廣義最小殘量方法
![本頁使用了標題或全文手工轉換](http://upload.wikimedia.org/wikipedia/commons/thumb/c/cd/Zh_conversion_icon_m.svg/35px-Zh_conversion_icon_m.svg.png)
在數學上,廣義最小殘量方法(一般簡稱GMRES)是一個求解線性方程組 數值解的疊代方法。這個方法利用在Krylov子空間中有着最小殘量的向量來逼近解。Arnoldi疊代方法被用來求解這個向量。
GMRES方法由Yousef Saad和Martin H. Schultz在1986年提出。[1]
GMRES方法
[編輯]需要求解的線性方程組記為
- 。
假設矩陣A是nn階的可逆的。進一步,假設b是標準化的,即||b|| = 1 (在這篇文章中,||·||是Euclidean範數)。
這個問題的m階Krylov子空間是
- 。
GMRES通過使得殘量Axm − b最小的向量xm ∈ Km來逼近Ax = b的精確解。
但是,向量b, Ab, …, Am−1b幾乎是線性相關的。因此,用Arnoldi疊代方法求得的這組Km的標準正交基
來取代上面的那組基。所以,向量xm ∈ Km寫成xm = Qmym,其中ym ∈ Rm且Qm是由q1, …, qm組成的nm矩陣。
Arnoldi過程也產生一個 (m+1)m階上Hessenberg矩陣滿足
- 。
因為是正交的,我們有
- ,
其中
是Rm+1的標準基的第一個向量,並且
- ,
其中是初始向量(通常是零向量)。因此,求使得殘量
- 。
的範數最小的。這是一個m階線性最小平方問題。
這就是GMRES方法。在疊代的每一步中:
- 做一步Arnoldi疊代方法;
- 尋找使得||rm||最小的 ;
- 計算 ;
- 如果殘量不夠小,重複以上過程。
在每一步疊代中,必須計算一次矩陣向量積Aqm。對於一般的n階稠密矩陣,這要計算複雜度大約2n2次浮點運算。但是對於稀疏矩陣,這個計算複雜度能減少到O(n)。進一步,關於矩陣向量積,在m次疊代中能進行O(m n)次浮點運算。
收斂性
[編輯]第m次疊代獲得在Krylov子空間Km下的最小殘量。因為每個子空間包含於下一個子空間中,所以殘量單調遞減。在第n次疊代後,其中n是矩陣A的階數,Krylov空間Kn是完整的Rn。因此,GMRES方法達到精確解。然而,問題在於:在極少的幾次疊代後(相對於n),向量xm幾乎已經是精確解的一個很好的逼近。
但是,在一般情況下這是不會發生的。事實上,Greenbaum,Pták和Strakoš的理論說明了對於每一個單調減少的序列a1, …, an−1, an = 0 ,能夠找到一個矩陣A對於所有m滿足||rm|| = am ,其中rm是上面所定義的殘量。特別的,有可能找到一個矩陣,使得前n − 1次疊代的殘量一直保持為常數,而只在最後一次疊代時達到零。
在實驗中,GMRES方法經常表現得很好。在特殊的情況下這能夠被證明。如果A是正定的,則
- ,
其中和分別為矩陣的最小和最大特徵值。
如果A是對稱的並且是正定的,則
- 。
其中記為A在Euclidean範數下的條件數。
一般情況下,其中A是非正定的,則
- ,
其中Pm記為次數不超過m且p(0) = 1的多項式的集合,V是A的譜分解中的矩陣,而σ(A)是A的譜。粗略的說,當A的特徵值聚集在遠離原點的區域且A離正規不太遠時,收斂速度較快。[2]
所有的不等式只界定殘量,而不是實際誤差(精確解和當前疊代xm之間的距離)。
GMRES方法的拓展( Restarted GMRES )
[編輯]同其他疊代方法一樣,為了加快收斂,GMRES經常結合預處理方法。
疊代的開銷以O(m2)增長,其中m是疊代次數。然而有時候,GMRES方法在k次疊代後重新開始,即xk又變回初始值。這樣的方法叫做GMRES(k)。
與其他解法的比較
[編輯]對於對稱矩陣,Arnoldi疊代方法變成Lanczos疊代方法。對應的Krylov子空間方法叫做Paige和Saunders的最小殘量方法(MinRes)。不像非對稱的情況,MinRes方法由三項循環關係(three-term recurrence relation)給出,並且同GMRES一樣,使殘量的範數最小。而對於一般矩陣,Krylov子空間方法不能由短的循環關係(short recurrence relation)給出。
另一類方法由非對稱Lanczos疊代方法給出,特別的是BiCG方法。這個利用了three-term recurrence relation,但他們沒有達到最小的殘量,因此對於這些方法殘量不會單調遞減。收斂性是不能保證的。
第三類方法由CGS和BiCGSTAB給出。這些也由three-term recurrence relation給出(因此,非最優)。而且可能過早的終止疊代了而沒有達到收斂的目的。這些方法的想法是合適的選擇疊代序列所產生的多項式。
對於所有矩陣,這三類方法都不是最好的;總有例使得一類方法好於另一類。因而,各種解法應該進行實際的試驗,來決定對於給定的問題哪一種是最優的。
求解最小平方問題
[編輯]GMRES方法的其中一部分是求解向量使得
最小。這個可以通過計算QR分解來實現:找到一個(m+1)(m+1)階正交矩陣Ωm和一個(m+1)m上三角矩陣滿足
- 。
三角矩陣的行數比列數多1,所以它的最後一行由零組成。因此,它能被分解為
- ,
其中是一個mm階三角(方)矩陣。
QR分解能夠簡單的進行下去(update),從一步疊代到下一步疊代。因為每次的Hessenberg矩陣只在一行零元素和一列元素上有所不同:
- ,
其中hm = (h1m, … hmm)T。這意味着,Hessenberg矩陣左乘上Ωm的擴大矩陣(通過並上零元素和單位元素),所得到的是類似於三角矩陣的矩陣:
這個矩陣可以三角化,如果σ為零。為了修正這個矩陣,需要進行Givens旋轉
其中
- 。
通過這個Givens旋轉,我們構造
- 。
事實上,
是一個三角矩陣。
給出了QR分解,最小值問題就容易解決了。注意到
- 。
記為
其中gm ∈ Rm和γm ∈ R,則
- 。
使得這個表達式最小的向量y為
- 。
再一次,向量能夠簡單的進行下去(update)。[3]
Example code
[編輯]Regular GMRES (python3)
[編輯]# from "https://github.com/J-N-ch/GMRES_py_restart/blob/master/GMRES_API/GMRES.py"
import numpy as np
import math
class GMRES_API(object):
def __init__( self,
A_coefficient_matrix: np.array([], dtype = float ),
b_boundary_condition_vector: np.array([], dtype = float ),
maximum_number_of_basis_used: int,
threshold = 1.0e-16 ):
self.A = A_coefficient_matrix
self.b = b_boundary_condition_vector
self.maximum_number_of_basis_used = maximum_number_of_basis_used
self.threshold = threshold
def initial_guess_input( self, x_input_vector_initial_guess: np.array([], dtype = float ) ):
self.x = x_input_vector_initial_guess
try:
assert len( self.x ) == len( self.b )
except Exception:
print(" The input guess vector's size must equal to the system's size !\n")
print(" The matrix system's size == ", len( self.b ))
print(" Your input vector's size == ", len( self.x ))
self.x = np.zeros( len( self.b ) )
print(" Use default input guess vector = ", self.x, " instead of the incorrect vector you given !\n")
def run( self ):
n = len( self.A )
m = self.maximum_number_of_basis_used
r = self.b - np.dot(self.A , self.x)
r_norm = np.linalg.norm( r )
b_norm = np.linalg.norm( self.b )
self.error = np.linalg.norm( r ) / b_norm
self.e = [self.error]
# initialize the 1D vectors
sn = np.zeros( m )
cs = np.zeros( m )
e1 = np.zeros( m + 1 )
e1[0] = 1.0
beta = r_norm * e1
# beta is the beta vector instead of the beta scalar
H = np.zeros(( m+1, m+1 ))
Q = np.zeros(( n, m+1 ))
Q[:,0] = r / r_norm
for k in range(m):
( H[0:k+2, k], Q[:, k+1] ) = __class__.arnoldi( self.A, Q, k)
( H[0:k+2, k], cs[k], sn[k] ) = __class__.apply_givens_rotation( H[0:k+2, k], cs, sn, k)
# update the residual vector
beta[ k+1 ] = -sn[k] * beta[k]
beta[ k ] = cs[k] * beta[k]
# calculate and save the errors
self.error = abs(beta[k+1]) / b_norm
self.e = np.append(self.e, self.error)
if( self.error <= self.threshold):
break
# calculate the result
#y = np.matmul( np.linalg.inv( H[0:k+1, 0:k+1]), beta[0:k+1] )
#TODO Due to H[0:k+1, 0:k+1] being a upper tri-matrix, we can exploit this fact.
y = __class__.__back_substitution( H[0:k+1, 0:k+1], beta[0:k+1] )
self.x = self.x + np.matmul( Q[:,0:k+1], y )
self.final_residual_norm = np.linalg.norm( self.b - np.matmul( self.A, self.x ) )
return self.x
'''''''''''''''''''''''''''''''''''
' Arnoldi Function '
'''''''''''''''''''''''''''''''''''
@staticmethod
def arnoldi( A, Q, k ):
h = np.zeros( k+2 )
q = np.dot( A, Q[:,k] )
for i in range ( k+1 ):
h[i] = np.dot( q, Q[:,i])
q = q - h[i] * Q[:, i]
h[ k+1 ] = np.linalg.norm(q)
q = q / h[ k+1 ]
return h, q
'''''''''''''''''''''''''''''''''''''''''''''''''''''''''
' Applying Givens Rotation to H col '
'''''''''''''''''''''''''''''''''''''''''''''''''''''''''
@staticmethod
def apply_givens_rotation( h, cs, sn, k ):
for i in range( k-1 ):
temp = cs[i] * h[i] + sn[i] * h[i+1]
h[i+1] = -sn[i] * h[i] + cs[i] * h[i+1]
h[i] = temp
# update the next sin cos values for rotation
cs_k, sn_k, h[k] = __class__.givens_rotation( h[k-1], h[k] )
# eliminate H[ k+1, i ]
h[k + 1] = 0.0
return h, cs_k, sn_k
##----Calculate the Given rotation matrix----##
# From "http://www.netlib.org/lapack/lawnspdf/lawn150.pdf"
# The algorithm used by "Edward Anderson"
@staticmethod
def givens_rotation( v1, v2 ):
if( v2 == 0.0 ):
cs = np.sign(v1)
sn = 0.0
r = abs(v1)
elif( v1 == 0.0 ):
cs = 0.0
sn = np.sign(v2)
r = abs(v2)
elif( abs(v1) > abs(v2) ):
t = v2 / v1
u = np.sign(v1) * math.hypot( 1.0, t )
cs = 1.0 / u
sn = t * cs
r = v1 * u
else:
t = v1 / v2
u = np.sign(v2) * math.hypot( 1.0, t )
sn = 1.0 / u
cs = t * sn
r = v2 * u
return cs, sn, r
# From https://stackoverflow.com/questions/47551069/back-substitution-in-python
@staticmethod
def __back_substitution( A: np.ndarray, b: np.ndarray) -> np.ndarray:
n = b.size
if A[n-1, n-1] == 0.0:
raise ValueError
x = np.zeros_like(b)
x[n-1] = b[n-1] / A[n-1, n-1]
for i in range( n-2, -1, -1 ):
bb = 0
for j in range ( i+1, n ):
bb += A[i, j] * x[j]
x[i] = (b[i] - bb) / A[i, i]
return x
def final_residual_info_show( self ):
print( "x =", self.x, "residual_norm = ", self.final_residual_norm )
def main():
A_mat = np.array( [[1.00, 1.00, 1.00],
[1.00, 2.00, 1.00],
[0.00, 0.00, 3.00]] )
b_mat = np.array( [3.0, 2.0, 1.0] )
GMRES_test_itr2 = GMRES_API( A_mat, b_mat, 2, 0.01)
x_mat = np.array( [1.0, 1.0, 1.0] )
print("x =", x_mat)
# GMRES with restart, 2 iterations in each restart ( GMRES(2) )
max_restart_counts = 100
for restart_counter in range(max_restart_counts):
GMRES_test_itr2.initial_guess_input( x_mat )
x_mat = GMRES_test_itr2.run()
print(restart_counter+1," : x =", x_mat)
xx = np.matmul( np.linalg.inv(A_mat), b_mat )
print("ANS : xx =", xx)
if __name__ == '__main__':
main()
註記
[編輯]參考
[編輯]- A. Meister, Numerik linearer Gleichungssysteme, 2nd edition, Vieweg 2005, ISBN 978-3-528-13135-7.
- Y. Saad, Iterative Methods for Sparse Linear Systems, 2nd edition, Society for Industrial and Applied Mathematics, 2003. ISBN 978-0-89871-534-7.
- Y. Saad and M.H. Schultz, "GMRES: A generalized minimal residual algorithm for solving nonsymmetric linear systems", SIAM J. Sci. Stat. Comput., 7:856-869, 1986. doi:10.1137/0907058.
- J. Stoer and R. Bulirsch, Introduction to numerical analysis, 3rd edition, Springer, New York, 2002. ISBN 978-0-387-95452-3.
- Lloyd N. Trefethen and David Bau, III, Numerical Linear Algebra, Society for Industrial and Applied Mathematics, 1997. ISBN 978-0-89871-361-9.
- Dongarra et al. , Templates for the Solution of Linear Systems: Building Blocks for Iterative Methods (頁面存檔備份,存於互聯網檔案館), 2nd Edition, SIAM, Philadelphia, 1994
- https://github.com/J-N-ch/GMRES_py_restart (頁面存檔備份,存於互聯網檔案館)