QR-алгоритм

QR-алгоритм — это численный метод в линейной алгебре, предназначенный для решения полной проблемы собственных значений, то есть отыскания всех собственных чисел и собственных векторов матрицы. Был разработан в конце 1950-х годов независимо В. Н. Кублановской и Дж. Фрэнсисом.

Алгоритм

Пусть A — вещественная матрица, для которой мы хотим найти собственные числа и векторы. Положим A₀=A. На k-м шаге (начиная с k = 0) вычислим QR-разложение A_k=Q_kR_k, где Q_k — ортогональная матрица (то есть Q_k^T = Q_k⁻¹), а R_k — верхняя треугольная матрица. Затем мы определяем A_k+1 = R_kQ_k.

Заметим, что

$A_{k+1}=R_{k}Q_{k}=Q_{k}^{-1}Q_{k}R_{k}Q_{k}=Q_{k}^{-1}A_{k}Q_{k}=Q_{k}^{T}A_{k}Q_{k},$

то есть все матрицы A_k являются подобными, то есть их собственные значения равны.

Пусть все диагональные миноры матрицы A не вырождены. Тогда последовательность матриц A_k при $k\to \infty ,$ сходится по форме к клеточному правому треугольному виду, соответствующему клеткам с одинаковыми по модулю собственными значениями.

Для того, чтобы получить собственные векторы матрицы, нужно перемножить все матрицы Q_k.

Алгоритм считается вычислительно устойчивым, т. к. производится ортогональными преобразованиями подобия.

Доказательство для симметричной положительно определённой матрицы

Будем считать, что собственные числа положительно-определённой матрицы A упорядочены по убыванию:

$\lambda _{1}>\lambda _{2}>...>\lambda _{n}>0.$

Пусть

$\Lambda =\mathrm {diag} \left(\lambda _{1},...,\lambda _{n}\right),$

а S — матрица, составленная из собственных векторов матрицы A. Тогда, матрица A может быть записана в виде спектрального разложения

$A=S\Lambda S^{T}.$

Найдём выражение для степеней исходной матрицы через матрицы Q_k и R_k. С одной стороны, по определению QR-алгоритма:

$A^{k}=A_{1}^{k}=\left(Q_{1}R_{1}\right)^{k}=Q_{1}\left(R_{1}Q_{1}\right)^{k-1}R_{1}=Q_{1}A_{2}^{k-1}R_{1}.$

Применяя это соотношение рекурсивно, получим:

$A^{k}=Q_{1}\cdot ...\cdot Q_{k}\cdot R_{k}\cdot ...\cdot R_{1}$

Введя следующие обозначения:

$S_{k}=Q_{1}\cdot ...\cdot Q_{k},$

$T_{k}=R_{k}\cdot ...\cdot R_{1},$

получим

$A^{k}=S_{k}T_{k}.$

С другой стороны:

$A^{k}=S\Lambda ^{k}S^{T}.$

Приравнивая правые части последних двух формул, получим:

$S\Lambda ^{k}S^{T}=S_{k}T_{k}.$

Предположим, что существует LU-разложение матрицы S^T:

$S^{T}=LU,$

тогда

$S\Lambda ^{k}LU=S_{k}T_{k}.$

Умножим справа на обратную к U матрицу, а затем — на обратную к Λ^k:

$S\Lambda ^{k}L=S_{k}T_{k}U^{-1},$

$S\Lambda ^{k}L\Lambda ^{-k}=S_{k}T_{k}U^{-1}\Lambda ^{-k}.$

Можно показать, что

$\Lambda ^{k}L\Lambda ^{-k}\to \mathrm {diag} \left(l_{11},...,l_{nn}\right)=L^{\prime }.$

При $k\to \infty$ без ограничения общности можно считать, что на диагонали матрицы L стоят единицы, поэтому

$S_{k}T_{k}U^{-1}\Lambda ^{-k}\to S.$

Обозначим

$P_{k}=T_{k}U^{-1}\Lambda ^{-k},$

причём матрица P_k является верхнетреугольной, как произведение верхнетреугольных и диагональных матриц.

Таким образом, мы доказали, что

$S_{k}P_{k}\to S$.

Из единственности QR-разложения следует, что если произведение ортогональной и треугольной матрицы сходится к ортогональной матрице, то треугольная матрица сходится к единичной матрице. Из сказанного следует, что

$S_{k}=Q_{1}\cdot ...\cdot Q_{k}\to S.$

То есть матрицы S_k сходятся к матрице собственных векторов матрицы A.

Так как

$A_{k+1}=Q_{k}^{T}A_{k}Q_{k}=...=\left(Q_{k}^{T}\cdot ...\cdot Q_{1}^{T}\right)A_{1}\left(Q_{1}\cdot ...\cdot Q_{k}\right)=\left(Q_{1}\cdot ...\cdot Q_{k}\right)^{T}A\left(Q_{1}\cdot ...\cdot Q_{k}\right),$

то

$A_{k+1}=S_{k}^{T}AS_{k}.$

Переходя к пределу, получим:

$\lim _{k\to \infty }A_{k}=\lim _{k\to \infty }A_{k+1}=S^{T}AS=S^{T}S\Lambda S^{T}S=\Lambda .$

Итак, мы доказали, что QR-алгоритм позволяет решить полную проблему собственных значений для симметричной положительно-определённой матрицы.

Реализация QR-алгоритма

При определенных условиях последовательность матриц $A_{k}$ сходится к треугольной матрице, разложению Шура матрицы $A$. В этом случае собственные числа треугольной матрицы располагаются на ее диагонали, и задача нахождения собственных чисел считается решенной. В тестах на сходимость не практично требовать точных нулей в нулевой части матрицы, но можно воспользоваться теоремой о кругах Гершгорина, задающей пределы ошибок.

В исходном состоянии матрицы (без дополнительных преобразований) стоимость итераций относительно высока. Стоимость алгоритма можно уменьшить, сначала приведя матрицу $A$ к форме верхней матрицы Хессенберга (стоимость получения которой методом, основанном на преобразовании Хаусхолдера, оценивается как ${10 \over 3}n^{3}+O(n^{2})$ арифметических операций), и затем используя конечную последовательность ортогональных преобразований подобия. Данный алгоритм чем-то похож на двухсторонюю QR-декомпозицию. (В обычной QR-декомпозиции матрица отражений Хаусхолдера умножается на исходную только слева, тогда как в случае использования формы Хессенберга матрица отражений умножается на исходную и слева, и справа.) Нахождение QR-декомпозиции верхней матрицы Хессенберга оценивается как $6n^{2}+O(n)$ арифметических операций. Из-за того, что форма матрицы Хессенберга почти верхнетреугольная (у неё только один поддиагональный элемент не равен нулю), удается сразу снизить число итераций требуемых для схождения QR-алгоритма.

В случае, если исходная матрица симметричная, верхняя матрица Хессенберга также симметричная и поэтому является трехдиагональной. Этим же свойством обладает вся последовательность матриц $A_{k}$. В этом случае стоимость процедуры оценивается как ${4 \over 3}n^{3}+O(n^{2})$ арифметических операций с использованием метода, основанного на преобразовании Хаусхолдера. Нахождение QR-разложения симметричной трехдиагональной матрицы оценивается как $O(n)$ операций.

Скорость сходимости зависит от степени разделения собственных чисел, и в практической реализации в явном или неявном виде используюся «сдвиги» для усиления разделения собственных чисел и для ускорения сходимости. В типичном виде для симметричных матриц QR-алгоритм точно находит одно собственное число (уменьшая размерность матрицы) за одну или две итерации, что делает этот подход как эффективным, так и надежным.

Реализация QR-алгоритма в неявном виде

В современной вычислительной практике QR-алгоритм реализуется с использованием его неявной версии, что упрощает добавление множественных «сдвигов». Исходно матрица приводится к форме верхней матрицы Хессенберга $A_{0}=QAQ^{T}$, так же как и в явной версии. Затем, на каждом шаге первая колонка $A_{k}$ преобразуется через малоразмерное преобразование подобия Хаусхолдера к первой колонке $p(A_{k})$ (или $p(A_{k})e_{1}$), где $p(A_{k})$ — это полином степени $r$, который определяет стратегию «сдвигов» (обычно $p(x)=(x-\lambda )(x-{\bar {\lambda }})$, где $\lambda$ и ${\bar {\lambda }}$ — это два собственных числа остаточной подматрицы $A_{k}$ размера 2×2, это так называемый неявный двойной сдвиг). Затем последовательные преобразования Хаусхолдера размерности $r+1$ производятся с целью вернуть рабочую матрицу $A_{k}$ к форме верхней матрицы Хессенберга.

Ссылки

• Заметки Питера Олвера о ортогональных базисах и QR-алгоритме (англ.)