幂法,反幂法求解矩阵最大最小特征值及其对应的特征向量(DOC)
数值计算解矩阵的按模最大最小特征值及对应的特征向量一.幂法1. 幂法简介：当矩阵A 满足一定条件时，在工程中可用幂法计算其主特征值(按模最大)及其特征向量。
矩阵A 需要满足的条件为： (1) 的特征值为A i n λλλλ,0||...||||21≥≥≥>(2) 存在n 个线性无关的特征向量，设为n x x x ,...,,21 1.1计算过程：i ni i i u xx αα,1)0()0(∑==，有对任意向量不全为0，则有1111112211211111111011)()(...u u a u a u λu λαu αA x A Ax x k n n k n k k ni ik i i ni i i k )(k (k))(k αλλλλλα++++=+=+++≈⎥⎦⎤⎢⎣⎡+++======∑∑ 可见，当||12λλ越小时，收敛越快；且当k 充分大时，有1)1111)11111λαλαλ=⇒⎪⎩⎪⎨⎧==+++(k )(k k(k k )(k x x u x u x ，对应的特征向量即是)(k x 1+。
2 算法实现.,, 3,,1 , ).5()5(,,,,||).4();max(,).3()(max(;0,1).2(,).1()()()(停机否则输出失败信息转置若转否则输出若计算最大迭代次数，误差限，初始向量输入矩阵βλβεβλβλε←+←<<-←←=←←k k N k y x Ay x x abs x y k N x A k k k3 matlab 程序代码function [t,y]=lpowerA,x0,eps,N) % t 为所求特征值，y是对应特征向量k=1;z=0; % z 相当于λy=x0./max(abs(x0)); % 规范化初始向量x=A*y; % 迭代格式b=max(x); % b 相当于βif abs(z-b)<eps % 判断第一次迭代后是否满足要求t=max(x);return;endwhile abs(z-b)>eps && k<Nk=k+1;z=b;y=x./max(abs(x));x=A*y;b=max(x);end[m,index]=max(abs(x)); % 这两步保证取出来的按模最大特征值t=x(index); % 是原值，而非其绝对值。
end4 举例验证选取一个矩阵A，代入程序，得到结果，并与eig(A)的得到结果比较，再计算A*y-t*y，验证y是否是对应的特征向量。
结果如下：结果正确，表明算法和代码正确，然后利用此程序计算15阶Hilb矩阵，与eig(A)的得到结果比较，再计算A*y-t*y，验证y是否是对应的特征向量。
设置初始向量为x0=ones(15,1)，结果显示如下可见，结果正确。
得到了15阶Hilb 矩阵的按模最大特征值和对应的特征向量。
二.反幂法1.反幂法简介及其理论在工程计算中，可以利用反幂法计算矩阵按模最小特征值及其对应特征向量。
其基本理论如下，与幂法基本相同：x x A x A x x Ax λλλ1)(11==⇒=--则，由，可知，A 和A -1的特征值互为倒数，求A 按模最小特征值即求A -1的按模最大特征值,取倒数即为A 的按模最小特征值所以算法基本相同，区别就是在计算)1()()1()(1-)1()()1()1(;,+++++===k k k k k k k k x LU A y Ax y A x Ay x x 分解，来计算做对具体计算时，变换为而是时，不是令2.算法实现., );4( ,))(max(, ,1,).7(),7(,,,1,||).6( ),max().5(),,().4().3(,))(max(,0 ,1).2(,,,,).1(000停机否则输出失败信息转置若否则转停机输出若解方程组作三角分解置最大迭代次数误差限初始向量输入矩阵x abs xy k k N k y x z Ux y Lz y LUx LUA x abs xy k N x A ←←+←<<-←←====←←←λλλελλμλμλε3 matlab 程序代码function [s,y]=invpower(A,x0,eps,n) % s 为按模最小特征值，y 是对应特征向量 k=1; r=0; % r 相当于0λy=x0./max(abs(x0)); % 规范化初始向量 [L,U]=lu(A); z=L\y; x=U\z; u=max(x);s=1/u; % 按模最小为A -1按模最大的倒数.if abs(u-r)<eps % 判断第一次迭代后是否满足终止条件 return endwhile abs(u-r)>eps && k<n % 终止条件. k=k+1; r=u;y=x./max(abs(x)); z=L\y; x=U\z;u=max(x); end[m,index]=max(abs(x)); % 这两步保证取出来的按模最大特征值s=1/x(index); % 是原值，而非其绝对值。
end4 举例验证同幂法一样，选取一个矩阵A ，代入程序，得到结果，并与eig(A)的得到结果比较，再计算 A*y-t*y ，验证y 是否是对应的特征向量。
可见结果正确，然后利用此程序计算15阶Hilb 矩阵，eig(A)的得到结果比较，再计算 A*y-s*y ，验证y 是否是对应的特征向量。
设置初始向量为x0=ones(15,1)，结果显示如下可见，结果真确。
得到了15阶Hilb矩阵的按模最大特征值和对应的特征向量。
三. 计算条件数矩阵A的条件数等于A的范数与A的逆的范数的乘积，即cond(A)=‖A‖·‖A^(-1)‖，对应矩阵的3种范数，可以定义3种条件数。
函数cond(A,1)、cond(A)或cond(A inf)是判断矩阵病态与否的一种度量，条件数越大表明矩阵的病态程度越大.的最大和最小特征值矩阵分别为范数，即这里我们选择矩阵的AAAcondT2121,,)(2λλλλ=, 而如果A为对称矩阵，如Hilb矩阵，AA T的最大最小特征值，分别为A的最大最小特征值的平方。
所以cond(A) 为A的最大最小特征值得比值。
对于本例中的15阶Hilb矩阵来说，利用上面计算结果得其条件数(选择第二种条件数）为：3.0934e+017；这与直接利用cond(A)得到的结果：2.5083e+017在同一数量级，再次表明了上述算得得最大最小特征值的正确性，同时又表明Hilb 矩阵是病态矩阵。
四.Aitken 商加速法1.简介与原理{}{}.,ˆˆ:2)( 2)(,,;0lim ,122112212221211加速法这种方法称为逼近用有充分大时当线性收敛即且收敛与若Aitken a a aa a a a a a a x x x x x x y aa aa a a a a k a c a a aa a a k k kk k k k k nn n n n n n k k k k k kk k k =+---≈⇒+---=--≈--≠=--+++++++++++++∞→同幂法和反幂法计算最大和最小特征值类似，如果计算最大特征值，则迭代格式为)()1(k k Ay x=+；计算最小特征值时，迭代格式为)1()()(1)1(,+-+==k k k k Ax y y A x 即。
2.算法实现计算按模最大特征值算法如下：.,,),3()max(,,1 , , ,,).6(),6(,,,).5(,2)().4(,)max( , ).3(,)max( ,0.1 ,0 ,0 ,1).2(,,,),().1(01201001220102010停机输出失败信息否则转置若否则转停机输出若计算置计算置最大迭代次数误差限初始向量输入y x xk k N k y x Ay x x xy k N x a A ij ⇒⇒+⇒⇒⇒<<-+---=⇒=======λλααααλελλααααααλαλααε类似幂法和反幂法可以写出按模最小特征值算法，此处不再赘述。
3.matlab 程序代码function [r,y]=aitken(A,x0,eps,n) % r按模最大特征值,y为对应特征向量k=1;αa0=0; % a 相当于0αa1=1; % a1 相当于1r0=1; % 相当于2中的0λy=x0./max(abs(x0)); % 规范化初始向量x=A*y;αa2=max(abs(x)); % a2相当于2r=a0-(a1-a0)^2/(a2-2*a1+a0); % 相当于λif (a2-2*a1+a0)==0 % 若上式中分母为0，则迭代失败，返回disp "初始向量迭代失败"return;endif abs(r-r0)<eps% 判断第一次迭代后是否满足要求，如满足，则返回结果returnendwhile abs(r-r0)>eps && k<n % 终止条件k=k+1;a0=a1;a1=a2;r0=r;y=x./max(abs(x));x=A*y; % 迭代格式a2=max(abs(x));if (a2-2*a1+a0)==0 % 若分母为0，则迭代失败，返回return;endr=a0-(a1-a0)^2/(a2-2*a1+a0);[m,index]=max(abs(eig(A))); % 以下代码保证取出来的按模最大特征值aa=eig(A); % 是原值，而非其绝对值。
if aa(index)>0 ||aa(index)==0r=r;e lser=-r;endendend类似可得按模最小特征值和特征向量的代码如下：与上面类似，所不同的只是迭代格式不同.function [r,y]=invaitken(A,x0,eps,n)k=1;a0=0;a1=1;r0=1;y=x0./max(abs(x0));[L,U]=lu(A); % 迭代格式的不同z=L\y;x=U\z;a2=max(abs(x));r=a0-(a1-a0)^2/(a2-2*a1+a0);i f (a2-2*a1+a0)==0disp "初始向量迭代失败"return;endif abs(r-r0)<eps% 判断第一次迭代后是否满足要求，如满足，则返回结果returnendwhile abs(r-r0)>eps && k<nk=k+1;a=b;b=c;r0=r;y=x./max(abs(x));z=L\y;x=U\z;a2=max(abs(x));if (a2-2*a1+a0)==0return;endr=a0-(a1-a0)^2/(a2-2*a1+a0);end[m,index]=min(abs(eig(A))); % 以下代码保证取出来的按模最大特征值aa=eig(A); % 是原值，而非其绝对值。
数值分析幂法和反幂法
数值分析幂法和反幂法数值分析中的幂法和反幂法是求解矩阵最大特征值和最小特征值的常用方法。
这两种方法在许多数值计算问题中都有着广泛的应用，包括图像压缩、数据降维、谱聚类等。
幂法（Power Method）是一种迭代算法，通过不断迭代矩阵与一个向量的乘积，来逼近原矩阵的最大特征值和对应的特征向量。
其基本思想是，对于一个矩阵A和一维向量x，可以通过不断迭代计算Ax，Ax，Ax...，来使得向量x逼近最大特征值对应的特征向量。
具体的迭代过程如下：1.初始化一个向量x0（可以是单位向量或任意非零向量）2.令x1=Ax0，对向量进行归一化（即除以向量的范数）得到x13.重复步骤2，即令x2=Ax1，x3=Ax2...，直到收敛（即相邻迭代向量的差的范数小于一些阈值）为止4. 最终得到的向量xn就是A的最大特征值对应的特征向量在实际求解时，我们可以将迭代过程中的向量进行归一化，以防止数值溢出或下溢。
此外，为了提高迭代速度，我们可以选择使得xn与xn-1的内积大于0的方向作为迭代方向，这样可以使得特征值的模快速收敛到最大特征值。
幂法的收敛性是保证的，但收敛速度可能较慢，尤其是当最大特征值与其他特征值非常接近时。
此时可能需要使用一些改进的方法来加速收敛，例如Rayleigh商或位移策略。
相反，反幂法（Inverse Power Method）是求解矩阵的最小特征值和对应的特征向量的方法。
它的基本思想和幂法类似，但在每次迭代中，需要计算A和依其逆矩阵A-1的乘积。
迭代过程如下：1.初始化一个向量x0（可以是单位向量或任意非零向量）2.令x1=A-1x0，对向量进行归一化（即除以向量的范数）得到x13.重复步骤2，即令x2=A-1x1，x3=A-1x2...4. 最终得到的向量xn就是A的最小特征值对应的特征向量反幂法和幂法的区别在于迭代过程中乘以了A的逆矩阵，从而可以利用矩阵的特殊结构或性质来提高迭代速度。
同时，在实际求解时，可能需要将矩阵进行一些变换，以确保A-1存在或数值稳定性。
幂法、反幂法求矩阵特征值
#include "stdafx.h"#include "math.h"#define A(i,j) a[i-j+3][j]double a[5][501];inline double vectornorm2(double*b,int n){double sum=0.0;int i;for(i=0;i<n;i++)sum+=b[i]*b[i];return sqrt(sum);}//add the parameter index,because in the powermetod using vector//infinite norm needs to known the index of maximum component of the vector inline double vectornorm8(double*b,int n,int& index){double max=0.0;int i;for(i=0;i<n;i++)if(max<fabs(b[i])){max=fabs(b[i]);index=i;}return max;}//A为系数矩阵，b为返回的特征向量，n为矩阵的阶数，delta为允许误差//幂法计算特征值可以有两种方法，这里用的是向量的无穷范数double powermethod8(int n,double*b,double delta){double*b1;double yita,sum,beta1,beta2;int i,j,k;//初始迭代向量for(i=0;i<n;i++)b[i]=10;b1=new double[n];beta1=0;beta2=1;while(fabs((beta2-beta1)/beta2)>delta){yita=vectornorm8(b,n,k);for(i=0;i<n;i++){b1[i]=b[i]/yita;if(fabs(b1[i])<delta)b1[i]=0;}for(i=0;i<n;i++){sum=0;for(j=0;j<n;j++)if(abs(i-j)<3)sum+=A(i,j)*b1[j];b[i]=sum;}beta1=beta2;beta2=(b1[k]>=0?1:-1)*b[k];}delete[]b1;return beta2;}int maximum(int a1,int b1,int c1) {int max;max=a1;if(b1>max)max=b1;if(c1>max)max=c1;return max;}/////////////////////////*上半带宽s，下半带宽r*/////////////////////////bool sanjiaodai(int n,int s,int r) {int i,j,k,m;double sum;if(A(0,0)==0){printf("第0个主元素为0\n"); return false;}i=0;m=n<(i+r+1)?n:i+r+1;for(i=1;i<m;i++)A(i,0)=A(i,0)/A(0,0);for(i=1;i<n;i++){m=n<(i+s+1)?n:i+s+1;for(j=i;j<m;j++){sum=0;for(k=maximum(0,i-r,j-s);k<i;k++)sum+=A(i,k)*A(k,j);A(i,j)=A(i,j)-sum;}m=n<(i+r+1)?n:i+r+1;for(j=i+1;j<m;j++){sum=0;for(k=maximum(0,i-r,j-s);k<i;k++)sum+=A(j,k)*A(k,i);if(A(i,i)==0){printf("第%d个主元素为0\n",&i);return false;}A(j,i)=(A(j,i)-sum)/A(i,i);}}return true;}bool huidai(int n,int s,int r,double*b){//使用数组b来保存中间变量y，和x的解int i,k;double sum;for(i=1;i<n;i++){sum=0;for(k=(0>i-r?0:i-r);k<i;k++)sum=sum+A(i,k)*b[k];b[i]=b[i]-sum;}b[n-1]=b[n-1]/A((n-1),(n-1));for(i=n-2;i>=0;i--){sum=0;for(k=i+1;k<(n<i+s+1?n:i+s+1);k++)sum+=A(i,k)*b[k];b[i]=(b[i]-sum)/A(i,i);}return true;}//反幂法的每一步迭代都需要求解一个线性方程组，在这里先对A进行LU分解//计算特征值时使用2范数//flag参数表示是否同时求解A的行列式值double inversepowermethod(int n,double* b,double delta,bool flag){double*b1;double yita,beta1,beta2,sum;int i;//初始迭代向量for(i=0;i<n;i++)b[i]=1;b1=new double[n];beta1=0;beta2=1.0;sanjiaodai(n,2,2);if(flag){sum=1;for(i=0;i<n;i++)sum=sum*A(i,i);printf("矩阵A的行列式值为：%.12e\n",sum);}while(fabs((beta2-beta1)/beta2)>delta){yita=vectornorm2(b,n);for(i=0;i<n;i++){b1[i]=b[i]/yita;if(fabs(b1[i])<delta)b1[i]=0;b[i]=b1[i];}huidai(n,2,2,b);beta1=beta2;beta2=0;for(i=0;i<n;i++)beta2+=b1[i]*b[i];}beta2=1.0/beta2;delete[]b1;return beta2;}int main(int argc, char* argv[]){int i,j,k;//获取Adouble lamda1,lamdas,lamda501,miu,lamda,sum;double b[501];for (i=0;i<501;i++)for(j=0;j<501;j++){switch (j-i){case 0:A(i,j)=(1.64-0.024*(i+1))*sin(0.2*(i+1))-0.64*exp(0.1/(i+1));break;case 1:case -1:A(i,j)=0.16;break;case 2:case -2:A(i,j)=-0.064;}}//计算按模最大的特征值，它有可能是lamda1，也有可能是lamda501 //如果大于则是lamda501；否则是lamda1lamda1=powermethod8(501,b,1.0e-12);printf("lamda1= %.12e\n",lamda1);lamdas=inversepowermethod(501,b,1.0e-12,true);printf("lamdas= %.12e\n",lamdas);for (i=0;i<501;i++)for(j=0;j<501;j++){switch (j-i){case 0:A(i,j)=(1.64-0.024*(i+1))*sin(0.2*(i+1))-0.64*exp(0.1/(i+1))+10;break;case 1:case -1:A(i,j)=0.16;break;case 2:case -2:A(i,j)=-0.064;}}lamda501=powermethod8(501,b,1.0e-12);printf("lamda501= %.12e\n",lamda501-10);for(k=0;k<39;k++){miu=lamda1+k*(lamda501-lamda1)/40;for (i=0;i<501;i++)for(j=0;j<501;j++){switch (j-i){case 0:A(i,j)=(1.64-0.024*(i+1))*sin(0.2*(i+1))-0.64*exp(0.1/(i+1))-miu; break;case 1:case -1:A(i,j)=0.16;break;case 2:case -2:A(i,j)=-0.064;}}lamda=inversepowermethod(501,b,1.0e-12,false);printf("lamdai%d= %.12e\n",k,lamda+miu);}printf("A的条件数为：%.12e",fabs(lamda1/lamdas));return 0;}。
【强烈推荐】幂法和反幂法求矩阵特征值_毕业论文
3.设计程序并进行计算；
4.对结果进行解释说明；
采用方法
及结果
说明
对于幂法和反幂法求解矩阵特征值和特征向量的问题将从问题分析，算法设计和流程图，理论依据，程序及结果进行阐述该问题。
一．问题的分析：
求n阶方阵A的特征值和特征向量，是实际计算中常常碰到的问题，如：机械、结构或电磁振动中的固有值问题等。对于n阶矩阵A，若存在数和n维向量x满足
m=m+m0;
在matlab输入面板，输入
A=rand（4）；%产生一个4维随机矩阵
B=A+A’；
u=[1 1 1 1]’;%设立初始向量
Ax=x（1）
则称为矩阵A的特征值，x为相应的特征向量。
由高等代数知识可知，特征值是代数方程
|I-A|=+a+…+a+a=0（2）
的根。从表面上看，矩阵特征值与特征向量的求解问题似乎很简单，只需求解方程（2）的根，就能得到特征值，再解齐次方程组
（I-A）x=0（3）
的解，就可得到相应的特征向量。
上述方法对于n很小时是可以的。但当n稍大时，计算工作量将以惊人的速度增大，并且由于计算带有误差，方程（2）未必是精确的特征方程，自然就不必说求解方程（2）与（3）的困难了。幂法是一种计算矩阵主特征值（矩阵按模最大的特征值）及对应特征向量的迭代方法，特别是用于大型稀疏矩阵。反幂法是计算海森伯格阵或三角阵的对应一个给定近似特征值的特征向量的有效方法之一。
k=k+1;
end
在matlab输入面板，输入
A=rand（4）；%产生一个4维随机矩阵
B=A+A’；
u=[1 1 1 1]’;%设立初始向量
幂法反幂法求解矩阵最大最小特征值及其对应的特征向量
幂法反幂法求解矩阵最大最小特征值及其对应的特征向量幂法和反幂法是求解矩阵最大最小特征值及其对应特征向量的常用方法。
在本文中，我们将详细介绍这两种方法的原理和具体实现。
一、幂法（Power Method）幂法是一种迭代算法，用于求解矩阵的最大特征值及其对应的特征向量。
其基本思想是通过多次迭代得到矩阵的一个特征值和特征向量的近似值，并使其逼近真实值。
幂法的原理如下：1.初始化一个非零向量b0作为初始特征向量；2.计算b0的归一化向量b0/，b0，得到新的向量b1；3.计算矩阵A和向量b1的乘积Ab1，得到新的向量b2；4.对b2进行归一化，得到新的向量b3；5.重复步骤3和步骤4，直到b的变化趋于稳定；6.计算矩阵A和向量b的乘积Ab，得到新的向量b；7.特征值的近似值λ=，Ab，/，b。
具体实现如下：1.初始化一个非零向量b0；2.迭代n次进行如下操作：a. 计算bn=A*bn-1；b. 将bn进行归一化，得到bn=bn/，bn；3. 计算特征值的近似值lambda=，A*bn，/，bn；4. 特征向量的近似值vbn=bn。
幂法的优点是计算简单、迭代次数少，但对于含有多个特征值接近的矩阵，可能会收敛到次大特征值。
二、反幂法（Inverse Power Method）反幂法是幂法的拓展，用于求解矩阵的最小特征值及其对应的特征向量。
其基本思想是通过多次迭代得到矩阵的一个特征值和特征向量的近似值，并使其逼近真实值。
反幂法的原理如下：1.初始化一个非零向量b0作为初始特征向量；2.计算b0的归一化向量b0/，b0，得到新的向量b1；3.计算矩阵A的逆矩阵Ai和向量b1的乘积Ai*b1，得到新的向量b2；4.对b2进行归一化，得到新的向量b3；5.重复步骤3和步骤4，直到b的变化趋于稳定；6.计算矩阵A的逆矩阵Ai和向量b的乘积Ai*b，得到新的向量b；7.特征值的近似值λ=，Ai*b，/，b。
具体实现如下：1.初始化一个非零向量b0；2.迭代n次进行如下操作：a. 计算bn=inv(A)*bn-1；b. 将bn进行归一化，得到bn=bn/，bn；3. 计算特征值的近似值lambda=，inv(A)*bn，/，bn；4. 特征向量的近似值vbn=bn。
幂法及反幂法
) k x i → 0 (当 k → ∞ ).
(2) 对迭代向量序列 {vk } 对迭代向量序列: k Ak v0 λ1 (α 1 x1 + ε k ) α1 x1 + ε k vk = = = λ1 k max(Ak 1v0 ) max( λ1 1 (α 1 x1 + ε k 1 )) max(α1 x1 + ε k 1 ) k = max( v k ) = λ1 max(α 1 x1 + ε k ) → λ1 , (当 k → ∞ )) 于是, 于是, 1 当k → ∞ max(α 1 x1 + ε k 1 ) 即 v k绝对值最大的分量当 k → ∞ 时,趋向于特征根 λ 1 . 结论: 结论: 个线性无关的特征向量; 定理 8 (1)设 A ∈ R n× n 有n个线性无关的特征向量; 个线性无关的特征向量 (2)设A特征值满足 | λ1 |>| λ2 |≥ ≥| λn |, 且 Axi = λi xi (i = 1,, n); ) 特征值满足 {v 由改进幂法得到的规范化向量序列及 3){u (3){uk } 及 {vk }由改进幂法得到的规范化向量序列及迭代向量 序列(( ((2 ),则有 序列((2.7)式),则有 x1 lim (a ) lim uk = ; (b ) k → ∞ k = lim max( v k ) = λ1 . k →∞ k →∞ max( x1 ) λ r = | 2 | 确定. 确定. 且收敛速度由比值 λ1
则有迭代向量序列{v k }及规范化向量序列 {uk } .
u0 = v0 ≠ 0 ( 且α 1 ≠ 0) vk = Auk 1 , k = max(vk ) 迭代 : ( k = 1,2,) 规范化 : uk = vk / k 的关系. 先考虑 {uk }, {v k } 与计算 λ1 及 x 1 的关系.
反幂法用来计算矩阵按模最小的特征值及其特征向量
(1)
lim
k
uk
xj
,
max (x j )
(2)
lim
k
max(
vk
)
j
1
p
,即
6
p
1 max (vk
)
j
(当k ),
且收敛速度由比值 r j p / mi确inj 定.i p
由该定理知，对 A(其p中I 可用来计算特征向量 x .j
) p应用反j 幂法，
只要选择的 是p 的一j 个较好的近似且特征值分离情
况较好，一般 r很小，常常只要迭代一二次就可完成特征
向量的计算.
反幂法迭代公式中的 是vk通过解方程组
( A pI )vk uk1
求得的. 为了节省工作量，可以先将 A 进pI行三角分解
7
P( A pI ) LU ,
x3 (1, 1 3, 2 3)T (1, 0.73205, 0.26795)T , 由此看出 u是2 的x3相当好的近似.
特征值3 1.2679 1/ 2 1.267949013 ， 的真值 3 3 3 1.26794912 .
v1 (12692, 9290.3, 3400.8)T ,
11
u1 (1, 0.73198, 0.26795)T , 由 LUv2 ，P得u1
v2 (20404, 14937, 5467.4)T , u2 (1, 0.73206, 0.26796)T ,
对3 应的特征向量是
如果矩阵 ( A 存p在I )，1 其特征值为
3
数值分析幂法和反幂法
数值分析幂法和反幂法数值分析中，幂法（Power method）和反幂法（Inverse Power method）是求解矩阵的特征值和特征向量的两种常用方法。
它们都是通过迭代过程逼近特征值和特征向量。
1.幂法：幂法是求解矩阵的最大特征值和对应的特征向量的一种迭代方法。
幂法的原理是通过迭代过程，将一个任意选择的初始向量不断与矩阵相乘，使其逼近对应最大特征值的特征向量。
幂法的迭代公式为：$x^{(k+1)} = \frac{Ax^{(k)}}{\，Ax^{(k)}\，}$幂法的迭代过程是不断对向量进行归一化，使其逐渐逼近最大特征值对应的特征向量。
当迭代次数足够多时，可以得到非常接近最大特征值的估计。
2.反幂法：反幂法是幂法的一种变形，用于求解矩阵的最小特征值和对应的特征向量。
反幂法的原理是通过迭代过程，将一个任意选择的初始向量不断与矩阵的逆相乘，使其逼近对应最小特征值的特征向量。
反幂法的迭代公式为：$x^{(k+1)} = \frac{A^{-1}x^{(k)}}{\，A^{-1}x^{(k)}\，}$反幂法的迭代过程同样是不断对向量进行归一化，使其逐渐逼近最小特征值对应的特征向量。
当迭代次数足够多时，可以得到非常接近最小特征值的估计。
3.收敛性分析：幂法和反幂法的收敛性分析与矩阵的特征值分布有关。
对于幂法而言，如果矩阵$A$的最大特征值是唯一的，并且其他特征值的绝对值小于最大特征值的绝对值，那么幂法是收敛的，而且收敛速度是指数级的。
对于反幂法而言，如果矩阵$A$的最小特征值是唯一的，并且其他特征值的绝对值大于最小特征值的绝对值，那么反幂法是收敛的，而且同样是指数级的收敛速度。
4.实际应用：幂法和反幂法在实际中广泛应用于各个领域，例如物理、工程、计算机科学等。
比如在结构力学中，幂法可以用来求解结构的自振频率和相应的振型；在电力系统中，反幂法可以用来求解电力系统决定性特征值，例如功率稳定性的最小特征值。
数值方法课程设计幂法反幂法计算矩阵特征值和特征向量-附Matlab程序
矩阵的特征值与特征向量的计算摘要物理，力学，工程技术中的很多问题在数学上都归结于求矩阵特征值的问题，例如振动问题（桥梁的振动，机械的振动，电磁振动等）、物理学中某些临界值的确定问题以及理论物理中的一些问题。
矩阵特征值的计算在矩阵计算中是一个很重要的部分，本文使用幂法和反幂法分别求矩阵的按模最大，按模最小特征向量及对应的特征值。
幂法是一种计算矩阵主特征值的一种迭代法，它最大的优点是方法简单，对于稀疏矩阵比较合适，但有时收敛速度很慢。
其基本思想是任取一个非零的初始向量。
由所求矩阵构造一向量序列。
再通过所构造的向量序列求出特征值和特征向量。
反幂法用来计算矩阵按模最小特征向量及其特征值，及计算对应于一个给定近似特征值的特征向量。
本文中主要使用反幂法计算一个矩阵的按模最小特征向量及其对应的特征值。
计算矩阵按模最小特征向量的基本思想是将其转化为求逆矩阵的按模最大特征向量。
然后通过这个按模最大的特征向量反推出原矩阵的按模最小特征向量。
关键词：矩阵；特征值；特征向量；冥法；反冥法THE CALCULATIONS OF EIGENVALUE AND EIGENVECTOR OF MATRIXABSTRACTPhysics, mechanics, engineering technology in a lot of problems in mathematics are attributed to matrix eigenvalue problem, such as vibration (vibration of the bridge, mechanical vibration, electromagnetic vibration, etc.) in physics, some critical values determine problems and theoretical physics in some of the problems. Matrix eigenvalue calculation is a very important part in matrix computation. In this paper, we use the power method and inverse power method to calculate the maximum of the matrix, according to the minimum characteristic vector and the corresponding characteristic value.Power method is an iterative method to calculate the eigenvalues of a matrix. It has the advantage that the method is simple and suitable for sparse matrices, but sometimes the convergence rate is very slow. The basic idea is to take a non - zero initial vector. Construct a vector sequence from the matrix of the matrix. Then the eigenvalues and eigenvectors are obtained by using the constructed vector sequence.The inverse power method is used to calculate the minimum feature vectors and their eigenvalues of the matrix, and to calculate the eigenvalues of the matrix. In this paper, we use the inverse power method to calculate the minimum eigenvalue of a matrix and its corresponding eigenvalues. The basic idea of calculating the minimum characteristic vector of a matrix is to transform it to the maximumc haracteristic vector of the modulus of the inverse matrix. Then, according to the model, the minimum feature vector of the original matrix is introduced.Key words: Matrix ；Eigenvalue ；Eigenvector ；Iteration methods;目录1引言 (1)2相关定理。
幂法和反幂法求矩阵特征值课程知识讲解
v (k ) =Au (k 1) ,m =max(v (k ) ), u (k ) = v (k ) / m
k
k
（3）若|
m= k
m k 1 |<
，则停止计算（m k 作为绝对值最大特征值 1 ，u (k) 作为
相应的特征向量）否则置 k=k+1，转（2）
2、反幂法算法
（1）取初始向量 u (0) （例如取 u (0) =(1,1,…1) T ）,置精度要求 ，置 k=1.
要
2.选择合适问题求解的数值计算方法；
求
3.设计程序并进行计算；
4.对结果进行解释说明；
对于幂法和反幂法求解矩阵特征值和特征向量的问题将从问题分析，算 法设计和流程图，理论依据，程序及结果进行阐述该问题。
一．问题的分析：
求 n 阶方阵 A 的特征值和特征向量，是实际计算中常常碰到的问题，如：
采
机械、结构或电磁振动中的固有值问题等。对于 n 阶矩阵 A，若存在数 和
按式（1）计算出 m 和 u (k ) 满足 k
lim
k
m
k
=
1
,
lim u (k ) = x1
k
max( x1 )
（二）反幂法算法的理论依据及推导
反幂法是用来计算绝对值最小的特征值忽然相应的特征向量的方法。是对 幂法的修改，可以给出更快的收敛性。 1、反幂法的迭代格式与收敛性质
设 A 是非奇异矩阵，则零不是特征值，并设特征值为 | 1 |≥| 2 |≥…≥| n1|>| n |
则按 A 1 的特征值绝对值的大小排序，有
| 1 |>| 1 |≥…≥| 1 |
n
n 1
1
计算方法52幂法与反幂法
*
13
3. 幂法的改进
用幂法计算A的主特征值及对应的特征向量时,如果
,
,迭代向量的各个不等于零的分量将随
而趋
于无穷（或趋于零），这样造成计算机中的“溢出”。为了克 服这个问题，利用向量的方向与长度无关这一性质，将迭代 向量的长度规范化（“规一化”）以改进幂法。
所谓向量长度规范化,就是将向量的分量同除以一个常数,使 向量长度为1,向量长度有多种度量法,可以采用 或 ,
0.042292
0.034389
0.41260
4
0.017451
0.014190
0.41263
可取10.41263 ,v1(0.017451,0.014190)T
*
(vk)2 / (vk-1)2
0.41665 0.41267 0.41263
12
在幂法中，我们构造的序列
可以看出
因此，若序列收敛慢的话，可能造成计算的溢出或归0
计算方法52幂法与反幂 法
2020年5月17日星期日
问题的提法：
设
,其特征值为 ,对应特征向量为
即
，且
征值及对应的特征向量。
线性无关。求矩阵A的主特
幂法的基本思想: 任取一个非零初始向量
，
由矩阵A的乘幂构造一向量序列
称 为迭代向量。
2 *
(1)幂法:
1.A 特征值中 为强占优,即
问题： 设 即
的特征向量。
敛可能很慢。
8 *
定理7： （1）设
有n个线性无关的特征向量；
（2）设A的特征值满足
（3）幂法：
则
*
9
2. A的主特征值为实的r重根，即
问题： 设