当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy linalg.lgmres用法及代码示例


本文简要介绍 python 语言中 scipy.sparse.linalg.lgmres 的用法。

用法:

scipy.sparse.linalg.lgmres(A, b, x0=None, *, tol=1e-05, maxiter=1000, M=None, callback=None, inner_m=30, outer_k=3, outer_v=None, store_outer_Av=True, prepend_outer_v=False, atol=None)#

使用 LGMRES 算法求解矩阵方程。

LGMRES 算法 [1] [2] 旨在避免重新启动的 GMRES 收敛中的一些问题,并且通常在较少的迭代中收敛。

参数

A {稀疏矩阵,ndarray,LinearOperator}

线性系统的实数或复数N-by-N 矩阵。或者,A 可以是一个线性运算符,它可以使用例如 scipy.sparse.linalg.LinearOperator 生成 Ax

b ndarray

线性系统的右手边。具有形状 (N,) 或 (N,1)。

x0 ndarray

开始猜测解决方案。

tol, atol 浮点数,可选

收敛公差,norm(residual) <= max(tol*norm(b), atol).默认为atoltol.

警告

atol 的默认值将在未来版本中更改。为了将来的兼容性,请明确指定 atol。

maxiter 整数,可选

最大迭代次数。即使没有达到指定的容差,迭代也会在 maxiter 步后停止。

M {稀疏矩阵,ndarray,LinearOperator},可选

A 的预处理器。预处理器应该近似于 A 的逆。有效的预处理显著提高了收敛速度,这意味着需要更少的迭代来达到给定的误差容限。

callback 函数,可选

每次迭代后调用的用户提供的函数。它被称为 callback(xk),其中 xk 是当前解向量。

inner_m 整数,可选

每次外部迭代的内部 GMRES 迭代次数。

outer_k 整数,可选

在内部 GMRES 迭代之间携带的向量数。根据 [1],好的值在 1…3 的范围内。但是,请注意,如果您想使用额外的向量来加速解决多个类似问题,较大的值可能是有益的。

outer_v 元组列表,可选

包含元组的列表(v, Av)向量和相应的matrix-vector 乘积,用于增强 Krylov 子空间,并在内部 GMRES 迭代之间进行。元素AvNone如果应该重新评估matrix-vector 产品。此参数通过以下方式就地修改lgmres, 并且可用于在解决类似问题时将“guess” 向量传入和传出算法。

store_outer_Av 布尔型,可选

LGMRES 是否应该在 outer_v 列表中除了向量 v 之外还存储 A@v。默认为真。

prepend_outer_v 布尔型,可选

是否在 Krylov 迭代之前放置 outer_v 扩充向量。在标准 LGMRES 中,prepend_outer_v=False。

返回

x ndarray

融合解决方案。

info int

提供收敛信息:

  • 0 : successful exit

  • >0 : convergence to tolerance not achieved, number of iterations

  • <0 : illegal input or breakdown

注意

LGMRES 算法 [1] [2] 旨在避免由于交替残差向量而导致重新启动的 GMRES 中收敛速度变慢。通常,它在某些方面通常优于可比较的内存要求的 GMRES(m),或者至少不会差很多。

该算法的另一个优点是您可以在 outer_v 参数中为其提供 ‘guess’ 向量,以增加 Krylov 子空间。如果解决方案接近这些向量的跨度,则算法收敛速度更快。如果需要一个接一个地反转几个非常相似的矩阵,这可能很有用,例如在 Newton-Krylov 迭代中,雅可比矩阵在非线性步骤中通常变化很小。

参考

[1] (1,2,3)

A.H. Baker 和 E.R. Jessup 和 T. Manteuffel,“加速重启 GMRES 收敛的技术”,SIAM J. Matrix Anal。应用程序。 26, 962 (2005)。

[2] (1,2)

A.H. Baker,“关于提高线性求解器的性能重新启动 GMRES”,PhD 论文,科罗拉多大学(2003 年)。

例子

>>> import numpy as np
>>> from scipy.sparse import csc_matrix
>>> from scipy.sparse.linalg import lgmres
>>> A = csc_matrix([[3, 2, 0], [1, -1, 0], [0, 5, 1]], dtype=float)
>>> b = np.array([2, 4, -1], dtype=float)
>>> x, exitCode = lgmres(A, b, atol=1e-5)
>>> print(exitCode)            # 0 indicates successful convergence
0
>>> np.allclose(A.dot(x), b)
True

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.sparse.linalg.lgmres。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。