主页 > 知识库 > python共轭梯度法特征值迭代次数讨论

python共轭梯度法特征值迭代次数讨论

热门标签:语音系统 电话运营中心 硅谷的囚徒呼叫中心 客户服务 Win7旗舰版 呼叫中心市场需求 百度AI接口 企业做大做强

共轭梯度法,特征值聚堆情况下迭代次数讨论

输入各种特征值聚堆与分散时的矩阵,并应用共轭梯度法,观察迭代次数与聚堆情况的关系。

因为对角矩阵的对角线元素为其特征值,则用对角矩阵讨论较为方便
代码

import numpy as np

def cg(x0, A, b):
 r0 = np.dot(A, x0) - b
 p0 = -r0
 rk = r0
 pk = p0
 xk = x0
 t = 0 #记录迭代次数
 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

#输入列表,生成以列表为对角元素的对角矩阵
def Diagonal_matrix(D):
 n = len(D)
 diag = np.zeros((n,n))
 for i in range(n):
  diag[i][i] = D[i]
 return diag
#矩阵对角线元素
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))  
#生成对角矩阵
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)
#共轭梯度法迭代
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]
#输出
for i in range(5):
  print('矩阵',i + 1 ,'的迭代次数为: ', n[i])

矩阵1,前5个元素聚堆且都为相同元素

矩阵2,特征值分散

矩阵3,前5个特征值聚堆,但是最大差为0.4 ,而cg法精度为1e-6

矩阵4,前5个特征值聚堆,且相差最大小于1e-6

矩阵5,三聚堆
输出:

分析:

  • 聚堆特征值可看作一个特征值
  • 特征值差小于迭代精度时被看作聚堆
  • 例如矩阵5,前三个对角元素看作一个,4-6元素看作一个,7-9看作一个 一共4个元素,则需要迭代4次

以上就是python共轭梯度法特征值迭代次数讨论的详细内容,更多关于python共轭梯度法迭代的资料请关注脚本之家其它相关文章!

您可能感兴趣的文章:
  • Python箱型图绘制与特征值获取过程解析
  • python dataframe常见操作方法:实现取行、列、切片、统计特征值
  • Python 如何让特征值滞后一行

标签:长沙 海南 济南 喀什 山西 崇左 山西 安康

巨人网络通讯声明:本文标题《python共轭梯度法特征值迭代次数讨论》,本文关键词  ;如发现本文内容存在版权问题,烦请提供相关信息告之我们,我们将及时沟通与处理。本站内容系统采集于网络,涉及言论、版权与本站无关。
  • 相关文章
  • 收缩
    • 微信客服
    • 微信二维码
    • 电话咨询

    • 400-1100-266