七矩陣特征值的乘冪方法和反乘冪方法

1、1、用冪法計(jì)算矩陣A的主特征值和對應(yīng)的特征向量。function k,lambda,Vk,Wc=mifa(A,V0,jd,max1)lambda=0;k=1;Wc=1;jd=jd*0.1;state=1;V=V0;while(k<=max1)&(state=1) Vk=A*V; m j=max(abs(Vk); mk=m*sign(Vk(j); tzw=abs(lambda-mk);Vk=(1/mk)*Vk; txw=norm(V-Vk);Wc=max(txw,tzw);V=Vk; lambda=mk; state=0; if(Wc>jd) state=1; end k=k

2、+1;endif(Wc<=jd) disp('迭代次數(shù)k，主特征值的近似值lambda，主特征向量的近似向量Vk，相鄰兩次迭代的誤差Wc如下：')else disp('迭代次數(shù)k已經(jīng)達(dá)到最大迭代次數(shù)max1，主特征值的迭代值lambda，主特征向量的迭代向量Vk，相鄰兩次迭代的誤差Wc如下：')endVk=V;k=k-1;Wc;>> A=1 -1;2 4;>> V0=1,1'>> k,lambda,Vk,Wc=mifa(A,V0,0.00001,100)迭代次數(shù)k，主特征值的近似值lambda，主特征向量的近似向

3、量Vk，相鄰兩次迭代的誤差Wc如下：k = 33lambda = 3.0000Vk = -0.5000 1.0000Wc = 8.6919e-007>> V,D=eig(A)V = -0.7071 0.4472 0.7071 -0.8944D = 2 0 0 3>> Dzd=max(diag(D)Dzd = 3>> wuD=abs(Dzd-lambda)wuD = 1.7384e-006>> wuV=V(:,2)./VkwuV = -0.8944 -0.8944>> A=1 2 3;2 1 3;3 3 6;>> V0=1

4、1 1'>> k,lambda,Vk,Wc=mifa(A,V0,0.00001,100)迭代次數(shù)k，主特征值的近似值lambda，主特征向量的近似向量Vk，相鄰兩次迭代的誤差Wc如下：k = 3lambda = 9Vk = 0.5000 0.5000 1.0000Wc = 0>> V,D=eig(A)V = 0.7071 0.5774 0.4082 -0.7071 0.5774 0.4082 0 -0.5774 0.8165D = -1.0000 0 0 0 -0.0000 0 0 0 9.0000>> Dzd=max(diag(D)Dzd = 9&

5、gt;> wuD=abs(Dzd-lambda)wuD = 0>> wuV=V(:,2)./VkwuV = 1.1547 1.1547 -0.5774>> A=1 2 2;1 -1 1;4 -12 1;>> V0=1 1 1'>> k,lambda,Vk,Wc=mifa(A,V0,0.00001,100)迭代次數(shù)k已經(jīng)達(dá)到最大迭代次數(shù)max1，主特征值的迭代值lambda，主特征向量的迭代向量Vk，相鄰兩次迭代的誤差Wc如下：k = 100lambda = -0.0909Vk = 1.0000 1.0000 1.0000Wc = 1

6、.9582>> V,D=eig(A)V = 0.9045 -0.7255 -0.7255 0.3015 -0.2176 - 0.0725i -0.2176 + 0.0725i -0.3015 0.5804 - 0.2902i 0.5804 + 0.2902iD = 1.0000 0 0 0 -0.0000 + 1.0000i 0 0 0 -0.0000 - 1.0000i>> Dzd=max(diag(D)Dzd = 1.0000>> wuD=abs(Dzd-lambda)wuD = 1.0909>> wuV=V(:,2)./VkwuV = -0

7、.7255 -0.2176 - 0.0725i 0.5804 - 0.2902i（4）>> A=-4 14 0;-5 13 0;-1 0 2;>> V0=1 1 1'>> k,lambda,Vk,Wc=mifa(A,V0,0.00001,100)迭代次數(shù)k，主特征值的近似值lambda，主特征向量的近似向量Vk，相鄰兩次迭代的誤差Wc如下：k = 22lambda = 6.0000Vk = 1.0000 0.7143 -0.2500Wc = 8.1744e-007>> V,D=eig(A)V = 0 0.7974 0.6667 0 0.5

8、696 0.3333 1.0000 -0.1994 -0.6667D = 2.0000 0 0 0 6.0000 0 0 0 3.0000>> Dzd=max(diag(D)Dzd = 6.0000>> wuD=abs(Dzd-lambda)wuD = 8.1744e-007>> wuV=V(:,2)./VkwuV = 0.7974 0.79740.79742、用原點(diǎn)位移反冪法計(jì)算矩陣A的特征值和對應(yīng)的特征向量。function k,lambdan,Vk,Wc=ydwyfmf(A,V0,jlamb,jd,max1)n,n=size(A);A1=A-jlamb

9、*eye(n);jd=jd*0.1;RA1=det(A1);if RA1=0 disp('因?yàn)锳-aE的n階行列式了等于零，所以A-aE不能進(jìn)行LU分解.') returnendlambda=0;if RA1=0 for p=1:n h(p)=det(A1(1:p,1:p); end h1=h(1:n); for i=1:n if h(1,i)=0 disp('因?yàn)锳-aE的階主子式等于零，所以A-aE不能進(jìn)行LU分解.') return end end if h(1,i)=0 disp('因?yàn)锳-aE的各階主子式都不等于零，所以A-aE能進(jìn)行LU分解.

10、') k=1;Wc=1;state=1;Vk=V0; while(k<=max1)&(state=1) L U=lu(A1);Yk=LVk;Vk=UYk; m j=max(abs(Vk);mk=m*sign(Vk(j);Vk1=Vk/mk;Yk1=LVk1;Vk1=UYk1; m j=max(abs(Vk1);mk1=m*sign(Vk1(j);Vk2=(1/mk1)*Vk1; tzw1=abs(mk-mk1)/mk1); tzw2=abs(mk1-mk); txw1=norm(Vk)-norm(Vk1); txw2=(norm(Vk)-norm(Vk1)/norm(Vk

11、1); txw=min(txw1,txw2);tzw=min(tzw1,tzw2); mk=mk1;Wc=max(txw,tzw);Vk=Vk2;state=0; if (Wc>jd) state=1; end k=k+1;%Vk=Vk2,mk=mk1 end if (Wc<=jd) disp('A-aE的秩R（A-aE）和各階順序主子式h1、迭代次數(shù)k、按模最小特征值的近似值lambda、特征向量的近似向量Vk、相鄰兩次迭代的誤差Wc如下：') else disp('A-aE的秩R（A-aE）和各階順序主子式h1、迭代次數(shù)k已經(jīng)達(dá)到最大迭代次數(shù)max1、按

12、模最小特征值的迭代值lambda、特征向量的迭代向量Vk、相鄰兩次迭代的誤差Wc如下：') end h1,RA1 endendV,D=eig(A,'nobalance'),Vk;k=k-1;Wc;lambdan=jlamb+1/mk1;>> A=1 -1 0;-2 4 -2;0 -1 2;>> V0=1 1 1'>> jlamb=0.2;>> k,lambdan,Vk,Wc=ydwyfmf(A,V0,jlamb,0.0001,100)因?yàn)锳-aE的各階主子式都不等于零，所以A-aE能進(jìn)行LU分解.A-aE的秩R（A

13、-aE）和各階順序主子式h1、迭代次數(shù)k、按模最小特征值的近似值lambda、特征向量的近似向量Vk、相鄰兩次迭代的誤差Wc如下：h1 = 0.8000 1.0400 0.2720RA1 = 0.2720V = -0.2424 -1.0000 -0.5707 1.0000 -0.7616 0.3633 -0.3200 -0.4323 1.0000D = 5.1249 0 0 0 0.2384 0 0 0 1.6367k = 3lambdan = 0.2384Vk = 1.0000 0.7616 0.4323Wc = 1.0213e-007>> A=1 -1;2 4;>>

14、 V0=1 1'>> jlamb=2.001;>> k,lambdan,Vk,Wc=ydwyfmf(A,V0,jlamb,0.0001,100)因?yàn)锳-aE的各階主子式都不等于零，所以A-aE能進(jìn)行LU分解.A-aE的秩R（A-aE）和各階順序主子式h1、迭代次數(shù)k、按模最小特征值的近似值lambda、特征向量的近似向量Vk、相鄰兩次迭代的誤差Wc如下：h1 = -1.0010 -0.0010RA1 =-9.9900e-004V = -1.0000 0.5000 1.0000 -1.0000D = 2 0 0 3k = 2lambdan = 2.0020Vk = 1.0000 -1.0000Wc = 6.7068e-007>> A=-11 2 15;2 58 3;15 3 -3;>> V0=1 1 1'>> jlamb=8.26;>> k,lambdan,Vk,Wc=ydwyfmf(A,V0,jlamb,0.0001,100)因?yàn)锳-aE的各階主子式都不等于零，所以A-aE能進(jìn)行LU分解.A-aE的秩R（A-aE）和各階順序主子式h1、迭代次數(shù)k、按模最小特征值的近似值lambda、特征向量的近