Ctrl+K
scipy.sparse.linalg.

splu#

scipy.sparse.linalg.splu(A, permc_spec=None, diag_pivot_thresh=None, relax=None, panel_size=None, options=None)[源代码]#

计算稀疏方阵的 LU 分解。

参数:
A稀疏数组或矩阵

要分解的稀疏数组。 以 CSC 格式提供时效率最高。 其他格式将在分解前转换为 CSC 格式。

permc_specstr，可选

如何排列矩阵的列以保留稀疏性。（默认：'COLAMD'）

  • NATURAL：自然排序。

  • MMD_ATA：A^T A 结构的最小度排序。

  • MMD_AT_PLUS_A：A^T+A 结构的最小度排序。

  • COLAMD：近似最小度列排序

diag_pivot_threshfloat，可选

用于使对角线项成为可接受主元的阈值。 有关详细信息，请参阅 SuperLU 用户指南 [1]

relaxint，可选

用于自定义松弛超节点的程度的专家选项。 有关详细信息，请参阅 SuperLU 用户指南 [1]

panel_sizeint，可选

用于自定义面板大小的专家选项。 有关详细信息，请参阅 SuperLU 用户指南 [1]

optionsdict，可选

包含 SuperLU 其他专家选项的字典。 有关更多详细信息，请参阅 SuperLU 用户指南 [1]（关于“选项”参数的第 2.4 节）。 例如，您可以指定 options=dict(Equil=False, IterRefine='SINGLE')) 来关闭平衡并执行单次迭代细化。

返回:
invAscipy.sparse.linalg.SuperLU

对象，具有 solve 方法。

另请参阅

spilu

不完全 LU 分解

备注

此函数使用 SuperLU 库。

参考文献

示例

>>> import numpy as np
>>> from scipy.sparse import csc_array
>>> from scipy.sparse.linalg import splu
>>> A = csc_array([[1., 0., 0.], [5., 0., 2.], [0., -1., 0.]], dtype=float)
>>> B = splu(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.])
在本页