首页 > 代码库 > LU分解(2)

LU分解(2)

接着上次LU分解的讲解,这次给出使用不同的计算LU分解的方法,这种方法称为基于GaxPy的计算方法。这里需要了解lapapck中的一些函数。lapack中有一个函数名为gaxpy,所对应的矩阵计算公式是:x = Gx + y; 对应的Matlab代码如下:

function[L, U] =zgaxpylu(A)

%calculate LU decomposition based on Gaxpy operation

%the same way as zlu.m but differnt approach

 

[m, n] = size(A);

 

if m ~= n

    error(‘current support square matrix only‘)

end

 

L = eye(n);

U = eye(n);

 

for k = 1:n

    

    v = zeros(n, 1);

    if k == 1

        v(k:end) = A(k:end, k);

    else

        U(1:k-1,k) = L(1:k-1,1:k-1)\A(1:k-1,k);

        v(k:end) = A(k:end, k) - L(k:end, 1:k-1)*U(1:k-1,k);

    end

    

    if k < n

        L(k+1:end,k) = v(k+1:end)/v(k);

        L(k, k) = 1;

    end

    

    U(k, k) = v(k);

end

将这段代码运行1500次,每次使用随机生成的高斯矩阵并和Matlab的lu分解结果对比,统计数据如下:

mean of my lu     : 1.7676e-14

variance of my lu : 3.07075e-25

mean of matlab lu     : 3.70416e-16

variance of matlab lu : 2.14989e-32

和前一种方法不同,目前的这个方法显式的计算出L和U,而在前面的方法是计算出L,然后就可以拿到U。

使用部分选主元的方法进行LU分解,对应如下代码:

function [P, L, U] = zgaxpyplu(A)

%compute LU decomposition based on Gaxpy operation with pivoting

%aimed at improve the stability of LU decomposition

 

[m, n] = size(A);

if m ~= n

    error(current support square matrix only)

end

 

P = eye(n);

L = eye(n);

U = zeros(n);

 

for k = 1:n

    

    v = zeros(n, 1);

    

    if k == 1

        v(k:end) = A(k:end, 1);

    else

        U(1:k-1, k) = L(1:k-1, 1:k-1) \ A(1:k-1, k);

        v(k:n) = A(k:n, k) - L(k:n, 1:k-1)*U(1:k-1, k);

    end

    

    %find the largest element in v(k:end)

    [max_value, max_index] = max(v(k:end));

    max_index = max_index + k - 1;

    

    if max_index ~= k

        %exchange the max_index-th row and k-th row

        A([k max_index], k+1:n) = A([max_index k], k+1:n);

        %exchange the max_index-th row and k-th row in L

        if k > 1

            L([k max_index], 1:k-1) = L([max_index k], 1:k-1);

        end

        P([k max_index], :) = P([max_index k], :);

        v([k max_index]) = v([max_index k]);

    end

    

    if (abs(v(k)) > 1e-6) && (k < n)

        v(k+1:end) = v(k+1:end) / v(k);

        L(k+1:end, k) = v(k+1:end);

    end

    

    U(k, k) = v(k);

end

运行这段代码1500次,每次都使用随机生成的矩阵和Matlab的LU分解做对比,结果如下:

mean of my lu : 2.02547e-15
variance of my lu : 9.06349e-29
mean of matlab lu : 3.65765e-16
variance of matlab lu : 1.98304e-32

将每个算法和同类型的算法相比,使用gaxpy的算法都比之前的方法要好。但是现在有一个问题是使用pivot的算法居然比不使用pivot的算法没有足够显著的改进,当然这也证明了使用基于gaxpy运算可以提高LU分解的稳定性。

 

总结:LU分解是用于求解线性方程组最基本的矩阵分解方法,对于LU分解可以使用高斯消元法,也可以使用基于gaxpy的运算方法。但是从目前的结果来看,使用gaxpy运算可以极大的提高LU分解的稳定性。但是作为成熟的方法,使用lapack中对应的方法是最好的选择。