Projekční metody pro řešení SLAE

Projekční metody pro řešení SLAE  jsou třídou iteračních metod, ve kterých je problém promítání neznámého vektoru do určitého prostoru řešen optimálně vzhledem k nějakému jinému prostoru.

Prohlášení o problému

Uvažujme SLAE kde je čtvercová matice dimenze Nechť a být dvourozměrné podprostory prostoru Je potřeba najít takový vektor , aby tzn. byla splněna podmínka:

nazval Petrov-Galyorkinův stav.

Pokud je známa počáteční aproximace , pak je třeba řešení promítnout do afinního prostoru Reprezentujme a označme nesrovnalost počáteční aproximace jako

Pak lze konstatování problému formulovat takto: Je třeba najít takové , že tzn. byla splněna podmínka:

Obecný přístup ke konstrukci promítacích metod

Zaveďme základy matic v prostorech a

- velikostní matice složená z prostorových sloupcových vektorů - velikostní matice složená z prostorových sloupcových vektorů

Potom může být vektor řešení také zapsán:

kde je vektor koeficientů.

Poté lze výraz přepsat jako:

odkud a

Řešení by tedy mělo být upřesněno podle vzorce:

Obecný pohled na jakoukoli metodu třídy projekce:

Dělejte to, dokud nenajdete řešení.

  1. Vyberte dvojici podprostorů a
  2. Konstrukce pro a základny a

Volba prostorů a způsob konstrukce bází pro ně zcela určují výpočtové schéma metody.

Volba podprostorů K a L

Případ jednorozměrných podprostorů K a L

V případě, kdy jsou prostory a jednorozměrné, jejich maticovými základy jsou vektory: a výraz lze přepsat jako

kde je neznámý koeficient, který lze snadno zjistit z podmínky ortogonality

kde

Metody s výběrem jednorozměrných podprostorů a  :

V praktických úlohách metody, které používají jednorozměrné prostory a mají spíše pomalou konvergenci.

Metody Krylovského typu

Metody Krylovova typu (nebo metody Krylovova podprostoru ) jsou metody, pro které je jako podprostor vybrán Krylovův podprostor:

kde je nesoulad počáteční aproximace. Různé verze metod Krylova podprostoru jsou podmíněny volbou podprostoru

Z hlediska teorie aproximace mají aproximace získané v metodách Krylovova podprostoru tvar

kde je polynom stupně Pokud dáme , pak

Jinými slovy, přibližuje se

Přestože volba podprostoru neovlivňuje typ polynomiální aproximace, má významný vliv na efektivitu metody. K dnešnímu dni existují 2 způsoby, jak vybrat podprostor, které poskytují nejúčinnější výsledky:

a
Věta .
Je-li matice A symetrická a pozitivně definitní, pak problém návrhu SLAEna jakýkoli podprostorortogonálně k podprostoruje ekvivalentní problému minimalizace funkcionálu

kde

Důkaz

Díky pozitivní definitivnosti matice dosahuje funkcionál svého minima při a je přísně konvexní. V čem

Vzhledem k symetrii matice je to pravda a funkcionál je roven

Podle hypotézy věty je tedy funkcionál přísně konvexní. Problém minimalizace formulovaný v podmínce se tak redukuje na nalezení

Zvažme tento problém. Vzhledem ke konvexnosti postačí najít stacionární bod funkčního tzn. vyřešit systém

Gradient tohoto funkcionálu se rovná nule

což je úplně stejné jako výraz , pokud do něj vložíme

Věta .
Pokud je matice A nedegenerovaná, pak problém návrhu SLAEna jakýkoli podprostorortogonálně k podprostoruje ekvivalentní problému minimalizace funkcionálu.

Důkaz

Dosazením vztahu pro báze do vzorce dostaneme:

To znamená, že uvažovaná situace je ekvivalentní volbě pro symetrický systém

Vzhledem k poměru

a použitím předchozí věty na takový systém získáme tvrzení formulované v podmínce.

Ke konstrukci každého nového vektoru vyžaduje Arnoldiho ortogonalizační algoritmus nalezení vnitřních součinů a stejný počet lineárních kombinačních operací.

Literatura