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.])