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。

permc_specstr, 可选

如何排列矩阵的列以保持稀疏性。（默认值：'COLAMD'）

NATURAL: 自然顺序。
MMD_ATA: 基于A^T A结构的最小度排序。
MMD_AT_PLUS_A: 基于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

对角线元素作为可接受主元的阈值。详见SuperLU用户指南[1]

relaxint, 可选

用于自定义超级节点松弛程度的专家选项。详见SuperLU用户指南[1]

panel_sizeint, 可选

用于自定义面板大小的专家选项。详见SuperLU用户指南[1]

optionsdict, 可选

包含SuperLU其他专家选项的字典。详见SuperLU用户指南[1]（第2.4节关于“Options”参数的内容）。例如，可以指定options=dict(Equil=False, IterRefine='SINGLE'))来关闭均衡并执行单次迭代细化。

返回:

invAscipy.sparse.linalg.SuperLU: 对象，具有solve方法。

另请参见

spilu: 不完全LU分解

注释

当一个实数数组被分解，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，将初始数组转换为复数，然后进行分解。

此函数使用SuperLU库。

参考

[1] (1,2,3,4)

SuperLU https://portal.nersc.gov/project/sparse/superlu/

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.])