关于广义鞍点问题的HSS迭代方法的收缩因子(英文)

白中治等提出了解非埃尔米特正定线性方程组的埃尔米特和反埃尔米特分裂(HSS)迭代方法(Bai Z Z,Golub G H,Ng M K.Hermitian and skew-Hermitian splitting methodsfor non-Hermitian positive definite linear systems.SIAM J.Matrix Anal.Appl.,2003,24:603-626).本文精确地估计了用HSS迭代方法求解广义鞍点问题时在加权2-范数和2-范数下的收缩因子.在实际的计算中,正是这些收缩因子而不是迭代矩阵的谱半径,本质上控制着HSS迭代方法的实际收敛速度.根据文中的分析,求解广义鞍点问题的HSS迭代方法的收缩因子在加权2-范数下等于1,在2-范数下它会大于等于1,而在某种适当选取的范数之下,它则会小于1.最后,用数值算例说明了理论结果的正确性.

HSS迭代算法在求解矩阵最小特征时的应用

为了更加精确快速地求解M-矩阵线性方程组,引入了HSS迭代算法.利用了M-矩阵的特点,在反幂法的基础上采用了改进的算法,并在实际运算的过程中引入HSS迭代算法.在此基础上采用了HSS迭代方法,并将此算法拓展到了M-矩阵之中,并且证明了其收敛性.给定了矩阵在求解最小特征值时α的取值,并通过算例验证了该算法在应用于求解最小特征值时的可行性.

求解非厄米特正定线性系统的预处理Richardson迭代算法

为了求解非厄米特正定线性系统,引入了一种新的预处理Richardson迭代算法(PR迭代算法)。每一次迭代,PR迭代算法只需求解一个带厄米特正定系数矩阵的线性系统。在适当的条件下,分析了PR迭代矩阵的谱半径,并讨论使上述谱半径取最小值时的最优参数。数值结果表明,不管是否采用实验最优参数,PR迭代算法都是有效的。

线性方程组的迭代解法

线性方程组的数值求解常见于许多科学与工程计算领域,介绍了求解大型线性方程组的主要迭代算法。首先,对一些经典迭代法(Jacobi方法、Gauss-Seidel方法、SOR方法、SSOR方法和CG方法等)进行了详细的讨论,并从理论上对收敛性进行分析。其次,讨论了最新的Hermitian/Skew-Hermitian splitting(HSS)迭代理论,给出了迭代公式和收敛性定理。最后,通过数值实验对所有迭代法的有效性进行了验证。

线性方程组的4种迭代方法

研究了线性方程组的4种迭代方法——Jacobi迭代、Gauss-Seidel迭代、HSS迭代、Richardson迭代,给出了4种迭代方法收敛的充分条件。数值实验进一步表明,在大规模线性方程求解时,迭代矩阵谱半径的大小决定算法的收敛速度;在谱半径小于1的前提下,谱半径越小,则收敛速度越快。

广义正定矩阵的判别及相应线性方程组的求解

通过给出广义正定矩阵判别的充分条件和充要条件,研究求解广义正定矩阵线性方程组的HSS迭代算法,分析算法的收敛性,并给出数值实验.

两类极大极小问题及应用

研究两类极大极小问题,从理论上给出了最优解,并分别给出了这两类极大极小问题在线性方程组Richardson迭代法和HSS迭代法中的应用.

求解广义鞍点问题的一个双参数维数分裂方法

针对一类广义鞍点问题,利用HSS迭代方法的思想,将单参数维数分裂方法推广到双参数形式。先得到双参数维数分裂迭代法的迭代格式并得到相应的求解广义鞍点问题的双参数DS分裂迭代法,然后证明了该迭代方法是收敛的,改进和推广了求解广义鞍点问题的单参数维数分裂迭代算法。数值实验也验证了双参数DS分裂迭代法比单参数MDS分裂迭代法有效。