迭代法解線性方程組與壓縮映像不動點

線性方程組x=Bx+f,用x^{(k+1)}=Bx^{(k)}=f的方式迭代求解,稱作線性方程組的迭代法。令映射g:\mathrm{R}^n \to \mathrm{R^n}g(x)=Bx+f,迭代法解線性方程組本質上是想找映射g的不動點。

首先,可以用Banach不動點定理對映射g的不動點的存在性進行分析。g是一個壓縮映像(contraction),當且僅當:

\| g(x) - g(y) \| < \| x - y \| \Leftrightarrow\| B(x-y) \| < \| x-y \|

當然在這里還并沒有指定\mathrm{R}^n空間中的范數是什么。但因為有限維Banach空間中范數的等價性,只要g對任意一種范數是壓縮映像,那么g就存在不動點!

g不動點的存在性轉化為對矩陣B的范數的分析,只要:

\sup_{\|x \| =1} \| B x\| < 1

上式\| \cdot \|表示任意一種向量范數。到現在,容易知道,我們只要知道B的某一種與向量范數相容的矩陣范數,有\|B\| < 1,就能判斷g存在不動點。

\sigma是矩陣B最大的奇異值,這個\sigma也叫做B的譜半徑(\sigma= \rho(B)=\sqrt{\lambda_{\max} (B^T B)}

譜半徑的意思就是,\| Bx\|_2在單位球\|x\|_2=1上的最大值就是\sigma

假如說\sigma \| x\| = \|\sigma x\|=\|Bx\|,對某種矩陣范數和向量范數成立,那么,根據矩陣范數與向量范數的相容性,知道\| Bx \| \leq \|B \| \| x \|,即\sigma \leq \|B\|,矩陣的譜半徑是所有矩陣范數的下界!

以上所說的矩陣范數指的都是與向量范數相容的。

因此,判斷g的不動點是否存在只需要看B的譜半徑(最大奇異值)是否小于1即可。

最后,Banach不動點定理只是一個充分性定理,就算B的譜半徑大于1,g仍然可能存在不動點。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容