第二类对称三对角矩阵逆特征值问题及其应用

本文研究如下问题: 问题Ⅰ 给定n×2实矩阵X和实对角矩阵A=diag(λ_1,λ_2),求第二类n×n实对称三对角矩阵T使得TX=XA。 问题Ⅱ 给定第二类n×n实对称三对角矩阵(?),求第二类对称三对角矩阵(?)使得,其中S_T是问题Ⅰ的解集合。 本文给出了问题Ⅱ有解的充分必要条件,研究了问题Ⅱ解的存在性和唯一性,给出了问题Ⅰ和问题Ⅱ解的表达式,描述了求解问题Ⅰ和问题Ⅱ的数值方法,讨论了数值方法的应用,并给出了一些数值例子。     

一类广义特征值问题的扰动研究

研究了实正则对的广义特征值扰动问题。对于求解结构动力学、弹性动力学中的振动模态及分析受外界扰动后引起的谐振频率的变化都有一定的意义。     

不确定参数结构特征值问题的概率统计方法和区间分析方法的比较

 基于区间数学理论、灵敏度分析理论、Kronecker代数理论，应用Taylor级数展开、概率摄动技术，提出了具有不确定参数结构的特征值问题的区间分析方法。结合工程实例与传统的概率分析方法进行比较，给出了两种方法的数值解法及各自解法的Kronecker代数形式。数值算例的结果显示了区间分析方法在具有不确定参数结构特征值问题分析中的价值和有效性。     

混合移频静刚度法和直接扰动迭代法

本文对混合移频动柔度法的失代式进行等价变换，从而得到一个“变种”，该变种不包含混合移频系统的动柔度式F^△（λ*），这便消除了F^△（λ*）带来的近似性，另外，对直接扰动法也进行等价变换，引出可以省时地用于许多特征向量导数计算的直接扰动迭代法。最后，为了供读者参数，本文还导出了三种混合移频动柔度法的非迭代式，其中有两种恰好是另外两种动柔度法经混合移频后的非迭代式，这实际上已将另两种动柔度法也扩展到密集根情况了。     

密集根之特征向量导数的改进高精度动柔度法

作者曾为许多特征向量导数计算，提出过一种介于直接法（指直接求解线代方程组的，以Nelson为代表的一类方法）和模态法之间的高精度动柔度法。这种方法与作者建立的一般动柔度法一样，不能用于密集根之特征向量导数的计算。为使该方法扩展到密集根状态，本文将作者发展的混合移频技术应用于原高精度动柔度法，并重新推导了混合移频系统 的高精度动柔度式，从而形成能适用于许多密集根之特征向量导数计算的改进高精度动柔度法。     

部件试验模态综合的动柔度法

基于半试验半理论信息,提出一种简单有效的部件试验模态综合技术。试验上它只要求测量部件的低阶模态参数,而高阶模态的影响,由部件的一种动柔度来体现。这种动柔度几乎包含了高阶模态的全部静态贡献和全部动态贡献,因此精度很高。当然,有限元模型误差较大时,需要利用部件的测量模态参数对有限元模型进行必要的修正或重建。     

关于Davidson—Lanczos方法的收敛率

本文对文[1]提出的求解大型对称矩阵A的极端(几个最大或最小)特征值及相应特征向量的Davidson—Lanczos方法,用Rayleigh—Ritz逼近理论,研究了该方法的收敛率。证明了由该方法产生的规范正交向量{v_i}_i~m=1是Krylov子空间K_m≡Span(v_1,Av_1,…,A~(m-1)v_1)的一组基。设A的k个最大特征值为又,λ_1>λ_2>…>λ_k,相应的近似特征值为λ_i~(m)(i=1,…,k),得到 这里γ_i(γ_i>1),W_i和W_i~(m)是常数。     

求解大型矩阵特征值问题的并行块Davidson方法

针对拥有共享内存的并行计算环境和微机网络并行计算环境,给出了求解大型稀疏对称矩阵部分极端特征对的并行块Davidson方法。该方法将矩阵A按行块分配到各处理器上,各处理器利用矩阵A的行块和投影子空间的正交基所组成矩阵V的行块进行运算,减少了处理机之间的通讯次数,实现了算法的并行计算。在微机网络并行计算环境和拥有共享内存并行计算环境IBMP650上的数值试验表明,该算法非常有效。     

基于MPP编程环境的一种并行子空间迭代法

子空间迭代法是科学与工程计算中求解广义特征值问题的有效方法 ,针对向量机和共享内存的多处理机 ,前人已成功地作了并行处理。文中给出了适合 MPP大规模并行计算机的并行子空间迭代法。该算法将广义特征值问题转换为一般特征值问题 ,其计算工作量主要体现在矩阵乘法 ,通过对该方法作并行处理 ,使矩阵求逆及一部分乘法运算转换为各结点机上三角形方程组的并行求解。在大规模并行计算机 PA R95上结合 J8- II机翼的动力特性问题对该算法作了数值试验 ,结果说明所给算法是非常有效的     

计算大型实对称特征问题的 Lanczos-QR 算法

为了计算大型实对称特征值问题Ｋｘ＝λＭｘ的少数低阶特征值对，本文给出Ｌａｎｃｚｏｓ－ＱＲ迭代方法。首先，给定初始迭代向量ｖ１，作ｍ步Ｌａｎｃｚｏｓ分解：ＫＶｍ＝ＭＶｍＴｍ＋ｈｍｅｍＴ。取Ｔｍ的ｄ个最大特征值为移位量，对Ｔｍ进行ｄ步带原点位移的ＱＲ分解。然后，修改初始迭代向量ｖ１。迭代地重新开始这一过程，迫使初始迭代向量ｖ１进入需求的特征子空间，从而使残量‖Ｋｘ－θＭｘ‖→０。数值例子表明，该方法收敛性强，且稳定、有效。