scipy.sparse.linalg.
spilu#
- scipy.sparse.linalg.spilu(A, drop_tol=None, fill_factor=None, drop_rule=None, permc_spec=None, diag_pivot_thresh=None, relax=None, panel_size=None, options=None)[source]#
计算稀疏方阵的不完全 LU 分解。
结果对象是对 A 的逆的近似。
- 参数:
- A(N, N) 类数组
要分解的稀疏数组。以 CSC 格式提供时效率最高。其他格式在分解前将转换为 CSC。
- drop_tol浮点数,可选
不完全 LU 分解的丢弃容差(0 <= tol <= 1)。(默认值:1e-4)
- fill_factor浮点数,可选
指定 ILU 的填充率上限(>= 1.0)。(默认值:10)
- drop_rule字符串,可选
要使用的丢弃规则,以逗号分隔的字符串。可用规则:
basic
,prows
,column
,area
,secondary
,dynamic
,interp
。(默认值:basic,area
)详见 SuperLU 文档。
- 其余其他选项
与
splu
相同
- 返回:
- invA_approxscipy.sparse.linalg.SuperLU
对象,该对象具有
solve
方法。
另请参阅
splu
完全 LU 分解
注意
当对实数数组进行分解,并且返回的 SuperLU 对象的
solve()
方法与复数参数一起使用时,会产生错误。相反,请将初始数组转换为复数,然后进行分解。为了更好地近似逆矩阵,您可能需要增加 fill_factor 并减小 drop_tol。
此函数使用 SuperLU 库。
示例
>>> import numpy as np >>> from scipy.sparse import csc_array >>> from scipy.sparse.linalg import spilu >>> A = csc_array([[1., 0., 0.], [5., 0., 2.], [0., -1., 0.]], dtype=float) >>> B = spilu(A) >>> x = np.array([1., 2., 3.], dtype=float) >>> B.solve(x) array([ 1. , -3. , -1.5]) >>> A.dot(B.solve(x)) array([ 1., 2., 3.]) >>> B.solve(A.dot(x)) array([ 1., 2., 3.])