共軛梯度法，特征值聚堆情況下迭代次數討論

輸入各種特征值聚堆與分散時的矩陣，并應用共軛梯度法，觀察迭代次數與聚堆情況的關系。

因為對角矩陣的對角線元素為其特征值，則用對角矩陣討論較為方便代碼

import numpy as npdef cg(x0, A, b): r0 = np.dot(A, x0) - b p0 = -r0 rk = r0 pk = p0 xk = x0 t = 0 #記錄迭代次數 while np.linalg.norm(rk) >= 1e-6: rr = np.dot(rk.T, rk) ak = rr / np.dot(np.dot(pk.T, A), pk) xk = xk + ak * pk rk = rk + ak * np.dot(A, pk) bk = np.dot(rk.T, rk) / rr pk = -rk + bk * pk t += 1 return xk, t#輸入列表，生成以列表為對角元素的對角矩陣def Diagonal_matrix(D): n = len(D) diag = np.zeros((n,n)) for i in range(n): diag[i][i] = D[i] return diag#矩陣對角線元素D_1 = [1, 1, 1, 1, 1, 6, 7, 8, 9, 10]D_2 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]D_3 = [0.8, 0.9, 1, 1.1, 1.2, 6, 7, 8, 9, 10]D_4 = [1 - 2*1e-7, 1 - 1e-7, 1, 1 + 1e-7, 1 + 2*1e-7, 6, 7, 8, 9, 10]D_5 = [1, 1, 1, 2, 2, 2, 3, 3, 3, 10]#初始值x0 = np.zeros((10,1))b = np.ones((10,1)) #生成對角矩陣diag1 = Diagonal_matrix(D_1)diag2 = Diagonal_matrix(D_2)diag3 = Diagonal_matrix(D_3)diag4 = Diagonal_matrix(D_4)diag5 = Diagonal_matrix(D_5)#共軛梯度法迭代x_1, n_1 = cg(x0, diag1, b)x_2, n_2 = cg(x0, diag2, b)x_3, n_3 = cg(x0, diag3, b)x_4, n_4 = cg(x0, diag4, b)x_5, n_5 = cg(x0, diag5, b)n = [n_1, n_2, n_3, n_4, n_5]#輸出for i in range(5): print(’矩陣’,i + 1 ,’的迭代次數為: ’, n[i])

矩陣1，前5個元素聚堆且都為相同元素

矩陣2，特征值分散

矩陣3，前5個特征值聚堆，但是最大差為0.4 ，而cg法精度為1e-6

矩陣4，前5個特征值聚堆，且相差最大小于1e-6

矩陣5，三聚堆輸出：

分析：

聚堆特征值可看作一個特征值 特征值差小于迭代精度時被看作聚堆 例如矩陣5，前三個對角元素看作一個，4-6元素看作一個，7-9看作一個 一共4個元素，則需要迭代4次

以上就是python共軛梯度法特征值迭代次數討論的詳細內容，更多關于python共軛梯度法迭代的資料請關注好吧啦網其它相關文章！