非对称线性方程组的广义拟最小向后误差算法

正交投影方法已经广泛应用于求解线性方程组.人们很少注意到斜投影方法,事实上斜投影方法更适合于解大型非对称线性方程组.本文的目的是考虑一标准来判断是否一个给定的近似值是合适的,并给出一个算法来计算线性方程组Ax=b的解使得向后误差算法满足某个优化条件.     

非对称线性方程组的块广义最小向后误差算法

许多科学领域都需要求多个右边值的大型非对称线性方程组，使用块方法同时计算所有的方程组比分别计算每一个方程要有效得多。因此，能同时计算所有方程的块迭代方法比单独计算每一个方程的迭代法要有效得多。本提出了一个块GMBACK方法求解有多个右边值的大型非对称线性方程组，该方法利用块Arnoldi过程构造Krylov子空间来求解Xm∈X0 Km(A,R0)使得矩阵A的扰动范数最小。     

求解大规模矩阵问题的Krylov子空间方法

求解大规模矩阵问题包括线性方程组和特征值问题等是计算数学和科学工程计算中的重大课题，最近几年，其研究工作取得了许多重大进展。文中给出大型线性方程组和特征值问题Krylov子空间方法若干进展的一个概述，其中包括作者对这些问题的研究成果。涉及的专题包括求解大型线性方程组的共轭梯度法、SYMMLQ算法、MINRES算法、GMRES算法、Lanczos双正交化算法、QMR算法以及这些算法的块格式；求解大对称特征值问题的Lanczos算法和块Lqnczos算法；求解大型非对称特征问题的Lanczos算法、Arnodi算法以及这些算法的推广。讨论求解大规模矩阵问题的加速技术和预处理技术。了一些有待进一步研究的问题。     

应用Householder变换的混合GMRES算法执行(英文)

为求解大型非对称线性方程组,混合GMRES算法的标准执行包含了一个Gram-Schmidt正交化过程,但此过程可能会导致严重的数值错误。本文给出了算法的另一种执行方法,应用Householder变换来进行正交化.数值例子表明,执行新的算法更稳定可靠。     

求解非对称线性方程组的松弛混合算法

求解大型稀疏非对称线性方程组的混合迭代算法通常会由于系数矩阵的谱分布较广而导致收敛失败。本文通过在迭代多项式中加入变化的松驰因子定义了一类松驰混合算法。选择适当的松驰因子可以显著地改善算法的收敛效果。     

求解含多个右端向量非对称线性方程组的自适应块拟最小残量IOM(q)算法

许多实际应用问题需要求解含多个右端向量的大型非对称线性方程组 ,通常是把原来方程组分成单独几个含一个右端向量的方程组 ,再用某种迭代法分别单个求解 ,而更加经济有效的方法是应用能同时产生几个迭代向量的块迭代法来直接求解。本文在 IOM(q)算法的基础上 ,提出一种求解此类方程组的块拟最小残量 IOM(q)算法 ,讨论了如何收缩掉已收敛的部分方程组以及如何从产生的块 Krylov序列中删除线性相关或几乎线性相关向量的自适应技术。数值试验表明 ,此新的自适应块算法比块 GMRES算法及其他相关算法具有更好的收敛行为、更少的计算量和 CPU计算时间 ,是求解此类方程组的一种更加经济有效的算法。     

带极端特征向量的重新开始GMRES算法

求解大型非对称线性方程组的 Ｇ Ｍ Ｒ Ｅ Ｓ算法通常以其重新开始版本来减少存储量和计算量，而重新开始过程将影响残量的收敛速度。由此可以考虑在重新开始时保留一些重要信息，如把极端特征值对应的近似特征向量加到新的 Ｋｒｙｌｏｖ 子空间中。这样可以大大加快其收敛速度，而且保持残量最小化性质。     

求解大型非对称线性方程组的拟最小残量IOM（q）算法

不完全正交化算法（IOM（q））由于存储量和计算量小，常用来求解大非对称线性方程组。而此方法收敛过程常出现不规划振荡现象，从而影响了收敛速度。本文将拟残量最小的化性质加到IMO（q）算法中，提出拟最小残量不完全正交化算法（QMRIOM（q），这样收敛曲线光滑无振荡，从而大大加快其收敛速度，而且保留其存储量和计算量小的性质。     

线性方程组的并行算法及在Transputer系统上的实现

在“一种有效的多Transputer系统的并行算法——ABC法”一文的基础上,本文进一步研究将ABC法用于变带宽矩阵线性方程组的求解问题,对线性方程组的系数矩阵采用了逐行一维存储方式,提出了相应的并行Gauss消元法,给出了该算法的效率.分析结果表明,带宽越大方程阶数越高,这种算法的效率就越高。因此本算法适用于高阶的大带宽线性方程组的求解问题. 根据本文的算法,编制了线性方程组的并行求解程序,并分别在一个、二个和四个T414系统上做了若干算例,结果表明本文分析的结论是正确的。     

由三个向量对构造三对角对称矩阵

文章讨论利用给定的三个向量对构造不可约三对角矩阵、Jacobi矩阵和负Jacobi矩阵的反问题.在求解方法中,将已知的-些关系式等价地转化为线性方程组,利用线性方程组有解的条件,得到了所研究问题有惟一解的充要条件,并给出了数值算法和例子.     

求解大型对称线性方程组的循环收缩Lanczos算法

向Krylov子空间中加入一些模接近于零的特征值对应的特征向量能够加快收敛速度，事实上，对于这些模接近于零的特征值对应的特征向量，可以用Krylov子空间方法得到，并且在新的Krylov子空间形成的过程中，近似特征向量的近似度会不断提高，特别在标准Krylov子空间方法中，如果因为这些特征向量而减缓了收敛速度，则随着这些特征向量的近似度的提高，用增广Krylov子空间方法解线性方程组的收敛速度会明显加快。Lanczos算法是求解大型对称不定线性方程组的有效方法之一。但在计算过程中由于Lanczos向量失去正交性减慢了收敛速度。本文根据增广Krylov子空间方法提出循环收缩Lanczos算法，新算法充分利用Lanczos过程所得到的谱信息，确定预处理，从而加速Lanczos算法的收敛速度。     

Krylov子空间算法研究

Krylov子空间技术是基于投影方法的规划算法,如今已成为一类求解大规模线性问题的优秀算法,该算法采用正投影或斜投影在子空间产生迭代向量进行计算。同时,正确有效的预处理方法能加快迭代收敛。本文介绍了如何利用基于LU分解的GMRES(Generalized M in imum Residual)方法来求解大规模线性优化问题。     

基于多GPU的大型线性和非线性方程组的求解(英文)

在处理工程问题时,常常需要对线性或非线性方程组进行求解。对于实际应用中经常遇到的大型方程组进行求解则需要相当长的时间。使用图形处理器(GPU)代替传统的CPU,将多块GPU通过操作系统进行协调,并将PBi-CGstab方法和Inexact Newton方法进行适合多GPU并行的改造以此作为多GPU求解器的核心算法,加速求解大型线性和非线性方程组。本文的多GPU求解器在成倍扩展了单GPU求解器允许的计算规模的同时取得了令人满意的加速比。