Участница:Tameeva.a/Метод Якоби вычисления собственных значений симметричной матрицы

Метод Якоби вычисления собственных значений симметричной матрицы
Последовательный алгоритм
Последовательная сложность	$O(n^3)$
Объём входных данных	$\frac{n (n + 1)}{2}$
Объём выходных данных	$n$

Основные авторы описания: А. Тамеева, А. Кухтинов.

1 ЧАСТЬ. Свойства и структура алгоритмов

1.1 Общее описание алгоритма

Метод Якоби вычисления собственных значений симметричной матрицы — итерационный алгоритм, названный в честь предложившего его для конкретной матрицы 7 × 7 в 1846 году Карла Густава Якоба Якоби. Исторически старейший метод для решения симметрической проблемы собственных значений получил широкое применение только в 1950-х годах с появлением компьютеров. Преимуществом метода является более точное вычисление малых собственных значений по сравнению с конкурирующими алгоритмами.

Суть алгоритма — приведение симметрической матрицы к диагональной с собственными значениями на диагонали путем вращения.

1.2 Математическое описание алгоритма

Исходные данные: симметрическая матрица $A=\{a_{ij}\}$.

Вычисляемые данные: диагональная матрица $\Lambda=\{\lambda_{ii}\}$. Диагональные элементы $\Lambda$ — собственные значения матрицы $A$, столбцы — приближенные собственные вектора матрицы $A$.

По заданной матрице $A=A_0$ строится последовательность ортогонально подобных матриц $A_1, A_2,\ldots, A_m$, сходящихся к $\Lambda$.

$A_{i+1}={J_i}^TA_iJ_i$, где $J_i$ — ортогональная матрица, называемая вращением Якоби.

Матрица $J_i$ выбирается так, чтобы обнулить элементы $(j,k)$ и $(k,j)$ матрицы $A_{i+1}$:

$\begin{matrix}j & & & & & & & & k \end{matrix}$

$\begin{align} J_i = R(j,k,\theta) = \begin{matrix} \\ \\ j \\ \\ \\ \\ \\k \\ \\ \end{matrix} \begin{bmatrix} & 1 & & & & & & & & \\ & & 1 & & & & & & & \\ & & & \ddots & & & & & & \\ & & & & \cos(\theta) & & -\sin(\theta) & & & \\ & & & & & \ddots & & & & \\ & & & & \sin(\theta) & & \cos(\theta) & & & \\ & & & & & & & \ddots & & \\ & & & & & & & & 1 & \\ & & & & & & & & & 1 \\ \end{bmatrix} \end{align}$

Для угла вращения $\theta$:

$\begin{bmatrix}a^{(i+1)}_{jj} & a^{(i+1)}_{jk} \\ a^{(i+1)}_{kj} & a^{(i+1)}_{kk}\end{bmatrix}= \begin{bmatrix}\cos\theta & -\sin\theta \\ \sin\theta &\cos\theta\end{bmatrix}^{T} \begin{bmatrix}a^{(i)}_{jj} & a^{(i)}_{jk} \\ a^{(i)}_{kj} & a^{(i)}_{kk}\end{bmatrix} \begin{bmatrix}\cos\theta & -\sin\theta \\ \sin\theta &\cos\theta\end{bmatrix}= \begin{bmatrix}\lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix},$ где $\lambda_1$ и $\lambda_2$ — собственные значения подматрицы $\begin{bmatrix}a^{(i)}_{jj} & a^{(i)}_{jk} \\ a^{(i)}_{kj} & a^{(i)}_{kk}\end{bmatrix}$.

Вычислим $s = \sin \theta$ и $c = \cos \theta$, исходя из предыдущего матричного равенства:

$\begin{bmatrix}\lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix}= \begin{bmatrix}a_{jj}c^2+a_{kk}s^2+2sca_{jk} & sc(a_{kk} - a_{jj}) + a_{jk}(c^2-s^2) \\ sc(a_{kk} - a_{jj}) + a_{jk}(c^2-s^2) & a_{jj}s^2+a_{kk}c^2 - 2sca_{jk} \end{bmatrix}$.

Приравняем внедиагональный элемент нулю: $\dfrac{a_{jj}-a_{kk}}{2a_{jk}}=\dfrac{c^2-s^2}{2sc}=\dfrac{\cos2\theta}{\sin2\theta}=\operatorname{ctg}2\theta\equiv\tau$

Положим $tg\theta=t=\dfrac{s}{c}$. Тогда $t^2+2t\tau-1=0$.

Решая квадратное уравнение, получим: $t=\dfrac{\operatorname{sign}\tau}{\left|\tau\right|+\sqrt{1+\tau^2}}, c=\dfrac{1}{\sqrt{1+t^2}}, s=t\cdot c.$

1.3 Вычислительное ядро алгоритма

Вычислительное ядро состоит из вычислений элементов матрицы $a_{jl}^{(i+1)} = a_{lj}^{(i+1)}$ и $a_{kl}^{(i+1)} = a_{lk}^{(i+1)}$ в процессе применения матрицы поворота $J$ к матрице $A$:

$a_{jl}^{(i+1)} = a_{lj}^{(i+1)} = c \, a_{jl}^{(i)} - s \, a_{kl}^{(i)}, l \ne j,k$

$a_{kl}^{(i+1)} = a_{lk}^{(i+1)} = s \, a_{jl}^{(i)} + c \, a_{kl}^{(i)}, l \ne j,k,$

каждое из которых повторяется по $(n-2)$ раза.

1.4 Макроструктура алгоритма

Макроструктуру алгоритма можно описать следующим образом:

repeat
 выбрать пару индексов j, k
 обратиться к процедуре JacobiRotation(A,j,k)
пока А не станет достаточно близка к диагональной матрице

1.5 Схема реализации последовательного алгоритма

В классическом алгоритме Якоби для обнуления на текущей итерации выбирался наибольший элемент $a_{jk}$. Поиск наибольшего элемента слишком замедляет процесс вычислений (нужно провести поиск среди $\dfrac{n^2-n}{2}$ элементов, прежде чем выполнить вращение стоимостью в $O(n)$ флопов), поэтому для практических вычислений выбор параметров $j$ и $k$ производится путем построчного циклического обхода внедиагональных элементов матрицы $A$.

Таким образом, алгоритм можно описать так:

repeat
   for j=1 to n-1
       for k=j+1 to n
           выполнить процедуру JacobiRotation(A, j, k)
       end for
   end for
пока A не достаточно близка к диагональной матрице

Процедура JacobiRotation(A, j, k):

if [math]|a_{jk}|[/math] не слишком мал
   [math]\begin{align}
      \tau &= \frac{a_{jj}-a_{kk}}{2\,a_{jk}} \\
      t &= \frac{sign(\tau)}{|\tau|+\sqrt{1+\tau^2}} \\
      c &= \frac{1}{\sqrt{1+t^2}} \\
      s &= c\cdot t \\
      A &= J_i^T\cdot A\cdot J_i, \qquad
      J_i = R(j,k,\theta),\ c = \cos \theta,\ s = \sin \theta 
     \end{align}
[/math]
end if

1.6 Последовательная сложность алгоритма

Для вычисления собственных значений вещественной симметричной матрицы порядка $n$ методом Якоби требуется:

Для вычислительного ядра:

• $2\,n(n-1)(n-2)$ умножений,
• $n(n-1)(n-2)$ сложений.

Для остальной части алгоритма:

• $\frac{3\,n(n-1)}{2}$ умножений,
• $\frac{3\,n(n-1)}{2}$ делений,
• $\frac{5\,n(n-1)}{2}$ сложений (вычитаний),
• $n(n-1)$ операций извлечения квадратного корня.

Умножения и сложения (вычитания) составляют основную часть алгоритма.

Таким образом, при классификации по последовательной сложности метод Якоби вычисления собственных значений симметричной матрицы относится к алгоритмам с кубической сложностью.

1.9 Входные и выходные данные алгоритма

Входные данные: плотная матрица $A=\{a_{ij}\}, A\in\R^{n\times n}$. Дополнительные ограничения:

• $A$ — симметрическая матрица, т. е. $a_{ij}= a_{ji}, i, j = 1, \ldots, n$.

Объём входных данных:$\frac{n (n + 1)}{2}$ (в силу симметричности достаточно хранить только диагональ и над- или поддиагональные элементы). В разных реализациях эта экономия хранения может быть выполнена разным образом.

Выходные данные: вектор собственных значений $\lambda_{i}$ длины $n$.

Объём выходных данных: $n$

1.10 Свойства алгоритма

Алгоритм почти полностью детерминирован, так как основан на умножении плотных матриц.

2 ЧАСТЬ. Программная реализация алгоритма

2.2 Существующие реализации алгоритма

Библиотека JACOBI_EIGENVALUE содержит последовательную реализацию алгоритма.