主題
Search

法方程上的共軛梯度法


共軛梯度法可以應用於法方程。CGNE 和 CGNR 方法是此方法的最簡單變體,適用於非對稱或不定系統。由於此類系統的其他方法通常比共軛梯度法更復雜,因此將系統轉換為對稱正定系統,然後應用共軛梯度法因其編碼簡單性而具有吸引力。

CGNE 求解以下系統

 (AA^(T))y=b
(1)

求解 y 然後計算解

 x=A^(T)y.
(2)

CGNR 求解

 (A^(T)A)x=b^~
(3)

求解解向量 x,其中

 b^~=A^(T)b.
(4)

如果線性方程組 Ax=b 具有非對稱、可能是不定(但非奇異)的係數矩陣,那麼一種顯而易見的解決方案是應用共軛梯度法到相關的對稱正定系統 A^(T)Ax=A^(T)b。雖然這種方法易於理解和編碼,但共軛梯度法的收斂速度現在取決於原始係數矩陣的條件數的平方。因此,法方程上共軛梯度程式的收斂速度可能很慢。

已經提出了幾項改進此方法數值穩定性的建議。最著名的是 Paige 和 Saunders (1982) 提出的,它基於將 Lanczos 方法應用於輔助系統

 [I A; A^T 0][r; x]=[b; 0].
(5)

對此方案的巧妙執行會產生 LU 分解 的因子 LU,該 LU 分解 是透過對 A^(T)A 執行 Lanczos 過程計算出的 三對角矩陣LU 分解

Björck 和 Elfving (1979) 提出了另一種提高法方程方法數值穩定性的方法。觀察到矩陣 A^(T)A 透過諸如 (p,A^(T)Ap) 之類的內積用於迭代係數的構造,因此建議將這種內積替換為 (Ap,Ap)


另請參閱

雙共軛梯度法, 切比雪夫迭代, 共軛梯度法, 共軛梯度平方方法, 靈活的廣義最小殘差法, 廣義最小殘差法, 線性方程組, 最小殘差法, 非平穩迭代法, 預處理器, 擬最小殘差法 平穩迭代法, 對稱 LQ 方法, 無轉置擬最小殘差法

此條目由 Noel Black 和 Shirley Moore 貢獻,改編自 Barrett 等人 (1994) (作者連結)

使用 探索

參考文獻

Barrett, R.; Berry, M.; Chan, T. F.; Demmel, J.; Donato, J.; Dongarra, J.; Eijkhout, V.; Pozo, R.; Romine, C.; and van der Vorst, H. Templates for the Solution of Linear Systems: Building Blocks for Iterative Methods, 2nd ed. Philadelphia, PA: SIAM, 1994. http://www.netlib.org/linalg/html_templates/Templates.html.Björck, A. and Elfving, T. "Accelerated Projection Methods for Computing Pseudo-Inverse Solutions of Systems in Linear Equations." BIT 19, 145-163, 1979.Paige, C. and Saunders, M. "LSQR: An Algorithm for Sparse Linear Equations and Sparse Least Squares." ACM Trans. Math. Soft. 8, 43-71, 1982.

在 中引用

法方程上的共軛梯度法

引用為

Black, NoelMoore, Shirley。“法方程上的共軛梯度法”。來自 —— 資源,由 Eric W. Weisstein 建立。https://mathworld.tw/ConjugateGradientMethodontheNormalEquations.html

主題分類