No label defined (Q4720671)
From MaRDI portal
!
This is the item page for this Wikibase entity, intended for internal use and editing purposes. Please use the normal view instead:
scientific article; zbMATH DE number 3992791
| Language | Label | Description | Also known as |
|---|---|---|---|
| default for all languages | No label defined |
||
| English | No label defined |
scientific article; zbMATH DE number 3992791 |
Statements
1987
0 references
large sparse eigenvalue problems
0 references
trace maximation
0 references
generalized eigenvalue problem
0 references
maximization of the Rayleigh quotient
0 references
vector iteration
0 references
Lanczos method
0 references
Ritz projection
0 references
gradient method
0 references
steepest descent
0 references
convergence
0 references
preconditioning
0 references
advanced exposition
0 references
0.9135717
0 references
0.91273844
0 references
0.9116292
0 references
0.9063397
0 references
Der Verf. hat sich das Ziel gesetzt, eine bestimmte Klasse von Methoden zur Berechnung einiger Eigenwerte und der zugehörigen Eigenvektoren der allgemeinen Eigenwertaufgabe \(Kx=\lambda Mx\) eingehend darzustellen und insbesondere ihre Konvergenzeigenschaften zu untersuchen. Die Matrizen K und M sind symmetrisch und schwach besetzt, M ist positiv definit. Um die schwache Besetzung auszunützen, werden hauptsächlich solche Algorithmen betrachtet, welche auf der Maximierung des Rayleighschen Quotienten bzw. seiner Verallgemeinerung zum Funktional \(\mu\) (X) beruhen. Die klassischen Methoden der simultanen Vektoriteration und des Lanczos-Verfahrens werden hingegen mehr der Vollständigkeit halber weniger ausführlich behandelt, da sie eine die schwache Besetzung zerstörende Zerlegung einer Matrix erfordern. Zunächst werden die grundlegenden Tatsachen über die Ritz-Projektion, den Rayleighschen Quotienten und insbesondere seine Verallgemeinerung zur Spur \(\mu\) (X) einer Matrix F zusammengestellt. Darauf basieren mehrere Varianten eines fundamentalen Algorithmus mit unterschiedlicher Festlegung der Richtungs-Unterräume X, für welche nur die interessanten Gradienten-Varianten näher betrachtet werden. Für diese Spurmaximierungs-Algorithmen wird sodann die Konvergenz nachgewiesen, und für die Methode des steilsten Anstiegs werden zudem Aussagen über die Konvergenzrate gemacht. Im Zusammenhang mit der praktischen Anwendung wird auf die unerläßliche Vorkonditionierung eingegangen, um bei großen Problemen eine brauchbare Konvergenz zu erzielen. Das Buch vermittelt eine Fülle von interessanten theoretischen Ergebnissen und Hinweisen.
0 references