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 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

      Identifiers

      0 references
      0 references
      0 references
      0 references
      0 references