4求矩阵特征值和特征向量课件-11
矩阵的特征值与特征向量

其基础解系可取为
0 1 0
X
得x1
x3
x1 2 x2
x3
x2
0
0
1 1 0
则矩阵A对应于特征值l3=2的全体特征向量为
C2X2(C20)精选ppt
17
四 特征值与特征向量的性质 • 在复数范围内 n 阶矩阵 A 有 n 个特征值 (重根按重数计算).
证明 用数学归纳法
m=1时 X1≠0 显然成立 设 m=s-1时 X1 X2 Xs-1线性无关
现证明 m=s时 X1 X2 Xs线性无关 设有常数k1 k2 ks
使 k1X1k2X2 ks Xs0
A (k1X1k2X2 ks Xs)0
l1k1X1l2k2X2精选 ppltsks Xs0
第五章 矩阵的特征值与特征向量
在及其应用中 常要求一个方阵的特 征值和特征向量的问题 数学中诸如方 阵的对角化及解微分方程组的问题 也 都要用到特征值的理论
精选ppt
1
引言
• 纯量阵 lE 与任何同阶矩阵的乘法都满足交换律,
即
(lEn)An = An (lEn) = lAn .
• 矩阵乘法一般不满足交换律,即AB ≠ BA .
定理2 如果X1, X2为矩阵A对应于特征值l的特征向量,
且X1+ X2 ≠0,则X1+ X2也是A对应于特征值l的特征向量,
即:矩阵A对应于同一特征值l的特征向量的非零线性组
合仍然为A对应于l特征向精量选(不pp能t 为0)
6
综上所述,求矩阵A的特征值及特征向量的 步骤如下: 第一步 计算矩阵A特征多项式| lI A| ; 第二步 求出矩阵A的特征方程| lI A|=0的全部 根,即求得A的全部特征值l1, l1,--- ln,(其中可 能有重根)
计算方法(5)第四章 矩阵特征值和特征向量的计算

n
使得u 0
i xi
i 1
n
n
uk Auk1 Aku0 Ak (i xi ) iik xi
i 1
i 1
1k [1x1
n i2
( i 1
)k i xi ]
由1 0, 1 i (i 2, 3,L , n) 得
lim(
对矩阵A1用乘幂法得 uk
A-1u
k
,
1
因为A1 的计算
比较麻烦,而且往往不能保持矩阵A 的一些好性质
(如稀疏性),因此,反幂法在实际计算时以求解
方程组
Auk
u
k
,代替迭代
1
uk
A-1uk1求得uk,每
迭代一次要解一线性方程组。 由于矩阵在迭代过
程中不变,故可对A 先进行三角分解,每次迭代只 要解两个三角形方程组。
且
2 p 2 n
2 n
2 n 2
1 p 21 2 n 1 n 1 2 1 n 1
因此,用原点平移法求1可使收敛速度加快。
三、反幂法
反幂法是计算矩阵按模最小的特征值及特征向 量的方法,也是修正特征值、求相应特征向量的最 有效的方法。
0
0.226
0.975
做正交相似变换后得到
3.366
A3 =R2 AR2T
0.0735
0.317
0.0735 1.780
0
0.317
0
1.145
雅可比方法是一个迭代过程,它生成的是一个矩阵的
序列 Ak,当k越大时Ak就越接近于对角矩阵,从而
第四章矩阵的特征值和特征向量

即,0不是A的特征值,或者,A的任一特征值不等于零
充分性:设A的任一特征值不等于零,假设A不可逆 则 det A 0, 于是det(0E-A)=det(-A)=(-1)n det A 0 所以=0是A的一个特征值,矛盾
m 是A的m个不同 的特征值,1, m分别是A的属于1,2 m的特征向量, 则1, m线性无关
T
特征值1的全部特征向量为c11 (c1 0, 常数)
对于3=2,解对应的齐次线性方程组(2E A) X 0,
1 1 -1 x1 0 0 0 3 x2 0 0 0 1 x 0 3
定义4.2 A (aij )为n阶矩阵,含有未知数的矩阵 E A称为 A的特征矩阵,其行列式
E A
a11 a12 a21 a22
an1 an 2
a1n a2 n
ann
称为A的特征多项式。 det( E A) 0称为A的特征方程。
定理4.1:设A (aij )为n阶矩阵,则0是A的特征值, 是 A的属于0的特征向量的充要条件是,0为特征方程 det( E A) 0的根, 是齐次线性方程组(0 E A) X 0 的非零解。
(2)由(4.1)式知:向量 是齐次线性方程组(0 E A) 0 ( 0)的非零解。而该方程组有非零解的充分必要条件是 其系数行列式 0 E A 0.
(3) 矩阵A的特征值0,即以为变量的一元n次方程
E A 0的根。
(4) 如果已经求出方程 E A 0的根,则齐次线 性方程组(0 E A) X 0的任意非零解,都是A的 属于0的特征向量。
对于1 2, 解齐次线性方程组(2 E A) X=0,即解 -5 -4 x1 0 x -5 -4 2 0
(线性代数)第四章 矩阵的特征值和特征向量

∴η1
=
a2 − a1
1 0 0 0 ,η 2 = 1 ,L ,η n −1 = 0 M M M 0 1 0
对应λ=0的 =0的 特征向量为 k1η1 + L + kn −1η n −1 , k ,L , k 不全 n −1 1
第四章 矩阵的特征值和特征向量
§4.1 相似矩阵
§4.1 相似矩阵 一. 相似矩阵的定义和性质 AP= 都是n阶方阵, 若有可逆矩阵P 设A, B都是n阶方阵, 若有可逆矩阵P, 使P−1AP=B, 则称矩阵A 相似. 记为A 相似变换矩阵. 则称矩阵A与B相似. 记为A~B. P为相似变换矩阵. 相似是相抵的特例 相似必相抵,反之不然. 特例: 注1: 相似是相抵的特例: 相似必相抵,反之不然. 注2: 矩阵间的相似关系是一种等价关系 (1) 反身性: A~A; 反身性: P−1AP =B (2) 对称性: A~B ⇒ B~A; 对称性: PBP−1 =A (3) 传递性: A~B, B~C ⇒ A~C. 传递性: 相抵关系下的不变量: 相抵关系下的不变量:矩阵的秩 相似关系下的不变量: 相似关系下的不变量: 矩阵的秩
第四章 矩阵的特征值和特征向量
§4.2 特征值与特征向量
解: |λE–A| = (λ+1)(λ –2)2. +1)( 所以A 所以A的特征值为λ1= –1, λ2= λ3= 2. (–E–A)x = 0的基础解系: ξ1=(1,0,1)T. 的基础解系: 对应于λ1= –1的特征向量为kξ1 (0≠k∈R). 的特征向量为k (0≠ (2E–A)x = 0的基础解系: (2E 的基础解系: ξ2=(0, 1, –1)T, ξ3=(1, 0, 4)T. =2的特征向量为 的特征向量为k 对应于λ2=λ3 =2的特征向量为k2ξ2 +k3ξ3 (k2, k3不同时为零). 不同时为零).
第5章 特征值与特征向量ppt课件

tr(A ) 1 2 n.
设 i 为方阵的一个特征值,则由方程(iEA)x0
可求得非零解 x pi .
特征向量
本节 上页 下页
5.1 矩阵特征值与特征向量
例1
求矩阵
A
3
5
1 1
的特征值与特征向量.
解
EA3
5
1
10.
(4)(2)0.
A 的 特 征 值 为 1 4 ,2 2 .
定义1 设A为n阶方阵, λ是一个数,若存在非零列向量x,使得
Ax x,
则称λ是A的一个特征值,非零列向量x称为A的对应于特征值 λ的特征向量.
本节 上页 下页
5.1 矩阵特征值与特征向量
Ax x,
(EA)x0.
它有非零解的充分必要条件是系数行列式
EA 0.
a11 a12 a21 a22
an1 an2
本节 上页 下页
5.1 矩阵特征值与特征向量
6 6 0 1 0 1
1
1 2 : 2EA3
3
00 1 1.
p1
1
.
3 6 3 0 0 0
1
对应的全部特征向量为 c1p1 (c1 0).
3 6 0 1 1 0
2 3 1: EA3 6 00 0 0.
3 6 0 0 0 0
2
0
p2
1
,
p3 0.
ห้องสมุดไป่ตู้
本节 上页 下页
5.1 矩阵特征值与特征向量
3 1 0 1 0 0
0
1 2 : 2EA4
1 00 1 0.
p1
0
.
矩阵的特征值与特征向量

所以取方程组的基础解系为:
1 1 , 2 0
0 1
0 0 9 对应于 1 9 的全部特征向量为: 2 E 2 7 4 B 2 2 5 k k , k , k 不同时为0.
因此对应于2
4 的全体特征向量为:
k22 k33 , k2 , k3 不同时为0.
2.方阵的特征值与特征向量的性质
性质1.设
A ai j
nn
的特征值为 1 , 2 ,..., n
则有: (1)
1 2 ... n a11 a22 ... ann tr ( A)
2
4 ( 9) 2 ( 3) 0 5
所以B+2E的特征值为: 1 当 1
9(二重根) 2 3
9 时,解
[9E ( B 2E )]X 0
0 x1 0 x2 0 x3 0 即为: 2 x 2 x 4 x 0 就是 x1 x2 2 x3 0 1 2 3 2 x 2 x 4 x 0 1 2 2 3 1
的特征值与特征向量
解: A的特征方程为: | A E | 0
即为:
4 0 0
2 4 2
0 (4 ) (2 ) 2
2
2
0
所以
1 2, 2 4
是矩阵A 的特征值
(1)当 1
2 时,解齐次方程组 ( A 2E) X 0
1 该方程组的基础解系是: 1 0 1
m
m
性质4.如果 性质5.如果
| A || B |
tr ( A) tr ( B) r ( A) r ( B)
第四章矩阵特征值与特征向量的计算

λ2 − λ0 0.1 1 r= = = . λ1 − λ0 3.1 31
15
原点移位法使用简便, 原点移位法使用简便 不足之处在于λ0的选取十 分困难, 通常需要对特征值的分布有一大概的了解, 分困难 通常需要对特征值的分布有一大概的了解 并通过计算不断进行修改. 才能粗略地估计λ0, 并通过计算不断进行修改
B=A-λ0I -
为代选择参数. 其中λ0为代选择参数 设A的特征值为λ1, λ2, …, λn, 的特征值为 而且A, 则B的特征值为λ1-λ0, λ2-λ0, …, λn-λ0, 而且 B 的特征值为 的特征向量相同. 的特征向量相同
13
仍设A有主特征值 仍设 有主特征值λ1, 且 λ1 > λ2 ≥ L,
7
幂法的计算公式 任取初始向量x 任取初始向量 (0)=y(0)≠0, 对k=1, 2, …, 构造向量序列 {x(k)}, {y(k)}
x ( k ) = Ay ( k − 1 ) (k ) α k = max ( x ) (k ) x (k ) y = αk α k ≈ λ1
比值越接近1, 收敛速度越慢, 比值越接近0, 收敛越快. 比值越接近 收敛速度越慢 比值越接近 收敛越快 若A的主特征值λ1为实的m重根 即λ1= λ2=…= λm, 的 为实的 重根, 重根 又设A有 个线性 且 | λ1 |> |λm+1 | ≥ |λm+2 | ≥ … ≥ | λn |, 又设 有n个线性 无关的特征向量, 此时幂法仍然适用 幂法仍然适用. 无关的特征向量 此时幂法仍然适用
(α k +1 − α k ) ˆ αk = αk − α k + 2 − 2α k +1 + α k
线性代数 第四章矩阵的特征值和特征向量

m
线性无关.
推论 若 n 方阵有互不相同的特征值
1 , 2 ,, m
则其对应的特征向量 x1 , x2 ,, xm 线性无关。
定理3
设n阶方阵A的全部特征值是1,2, ,n,则 (1) 1 2 n a11 a22 ann aii
4.1.2 特征值与特征向量的性质
定理1 n 阶方阵 A 与它的转置矩阵 AT 有相同的特征值。
定理2
设 n 方阵 A 有互不相同的特征值 1,2, ,m, (i E A)x 0 的基础解系为 i1, i 2, , iri (i 1, ,m),则 2,
11 , 12 , , 1r ; 21 , 22 ,, 2 r ;; m1 , m 2 ,, mr
解 A的特征多项式为
2 0 4
1 2 1
1 0 3
2
A E
(2 )
2 4
1 3
(2 )( 2 6 4) (2 )( 2 2)
( 1)( 2)
A的特征值为
1 1, 2 3 2
B AB D
1
由B可逆便知: 1 , , n 都是非零向量,因而都是A的特征
向量,且
1 , , n
线性无关。
推论
如果n阶矩阵A的特征值 1 , , n 互不相同 则相似于对角矩阵
1 n
定理
n 阶 矩阵 A 与对角矩阵相似的充分必要条件是 对于每一个
AP P
P AP
1
必要性
设A相似于对角矩阵
d1 D dn
即存在可逆矩阵B,使得
求矩阵的特征值与特征向量

(0) T
迭代条件:
y ( k ) y ( k 1)
1
计算结果:
1 mk
u1 y
k k x( k ) Ax( k 1) 11 u1 2k u 2 2 n nun )
k k 2 n k 1 1u1 2 u u n 2 n 1 1
xHale Waihona Puke k )5.1.2 幂法的计算公式
分三种情况讨论: (1) 1 为实根,
且 1 2
x 1 x
( k 1) i (k ) i
, u1 x
1 2
(k )
(2) 1 为实根, 且 1 2 及 2 3
xi( k 2 ) 1 ( k ) x i ( k 1) (k ) u1 x 1 x
给出初值x(0),按迭代公式计算:x(k+1)=Ax(k) 根据迭代序列各分量的变化情况求根:
若各分量单调变化(相邻两个向量的各分量之比 趋向于常数c),则按情况一处理。
若奇序列、偶序列的各个分量比趋于常数,则按 情况二处理。 若序列的各分量表现为其它情况,则结束。
5.1.3 幂法的实际计算公式
Ax( k 1) x( k ) , k 0,1,
实际计算公式:
(1)先对A作LU分解;( LU分解的要点: ??) (2)再解方程组: ( k 1) (k )
数值计算方法第04章矩阵特征值与特征向量的计算

• 计算出k=2时的x和y。 • (保留四位有效数字)
22
二、幂法的加速
因为幂法的收敛速度是线性的,而且依赖 于比值 2 /1 ,当比值接近于1时,幂法收敛 很慢。幂法加速有多种,介绍两种。
23
幂法的加速—原点移位法 应用幂法计算矩阵A的主特征值的收敛速度主要
26
4 14 0 , 2.9, 用原点移位法求矩 例:A 5 13 0 0 1 0 2.8 -4 阵A的按模最大的特征值,要求误差不超过10 。 解:取x (0) (1,1,1)T , 按x ( k 1) ( A pI )x (k )进行计算 0 6.9 14 A 0 I 5 10.1 0 0 0.1 1 (3.1000568, 2.214326, 0.9687661) 4 3.1000568
在一定条件下, 当k充分大时: 相应的特征向量为:
x 1 x
x
( k 1)
( k 1 ) i (k ) i
10
幂法的理论依据 对任意向量x(0), 有 x ( 0 ) i ui , 设1不为零.
i 1 n
x
( k 1 )
Ax
n i 1
(k )
A
k 1
x
(0) n
1 Ak 1 i ui i k i ui i 1
k 1 1
2 k 1 n k 1 1u1 ( ) 2 u2 ( ) n un 1 1
k 1 1 1u1
故 1 xi( k 1) xi( k ) x(k+1)为1的特征向量的近似向量(除一个因子外).
矩阵的特征值与特征向量

1
所以,A 的特征值为 1 2 , 2 3 1,
7
当 1 2 时, 解方程组 ( 2 I A ) x 0 ,
1 x1 2 1 x 2 0, 即 1 2 x 3 1 解之得基础解系为 p 1 1 , 1 2 1 1 1
故 1是 A1的特征值, 且 x 也是 A1对应于1的特征向量.
24
性质2 矩阵 A 和 AT 的特征值相同. 证 因为 IAT = ( I)TAT = ( IA)T 所以 det ( IA) = det ( IAT)
因此, A 和AT 有完全相同的特征值.
补充 性质 设 是方阵 A 的特征值.设
(*)式中不含 的常数项为
a 11 a 21 a n1 a 12 a 22 an2 a1n a2n a nn
21
( 1) A ,
n
即 c n ( 1) A
n
f 所以, ( ) I A ( 1 )( 2 ) ( n )
的全部特征向量.
9
例
2 设矩阵 A 2 0
2 1 2
0 2 , 求 A 的特征值. 0
解 A 的特征多项式为
2 I A
2 0 2 0 2 ( 2 )( 1 )( 4 ),
1
2
所以,A 的特征值为 1 2 , 2 1 , 3 4 . 特征值的计算不容易!!
0 A 1 1 1 0 1 1 1 0
所以 k 1 p 1 是对应于 1 2 的全部特征向量;
五章矩阵的特征值和特征向量ppt课件

,n
的列(行)
向量都是单位向量且两两正交.
由此可知A的列向量组构成 Rn的 一个标准正交基。
同样的方法,行向量组也是。
例3 判别下列矩阵是否为正交矩阵.
1
1 1
2
1 2 1
1 3 1 2,
1 3 1 2 1
解 (2)由于
1
9 8
8 9 1
4
9 4
1
9 8
9 9
4 9
4 9
9 7 9
1 1
,
e2
2 2
,
,er
r r
,
那么 e1, e2 , , er为W的一个标准正交基 .
上述
由线
性无关
向量
组1
,,
构造
r
出正交
向量组1,, r的过程,称为施密特正交化过程 .
例1 用施密特正交化方法,将向量组
a1 (1,1,1,1)T , a2 (1, 1, 0, 4)T , a3 (3, 5,1, 1)T
9 4
9
所以它是正交矩阵.
2
1
9 8
8 9 1
4
9 4
.
9 9 9
4 9
4 9
7 9
8 9 1
4
9 4
T
1 0
0 1
0 0
9 4
9
9 7
9
0
0
1
提示:此法为 定义法,利用定理3如何证明?
定理2 设A, B皆是n阶正交矩阵,则
1 A 1或1
2 AT 即A1 也是正交矩阵.
A1 x 1 x 故 1是矩阵A 1的特征值, 且x是A 1对应于 1
矩阵的特征值和特征向量

18 2020/4/24
证 已知AX=lX (i) kl是kA的特征值(k是任意常数),
这是因为(kA)X=k(AX)=klX, 即kl是kA的特征值, X是kA的属于特征值kl的特征向量.
(ii) A(AX)=A(lX)=l(AX)=l(lX), 即 A2X=l2X 再继续上述步骤m-2次, 就得AmX=lmX.
设f(x)=x2+x+1,由性质知 A2+A+I的特征值:1+1+1=3,22+2+1=7,32+3+1=13
再由性质知 |A2+A+I|=3×7×13=273
(|A-1+2A+A*+I|?) 例 如果A是一个三阶方阵,且A3-3A+2I=0,求|A|
22 2020/4/24
向量的最大个数为s,则1 s k
(矩阵A对应于单特征值的线性无关的特征向量有且只有一个)
定理 设X1,L , Xm是矩阵A的特征向量,它们顺次对应的
特征值l1,L
,lm互不相同,X 1,L
,X
线性无关。
m
推论 设 n 阶方阵A 有互不相同的特征值l1, l2 , , lm ,
(λiI– A)x= 0的基础解系为 ai1,ai2 , ,airi (i 1,2, , m) 则a11,a12, ,a1r1 ;a21,a22, ,a2r2;……;am1,am2 , ,amrm 线性 无关
5.1 矩阵的特征值和特征向量
1 2020/4/24
5.1.1 特征值和特征向量的基本概念 定义 设A为数域F上的n阶矩阵, 如果存在数
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第4章求矩阵特征值和特征向量的方法本章探讨求矩阵特征值及特征向量的常用数值方法的构造和原理,主要介绍在计算机上常用的求矩阵特征值和特征向量的的常用方法和有关知识。
重点论述幂法的构造内容。
4.1 实际案例旅游地选择问题通过层次分析法可以转化为求成及其对应的特对比较矩阵的绝对值最大的特征值max征向量的问题。
求矩阵的特征值及特征向量的问题在实际的科研和工程问题中经常遇到,在这些问题中解出矩阵(特别是高阶矩阵)特征值或特征向量成为解决问题的关键。
求矩阵的特征值及特征向量的计算机解法也称为代数特征问题的计算方法。
4.2问题的描述与基本概念定义 1 设矩阵n nA R ⨯∈,称关于变量λ的行列式函数为矩阵A 的特征多项式,称方程0A f λ=为特征方程。
定义2若存在某个实数或复数λ及非零向量nx R∈ 满足Ax x λ=,则称λ是矩阵A 的一个特征值,而x 称为λ对应的一个特征向量。
()A f λ是关于λ的n 次多项式,矩阵A 的特征值就是()A f λ的零点。
在线性代数中,有求解矩阵A的特征值和特征向量的解法,该解法理论很严密,但由于将特征多项式()fλ化为一个n次多A项式很复杂且特征方程对舍入误差很敏感,特别当n较大时,这些问题更突出。
由于这些原因,实用中在求解代数特征值问题时一般不用如上的线性代数的方法,而采用本章介绍的迭代加变换的计算机求解方法,这些方法具有编程简单,对舍入误差不敏感等优点。
3 幂法幂法---把最大特征值直接从矩阵乘出来!幂法是求矩阵按模最大的特征值及其相应特征向量的方法。
基本思想利用矩阵的特征值与特征向量的关系Ax x λ=构造迭代向量序列来求矩阵按模最大的特征值及其相应特征向量。
1、构造原理设方阵n nA R ⨯∈, ()()()12,,,n x x x ⋯是A 的n 个线性无关的特征向量,其对应的特征值为12,,,n λλλ⋯,任取一个非零向量()0n V R ∈,则有()()()()01212n n V x x x ααα=++⋯+ 用A 左乘()0V ,并利用()()k k k Ax x λ=有()()()()()()()0121212n n n AV Ax Ax Ax x xxααααλαλαλ=++⋯+=++⋯+,10α≠,因为11k λλ<,有()()(1)11,7.1k kV x k λα→→∞令V (k)的第i 个分量为()kV当k ()k V 是1λ对应的一个近似特征向量。
用如上求矩阵按模最大的近似特征值及其相应特征向量的方法称为幂法。
2.分析当11λ>时,1k λ→∞导致()k V 的计算出现上益错误。
定理 设方阵n nA R ⨯∈,()()()12,,,n x x x ⋯是A 的n 个线性无关的特征向量,12,,,n λλλ⋯是对应的特征值()12n λλλ>≥⋯≥,任取一个非零向量()0n V R ∈,按()()()()()()()()()100,max 1,2, 4.3/k k k k k k k V Au u V m V k u V m -⎧=⎪⎪===⎨⎪=⎪⎩构造规范化向量序列(){}k u ,其中(){}max k V 表示()kV 的绝对值最大的分量,则有证明由式(4.3)有()()()100==V Au AV一般的有记()()21knk i i i i x λεαλ=⎛⎫=⎪⎝⎭∑,由11k λλ<,有()lim 0k k ε→∞=,再由()()()()0111k k k A V x λαε=+有利用定理可以写出规范化幂法算法1.输入矩阵A、初始向量()0V,误差eps,实用中一般取(){}01,1,,1V= ;2.k⇐13.计算V(k)⇐Au(k-1)4.m k⇐ max(V(k)), m k-1⇐ max(V(k-1))5.u(k)⇐ V(k)/m k6.如果|m k - m k-1|<eps,则显示特征值m k和对应的特征向量u(k),终止7.k⇐k+1,转3如果矩阵A 的n 个特征值满足120n λλλ≥⋯≥>>怎样用幂法求按模最小的特征值及相应特征向量?设特征值为k λ对应的特征向量为()k x ,有()(),1,2,,k k k Ax x k n λ==因为A 的n 个特征值都不为零,故A 可逆,有()()11,1,2,,k k k A x x k n λ--==这说明1k λ-是A -1特征值,x (k)是1k λ-对应的特征向量。
由120n λλλ≥⋯≥>>,有11111n n λλλ---->≥⋯≥于是,求A 按模最小的特征值n λ相当于求A -1按模最大的特征值1n λ-,此时,只要将幂法中的A 换为A -1即可。
λ-后用幂法求出A-1按模最大的特征值1n取其倒数就得到A按模最小的特征值nλ,相应特征向量不变。
用如上方法求矩阵按模最小的特征值及其相应特征向量的称为反幂法。
由于求逆是很费时的,在反幂法迭代公式V(k)=A-1u(k-1)常用解线性方程组AV(k)=u(k-1)的方法求得V(k)。
数值实验案例编写幂法的通用程序,并用该程序求矩阵13361354454688690A ⎛⎫ ⎪= ⎪ ⎪---⎝⎭按模最大的特征值及其特征向量,要求误差<10-4。
观察选择不同初值计算的结果。
幂法规范化算法1. 输入矩阵A、初始向量u(0),误差eps2. k⇐13.计算V(k)⇐Au(k-1)4.m k⇐max(V(k)), m k-1⇐max(V(k-1))5.u k⇐ V(k)/m k6.如果| m k - m k-1|<eps,则显示特征值λ1⇐和对应的特征向量x(1),终止7.k⇐k+1,转3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<nmax,u=v/m1;v=a.u;k=k+1;m0=m1; m1=fmax[v];t=Abs[m1-m0]//N;Print["k=",k," 特征值=",N[m1,10]," 误差=",N[t,10]];Print[" 特征向量=",N[u,10]]];If[k>=nmax,Print["迭代超限"]]说明:本程序用于求矩阵A按模最大的特征值及其相应特征向量。
程序执行后,先通过键盘输入矩阵A、迭代初值向量u(0)、精度控制eps和迭代允许最大次数nmax,程序即可给出每次迭代的次数和对应的迭代特征值、特征向量及误差序列,它们都按10位有效数输出。
其中最后输出的结果即为所求的特征值和特征向量序。
如果迭代超出nmax次还没有求出满足精度的根则输出迭代超限提示,此时可以根据输出序列判别收敛情况。
程序中变量说明:a:存放矩阵Au存放u(0)和迭代过程中的向量u(k)及所求特征向量v: 存放迭代过程中的向量V(k)m1: 存放所求特征值和迭代过程中的近似特征值nmax:存放迭代允许的最大次数eps:存放误差精度fmax[x]:给出向量x中绝对值最大的分量k:记录迭代次数t1:临时变量注:迭代最大次数可以修改为其他数字。
执行幂法程序后在输入的窗口中按提示分别输入: {{133,6,135},{44,5,46},{-88,-6,-90}}、{1,1,1}、0.0001、20,得如下输出结果:k=1 特征值=44.42335766 误差=229.5766423特征向量={1., 0.3467153285, -0.6715328467}k=2 特征值=44.92343082 误差=0.5000731606特征向量={1., 0.3341275058, -0.6672691423}k=3 特征值=44.99546459 误差=0.07203376236特征向量={1., 0.3333729572, -0.6667020234}k=4 特征值=44.99977337 误差=0.004308781874特征向量={1., 0.3333351894, -0.6666684279}k=5 特征值=44.99998937 误差=0.0002160020115特征向量={1., 0.3333334179, -0.6666667492}k=6 特征值=44.99999952 误差=0.0000101441501特征向量={1., 0.3333333371, -0.6666666704}结果说明迭代6次,求得误差为err=0.0000101441501的按模最大的特征值=44.99999952 及其对应的一个特征向量={1., 0.3333333371, -0.6666666704}若在输入的四个窗口中按提示分别输入: {{133,6,135},{44,5,46},{-88,-6,-90}}、{1,1,-1}、0.0001、20,得如下输出结果:k=1 特征值=2.5 误差=1.5特征向量={1., 0.75, -1.}k=2 特征值=2.2 误差=0.3特征向量={1., 0.7, -1.}k=3 特征值=2.090909091 误差=0.1090909091特征向量={1., 0.6818181818, -1.} ……………………………………………………………k=12 特征值=2.000162787 误差=0.0001628399197特征向量={1., 0.6666937978, -1.}k=13 特征值=2.000081387 误差=0.00008140008032 特征向量={1., 0.6666802311, -1.}结果说明迭代13次,求得误差为err=0.00008140008032的按模最大的特征值=2.000081387及特征向量={1., 0.6666802311, -1.}。
实验结论本题矩阵A的三个特征值为{45., 2., 1.}。
选用不同的迭代初值获得两个不同结果,显然第二个特征值=2.000081387不是模最大的特征值。