有一种直接的方法可以利用您对最小特征对的先验知识：您可以简单地在每次迭代（例如逆迭代）中将当前特征向量估计的分量投影到常数向量的方向上。然后，您应该期望迭代收敛到与第二小的特征值相对应的特征向量，即您想要的 Fiedler 向量。

根据图的连通性，您可能希望也可能不希望在逆迭代之前运行稀疏直接分解，以加速$A^{-1}$. 一旦逆迭代方法开始工作，您还可以考虑用 Krylov 算法替换它，这需要更多的编码工作，但收敛速度应该更快。

您可以将 Matlab 计算的特征值近似值作为移位$\sigma$在逆迭代中。如果您将残差累积到高精度，您可以通过这种方式获得特征向量的完全准确度，使用诸如

Ogita、Rump 和 Oishi，带有应用程序的精确和和点积， http: //oishi.info.waseda.ac.jp/~oishi/papers/OgRuOi05.pdf

一个例外是特征值接近缺陷的情况；那么您需要使用应用的子空间方法$(A-\sigma I)^{-1}$作为矩阵。

你可以得到完整的特征分解eig(full(A))