增广的Davidson算法

Davidson算法通常用来求解对称特征值问题,并被应用到求解大型线性方程组中,取得了不错的效果。但在求解大型线性方程组的过程中,Davidson算法的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的信息,如把最小特征值对应的近似特征向量添加到Davidson算法的迭代子空间中,这样就可以大大加快其收敛速度。本文将在Davidson算法的基础上给出新的算法,即增广的Davidson算法,通过理论分析比较两算法的收敛速度,并给出数值例子加以说明。     

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。     

对称奇异线性方程组极小范数解的迭代法

给出了求对称奇异线性方程组Ａｘ＝ｂ极小范数解的迭代算法，其迭代公式为此处／为秩是，ｒ（ｒ＜ｎ）的ｎ阶实对称矩阵，Ｅ为ｎ阶单位阵，ｂ为ｎ维列向量，ｍ为正整数，ε为正实数。证明了这类选代算法的收敛性，讨论了它的事先误差估计式和事后误差估计式。作为应用，给出了求超定线性方程组极小最小二乘解的迭代算法、特征向量导数计算的迭代算法和对于病态正定线性方程组。本文的选代算法可改善病态条件，算例表明也是有效的。     

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。     

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。     

求解大型非对称线性方程组的UNSYMMLQ方法

本文给出了求解大型非对称线性方程组的Lanczos方法的一个判据,提出了求解非对称方程组Ax=b的UNSYMMLQ方法,它是Paige和Saunders求解对称线性方程组的SYMMLQ方法的推广。文中描述并讨论了一些数值试验。     

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。