scipy.sparse.linalg.

lgmres#

scipy.sparse.linalg.lgmres(A, b, x0=None, *, rtol=1e-05, atol=0.0, maxiter=1000, M=None, callback=None, inner_m=30, outer_k=3, outer_v=None, store_outer_Av=True, prepend_outer_v=False)[source]#

使用 LGMRES 算法求解 Ax = b

LGMRES 算法 [1] [2] 旨在避免重启 GMRES 中收敛的一些问题,并且通常以更少的迭代次数收敛。

参数:
A{稀疏数组, ndarray, LinearOperator}

线性系统的实数或复数 N×N 矩阵。或者,A 可以是一个线性算子,可以使用例如 scipy.sparse.linalg.LinearOperator 生成 Ax

bndarray

线性系统的右手边。形状为 (N,) 或 (N,1)。

x0ndarray

解的起始猜测值。

rtol, atolfloat,可选

收敛性测试的参数。为了收敛,应该满足 norm(b - A @ x) <= max(rtol*norm(b), atol)。默认值为 rtol=1e-5atol 的默认值为 0.0

maxiterint,可选

最大迭代次数。即使未达到指定的容差,迭代也会在 maxiter 步后停止。

M{稀疏数组, ndarray, LinearOperator},可选

A 的预处理器。预处理器应近似于 A 的逆。有效的预处理显着提高收敛速度,这意味着需要更少的迭代才能达到给定的误差容限。

callbackfunction,可选

用户提供的函数,用于在每次迭代后调用。它被调用为 callback(xk),其中 xk 是当前解向量。

inner_mint,可选

每次外部迭代的内部 GMRES 迭代次数。

outer_kint,可选

在内部 GMRES 迭代之间携带的向量数。根据 [1],较好的值在 1…3 的范围内。但是,请注意,如果您想使用额外的向量来加速求解多个相似问题,则较大的值可能是有益的。

outer_v元组列表,可选

包含向量和相应矩阵向量乘积的元组 (v, Av) 的列表,用于增强 Krylov 子空间,并在内部 GMRES 迭代之间携带。如果应重新评估矩阵向量乘积,则元素 Av 可以为 Nonelgmres 就地修改此参数,并且可以在求解相似问题时用于传入和传出算法的“猜测”向量。

store_outer_Avbool,可选

LGMRES 是否应存储 A@v 以及 outer_v 列表中向量 v。默认值为 True。

prepend_outer_vbool,可选

是否将 outer_v 增强向量放在 Krylov 迭代之前。在标准 LGMRES 中,prepend_outer_v=False。

返回值:
xndarray

收敛的解。

infoint

提供收敛信息

  • 0 : 成功退出

  • >0 : 未达到容差的收敛,迭代次数

  • <0 : 非法输入或崩溃

注释

LGMRES 算法 [1] [2] 旨在避免重启 GMRES 中由于交替残差向量而导致的收敛速度降低。通常,它在某种程度上优于具有可比内存要求的 GMRES(m),或者至少不会差太多。

此算法的另一个优点是,您可以在 outer_v 参数中为其提供“猜测”向量,以增强 Krylov 子空间。如果解接近这些向量的跨度,则算法收敛得更快。如果在非线性步骤中 Jacobian 矩阵通常变化很小的情况下,需要一个接一个地反转几个非常相似的矩阵,例如在 Newton-Krylov 迭代中,这可能很有用。

参考文献

[1] (1,2,3)

A.H. Baker 和 E.R. Jessup 和 T. Manteuffel,“一种加速重启 GMRES 收敛的技术”,SIAM J. Matrix Anal. Appl. 26, 962 (2005)。

[2] (1,2)

A.H. Baker,“关于提高线性求解器重启 GMRES 的性能”,博士论文,科罗拉多大学 (2003)。

示例

>>> import numpy as np
>>> from scipy.sparse import csc_array
>>> from scipy.sparse.linalg import lgmres
>>> A = csc_array([[3, 2, 0], [1, -1, 0], [0, 5, 1]], dtype=float)
>>> b = np.array([2, 4, -1], dtype=float)
>>> x, exitCode = lgmres(A, b, atol=1e-5)
>>> print(exitCode)            # 0 indicates successful convergence
0
>>> np.allclose(A.dot(x), b)
True