第八章 矩阵特征值计算
1 特征值性质和估计
工程实践中有许多种振动问题,如桥梁或建筑物的振动,机械机件的振动,飞机机翼的颤动等,这些问题的求解常常归纳为求矩阵的特征值问题。另外,一些稳定分析问题及相关问题也可以转化为求矩阵特征值与特征向量的问题。
1.1 特征值问题及性质
设矩阵n n ?∈A R (或n n ?C ),特征值问题是:求C λ∈和非零向量n R ∈x ,使
λ=Ax x (1.1)
其中x 是矩阵A 属于特征值λ的特征向量。A 的全体特征值组成的集合记为sp()A 。 求A 的特征值问题(1.1)等价于求A 的特征方程
()det()0p I λλ=-=A (1.2)
的根。因为一般不能通过有限次运算准确求解()0p λ=的根,所以特征值问题的数值方法只能
是迭代法。反之,有时为了求多项式
111()n n n n q a a a λλλλ--=++++L
的零点,可以把()q λ看成矩阵
123101010n a a a a ----????????????????
L O O 的特征多项式(除(1)n -因子不计)。这是一个Hessenberg 矩阵,可用QR 方法求特征值,从而求出代数方程()0q λ=的根。
矩阵特征值和特征向量的计算问题可分为两类:一类是求矩阵A 的全部特征值及其对应的向量;另一类是求部分特征值(一个或几个、按模最大或最小)及其对应的特征向量。本章介绍部分特征值和特征向量的幂法、内积法;求实对称矩阵全部特征值的雅可比法、Given 方法和Householder 方法;求任意矩阵全部特征值的QR 算法。
在第5章已给出特征值的一些重要性质,下面再补充一些基本性质。
定理1 设n n R ?∈A ,则
(1) 设λ为A 的特征值,则λμ-为μ-A I 的特
征值;
(2) 设12,,,n λλλL 是A 的特征值,()p x 是一多项
式,则矩阵()p A 的特征值是12(),(),,()n p p p λλλL 。特别地,k A 的特征值是12,,,k k k n λλλL 。 定理2 (1)设n n R ?∈A 可对角化,即存在非奇异矩阵P 使
121n P P λλλ-?? ? ?= ? ??
?A O 的充分必要条件是A 具有几个线性无关的特征向量。
(2) 如果A 有m 个()m n ≤不同的特征值12,,,m λλλL ,则对应的特征向量12,,,m x x x L 线性无关。
定理3 设n n R ?∈A 为对称矩阵,则
(1) A 的特征值均为实数。
(2) A 有n 个线性无关的特征向量。
(3) 存在一个正交矩阵P 使
第9章矩阵特征值问题的数值 方法 9.1 特征值与特征向量 9.2 Hermite矩阵特征值问题 9.3 Jacobi方法 9.4 对分法 9.5 乘幂法 9.6 反幂法 9.7 QR方法
9.1 特征值与特征向量设A是n阶矩阵,x是非零列向量. 如果有数λ存在,满足, (1) 那么,称x是矩阵A关于特征值λ的特征向量.
如果把(1)式右端写为 ,那么(1)式又可写为: x λ ()0 I A x λ-=||0 I A λ-=即1110 ()||...n n n f I A a a a λλλλλ--=-=++++记 它是关于参数λ的n 次多项式,称为矩阵A 的特 征多项式, 其中a 0=(-1)n |A |. (2)
显然,当λ是A的一个特征值时,它必然 是的根. 反之,如果λ是的根,那么齐次方程组(2)有非零解向量x,使(1)式 成立. 从而,λ是A的一个特征值. A的特征值也称为A的特征根 . ()0 fλ= ()0 fλ=
矩阵特征值和特征向量有如下主要性质: 定理9.1.1 n阶矩阵A是降秩矩阵的充分必要 条件是A有零特征值. 定理9.1.2 设矩阵A与矩阵B相似,那么它们 有相同的特征值. 定理9.1.3 n阶矩阵A与A T有相同的特征值. 定理9.1.4 设λ ≠λj是n阶矩阵A的两个互异特 i 征值,x、y分别是其相应的右特征向 量和左特征向量,那么,x T y=0 .
9.2 Hermite矩阵特征值问题?设A为n阶矩阵,其共轭转置矩阵记为A H. 如果A=A H,那么,A称为Hermite矩阵.
求矩阵特征值算法及程序简介 1.幂法 1、幂法规范化算法 (1)输入矩阵A、初始向量( 0),误差eps; (2) k 1; (3)计算V(k)A(k 1); (4)m k max(V(k)) ,m k1max( V ( k 1)); (5) (k)V(k)/m k; (6)如果m k m k 1eps,则显示特征值1和对应的特征向量x(1) ),终止; (7)k k 1, 转(3) 注:如上算法中的符号max(V )表示取向量V 中绝对值最大的分量。本算法使用了数据规范化处理技术以防止计算过程中出现益出错误。 2、规范化幂法程序 Clear[a,u,x]; a=Input[" 系数矩阵A="]; u=Input[" 初始迭代向量u(0)="]; n=Length[u]; eps=Input[" 误差精度eps ="]; nmax=Input[" 迭代允许最大次数nmax="]; fmax[x_]:=Module[{m=0,m1,m2}, Do[m1=Abs[x[[k]]]; If[m1>m,m2=x[[k]];m=m1], {k,1,Length[x]}]; m2] v=a.u; m0=fmax[u]; m1=fmax[v]; t=Abs[m1-m0]//N; k=0; While[t>eps&&k 第八章 矩阵特征值计算 1 特征值性质和估计 工程实践中有许多种振动问题,如桥梁或建筑物的振动,机械机件的振动,飞机机翼的颤动等,这些问题的求解常常归纳为求矩阵的特征值问题。另外,一些稳定分析问题及相关问题也可以转化为求矩阵特征值与特征向量的问题。 1.1 特征值问题及性质 设矩阵n n ?∈A R (或n n ?C ),特征值问题是:求C λ∈和非零向量n R ∈x ,使 λ=Ax x (1.1) 其中x 是矩阵A 属于特征值λ的特征向量。A 的全体特征值组成的集合记为sp()A 。 求A 的特征值问题(1.1)等价于求A 的特征方程 ()det()0p I λλ=-=A (1.2) 的根。因为一般不能通过有限次运算准确求解()0p λ=的根,所以特征值问题的数值方法只能 是迭代法。反之,有时为了求多项式 111()n n n n q a a a λλλλ--=++++L 的零点,可以把()q λ看成矩阵 123101010n a a a a ----???????????????? L O O 的特征多项式(除(1)n -因子不计)。这是一个Hessenberg 矩阵,可用QR 方法求特征值,从而求出代数方程()0q λ=的根。 矩阵特征值和特征向量的计算问题可分为两类:一类是求矩阵A 的全部特征值及其对应的向量;另一类是求部分特征值(一个或几个、按模最大或最小)及其对应的特征向量。本章介绍部分特征值和特征向量的幂法、内积法;求实对称矩阵全部特征值的雅可比法、Given 方法和Householder 方法;求任意矩阵全部特征值的QR 算法。 在第5章已给出特征值的一些重要性质,下面再补充一些基本性质。 定理1 设n n R ?∈A ,则 (1) 设λ为A 的特征值,则λμ-为μ-A I 的特 第八章 矩阵的特征值与特征向量的数值解法 某些工程计算涉及到矩阵的特征值与特征向量的求解。如果从原始矩阵出发,先求出特征多项式,再求特征多项式的根,在理论上是无可非议的。但一般不用这种方法,因为了这种算法往往不稳定.常用的方法是迭代法或变换法。本章介绍求解特征值与特征向量的一些方法。 §1 乘幂法 乘幂法是通过求矩阵的特征向量来求特征值的一种迭代法,它适用于求矩阵的按模最大的特征值及对应的特征向量。 定理8·1 设矩阵An ×n 有n 个线性无关的特征向量X i(i=1,2,…,n),其对应的特征值λi (i =1,2,…,n)满足 |λ1|>|λ2|≧…≧|λn | 则对任何n维非零初始向量Z 0,构造Zk = AZ k-1 11()lim ()k j k k j Z Z λ→∞ -= (8·1) 其中(Zk )j表示向量Z k 的第j个分量。 证明 : 只就λi是实数的情况证明如下。 因为A 有n 个线性无关的特征向量X i ,(i = 1,2,…,n)用X i(i = 1,2,…,n)线性表示,即Z 0=α1X 1 + α2X2 +用A 构造向量序列{Z k }其中 ? 21021010, ,k k k Z AZ Z AZ A Z Z AZ A Z -=====, (8.2) 由矩阵特征值定义知AXi =λi X i (i=1,2, …,n),故 ? 0112211122211121k k k k k n n k k k n n n k n k i i i i Z A Z A X A X A X X X X X X ααααλαλαλλλααλ===++ +=+++???? ??=+ ?????? ? ∑ (8.3) 同理有 1 1 11 1121k n k i k i i i Z X X λλααλ---=? ? ????=+ ????? ? ? ∑ (8.4) 将(8.3)与(8.4)所得Zk 及Z k-1的第j 个分量相除,设α1≠0,并且注意到 |λi |<|λ1|(i=1,2,…,n )得 9 矩阵特征值计算 在实际的工程计算中,经常会遇到求n 阶方阵 A 的特征值(Eigenvalue)与特征向量(Eigenvector)的问题。对于一个方阵A,如果数值λ使方程组 Ax=λx 即(A-λI n )x=0 有非零解向量(Solution Vector)x,则称λ为方阵A的特征值,而非零向量x为特征值λ所对应的特征向量,其中I n 为n阶单位矩阵。 由于根据定义直接求矩阵特征值的过程比较复杂,因此在实际计算中,往往采取一些数值方法。本章主要介绍求一般方阵绝对值最大的特征值的乘幂(Power)法、求对称方阵特征值的雅可比法和单侧旋转(One-side Rotation)法以及求一般矩阵全部特征值的QR 方法及一些相关的并行算法。 1.1 求解矩阵最大特征值的乘幂法 1.1.1 乘幂法及其串行算法 在许多实际问题中,只需要计算绝对值最大的特征值,而并不需要求矩阵的全部特征值。乘幂法是一种求矩阵绝对值最大的特征值的方法。记实方阵A的n个特征值为λi i=(1,2, …,n),且满足: │λ1 │≥│λ2 │≥│λ3 │≥…≥│λn │ 特征值λi 对应的特征向量为x i 。乘幂法的做法是:①取n维非零向量v0 作为初始向量;②对于 k=1,2, …,做如下迭代: 直至u k+1 ∞ - u k u k =Av k-1 v k = u k /║u k ║∞ <ε为止,这时v k+1 就是A的绝对值最大的特征值λ1 所对应的特征向∞ 量x1 。若v k-1 与v k 的各个分量同号且成比例,则λ1 =║u k ║∞;若v k-1 与v k 的各个分量异号且成比例,则λ1 = -║u k ║∞。若各取一次乘法和加法运算时间、一次除法运算时间、一次比较运算时间为一个单位时间,则因为一轮计算要做一次矩阵向量相乘、一次求最大元操作和一次规格化操作,所以下述乘幂法串行算法21.1 的一轮计算时间为n2+2n=O(n2 )。 算法21.1 单处理器上乘幂法求解矩阵最大特征值的算法 输入:系数矩阵A n×n ,初始向量v n×1 ,ε 输出:最大的特征值m ax Begin while (│diff│>ε) do (1)for i=1 to n do (1.1)sum=0 (1.2)for j= 1 to n do sum=sum+a[i,j]*x[j] end for 第六章 矩阵特征值问题及二次型 6.1 求下列矩阵的特征值与特征向量: 1); 2); 3); ????????4221?????????????6123020663???? ????????3202300054); 5). ??????????422242224????????????? ?00011000010000106.2 设,证明:和有完全相同的特征值。 n n A A ×=T A A 6.3 设12=λ为方阵的特征值,求满足的关系式。 ???? ?????????=a b A 4417447b a ,6.4 设,证明:若有一个常数项不为零的多项式n n A A ×=)(x ?使得0)(=A ?,则的特征值必全不为零。 A 6.5 设λ为阶可逆方阵的特征值,证明:n A 12 +?? ????λA 是()I A +?2的特征值。 6.6 设21,λλ是方阵的两个互异的特征值,A 21,ξξ分别是的属于特征值A 21,λλ的特征向量,证明:21ξξ+不是的特征向量。 A 6.7 设321,,λλλ是方阵的三个互异的特征值,A 321,,ξξξ分别是的属于特征值A 321,,λλλ的特征向量,证明:321ξξξ++不是的特征向量。 A 6.8 设均为阶方阵且可逆,证明:~ B A ,n A AB .BA 6.9 设;求. ????????? ?????=163053064A 10A 6.10 设为2阶实方阵,且A 0trA ,则相似于对角阵A 第八章矩阵的特征值和特征向量的计算 矩阵的特征值和特征向量 乘幂法 反幂法 矩阵特征值和特征向量计算 特征值与特征向量A x = λx ( λ∈C ,x ≠0 ) 性质 (1)tr(A ) = a 11+ a 22+ ???+ a nn = λ1 + λ2+ ???+ λn (2)det(A ) = λ1 λ2???λn (3)若B = P -1AP 则A 与B 具有相同的特征值;x 是B 的特征向量?Px 是A 的特征向量. /* Calculation of Eigenvalue and Eigenvector of Matrix */ 乘幂法 乘幂法:计算实矩阵按模最大的特征值 假设:(1) |λ1| >|λ2| ≥…≥|λn | ≥0 (2)对应的n 个线性无关特征向量为:x 1, x 2, ..., x n 。 计算过程:任取一个非零向量v ,要求满足(x 1,v )≠0 计算v 1=Av 0, v 2=Av 1, ..., v k +1=Av k , ...,直到收敛。 收敛分析 011221(0) n n v x x x αααα=+++≠10111222n n n v Av x x x αλαλαλ==+++111 1222k k k k k n n n v Av x x x αλαλαλ-==+++ 21112211k k k n n n x x x λλλαααλλ??????=+++?? ? ????????? 1 11 k x λα 当k 充分大时,有 1 11k k v x λα≈11111 k k v x λα++≈11k k v v λ+≈又1k k v Av +=1k k Av v λ≈()()11 k j k j v v λ+≈( j =1, 2, ... , n ) v k 为λ1的近似特征向量 乘幂法的收敛速度取决于的大小。 21 r λλ=算法(乘幂法) 任取非零向量v 0,计算 1. v k +1 = Av k 2. 对v k 中所有非零分量(v k )j ,判断是否近似于某个常 数,如果是,则停机;否则转第1 步。 ()()1k j k j v v +乘幂法 第3章 矩阵特征值与特征向量的计算 一些工程技术问题需要用数值方法求得矩阵的全部或部分特征值及相关的特征向量。 3.1 特征值的估计 较粗估计ρ(A )≤ ||A || 欲将复平面上的特征值一个个用圆盘围起来。 3.1.1盖氏图 定义3.1-1 设A = [a ij ]n ?n ,称由不等式∑≠=≤-n i j j ij ii a a z 1 所确定的复区域为A 的第i 个盖氏图, 记为G i ,i = 1,2,…,n 。 >≤-=<∑≠=}:{1n i j j ij ii i a a z z G 定理3.1-1 若λ为A 的特征值,则 n i i G 1 =∈ λ 证明:设Ax = λx (x ≠ 0),若k 使得∞ ≤≤==x x x i n i k 1max 因为 k n j j kj x x a λ=∑=1 ?∑≠= -n k j j kj k kk x a x a )(λ ?∑∑∑ ≠=≠=≠≤≤= -n k j j kj n k j j k j kj n k j k j kj kk a x x a x x a a 11λ ? n i i k G G 1 =? ∈λ 例1 估计方阵????? ?? ?????----=41.03.02.05.013.012.01.035.03.02.01.01A 特征值的X 围 解: G 1 = {z :|z – 1|≤ 0.6};G 2 = {z :|z – 3|≤ 0.8}; G 3 = {z :|z + 1|≤ 1.8};G 4 = {z :|z + 4|≤ 0.6}。 注:定理称A 的n 个特征值全落在n 个盖氏圆上,但未说明每个圆盘内都有一个特征值。 3.1.2盖氏圆的连通部分 称相交盖氏圆之并构成的连通部分为连通部分。 孤立的盖氏圆本身也为一个连通部分。 定理3.1-2若由A 的k 个盖氏圆组成的连通部分,含且仅含A 的k 个特征值。 证明: 令D = diag(a 11,a 12,…,a nn ),M = A –D ,记 )10(00 0)(212211122211≤≤?? ?? ? ? ? ??+??????? ??=+=εεεε n n n n nn a a a a a a a a a M D A 则显然有A (1) = A ,A (0) = D ,易知A (ε)的特征多项式的系数是ε的多项式,从而A (ε)的特征 值λ1(ε),λ2(ε),…,λn (ε)为ε的连续函数。 A (ε)的盖氏圆为:)10(,}||||:{)(11≤≤?=≤ -=∑∑≠=≠=εεεεi n i j j ij n i j j ij ii i G a a a z z G 因为A (0) = D 的n 个特征值a 11,a 12,…,a nn ,恰为A 的盖氏圆圆心,当ε由0增大到1时,λi (ε)画出一条以λi (0) = a ii 为始点,λi (1) = λi 为终点的连续曲线,且始终不会越过G i ; 不失一般性,设A 开头的k 个圆盘是连通的,其并集为S ,它与后n –k 个圆盘严格分离,显然,A (ε)的前k 个盖氏圆盘与后n –k 个圆盘严格分离。 当ε = 0时,A (0) = D 的前k 个特征值刚好落在前k 个圆盘G 1,…,G k 中,而另n –k 个特征值则在区域S 之外,ε从0变到1时, k i i G 1 )(=ε与 n k i i G 1 )(+=ε始终分离(严格) 。连续曲线始终在S 中,所以S 中有且仅有A 的k 个特征值。 注:1) 每个孤立圆中恰有一个特征值。 2) 例1中G 2,G 4为仅由一个盖氏圆构成的连通部分,故它们各有一个特征值,而G 1,G 3构第8章 矩阵特征值计算
第八章矩阵的特征值与特征向量的数值解法
并行计算-矩阵特征值计算--
矩阵特征值问题及二次型
第八章 矩阵的特征值和特征向量的计算
3矩阵特征值及特征向量的计算