Main Content

本页对应的英文页面已更新,但尚未翻译。 若要查看最新内容,请点击此处访问英文页面。

线性方程组的迭代方法

数值线性代数最重要也是最常见的应用之一是可求解以 A*x = b 形式表示的线性方程组。当 A 为大型稀疏矩阵时,您可以使用迭代方法求解线性方程组,使用这一方法,您可在计算的运行时间与解的精度之间进行权衡。本主题介绍 MATLAB® 中可用于求解方程 A*x = b 的迭代方法。

直接方法与迭代方法

求解线性方程 A*x = b 的方法有两种:

  • 直接方法是高斯消去法的变体。这些方法通过矩阵运算(例如 LU、QR 或 Cholesky 分解)直接涉及各个矩阵元素。您可以使用直接方法来求解具有高精度水平的线性方程,但在大型稀疏矩阵上运行这些方法时,速度可能会很慢。用直接方法求解线性方程组的速度很大程度上取决于系数矩阵的大小。

    例如,以下代码用于求解一个较小的线性方程组。

    A = magic(5);
    b = sum(A,2);
    x = A\b;
    norm(A*x-b)
    ans =
    
       1.4211e-14

    MATLAB 通过矩阵除法运算符 /\ 以及 lsqminnormdecompositionlinsolve 等函数实现直接的方法。

  • 迭代方法在经过有限的步数之后生成线性方程组的逼近解。这些方法对大型方程组非常有用,在求解这些方程组时,通过牺牲精度来缩短运行时间是合理的。这些方法仅间接涉及系数矩阵、整个矩阵-向量积或抽象的线性运算函数。迭代方法通常仅适用于稀疏矩阵,因为较小的方程组可以使用直接方法轻松求解。使用间接方法求解线性方程组的速度不像直接方法那样严重依赖于系数矩阵的大小。但是,使用迭代方法通常需要针对每个特定问题调优参数。

    例如,以下代码用于求解一个具有对称正定系数矩阵的大型稀疏线性方程组。

    A = delsq(numgrid('L',400));
    b = ones(size(A,1),1);
    x = pcg(A,b,[],1000);
    norm(A*x-b)
    pcg converged at iteration 796 to a solution with relative residual 9.9e-07.
    
    ans =
    
       3.4285e-04

    MATLAB 根据系数矩阵 A 的属性,实现了多种具有不同优缺点的迭代方法。

如果提供实施这些方法所需的足够空间,直接方法与间接方法相比,通常前者更快,适用性更广。通常,您应该先尝试使用 x = A\b。如果直接求解的速度太慢,则可以尝试使用迭代方法。

常规迭代算法

求解线性方程组的大多数迭代算法都遵循类似的过程:

  1. 首先获取解向量 x0 的初始估计值。(除非您指定了更好的估计值,否则通常为零元素向量。)

  2. 计算残差范数 res = norm(b-A*x0)

  3. 将残差与指定的容差进行比较。如果 res <= tol,则结束计算并返回 x0 的计算答案。

  4. 根据残差值和其他计算出的量来更新向量 x0 的幅值和方向。

  5. 重复步骤 2 到 4,直到 x0 的值足以满足容差要求。

迭代方法在步骤 4 中更新 x0 的幅值和方向的方式各有不同,而且某些迭代方法在步骤 2 和 3 中的收敛条件也略有差别,以下概括了所有迭代求解器遵循的基本过程。

迭代方法概要

MATLAB 有若干函数用于实现稀疏线性方程组的迭代方法。这些方法设计用于对 Ax = b 求解或求 ||b – Ax|| 范数的最小值。其中几种方法非常相似,并且基于相同的基础算法,但每种算法在特定情况下有各自的好处 [1][2]

说明

注释

lsqr(最小二乘法)

  • 系数矩阵可以是矩形。

  • 唯一适用于矩形方程组的求解器。

  • 在解析上等效于应用到标准方程 (A'*A)*x = A'*b 的共轭梯度法 (PCG),但具有更好的数值属性。

pcg(预条件共轭梯度法)

  • 系数矩阵必须是对称正定矩阵。

  • 由于只需要存储有限数量的向量,因此是最有效的对称正定方程组求解器。

minres(最小残差法)

  • 系数矩阵必须是对称矩阵,但无需是正定矩阵。

  • 每次迭代都会最小化 2-范数中的残差,从而保证算法能够逐步取得进展。

  • 不会出现算法崩溃(算法无法逼近解而停止执行)。

symmlq(对称 LQ)

  • 系数矩阵必须是对称矩阵,但无需是正定矩阵。

  • 求解投影方程组,并使残差与所有先前的残差正交。

  • 不会出现算法崩溃(算法无法逼近解而停止执行)。

bicg(双共轭梯度法)

  • 系数矩阵必须是正方形的,但不必对称。

  • bicg 的计算成本低,但收敛不规则而且不可靠。

  • 虽然对大多数问题而言,bicg 很少是最佳选择,但它具有很重要的历史地位,因为很多算法都是基于它改进而来。

bicgstab(双共轭梯度稳定法)

  • 系数矩阵必须是正方形的,但不必对称。

  • 交替使用 BiCG 步骤与 GMRES(1) 步骤,以提高稳定性。

bicgstabl(双共轭梯度稳定法 (l))

  • 系数矩阵必须是正方形的,但不必对称。

  • 交替使用 BiCG 步骤与 GMRES(2) 步骤,以提高稳定性。

cgs(共轭梯度二乘法)

  • 系数矩阵必须是正方形的,但不必对称。

  • 需要与 bicg 相同的每次迭代操作数,但要避免通过操作平方残差来使用转置。

gmres(广义最小残差法)

  • 系数矩阵必须是正方形的,但不必对称。

  • 最可靠的算法之一,因为每次迭代都能最小化残差范数。

  • 所需的工作和存储量随迭代次数线性增加。

  • 选择适当的 restart 值至关重要,以避免不必要的工作和存储。

qmr(拟最小残差法)

  • 系数矩阵必须是正方形的,但不必对称。

  • 每次迭代的开销略高于 bicg,但提供了更好的稳定性。

tfqmr(无转置拟最小残差法)

  • 系数矩阵必须是正方形的,但不必对称。

  • 当内存有限时,是尝试用于求解对称不定方程组的最佳求解器。

选择迭代求解器

以下是 MATLAB 中的迭代求解器的流程图,大致概括了每种求解器适用的情况。一般而言,您可以对几乎所有的二次方非对称问题使用 gmres。在一些情况下,双共轭梯度算法(bicgbicgstabcgs 等)的效率高于 gmres,但它们的收敛行为难以预测,因此 gmres 往往是更好的初始选择。

预条件子

迭代方法的收敛速度取决于系数矩阵的频谱(特征值)。因此,您可以通过将系数矩阵变换为具有更好的频谱(聚类特征值或接近 1 的条件数)来改善大多数迭代方法的收敛性和稳定性。这种变换的执行方法是将第二个被称为预条件子的矩阵应用于方程组。此过程将线性方程组

Ax=b

变换为等效方程组

A˜x˜=b˜.

理想的预条件子将系数矩阵 A 变换为单位矩阵,因为任何迭代方法都将在使用这种预条件子的一次迭代中实现收敛。实际上,寻找一个好的预条件子需要权衡。采用以下三种方式之一执行变换:左侧预条件、右侧预条件或拆分预条件。

第一种情况称为左侧预条件,因为预条件子矩阵 M 出现在 A 的左侧:

(M1A)x=(M1b).

以下迭代求解器使用左侧预条件:

右侧预条件中,M 出现在 A 的右侧:

(AM1)(Mx)=b.

以下迭代求解器使用右侧预条件:

最后,对于对称系数矩阵,拆分预条件可确保新方程组仍具有对称矩阵。预条件子 M=HHT 同时出现在 A 的两侧:

(H1AHT)HTx=(H1b)

经过拆分预条件后的方程组的求解器算法以上述方程为基础,但实际上无需计算 H。求解器算法仅仅直接应用 Minv(M)

以下迭代求解器使用拆分预条件:

在所有情况下,选用预条件子 M 以加快迭代方法的收敛。当迭代解的残差停滞不前或两次迭代之间进展甚微时,通常意味着您需要生成一个预条件子矩阵以加入问题中。

MATLAB 中的迭代求解器允许您指定单个预条件子矩阵 M,或两个预条件子矩阵因子,使得 M = M1M2。这样就能轻松指定通过分解计算出的预条件子,例如 M = LU。请注意,在同时保留了 M = HHT 的拆分预条件情况下,M1M2 输入与 H 因子之间没有直接关联。

在许多情况下,预条件子在给定问题的数学模型中自然发生。例如,带有可变系数的偏微分方程可以近似地用带有常系数的偏微分方程表示。在没有自然预条件子的情况下,可以使用下表中的不完全分解之一。

函数分解说明
ilu

ALU

正方形或矩形矩阵的不完全 LU 分解。
ichol

ALL*

对称正定矩阵的不完全 Cholesky 分解。

有关 iluichol 的详细信息,请参阅不完全分解

预条件子示例

以二维方形域中的拉普拉斯方程的五点有限差分逼近方程为例。以下命令使用预条件共轭梯度法 (PCG) 预条件子 M = L*L',其中 LA 的零填充不完全 Cholesky 因子。

A = delsq(numgrid('S',250));
b = ones(size(A,1),1);
tol = 1e-3;
maxit = 100;
L = ichol(A);
x = pcg(A,b,tol,maxit,L,L');
pcg converged at iteration 92 to a solution with relative residual 0.00076.

pcg 需要 92 次迭代才能达到指定的容差。但是,使用其他预条件子可以产生更好的结果。例如,使用 ichol 构造修正的不完全 Cholesky,pcg 只需经过 39 次迭代便可达到指定的容差。

L = ichol(A,struct('type','nofill','michol','on'));
x = pcg(A,b,tol,maxit,L,L');
pcg converged at iteration 39 to a solution with relative residual 0.00098.

均衡和重新排序

对于难以计算的问题,您可能需要比 iluichol 直接生成的预条件子更好的预条件子。例如,您可能希望生成质量更好的预条件子,或最小化要执行的计算量。在这些情况下,可以使用均衡来使系数矩阵更加对角占优(这可以生成质量更好的预条件子),并使用重新排序来最小化矩阵因子中的非零元素数量(这可以降低内存需求并可能提高后续计算的效率)。

如果同时使用均衡和重新排序来生成预条件子,则该过程为:

  1. 对系数矩阵使用 equilibrate

  2. 使用稀疏矩阵重新排序函数(例如 dissectsymrcm)对均衡后的矩阵重新排序。

  3. 使用 iluichol 生成最终预条件子。

以下示例使用均衡和重新排序生成了用于稀疏系数矩阵的预条件子。

  1. 创建系数矩阵 A 和由 1 组成的向量 b 作为线性方程的右侧。计算 A 的条件数估计值。

    load west0479
    A = west0479;
    n = size(A,1);
    b = ones(n,1);
    condest(A)
    ans =
    
       1.4244e+12

    使用 equilibrate 来改善系数矩阵的条件数。

    [P,R,C] = equilibrate(A);
    Anew = R*P*A*C;
    bnew = R*P*b;
    condest(Anew)
    ans =
    
       5.1042e+04
  2. 使用 dissect 对均衡后的矩阵重新排序。

    q = dissect(Anew);
    Anew = Anew(q,q);
    bnew = bnew(q);
  3. 使用不完全 LU 分解生成预条件子。

    [L,U] = ilu(Anew);
  4. 使用 gmres,通过预条件子矩阵、容差 1e-10、最大外部迭代次数 50 和内部迭代次数 30,求解线性方程组。

    tol = 1e-10;
    maxit = 50;
    restart = 30;
    [xnew, flag, relres] = gmres(Anew,bnew,restart,tol,maxit,L,U);
    x(q) = xnew;
    x = C*x(:);

    现在,将 gmres(其中包括预条件子)返回的 relres 相对残差与没有使用预条件子的相对残差 resnew 和没有经过均衡的相对残差 res 进行比较。结果表明,尽管线性方程组都是等效的,但不同的方法会将不同的权重应用于每个元素,而这可能显著影响残差值。

    relres
    resnew = norm(Anew*xnew - bnew) / norm(bnew)
    res = norm(A*x - b) / norm(b)
    relres =
       8.7537e-11
    resnew =
       3.6805e-08
    res =
       5.1415e-04

使用线性运算函数取代矩阵

MATLAB 中的迭代求解器不要求A 提供数值矩阵。由于求解器执行的计算主要使用矩阵-向量乘法 A*xA'*x 的结果,因此您可以改而提供一个函数来计算这些线性运算的结果。计算这些量的函数通常被称为线性运算函数

除了使用线性运算函数取代系数矩阵 A,还可以使用线性运算函数取代预条件子矩阵 M。在这种情况下,函数需要计算 M\xM'\x

通过使用线性运算函数,您可以利用 AM 中的模式来计算线性运算的值,这比求解器执行满矩阵-向量乘法的效率更高。这也意味着,您不需要内存来存储系数矩阵或预条件子矩阵,因为线性运算函数通常计算矩阵-向量乘法的结果而根本不用构建矩阵。

例如,有以下系数矩阵

A = [2 -1  0  0  0  0;
    -1  2 -1  0  0  0;
     0 -1  2 -1  0  0;
     0  0 -1  2 -1  0;
     0  0  0 -1  2 -1;
     0  0  0  0 -1  2];

当此系数矩阵乘以一个向量时,仅有的非零元素是那些与 A 的三对角元素相乘的元素。因此,对于给定的向量 x,线性运算函数只需要将三个向量相加便可计算 A*x 的值:

function y = linearOperatorA(x)
y = -1*[0; x(1:end-1)] ...
  + 2*x ...
  + -1*[x(2:end); 0];
end

大多数迭代求解器要求线性运算函数基于 A 返回 A*x 的值。同样,对于预条件子矩阵 M,该函数通常必须计算 M\x。对于求解器 lsqrqmrbicg,如果请求了返回 A'*xM'\x 的值,线性运算函数还需返回这些值。有关线性运算函数的示例和说明,请参阅迭代求解器参考页。

参考

[1] Barrett, R., M. Berry, T. F. Chan, et al., Templates for the Solution of Linear Systems: Building Blocks for Iterative Methods, SIAM, Philadelphia, 1994.

[2] Saad, Yousef, Iterative Methods for Sparse Linear Equations. PWS Publishing Company, 1996.

相关主题