Текущая версия на 14:10, 7 февраля 2017

Эта работа прошла предварительную проверку
Дата последней правки страницы: 07.02.2017
Данная работа соответствует формальным критериям.
Проверено ASA.

Авторы: Хакимов А. С.

Содержание

1 Свойства и структура алгоритма
2 Программная реализация
3 Литература

1 Свойства и структура алгоритма

1.1 Общее описание алгоритма

Алгоритм Ланцоша служит для нахождения собственных значений и собственных векторов для больших разреженных матриц, к которым нельзя применить прямые методы из-за больших требований к памяти и времени. Он был опубликован Корнелием Ланцошем в 1950 году. Его эффективность обусловлена экономией памяти для хранения матриц и экономией вычислительных ресурсов. Алгоритм итерационный и использует степенной метод для поиска наибольших собственных значений и векторов матриц. Основной недостаток алгоритма заключается в накоплении ошибок округления, для решения которых появились методы поддержания ортогонализации т.н. векторов Ланцоша. Здесь мы рассмотрим выборочный метод поддержания ортогонализации, который существенно экономит процессорное время.

На вход алгоритма подаётся $A = A^T$ ,

$A = \begin{pmatrix} a_{11} & a_{12} & a_{13} & \cdots & a_{1\ n-1} & a_{1\ n} \\ a_{12} & a_{22} & a_{23} & \cdots & a_{2\ n-1} & a_{2\ n} \\ a_{13} & a_{23} & a_{33} & \cdots & a_{3\ n-1} & a_{3\ n} \\ \vdots & \vdots & \ddots & \ddots & \ddots & \vdots \\ a_{1\ n-1} & \cdots & \cdots & a_{n-2\ n-1} & a_{n-1\ n-1} & a_{n-1\ n} \\ a_{1\ n} & \cdots & \cdots & a_{n-2\ n} & a_{n-1\ n} & a_{n\ n} \\ \end{pmatrix}$

$,\, \;$

случайный вектор $b$ , как первое приближение собственного вектора матрицы и $k$ - количество собственных значений и собственных векторов, которые требуется найти.

Матрица $Q_j = [q_1, q_2, \dots, q_j]$ размерности $n \times j$ строится на каждой итерации и состоит из ортонормированных векторов Ланцоша. А в качестве приближенных собственных значений берутся числа Ритца $\theta_i$ , - собственные значения симметричной трехдиагональной матрицы $T_j = Q^T_j A Q_j$ размерности $j \times j$ .

$T_j = \begin{pmatrix} \alpha_1 & \beta_1 \\ \beta_1 & \alpha_2 & \beta_2 \\ & \beta_2 & \ddots & \ddots \\ & & \ddots & \ddots & \beta_{j-1} \\ & & & \beta_{j-1} & \alpha_j \end{pmatrix}\; (2).$

Однако, векторы $q_j$ теряют ортогональность вследствие приобретения больших компонент в направлениях векторов Ритца $y_{i,j} = Q_j v_i$ , отвечающих сошедшимся числам Ритца $\theta_i$ . Поэтому чтобы построить $q_j$ , предлагается на каждом шаге следить за оценками погрешностей $\beta_{t}|v_i(t)|, i = 1 \dots t, t = j - 1$ , где $v_i(t)$ - $t$ -я компонента собственного вектора $v_i$ . И когда какая-то оценка становится слишком малой, проводить ортогонализацию вектора Ланцоша $z$ . Величина $\beta_{t}|v_i(t)|$ считается малой, если она меньше, чем $\sqrt{\varepsilon}||T_{t}||$ , где $\varepsilon$ - доступная машинная точность чисел.

После следует вычисление собственных значений $\theta_j$ и собственных векторов $v_j$ полученной трехдиагональной матрицы $T_j$ , например, с помощью метода "разделяй и властвуй"^[1]

1.2 Математическое описание алгоритма

На вход алгоритму поступает симметричная матрица math>A</math> и начальный вектор $b$ .

Алгоритм вычисляет собственные вектора матрицы $T_k$ , которые являются столбцами матрицы $Q_k V$ . Матрица собственных значений $\Lambda$ , где $V, \Lambda$ из спектрального разложения $T_k = V\Lambda V^T$ . При первой итерации вектор начального приближения $q_1 = \frac{b}{\|b\|_2}$ нормируется. Затем задаются константы $\beta_0 = 0,\; q_0 = 0$ .

Затем начинаются итерации алгоритма. Всего итераций не более $k$ . В ходе итераций постепенно формируется матрица $T_k$ из $\alpha_i$ -x и $\beta_i$ -х.

Вычисления на $i$ -й итерации таковы: Сначала вычисляется произведение матрицы на вектор $z = Aq_i$ . Затем считается скалярное произведение $\alpha_i = q^T_i z$ и значение сохраняется как элемент формируемой матрицы. После этого подизводится вычисление линейной комбинации векторов $z = z - \alpha_i q_i - \beta_{i-1}q_{i-1}$ . Пусть норма полученного вектора - это элемент матрицы: $\beta_i = \|z\|_2$ . Если $\beta_i$ оказалась равной нулю, то итерации заканчиваются. Далее будет следовать этап вычисления собственных значений и собственных векторов. Иначе, в конце итерации считают $q_{i+1} = \frac{z}{\beta_i}$ и переходят к следующей итерации.

После всех итераций необходимо вычислить собственные значения и собственные вектора матрицы $T_k$ .^[2]

1.3 Вычислительное ядро алгоритма

Умножение матрицы на вектор, $z=Aq_j,$ .

Ортогонализация по отношению к сошедшимся векторам $z = z-(y^T_{i,k},z)y_{i,k}$ для $i = 1 \dots t$

1.4 Макроструктура алгоритма

Алгоритма Ланцоша представляется в виде совокупности метода Ланцоша, построения крыловского подпространства и процедуры Рэлея-Ритца.

Каждая итерация первого этапа может быть разложена на следующие макроединицы:

Умножение матрицы на вектор
Вычисление скалярного произведения векторов
Умножение векторов на числа и вычитание векторов
При выполнении условия необходимости переортогонализации – перемножение и вычитание векторов
Вычисление нормы вектора
Умножение вектора на число

Второй этап, процедура Рэлея-Ритца, заключается в нахождении собственных значений и собственных векторов матрицы и интерпретации их как приближенных значений собственных чисел и собственных векторов исходной матрицы, он может быть выполнен любым способом, например, QR-итерацией.

1.5 Схема реализации последовательного алгоритма

Алгоритм выполняется в следующей последовательности:

[math]1.\, \, \beta_0 = 0,\; q_0 = 0[/math] #Инициализируем векторы

[math]2.\, \, \|b\|_2 = \sqrt{\sum\limits_{j=1}^{n} b_j^2}[/math] #Вычисляем норму вектора начального приближения.

[math]3.\, \, q_{1_{j}} = \frac{b_{j}}{\|b\|_2}, \; j = 1,\, \dots\,, n[/math] #Нормализуем вектор начального приближения.

[math]4.\, \,[/math] Начинается цикл, в котором не более чем [math]k[/math]. На [math]i[/math]-й итерации производятся следующие вычисления:

[math]4.1.\, \, z_j = \sum\limits_{m=1}^{n} a_{jm} q_{i_m}, \; j = 1,\,\dots\,, n[/math] #Считаем результат применения линейного оператора [math]A[/math] к вектору [math]q_i[/math].

[math]4.2.\, \, \alpha_i = \sum\limits_{j=1}^{n}q_{i_j} z_j[/math] #Получаем результат скалярного произведения векторов [math]q_i[/math] и [math]z[/math].

[math]4.3.\, \, z_j = z_j - \alpha_i q_{i_j} - \beta_{i-1}q_{i-1_j}, \, j = 1,\,\dots\,, n[/math] #Вычисляем линейную комбинацию векторов.

[math]4.4.\, \,[/math] Начинается цикл, в котором производится выборочная ортогонализация векторов Ланцоша

[math]4.4.1.\, \,[/math] Вычисляется вектор Ритца [math]y_{i,k_d} = \sum\limits_{x=1}^{k} q_{x_d} v_{i_x}, \; d = 1,\,\dots\,, n,[/math], где  [math]y_{i,k_d}[/math] -  [math]d[/math]-я компонента вектора Ритца [math]y,[/math]
[math]4.4.2.\, \,[/math] Производится скалярное умножение [math]y_{i,k}^T[/math]  и [math] z: \; \; \gamma = \sum\limits_{d=1}^{n}y_{i,k_d} z_d,[/math]
[math]4.4.3.\, \,[/math] Ищется новое собственное значение [math] \theta_j [/math] и собственный вектор [math] v_j [/math] для полученной матрицы [math] T_j,[/math]

[math]4.5.\, \, \beta_i = \|z\|_2 = \sqrt{\sum\limits_{j=1}^{n} z_j^2}[/math] #Считаем норму вектора [math]z[/math].

[math]4.6.[/math] Проверка равенства [math]\beta_i == 0[/math] # Если норма оказалась равной нулю, то завершаем итерации и переходим к вычислению собственных векторов и собственных значений полученной матрицы. В обратном случае, продолжаем выполнения итераций.

[math]4.7.\, \, q_{i+1_j} = \frac{z_j}{\beta_i}, \; j = 1,\, \dots \,, n[/math] #Нормируем вектор [math]z[/math].

[math]4.8.\,[/math] Если выполнили [math]k[/math] итераций, то завершаем выполнение итераций, переходим к следующему шагу. Иначе начинаем последующую итерацию цикла.

[math]5.[/math] Вычисляем собственные значения и собственные вектора полученной матрицы [math]T_k[/math].

1.6 Последовательная сложность алгоритма

Вычисление вектора $z$ - $n^2$ операций умножения и $n(n-1)$ операций сложения
Вычисление скалярного произведения векторов - $n$ операций умножения и $(n-1)$ сложений
Вычисление вектора $z$ - $2n$ умножений и $2n$ сложений
Оценка погрешностей - $kn$ операций умножения
Выборочная переортогонализация - $O(2nj)$ умножений и $O(2j(n-1) + n)$ сложений
Вычисление нормы вектора - $n$ операций умножения и $(n-1)$ сложений
Вычисление нового столбца матрицы $Q$ - $n$ операций умножения

Итого на каждой итерации:

Умножений: $n^2 + n + 2n + kn + O(2nj) + n + n = n^2 + 5n + kn + O(2nj)$
Сложений: $n(n-1) + n-1 + 2n + O(2j(n-1) + n) + n-1 = n^2 + 3n + O(2j(n-1) + n) -2$

Итого за все время выполнения алгоритма:

Умножений: $kn^2 + 5kn + k^2n + O(k^2n + kn)$
Сложений: $kn^2 + 3kn + O((k^2+k)(n-1)+kn) = kn^2 + 3kn + O(k^2(n-1)+2kn-k)$

1.7 Информационный граф

Здесь:
[math]Ax[/math]  — перемножение матрицы и вектора,
[math]\|x\|[/math]  — макрооперация взятия нормы,
[math]\alpha x[/math]  — умножение скаляра на вектор,
[math]\cdot [/math]  — операция скалярного умножения векторов,
[math]\mathsf{F}[/math]  — операция [math]z-\sum\nolimits_{i=1}^{j-1}(z^Tq_i)q_i[/math],
[math]\mathsf{f}[/math]  — вычисление линейной комбинации векторов

Информационный граф был построен на основе исходного кода программы, на нём указаны основные пути передачи информации между макроблоками алгоритма и между основными матричными и векторными операциями.

1.8 Ресурс параллелизма алгоритма

На каждой из итераций алгоритма можно получить выигрыш за счет распараллеливания следующих шагов:

Вычисление вектора $z$ - умножение матрицы размера $n \times n$ на вектор длины $n$ - $n$ ярусов сложений, $n$ операций умножений в каждом
Вычисление коэффициента $\alpha_j$ - скалярное произведение векторов - $n$ ярусов сложений, 1 операция умножения в каждом
Вычисление нового значения вектора $z$ : 2 яруса умножений длины $n$ (умножение вектора на число), 2 яруса вычитаний длины $n$
Выборочная переортогонализация: последовательно для всех $i \le k$ выполняется $j$ ярусов сложений, $n$ операций умножений в каждом, $n$ ярусов сложений, $j$ операций умножений в каждом, один ярус вычитаний размера $n$
Вычисление $\beta_j$ - скалярное произведение векторов - $n$ ярусов сложений, 1 операция умножения в каждом
Вычисление $q_j$ - деление вектора на число - один ярус делений размера $n$

Сложность алгоритма по ширине ЯПФ - $O(n)$ .

1.9 Входные и выходные данные алгоритма

Входные данные: вещественная матрица $A$ размера $n \times n$ , вектор $b$ длины $n$ , число $k$

Объем входных данных: $n^2 + n + 1$

Выходные данные: матрица $Q$ размера $n \times k$

Объем выходных данных: $nk$

1.10 Свойства алгоритма

Алгоритм устойчив, так как операция переортогонализации как раз направлена на исключение проблемы округления вычисляемых значений
Вычислительная мощность алгоритма - отношение числа операций к суммарному объему входных и выходных данных - примерно равно $2k$
При реализации классического алгоритма Ланцоша возникает большая погрешность при округлении. Вариант с полной переортогонализацией позволяет избегать больших погрешностей, однако является более ресурсоемким. Вариант с частичной переортогонализацией является промежуточным.
Соотношение последовательной и параллельной сложности алгоритма равно $n$ , что говорит о том, что параллельная реализация теоретически должна давать ощутимый выигрыш

2 Программная реализация

2.1 Особенности реализации последовательного алгоритма

2.2 Локальность данных и вычислений

2.3 Возможные способы и особенности параллельной реализации алгоритма

2.4 Масштабируемость алгоритма и его реализации

Исследование алгоритма на масштабируемость производилось на суперкомпьютере "Ломоносов" с использованием технологии MPI. Для тестирования была выбрана вот эта реализация алгоритма.

Набор параметров, которые изменялись при тестировании:

Число процессоров от 16 до 128.
Размерность матрицы от 5000 до 50000 с шагом 5000.

Использовался компилятор mpicxx в режиме openmpi/1.5.5-gcc. Компиляция осуществлялась с параметрами по-умолчанию. Запуск вычислений производился на узле regular4.

Табл. 1. Результаты тестирования. В ячейках таблицы -- время работы алгоритма в секундах.
		Число процессоров
		16	32	64	128
Размер матрицы	5000	1,07	0,71	0,62	0,54
	10000	2,39	1,94	1,17	0,79
	15000	4,35	3,38	1,89	1,59
	20000	7,63	5,19	3,78	2,35
	15000	12,41	7,33	4,32	3,44
	30000	16,68	9,36	5,02	4,68
	35000	22,58	11,92	8,04	6,20
	40000	29,31	15,90	8,47	7,43
	45000	37,04	19,42	10,55	9,04
	50000	45,64	23,39	16,09	10,25

По наклону графика при максимальной загрузке можно заметить, что на производительность алгоритма количество вычислительных процессов влияет сильнее, чем размерность входной матрицы. Наблюдается также ускорение при количестве параллельных процессоров 32 и размерности матрицы около 40 000 из чего можно сделать вывод, что такое сочетание является оптимальным для алгоритма Ланцоша.

2.5 Динамические характеристики и эффективность реализации алгоритма

2.6 Выводы для классов архитектур

2.7 Существующие реализации

Реализация в проекте Vienna VL^[3]

Реализация в проекте IETL^[4]

Реализация в проекте ARPACK ^[5]

Lanczos Plus Plus ^[6]

ED Lanczos ^[7]

Paralleles Rechnen 2 ^[8]

Cuda-Arnoldi ^[9]

3 Литература

↑ Дж. Деммель «Вычислительная линейная алгебра», c. 232, алгоритм 5.2
↑ Деммель Д. Вычислительная линейная алгебра
↑ https://github.com/viennacl/viennacl-dev
↑ http://www.comp-phys.org/software/ietl/lanczos.html
↑ http://www.caam.rice.edu/software/ARPACK/
↑ https://github.com/g1257/LanczosPlusPlus
↑ https://github.com/henhans/ED_lanczos
↑ https://github.com/soneyworld/ParallelesRechnen2
↑ https://github.com/trantalaiho/Cuda-Arnoldi/

[1] Дж. Деммель «Вычислительная линейная алгебра», c. 232, алгоритм 5.2

[2] Деммель Д. Вычислительная линейная алгебра

[3] ttps://github.com/viennacl/viennacl-dev

[4] ttp://www.comp-phys.org/software/ietl/lanczos.html

[5] ttp://www.caam.rice.edu/software/ARPACK/

[6] ttps://github.com/g1257/LanczosPlusPlus

[7] ttps://github.com/henhans/ED_lanczos

[8] ttps://github.com/soneyworld/ParallelesRechnen2

[9] ttps://github.com/trantalaiho/Cuda-Arnoldi/

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

Участник:ArtyomKhakimov/Алгоритм Ланцоша для арифметики с плавающей точкой с выборочной ортогонализацией: различия между версиями