求解对称矩阵极端特征的Chebyshev—PBL方法

为了加速预处理块Lanczos方法的收敛法，本文采用组合Chebyshev迭代和预处理块Lanczos方法，提出了求解大型对称稀疏矩阵极端特征的一种新方法－Chebyshev－PBL方法。数值结果表明，新方法对计算大型对称稀疏矩阵的几个最大（或最小）特征值是有效的。     

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。     

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。     

求解大型对称特征值问题的块Chebyshev-Lanczos方法

本文提出了计算大型对称矩阵若干个最大或最小特征对的块Chebyshev迭代法,讨论了块Chebyshev迭代法对块Lanczos方法的应用,给出了块Chebyshev-Lanczos方法。计算实践表明块Chebyshev-Laaczos方法比块Lanczos方法和Chebyshev-Lanczos方法都优越。     

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     

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。     

基于MPP编程环境的一种并行子空间失代法

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ＰＡＲ９５上结合Ｊ８－ＩＩ机翼的动力特性问     

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。     

中心或反中心对称线性方程组的缩减算法

推广了文［１，２］的概念，系统地叙述了中心对称和反中心对称矩阵的性质，导出了一类求解系数矩阵为中心对称和反中心对称线性方程组及超定方程组的缩减算法。这类算法可节省７０％－７５％的计算量，大大提高了计算效率     

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。     

非对称广义特征值问题的拟-Eberlein算法及其并行化

非对称广义特征值问题的并行计算,目前在国内外研究得很少, Ｇ． Ｗ ． Ｓｔｅｗ ａｒｔ 和 Ｐ． Ｊ． Ｅｂｅｒｌｅｉｎ 曾分别研究非 Ｈｅｒｍ ｉｔｅ 矩阵标准特征值的并行拟 Ｊａｃｏｂｉ算法,１９８９ 年 Ｊ． Ｐ． Ｃｈａｒｌｉｅｒ 和 Ｐ． Ｖａｎ Ｄｏｏｒｅｎ 在 Ｇ． Ｗ ． Ｓｔｅｗ ａｒｔ 的工作基础上提出了求解非对称广义特征值问题的拟 Ｊａｃｏｂｉ算法（简称 Ｃ Ｖ 算法）与并行拟 Ｊａｃｏｂｉ算法。文中以 Ｊ． Ｐ． Ｃｈａｒｌｉｅｒ 等人的工作为基础,提出求解大型非对称广义特征值问题的拟 Ｅｂｅｒｌｅｉｎ 算法与并行拟 Ｅｂｅｒｌｅｉｎ 算法, Ｃｈａｌｌｅｎｇｅ Ｌ 并行系统上的数值试验表明,不仅并行效率很高,且敛速远优于 Ｃ Ｖ 算法     

一种线性离散时间大系统分散最优控制器设计方法

本文针对离散时间定常大系统模型,提出了一种分散最优控制器设计方法,即限定状态反馈阵为分块对角形,采用梯度寻优的方法,求得各子系统的分散控制器。另外,为了比较,本文还给出了集中最优控制器结果。最后讨论了设计算例,     

求解广义特征值问题的并行保域行列式查找法

结构分析领域有着重要应用的广义特征值问题的并行算法，因为难度很大，且当问题的规模较大时还必须有先进的计算环境支持，所以迄今研究得很少。文中提出了一种适用于流水线型向量机的求解大型稀疏实对称矩阵广义特征值问题的并行保域行列式查找法。该方法不但保持了传统的行列式查找法的优点，而且克服了其迭代不收敛、漏根等缺点，并具有较高的速度加速比。该算法在ＹＨ－１计算机上进行了数值实验，结果表明该法是一种求解大型对     

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。     

矩阵特征值反问题的若干进展

给出矩阵特征值反问题若干进展的一个概述。涉及的专题包括含参数的特征值反问题．Ｊａｃｏｂｉ矩阵和实对称带状矩阵特征值反问题和线性（谱）约束下矩阵（束）逼近问题。这些问题出现在各种应用领域，如粒子物理的核光谱光、结构设计、振动反问题、Ｓｔｕｒｍ－Ｌｉｏｕｖｉｌｌｅ反问题和 数学物理反问题的离菜化以及结构动力模型的校正。最近２０年，对这些问题的提法逐渐完善，解的慧生和数值方面已取得了许多重要进展。本文评