বৃহত্তম মাত্রার ইগেনুয়ালুয়ের সাথে মিল রেখে ঘন ম্যাট্রিক্সের ইগনভেেক্টর গণনা করার সবচেয়ে দক্ষ উপায় কোনটি?


10

আমার একটি ঘন রিয়েল প্রতিসাম্য বর্গ ম্যাট্রিক্স রয়েছে। মাত্রাটি প্রায় 1000x1000। আমাকে প্রথম প্রধান উপাদানটি গণনা করতে হবে এবং এটি করার জন্য সেরা অ্যালগরিদমটি কী হতে পারে তা অবাক করতে হবে।

দেখে মনে হচ্ছে ম্যাটল্যাব আর্নল্ডি / ল্যাঙ্কজোস অ্যালগোরিদম (জন্য eigs) ব্যবহার করে। তবে তাদের সম্পর্কে পড়া থেকে আমি নিশ্চিত নই যে সরল পাওয়ার পুনরাবৃত্তির তুলনায় তাদের কোনও সুবিধা আছে কিনা , কারণ আমার ম্যাট্রিক্স অপ্রতুল নয় এবং আমি কেবল প্রথম ইগেনভেક્ટરে আগ্রহী।

এই ক্ষেত্রে দ্রুততম অ্যালগরিদম কোন সুপারিশ?


1
আমার কম্পিউটারে, এলোমেলোভাবে উত্পাদিত 1000 এক্স 1000 প্রতিসামগ্রী ম্যাট্রিক্সে, আর এর "ইগেন" ফাংশনটি সমস্ত ইগেনালুগুলি এবং ভেক্টরগুলি গুনতে প্রায় এক সেকেন্ড সময় নিয়েছিল। আপনার মাইলেজটি পৃথক হতে পারে তবে আমি সন্দেহ করি যে আপনার অ্যালগরিদম পছন্দটি এরকম সময়গুলিতে কোনও পার্থক্য করে।

হ্যাঁ, অবশ্যই এটি সত্য। আমি আমার প্রোগ্রামটি দ্রুত চালিত করতে সত্যই উদ্বিগ্ন নই। আমি আরও কৌতূহলী যে বর্ণিত আরও জটিল কৌশলগুলিও এই ব্যবহারের ক্ষেত্রে (ঘন, কেবলমাত্র প্রথম ইগেনভেেক্টর) উচ্চতর হিসাবে বিবেচিত হয়, বা ঘন ম্যাট্রিক্সের জন্য বিভিন্ন কৌশল রয়েছে কিনা।

আপনি কি ইগেনভেেক্টরটি সবচেয়ে বড় বা ক্ষুদ্রতম এগেনভ্যালু সম্পর্কিত? মনে হচ্ছে আপনি প্রাক্তন চান।
জ্যাক পলসন

হ্যাঁ, ইগেনভেেক্টর বৃহত্তম মাত্রার সাথে ইগেনভ্যালুতে সমান্তরাল হয়।
মিকা ফিশার

উত্তর:


12

দ্রুততম পদ্ধতিটি সম্ভবত আপনার ম্যাট্রিক্সের বর্ণালী এবং স্বাভাবিকতার উপর নির্ভর করবে তবে সমস্ত ক্ষেত্রে ক্রিলোভ অ্যালগরিদমগুলি পাওয়ার পুনরাবৃত্তির চেয়ে কঠোরভাবে ভাল হওয়া উচিত। জিডাব্লু স্টুয়ার্টের ম্যাট্রিক্স অ্যালগরিদমসের দ্বিতীয় অধ্যায় , দ্বিতীয় খণ্ডের আইজিনটিস্টমস : এর 4 নং অধ্যায়টিতে এই সমস্যাটির একটি সুন্দর আলোচনা রয়েছে :

ক্ষমতা পদ্ধতি পর্যবেক্ষণ যে যদি উপর ভিত্তি করে তৈরি উপর হালকা সীমাবদ্ধতা অধীনে তারপর একটি প্রভাবশালী eigenpair হয়েছে ভেক্টর প্রভাবশালী eigenvector ক্রমবর্ধমান সঠিক অনুমান উত্পাদন। যাইহোক, প্রতিটি পদক্ষেপে শক্তি পদ্ধতিটি কেবলমাত্র একক ভেক্টর , যা পূর্ববর্তী উত্পন্ন ভেক্টরগুলিতে থাকা তথ্যগুলি ফেলে দেওয়ার পরিমাণ। দেখা যাচ্ছে যে এই তথ্যটি মূল্যবান ... "ইউ কে ইউ কে ইউAuAkuAku

এবং তিনি দেখিয়েছেন যে, তির্যক ম্যাট্রিক্সের সাথে ' ত্রিভুজ মানটি to ( থেকে গণনা ) সেট করা হয়েছে, 25 টি পুনরাবৃত্তির পরে ক্রিলোভ উপসর্গটি প্রভাবশালী ইগেনভেક્ટરকে আটটি মাত্রার ক্যাপচার করে পাওয়ার পুনরাবৃত্তির চেয়ে ভাল।i .95 i i = 0100×100i.95ii=0


হুম, আমি ভাবতাম এমআরআরআর এখন স্ট্যান্ডার্ড পদ্ধতি ছিল যখন কেউ কেবল কয়েকজন আইজেনভেেক্টর চায় ...
জেএম

এমআরআরআর প্রতিসাম্য ত্রিভুজাকৃতির ম্যাট্রিকগুলিতে চালিত হয়, এবং তাই ঘন ম্যাট্রিকের জন্য এটি ব্যবহার করার জন্য প্রথমে ঘন ম্যাট্রিক্সকে ত্রিভুজাকৃতির রূপকে একইরূপ রূপান্তর (গুলি) এর মাধ্যমে হ্রাস করতে হবে, যা সাধারণভাবে ঘনক্ষেত্রের কাজ নেয়। যদি কোনও ক্রিলোভ পদ্ধতির জন্য কেবল ম্যাট্রিক্স-ভেক্টর গুণক প্রয়োজন হয়, তবে কাজ করা আবশ্যক। তাহলে খুব ছোট আপেক্ষিক , Krylov পদ্ধতি জেতা উচিত ছিল। ( কে এন 2 + কে 2 এন + কে 3 ) কে এনkO(kn2+k2n+k3)kn
জ্যাক পলসন

আমি দেখি; কোনওরকমভাবে আমার ধারণা ছিল যে ক্রিলোভ করার আগে আপনাকে প্রথমে ত্রিভুজ করা দরকার। ধন্যবাদ!
জেএম

ল্যাঙ্কজস আসলে ধীরে ধীরে গড়ে উঠছেন ট্রিডিয়োনাল ম্যাট্রিক্স।
জ্যাক পলসন

5

পাওয়ার পুনরাবৃত্তি সবচেয়ে সহজ, তবে উপরে উল্লিখিত হিসাবে এটি সম্ভবত খুব ধীরে ধীরে রূপান্তরিত হবে যদি ম্যাট্রিক্স খুব স্বাভাবিক থাকে না। আপনি একটি "হাম্প" ঘটনাটি পেয়েছেন যেখানে অ্যাসিপটোটিক আচরণ শুরু হওয়ার আগে ক্রমটি অনেকগুলি পুনরাবৃত্তির জন্য বিভক্ত হয়ে দেখা দেয়।

যেহেতু আপনার ম্যাট্রিক্স প্রতিসম হয় তাই আপনি আরকিউআই পুনরাবৃত্তিকে বিবেচনা করতে পারেন, যা প্রতিসামগ্রী ক্ষেত্রে ঘনক সমান্তরালতা দেয়: http://en.wikedia.org/wiki/Rayleigh_quotient_iteration

আর্নল্ডি বা ল্যাঙ্কজোস পুনরাবৃত্তিগুলি কী খুব সুন্দর করে তোলে (কমপক্ষে আমার মতে, তবে আমি সংখ্যাগত লিনিয়ার বীজগণিত নিয়ে গবেষণা করি না) এটি হ'ল তারা খুব বহুমুখী। তারা আপনাকে যে জাতীয় মূল্যায়ন দেয় এবং আপনি কতজন পান তা নিয়ন্ত্রণ করা সাধারণত is এটি বিশেষত প্রতিসামগ্রী ক্ষেত্রে সত্য (এবং আপনার ম্যাট্রিক্স সুনির্দিষ্ট হলেও আরও ভাল)। প্রতিসম সমস্যাগুলির জন্য তারা খুব দৃ rob়। একটি ব্ল্যাক বক্স হিসাবে তারা ভাল কাজ করে তবে তারা নতুন সমস্যা সম্পর্কিত তথ্যের যেমন ম্যাট্রিক্সের সাথে জড়িত সিস্টেমগুলি সমাধান করার ক্ষমতাও খুব গ্রহণযোগ্য।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.