WikiDer > Модифицированная итерация Ричардсона

Модифицированная итерация Ричардсона является итерационный метод для решения система линейных уравнений. Итерация Ричардсона была предложена Льюис Ричардсон в его работе 1910 года. Он похож на Якоби и Метод Гаусса – Зейделя.

Мы ищем решение системы линейных уравнений, выраженное в матричных терминах как

${ Displaystyle Ax = b. ,}$

Итерация Ричардсона

${ displaystyle x ^ {(k + 1)} = x ^ {(k)} + omega left (b-Ax ^ {(k)} right),}$

где ${ displaystyle omega}$ - скалярный параметр, который нужно выбрать так, чтобы последовательность ${ Displaystyle х ^ {(к)}}$ сходится.

Легко видеть, что метод имеет правильный фиксированные точки, потому что если он сходится, то ${ Displaystyle х ^ {(к + 1)} приблизительно х ^ {(к)}}$ и ${ Displaystyle х ^ {(к)}}$ должен приближать решение ${ displaystyle Ax = b}$.

Конвергенция

Вычитание точного решения ${ displaystyle x}$, и введя обозначение ошибки ${ Displaystyle е ^ {(к)} = х ^ {(к)} - х}$, получаем равенство ошибок

${ displaystyle e ^ {(k + 1)} = e ^ {(k)} - omega Ae ^ {(k)} = (I- omega A) e ^ {(k)}.}$

Таким образом,

${ Displaystyle | е ^ {(к + 1)} | = | (I- omega A) e ^ {(k)} | Leq | I- omega A | | e ^ {(k)} |,}$

для любой векторной нормы и соответствующей индуцированной матричной нормы. Таким образом, если ${ Displaystyle | I- омега А | <1}$, метод сходится.

Предположим, что ${ displaystyle A}$ является симметричный положительно определенный и это ${ displaystyle ( lambda _ {j}) _ {j}}$ являются собственные значения из ${ displaystyle A}$. Ошибка сходится к ${ displaystyle 0}$ если ${ displaystyle | 1- omega lambda _ {j} | <1}$ для всех собственных значений ${ displaystyle lambda _ {j}}$. Если, например, все собственные значения положительны, это можно гарантировать, если ${ displaystyle omega}$ выбирается так, что ${ displaystyle 0 < omega < omega _ { text {max}} ,, omega _ { text {max}}: = 2 / lambda _ { text {max}} (A)}$. Оптимальный выбор, минимизирующий все ${ displaystyle | 1- omega lambda _ {j} |}$, является ${ displaystyle omega _ { text {opt}}: = 2 / ( lambda _ { text {min}} (A) + lambda _ { text {max}} (A))}$, что дает простейший Чебышевская итерация. Этот оптимальный выбор дает спектральный радиус

${ displaystyle min _ { omega in (0, omega _ { text {max}})} rho (I- omega A) = rho (I- omega _ { text {opt} } A) = 1 - { frac {2} { kappa (A) +1}} ,,}$

где ${ Displaystyle каппа (А)}$ это номер условия.

Если есть как положительные, так и отрицательные собственные значения, метод будет расходиться для любых ${ displaystyle omega}$ если начальная ошибка ${ displaystyle e ^ {(0)}}$ имеет ненулевые компоненты в соответствующих собственные векторы.

Эквивалентность градиентный спуск

Рассмотрите возможность минимизации функции ${ displaystyle F (x) = { frac {1} {2}} | { tilde {A}} x - { tilde {b}} | _ {2} ^ {2}}$. Поскольку это выпуклая функция, достаточным условием оптимальности является то, что градиент равно нулю (${ Displaystyle набла F (х) = 0}$), что приводит к уравнению

${ displaystyle { tilde {A}} ^ {T} { tilde {A}} x = { tilde {A}} ^ {T} { tilde {b}}.}$

Определить ${ Displaystyle А = { тильда {А}} ^ {Т} { тильда {А}}}$ и ${ displaystyle b = { тильда {A}} ^ {T} { tilde {b}}}$.Из-за формы А, это положительная полуопределенная матрица, поэтому у него нет отрицательных собственных значений.

Шаг градиентного спуска

${ displaystyle x ^ {(k + 1)} = x ^ {(k)} - t nabla F (x ^ {(k)}) = x ^ {(k)} - t (Ax ^ {(k )} - б)}$

что эквивалентно итерации Ричардсона, сделав ${ Displaystyle т = омега}$.

Смотрите также

• Экстраполяция Ричардсона

использованная литература

• Ричардсон, Л.Ф. (1910). «Приближенное арифметическое решение конечными разностями физических задач, включающих дифференциальные уравнения, с приложением к напряжениям в каменной дамбе». Философские труды Королевского общества A. 210: 307–357. Дои:10.1098 / рста.1911.0009. JSTOR 90994.
• Вячеслав Иванович Лебедев (2002). «Итерационный метод Чебышева». Springer. Получено 2010-05-25. Опубликован в энциклопедии математики (2002), под ред. от Мишель Хазевинкель, Клувер - ISBN 1-4020-0609-8