清华大学贾仲孝老师高等数值分析第二次实验Word下载.docx
- 文档编号:14863299
- 上传时间:2022-10-25
- 格式:DOCX
- 页数:24
- 大小:373.55KB
清华大学贾仲孝老师高等数值分析第二次实验Word下载.docx
《清华大学贾仲孝老师高等数值分析第二次实验Word下载.docx》由会员分享,可在线阅读,更多相关《清华大学贾仲孝老师高等数值分析第二次实验Word下载.docx(24页珍藏版)》请在冰豆网上搜索。
U=orth(rand(2*N,2*N));
A1=U'
*A*U;
(2)观察基本的Arnoldi和GMRES方法
编写基本的Arnoldi函数与基本GMRES函数,具体代码见附录。
function[x,rm,flag]=Arnoldi(A,b,x0,tol,m)
function[x,rm,flag]=GMRES(A,b,x0,tol,m)
输入:
A为方程组系数矩阵,b为右端项,x0为初值,tol为停机准则,m为人为限制的最大步数。
输出:
x为方程的解,rm为残差向量,flag为解是否收敛的标志。
外程序如下所示:
e=1e-6;
m=700;
tic
[xA,rmA,flagA]=Arnoldi(A1,b,x0,e,m);
toc
[xG,rmG,flagG]=GMRES(A1,b,x0,e,m);
subplot(1,2,1);
semilogy(rmA)
title('
ArnoldiÊ
Õ
Á
²
Ç
ú
Ï
ß
'
)
xlabel('
µ
ü
´
½
Ê
ý
k'
ylabel('
log(||rk||)'
subplot(1,2,2);
semilogy(rmG)
GMRESÊ
得到:
得到两种方法的收敛曲线如上所示,将计算结果整理在下表中:
方法
Arnoldi
GMRES
2.95e-05
3.07e-05
迭代次数
546
526
运行时间(s)
1.564715
92.828966
结果讨论:
1.从图中可以看出,基本的Arnoldi方法经过546步收敛,基本的GMRES方法经过526步收敛,基本的GMRES收敛速度会略快于基本的Arnoldi方法。
2.从图中可以看出,GMRES方法的的性态较Arnoldi方法更好。
Arnoldi方法会有平台和不光滑段,但是由于GMRES具有的残差最优性,GMRES方法平稳地收敛,收敛曲线也更光滑。
(3)观察重新启动的Arnoldi和GMRES方法
在上述两个函数的基础上,编写了重新启动的Arnoldi函数(详情见附录):
function[x,rm,flag,Maxi]=ArnoldiM(A,b,x0,tol,m,Maxm)
输入:
m为给定步数,Maxm为人为限制的最大重启次数。
输出:
x为方程的解,rm为残差向量,flag为解是否收敛的标志,Maxi为重启次数。
首先编写程序,计算重启次数Maxi与给定步数m的关系,为选取给定步数m给出依据:
num_restartA=[];
num_restartG=[];
form=10:
10:
150
[xG,rmG,flagG,MaxiG]=GMRESM(A,b,x0,tol,m,Maxm);
[xA,rmA,flagA,MaxiA]=ArnoldiM(A,b,x0,tol,m,Maxm);
num_restartA=[num_restartAMaxiA];
num_restartG=[num_restartGMaxiG];
m1=10:
150;
plot(m1,num_restartA,'
o-'
m1,num_restartG,'
*-'
从上述结果中看到在m=50之后,重启次数随着给定步长的增加减少很慢,进入饱和。
故可以取m=50,最大步数可知在50步以内,运算程序如下所示:
m=50;
Maxm=50;
m1=1:
MaxiA;
m2=1:
MaxiG;
plot(m1,log10(rmA),'
m2,log10(rmG),'
Ö
Ø
Æ
ô
Ë
ã
·
¨
Ä
Î
得到的收敛曲线结果如下图所示:
ArnoldiM
GMRESM
2.07e-05
2.29e-05
重启次数
26
22
总迭代次数
1300
1100
0.844577
0.803231
1.重启次数随着m的增大而减小,当m增大到一定程度如50之后,减小很缓慢,当m非常大的时候,就过度到了基本算法。
重启的算法如何选择合适的m的因问题而不同。
2.重启算法的总迭代次数(重启次数×
m)要多于基本的算法。
这是由于在重启动时,从另一个我们认为更好的初值点(其实不一定好)x0重新开始计算,可能会丢掉一些之前算过的信息。
3.重启算法与基本算法相比,虽然总迭代次数增加了,但是运算速度却能大大提高,运行时间远远小于基本算法(尤其是重启GMRES算法)。
4.一般情况,对于同一个题目,重启的GMRES方法收敛速度要比Arnoldi方法快;
5.总的来说,对题中的矩阵A,四种方法均能稳定地收敛。
T2.对于1中的矩阵,将特征值进行平移,使得实部有正有负,和1的结果进行比较,方法的收敛速度会如何?
基本的Arnoldi算法有无峰点?
若有,基本的GMRES算法相应地会怎样?
对A的特征值进行平移,如对S矩阵的实部统一减去一个数s,则小单元矩阵S对应的一对特征值变为,当矩阵A构造同上题,那么控制s的大小,即控制了实部为负的特征值的个数。
这里将上面的矩阵生成做如下改造:
clearall;
N=500
tol=1e-6;
s=1.5
N
A(2*a-1,2*a-1)=a-s;
A(2*a,2*a)=a-s;
改变s的值,进而改变实部为负的特征值个数,计算结果整理如下表所示:
实部为负的特征值个数
1
5
100
200
500
1000
Arnoldi方法
638
730
788
462
277
46
16
GMRES方法
626
719
757
427
257
45
1.当开始有负半平面的特征值时,个数比较少时(如小于100时),随着个数的增加,基本的Arnoldi和基本的GMRES迭代次数明显变多,收敛速度明显变慢;
当负半平面特征值个数继续增加(如大于100时),两者的迭代次数减少,收敛速度明显变快,并且将比第一题的收敛速度快很多,迭代次数少很多。
2.当开始有负半平面的特征值时,个数比较少时(如小于100时),随着个数的增加,Arnoldi出现峰点,峰点个数与其特征值的分布有关系,但整体仍收敛。
这是由于负特征值的存在,使得海森贝格矩阵H发生近似奇异而发生近似中断而引起的。
然而,GMRES的残差始终平稳下降,当Aronldi出现尖峰时,GMRES的残差不变具有最优性。
T3.对1中的例子固定特征值的实部,变化虚部,比较收敛性。
首先对T1的代码进行简单修改,实部不变,虚部进行一定的放大(引入系数k)。
每个对角块具有如下形式,对应一对特征向量
上式中的
相应代码如下所示(以Arnoldi为例),取k=0.2,0.5,1,2,5这五种情况。
A1=zeros(2*N);
k1=0.2;
A1(2*a-1,2*a-1)=a;
A1(2*a-1,2*a)=-k1*a;
A1(2*a,2*a-1)=k1*a;
A1(2*a,2*a)=a;
*A1*U;
%篇幅所限,此处省去了A2~A5,同理可得。
k5=5;
A5(2*a-1,2*a-1)=a;
A5(2*a-1,2*a)=-k5*a;
A5(2*a,2*a-1)=k5*a;
A5(2*a,2*a)=a;
A5=U'
*A5*U;
m=1000;
[xA1,rmA1,flagA1]=Arnoldi(A1,b,x0,e,m);
[xA2,rmA2,flagA2]=Arnoldi(A2,b,x0,e,m);
[xA3,rmA3,flagA3]=Arnoldi(A3,b,x0,e,m);
[xA4,rmA4,flagA4]=Arnoldi(A4,b,x0,e,m);
[xA5,rmA5,flagA5]=Arnoldi(A5,b,x0,e,m);
size(rmA1,2);
size(rmA2,2);
m3=1:
size(rmA3,2);
m4=1:
size(rmA4,2);
m5=1:
size(rmA5,2);
plot(m1,log10(rmA1),m2,log10(rmA2),m3,log10(rmA3),m4,log10(rmA4),m5,log10(rmA5))
»
ù
±
¾
Arnoldi·
hg1=legend('
k=0.2'
'
k=0.5'
'
k=1'
k=2'
k=5'
);
计算结果如下所示:
1.随着比例因子k的增大,虚部被放大,Arnoldi方法和GMRES方法的收敛速度均减慢,迭代次数增加;
2.同时,随着比例因子k的增大,Arnoldi过程跳动越来越严重,峰点个数增加,发生近似中断的次数增加;
而GMRES方法的残差始终保持单调平稳下降。
3.GMRES方法的迭代次数略小于Arnoldi方法的迭代次数,但GMRES的计算时间却远大于Arnoldi方法的计算时间。
T4
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 清华大学 贾仲孝 老师 高等 数值 分析 第二次 实验
![提示](https://static.bdocx.com/images/bang_tan.gif)