问题
假设我可以将模型编写为 Hermitian eigensystem:
在哪里是 Hermitian,或作为广义 Hermitian 特征系统:
在哪里是厄米特和是肯定的。必须小多少比使广义模型更有效?
资格
我知道还有许多其他因素会影响答案。一般的直觉是最好的,但是,如果增加的复杂性是不可避免的,假设:
- 串行求解器
- 直接求解器
- 是密集的
- 这需要具有最低特征值的特征对,其中
- 和对同一系统建模,因此在特征对很小
- 在哪里, 和
不同资格的答案也可能对其他读者有用。
假设我可以将模型编写为 Hermitian eigensystem:
我知道还有许多其他因素会影响答案。一般的直觉是最好的,但是,如果增加的复杂性是不可避免的,假设:
不同资格的答案也可能对其他读者有用。
对于密集的直接求解器,Golub 和 Van Loan(矩阵计算,第 3 版)仅报告以下特征值的成本估算:
标准特征问题:(第 359 页)。
广义特征问题:(第 385 页)。
成本在翻牌(加法和乘法成本每个)。
如果您还想要特征向量,则必须在 Schur 分解中计算正交矩阵(或要么分别在 QZ 中),然后您可以使用逆迭代获得它们。GVL 中没有明确报告成本,但我的猜测如下(对于特征向量,我假设一步逆迭代() 上三角矩阵就够了,再乘以正交矩阵 ()):
标准特征问题:
广义特征问题:.
所有这些数字都是近似的,因为它们假设移动 QR/QZ 步长的“典型平均”数量。
如果它是一个稀疏的特征问题或者它大于它在 RAM 中的大小,我怀疑你能否得到现实的先验估计(但我是一个密集的人,所以我可能是错的)。