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。     

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。     

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。     

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。     

湍流燃烧模拟中化学反应的加速算法研究进展

为研究湍流燃烧数值模拟中化学反应机理计算的加速方法,讨论了动态自适应化学（Dynamic Adaptive Chemistry,DAC）方法和Krylov子空间近似的指数格式的应用情况。在湍流火焰大涡模拟中,使用DAC简化可以加速化学反应计算。然而,在并行燃烧数值模拟中,处理器核心的负载极度不平衡,加速效果有限。而Krylov子空间近似的指数格式的加速效果可以作用于每个处理器核心,更有利于整体计算效率的提高。在同等精度下,相比于隐式格式耦合DAC和MTS加速方法,Krylov子空间近似的指数积分格式对化学反应计算的加速效果更为显著。     

用Chebyshev多项式加速的子空间迭代法

研究计算大型稀疏对称矩阵的若干个最大或最小特征值的问题，首先引入了求解大型对称特征值问题的子空间迭代法和Chebyshev迭代法，并对后者作了理论分析。为了加速子空间迭代法的收敛速度，作者用Chebyshev多项式来改进原始的子空间迭代法，即讨论Chebyshev迭代法对子空间迭代法的应用，从而给出了Chebyshev-子空间迭代法。最后把原始的方法和改进的方法计算数值例子的结果进行了比较，其结果表明Chebyshev-子空间迭代法比子空间迭代法优越，不仅收敛速度快，并且减少了计算量和计算时间。     

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。     

声矢量传感器阵中基于Kalman滤波和OPASTd的DOA跟踪算法

研究了声矢量传感器阵动目标角度跟踪问题,并提出了声矢量传感器阵中 一种基于Kalman滤波和正交压缩近似投影子空间跟踪(Orthonormal projection approximation and subspace tracking of deflation, OPASTd)的波达方向(Direction of arrival,DOA)跟踪算法。该算法通过OPASTd算法来进行DOA的跟踪,从而克服了PASTd算法由于在某些情况下振荡但不收敛进而压缩数据、在迭代更新中由特征向量的不准确性产生误差累积等原因引起破坏信号子空间正交性的缺陷。Kalman滤波和OPASTd相结合算法可在估计角度的同时进行数据关联,与传统的PASTd算法相比,角度跟踪性能更好。该算法的优越性均可在文中得到验证。     

基于小波变换的自适应多用户检测算法

在分析传统自适应多用户检测的基础上 ,提出了一种基于小波变换的自适应多用户检测算法。用小波变换进行前处理 ,然后再通过 LMS算法实现自适应多用户检测。与通常的自适应多用户检测算法相比 ,该算法利用了小波变换对小波空间进行了分解 ,信号经小波变换后自相关性会下降 ,收敛速度提高。同时在此分解过程中 ,根据信号与白噪声在不同尺度上的小波变换模极大值表现完全不同的特性进行信号的消噪。理论分析和仿真结果表明 ,该算法收敛速度较快 ,计算量增加较少 ,易于实时实现 ,而且具有良好性能。同时仿真实验表明 ,收敛速度与小波基选择有关 ,对于同一小波基系列 ,小波基的正则性越好收敛速度越快     

解线性方程组的广义共轭梯度法的一种推广

解线性方程的广义共轭梯度法可以看成是一种Ｋｒｙｌｏｖ子空间的方法。本文从这点出发给出了ＧＣＧ法的一种推广。新方法所求得的近解能使得残量范数在相应的Ｋｒｙｌｏｖ子空间上取得最小值。在处理对称正定问题时,它等价于共轭残量法。但由于迭代过程中不再产生和存储Ａ－共轭向量,方法的实现更为简单。     

求解大型对称特征值问题的迭代Chebyshev-Lanczos方法

本文研究计算大型对称矩阵极端(几个最大或最小)特征值及相应特征向量的问题,讨论了Chebyshev迭代法对Lanczos方法的应用,提出了Chebyshev-Lanczos方法。计算实践表明迭代Chebyshev-Lanczos方法比迭代Lanczos方法优越。     

线性多变量系统闭环特征结构的最优配置

本文利用特征结构配置法所揭示的线性多变量反馈控制系统闭环特征值和特征向量的配置自由度,求解具有二次型性能指标的控制系统设计问题,使得闭环系统在具有任意给定的希望特征值集合条件下,性能指标达到极小。文中建立了最优二次型性能指标与闭环特征结构的关系,提出了逐个优化特征向量的算法,这一算法概念直观并具有较高的运算效率,可以推广到一般的特征结构优化问题。     

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。