সাধারণভাবে, সমস্ত ক্রিলোভ পদ্ধতিগুলি ম্যাট্রিক্সের বর্ণালীতে মূল্যায়ন করার সময় মূলত একটি বহুবর্ষের সন্ধান করে। বিশেষ করে, ম একটি Krylov পদ্ধতি (শূন্য প্রাথমিক অনুমান সহ) এর অবশিষ্ট আকারে লেখা যেতে পারেn
rn=Pn(A)b
যেখানে হল ডিগ্রি এর কিছু বহুপদী । এনPnn
যদি , আমাদেরএ = ভি Λ ভি - 1AA=VΛV−1
। Rএন∥≤=∥ ভি∥⋅∥Pn(Λ)∥⋅∥V−1∥⋅∥b∥κ(V)⋅∥Pn(Λ)∥⋅∥b∥.
যে পরিস্থিতি এ স্বাভাবিক (যেমন, প্রতিসম বা একক) আমরা জানি যে জিআরইআরএস আর্নল্ডি পুনরাবৃত্তির মাধ্যমে এই জাতীয় বহুবিন্দু তৈরি করে, অন্যদিকে সিজি একটি পৃথক অভ্যন্তরীণ পণ্য ব্যবহার করে বহুপদী গঠন করে ( বিশদগুলির জন্য এই উত্তরটি দেখুন) )। একইভাবে, বিসিজি সংক্ষিপ্ত আকারের ল্যাঙ্কজোস প্রক্রিয়াটির মাধ্যমে তার বহুপদী গঠন করে, তবে চেবিশেভ পুনরাবৃত্তি বর্ণালী সম্পর্কে পূর্বের তথ্য ব্যবহার করে (সাধারণত প্রতিসাম্যিক নির্দিষ্ট ম্যাট্রিকগুলির জন্য বৃহত্তম এবং ক্ষুদ্রতম আইজেনিয়ুলের অনুমান)।κ ( ভি ) = 1।Aκ(V)=1.
একটি দুর্দান্ত উদাহরণ হিসাবে (ট্রেফেন + বাউ দ্বারা অনুপ্রাণিত), এমন একটি ম্যাট্রিক্স বিবেচনা করুন যার বর্ণালী এটি:
ম্যাটল্যাবে, আমি এটি দিয়ে এটি নির্মাণ করেছি:
A = rand(200,200);
[Q R] = qr(A);
A = (1/2)*Q + eye(200,200);
আমরা যদি জিএমআরইএস বিবেচনা করি, যেগুলি বহুবচন তৈরি করে যা প্রকৃতপক্ষে ডিগ্রি এর সমস্ত মনিক বহুবর্ষের চেয়ে অবশিষ্টাংশকে ন্যূনতম করে তোলে, আমরা প্রার্থী বহুবর্ষটি দেখে সহজেই অবশিষ্ট ইতিহাসের পূর্বাভাস দিতে পারিn
Pn(z)=(1−z)n
আমাদের ক্ষেত্রে যা দেয়
|Pn(z)|=12n
জন্য বর্ণালী মধ্যে ।এzA
এখন, যদি আমরা GMRES এলোমেলো আরএইচএসে চালিত করি এবং অবশিষ্ট ইতিহাসকে এই বহুবর্ষের সাথে তুলনা করি তবে তাদের অবশ্যই বেশিরভাগ মিল হওয়া উচিত (প্রার্থীর বহুপদী মানগুলি GMRES অবশিষ্টের চেয়ে ছোট কারণ because ):∥b∥2>1