска [8, 9], в явной схеме (3.41), итерационный параметр _k+1 выбирается из условия минимума нормы вектора погрешности z^(k+1)=x^(k+1)-x. Так как погрешность z^(k+1) удовлетворяет уравнению

+ Az^(k)=0, k=0, 1, 2,…
или
z^(k+1)= z^(k)-_k+1Az^(k) ,
то имеем

(_k+1).
Дальше находим производную от функции (_k+1) по параметру _k+1 и приравняем к нулю, тогда
^’(_k+1)= -2(Az^(k), Az^(k))+2_k+1(A²z^(k), Az^(k))=0
или
.
Так как вектор погрешности z^(k)=x^(k)-x неизвестен, поскольку неизвестно точное решение х. Тогда с учетом того, что
Az^(k)=Ax^(k)-Ax=R^(k)
вычисление _k+1 можно проводить по формуле
. (3.43)
Отметим, что метод скорейшего спуска (3.41), (3.43) сходится со скоростью метода простой итерации с оптимальным параметром .


Глава 4. Методы решения задач на
собственные значения

На практике часто возникают различные требования к информации о собственных значениях и собственных векторах матриц:

1. 
   При решении задач механики, физики и химии требуется нахождение всех собственных значений и векторов матриц. Такую задачу называют полной проблемой собственных значений;
   
2. 
   Иногда требуется найти максимальное или минимальное по модулю собственное значение матрицы. Такого рода задачи возникают при решении некоторых задач ядерной физики
   
3. 
   При исследовании колебательных процессов иногда требуется найти два максимальных по модулю собственных значений матрицы. Подобные задачи называют частичной проблемой собственных значений.
   

Таким образом, алгебраическая проблема собственных значений состоит в определении тех собственных значений , при которых система n однородных линейных уравнений с n неизвестными
Ах=х, х0 (4.1)
имеет нетривиальное решение.
Отметим, что если матрицу А с помощью преобразований подобия Т^-1АТ (согласно теорема 1.1) привести к диагональной матрице D, то полная проблема собственных значений будет решена.
Действительно, если D подобна А, то
D= Т^-1АТ, (detT0) (4.2)
D=. (4.3)
Умножим (4.2) справа на вектор 
D= Т^-1АТ,
теперь умножим слева на Т
ТD=АТ,
тогда с учетом (4.3)
А(Т)=(Т).
Откуда видно, что собственное значение  матрицы D совпадает с собственным значением  матрицы А, а собственный вектор  матрицы D связан с собственным вектором х матрицы А соотношением
х=Т.


Определение 4.1. Собственные значения диагональной матрицы D равны диагональным элементам, т.е. ₁=d₁₁, ₂=d₂₂,…, _n=d_nn.


Определение 4.2. Собственные значения треугольной (верхней или нижней) матрицы совпадают с диагональными элементами, т.е. ₁=d₁₁, ₂=d₂₂,…, _n=d_nn.


Определение 4.3. Для вещественной симметричной матрицы А собственные значения вещественны, а собственные вектора, соответствующие различным собственным значениям ортогональны.


Определение 4.4. Если матрицы А и В удовлетворяют тождеству
(Ах, у)=(х, Ву), (4.4)
то матрица В называется сопряженным матрице А и обозначается A^*.

В дальнейшем (4.4) будем записывать в виде

(Ах, у)=(х, A^*у), (4.5)
которое называется тождеством Лагранжа.
Наряду с задачей (4.1) также рассматривается задача
A^*у=у, у0. (4.6)
Так как det(A^*-E)=det(A-E) следует, что =. Следовательно, вместо (4.6) можно написать
A^*у=у.