Поиск по сайту.

Другие алгоритмы.

Математика: Операции с матрицами.

Нижне-верхняя (LU) декомпозиция матрицы (метод Холецкого или Crout'а)

Copyright © Nikitine Valeri F. 2000,
сайт algorithm.narod.ru

Если мы можем разложить матрицу линейной системы A в произведение A=L*U, где L - нижняя, а U - верхняя треугольные матрицы, то решение системы уравнений с произвольной правой частью производится весьма просто, применением двух обратных подстановок. Более того, в отличие от известного метода Гаусса-Жордана, разложенная матрица позволяет быстро решать серии линейных уравнений с различными правыми частями при одной и той же матрице.

Метод Холецкого позволяет провести LU-декомпозицию матрицы примерно за то же число операций, что и "прямая" часть метода Гаусса-Жордана. Итоговые коэффициенты двух треугольных матриц упаковываются в матрицу того же размера, что и A, и на том же месте в памяти; при этом верхняя матрица U размещается в наддиагональной части и на диагонали; нижняя L в поддиагональной части, а диагональные элементы L считаются все равными 1 (без ограничения общности) и не выводятся.

Чтобы избежать вырожденности матрицы, вместо нуля может использоваться число TINY. В ряде задач это чрезвычайно полезно.

Метод Холецкого представляет из себя следующее:

  1. Положить Lii=1 i=0,...,N-1 (здесь ничего не производится, а только имеется в виду для дальнейших шагов;
  2. Для каждого j=0,1,...,N-1 проделать:
    1. Для всех i=0,...,j вычислить Uij:
      Uij=Aij - SUM(0<=k<i)(Lik*Uik)
      (при i=0 сумму полагать нулем);
    2. Для всех i=j+1,...,N-1 вычислить:
      Lij = Aij - SUM(0<=k<j)(Lik*Uik))/Uii
      Обе процедуры выполняются до перехода к новому j.

Устойчивая (с минимальными ошибками округления) работа алгоритма Холецкого возможна только при условии выбора ведущего элемента(pivot) для каждого обращения к j из п.2 алгоритма. Выбор производится перед выполнением п.2 для очередного j перестановки необработанных строк матрицы так, чтобы строка, подставляемая на место j, содержала наибольший по модулю элемент в колонке j. Порядок перестановки необходимо запомнить, для чего достаточно использовать дополнительный вектор целых величин. Еще один вектор используется внутри алгоритма для масштабирования.

Метод Холецкого имеет несколько приложений, одно из которых - решение системы линейных уравнений (обратная подстановка с учетом порядка перестановки строк), другие - вычисление обратной матрицы и вычисление детерминанта. Подробнее вызовы функций, связанных с алгоритмом Холецкого и реализация деталей алгоритма находятся в комментариях к программе и в ней самой.

Программа самой декомпозиции и некоторых ее приложений приводится ниже

/* 
  LU-decomposition according to Crout's algorithm with pivoting. 
        Description:
   int LU_decompos(double **a,int n,int *indx,int *d,double *vv);
        Parameters:
   a - source matrix (n x n) on input, destination on output;
   n - the matrix size;
   indx - integer array (size n) to remember permutations;
   d - on output, contains +1 or -1 for even or odd permutations number.
   vv - temporary array (size n).
           Returns: 
   0 - the source matrix is singular (invalid for decomposition),
   1 - if OK.

  Back substitution, using LU decomposed matrix.
        Description:
  void LU_backsub(double **a,int n,int *indx,double *b);
        Parameters:
  a - the matrix decomposed by Crout;
  n - the matrix size;
  indx - permutation order obtained by decomposition algorithm;
  b - the vector (size n) to be substituted on input, the result
      of the substitution on output.
  Note: a and indx are not modified by this routine and could be 
  used in multiple calls.

  Invertation of matrix, using LU decomposed matrix.
        Description:
  void LU_invert(double **a,int n,int *indx,double **inv,double *col);
        Parameters:
  a - the matrix decomposed by Crout;
  n - the matrix size;
  indx - permutation order obtained by decomposition algorithm;
  inv - the destination matrix;
  col - temporary array (size n).
  Note: test for singularity has been already obtained on the 
  matrix decomposition, a and indx are not modified by this routine, 
  the routine uses multiple backsubstitutions (previous algorithm).

  Obtaining the matrix determinant, using LU-decomposed matrix
        Description:
  double LU_determ(double **a,int n,int *indx,int *d);
        Parameters:
  a - the matrix decomposed by Crout;
  n - the matrix size;
  indx - permutation order obtained by decomposition algorithm;
  d - the parity sign (+1 or -1) obtained at decomposition.
        Returns:
  the determinant value. Note: non-zero (the matrix cannot be 
  singular, if decomposed properly); a, indx and d are not modified 
  by this routine.

*/

/* for fabs(); inclusion could be removed if fabs() is implemented inline */ 
#include <math.h> 
/* "small number" to avoid overflow in some cases */
#define TINY 1.e-30

/* the decomposition itself */
int LU_decompos(double **a, int n, int *indx, int *d, double *vv) {
  register int i,imax,j,k;
  double big,sum,temp;
  /* set 1 for initially even (0) transmutations number */
  *d=1;
  /* search for the largest element in each row; save the scaling in the 
     temporary array vv and return zero if the matrix is singular */
  for(i=0;i<n;i++) {
    big=0.;
    for(j=0;j<n;j++) if((temp=fabs(a[i][j]))>big) big=temp;
    if(big==0.) return(0);
    vv[i]=big;
  }
  /* the main loop for the Crout's algorithm */
  for(j=0;j<n;j++) {
    /* this is the part a) of the algorithm except for i==j */
    for(i=0;i<j;i++) {
      sum=a[i][j];
      for(k=0;k<i;k++) sum-=a[i][k]*a[k][j];
      a[i][j]=sum;
    }
    /* initialize for the search for the largest pivot element */
    big=0.; imax=j;
    /* this is the part a) for i==j and part b) for i>j 
       plus pivot search */
    for(i=j;i<n;i++) {
      sum=a[i][j];
      for(k=0;k<j;k++) sum-=a[i][k]*a[k][j];
      a[i][j]=sum;
      /* is the figure of merit for the pivot better than 
         the best so far? */
      if((temp=vv[i]*fabs(sum))>=big) {big=temp;imax=i;}
    }
    /* interchange rows, if needed, change parity and the scale factor */
    if(imax!=j) {
      for(k=0;k<n;k++) { 
        temp=a[imax][k]; a[imax][k]=a[j][k]; a[j][k]=temp;
      }
      *d=-(*d); vv[imax]=vv[j];
    }
    /* store the index */
    indx[j]=imax;
    /* if the pivot element is zero, the matrix is singular but for some 
       applications a tiny number is desirable instead */
    if(a[j][j]==0.) a[j][j]=TINY;
    /* finally, divide by the pivot element */
    if(j<n-1) {
      temp=1./a[j][j];
      for(i=j+1;i<n;i++) a[i][j]*=temp;
    }
  }
  return(1);
}

/* the back substitution */
void LU_backsub(double **a,int n,int *indx,double *b) {
  register int i,j,ip,ii=-1;
  double sum;
  /* First step of backsubstitution; the only wrinkle is to unscramble 
     the permutation order. Note: the algorithm is optimized for a 
     possibility of large amount of zeroes in b */
  for(i=0;i<n;i++) {
    ip=indx[i];
    sum=b[ip];b[ip]=b[i];
    if(ii>=0) for(j=ii;j<i;j++) sum-=a[i][j]*b[j];
    else if(sum) ii=i;  /* a nonzero element encounted */
    b[i]=sum;
  }
  /* the second step */
  for(i=n-1;i>=0;i--) {
    sum=b[i];
    for(j=i+1;j<n;j++) sum-=a[i][j]*b[j];
    b[i]=sum/a[i][i];
  }
}

/* the matrix invertation */
void LU_invert(double **a,int n,int *indx,double **inv,double *col) {
  register int i,j;
  for(j=0;j<n;j++) {
    for(i=0;i<n;i++) col[i]=0.;
    col[j]=1.;
    LU_backsub(a,n,indx,col);
    for(i=0;i<n;i++) inv[i][j]=col[i];
  }
}

/* calculating determinant */
double LU_determ(double **a,int n,int *indx,int *d) {
  register int j;
  double res=(double)(*d);
  for(j=0;j<n;j++) res*=a[j][j];
  return(res);
}



Вверх по странице, к оглавлению и навигации.