Metodi iterativi
G. Puppo
Metodi iterativi
•
•
•
•
Problema del fill-in
Metodo di Jacobi
Metodo di Gauss Seidel
Studio della convergenza
Problema del Fill-in
Se calcoliamo la fattorizzazione LU di una matrice A
sparsa cioè con un numero elevato di elementi nulli,
otteniamo che i fattori L ed U sono molto più “pieni”
Esempio
Consideriamo per esempio la matrice:
>> a=[4 -1 0 0 1; -1 4 -1 0 0; 0 -1 4 -1 0; 0 0 -1 4 -1; 1 0 0 -1 4]
a=
4 -1 0 0 1
-1 4 -1 0 0
0 -1 4 -1 0
0 0 -1 4 -1
1 0 0 -1 4
Questa matrice è tridiagonale, con solo 2 elementi diversi da 0
fuori della struttura tridiagonale
Calcolando la fattorizzazione LU otteniamo
>> [l,u]=lu(a)
l=
1.0000
0
0
0
0
-0.2500 1.0000
0
0
0
0 -0.2667 1.0000
0
0
0
0 -0.2679 1.0000
0
0.2500 0.0667 0.0179 -0.2632 1.0000
u=
4.0000 -1.0000
0
0 1.0000
0 3.7500 -1.0000
0 0.2500
0
0 3.7333 -1.0000 0.0667
0
0
0 3.7321 -0.9821
0
0
0
0 3.4737
Continuo lo studio del fill-in
Per approfondire lo studio del fill in, devo creare matrici
sparse più grandi e analizzarne la struttura. Servono dei nuovi
comandi
• Function SPDIAGS
• Function FULL
• Function SPY
Function SPDIAGS
Il comando A=spdiags(B,d,m,n) crea una matrice A m per n,
con diagonali uguali alle colonne di B, disposte nella posizione
indicate dal vettore d:
b=
Esempio:
(1,1)
6
(2,1)
-1
>> n=10;
(6,1)
1
>> e=ones(n,1);
(1,2)
-1
>> b=[e, -e, 6*e, -e, 2*e];
(2,2)
6
>> d=[-n/2 -1 0 1 n/2];
(3,2)
-1
>> a=spdiags(b,d,n,n);
(7,2)
1
Crea una matrice 10X10, con 5 diagonali
………….
non nulle
Function FULL
La matrice creata da SPDIAGS è memorizzata considerando
solo gli elementi diversi da zero, in modo da conservarne la
struttura sparsa. Per avere la matrice completa, devo espanderla
con FULL.
>> n=10;
>> e=ones(n,1);
>> b=[e, -e, 6*e, -e, 2*e];
>> d=[-n/2 -1 0 1 n/2];
>> a=spdiags(b,d,n,n);
>> full(a)
ans =
6 -1 0 0 0 2 0 0 0 0
-1 6 -1 0 0 0 2 0 0 0
0 -1 6 -1 0 0 0 2 0 0
0 0 -1 6 -1 0 0 0 2 0
0 0 0 -1 6 -1 0 0 0 2
1 0 0 0 -1 6 -1 0 0 0
0 1 0 0 0 -1 6 -1 0 0
0 0 1 0 0 0 -1 6 -1 0
0 0 0 1 0 0 0 -1 6 -1
0 0 0 0 1 0 0 0 -1 6
Function SPY
La function spy(a) permette di visualizzare la sparsità di una
matrice.
Il comando SPY(A) genera un grafico, nel quale sono
evidenziati con un punto solo gli elementi di A che sono
diversi da zero.
Esempio.
Studiamo la sparsità della fattorizzazione LU della matrice
A.
Per far questo, applichiamo SPY sia ad A che alla
fattorizzazione LU, per N=10 e per N=100. Per visualizzare
sia L che U nella figura che segue, la function SPY è stata
applicata alla matrice L+U.
Risultati ottenuti con il programma fill_in.m
Listato dello script fill_in.m
% Questo programma studia il fill-in della fattorizzazione LU
% di una matrice sparsa A
k=0;
for n=[10, 100]
e=ones(n,1);
b=[e, -e, 6*e, -e, 2*e];
d=[-n/2 -1 0 1 n/2];
a=spdiags(b,d,n,n);
full(a);
k=k+1;
subplot(2,2,k)
spy(a)
title('Matrice A')
k=k+1;
[l,u]=lu(a);
subplot(2,2,k)
spy(l+u)
title('Fattorizzazione LU')
end
Commenti
I risultati precedenti dimostrano che la fattorizzazione
LU di una matrice sparsa genera un gran numero di
elementi diversi da zero.
Il numero degli elementi diversi da zero inoltre cresce
velocemente all’aumentare delle dimensioni della
matrice.
Quindi, se risolvo un sistema lineare sparso usando la
fattorizzazione LU devo:
- calcolare un elevato numero di elementi;
- memorizzare tutti gli elementi calcolati.
Per questo tipo di sistemi, è conveniente usare i metodi
iterativi
Metodi iterativi
Per applicare un metodo iterativo ad una matrice sparsa, devo
evitare di memorizzare tutta la matrice, altrimenti perdo tutti i
possibili vantaggi del metodo iterativo.
Infatti, se ho abbastanza memoria per memorizzare A, ho anche
abbastanza memoria per memorizzare la fattorizzazione LU.
Inoltre, ogni iterazione richiede il prodotto A*x, e diventa quindi
molto costosa se non sfrutto la sparsità di A.
Per applicare un metodo iterativo, quindi, devo sfruttare
la struttura del sistema lineare che devo risolvere. In
particolare, devo usare matrici sparse.
Tuttavia, iniziamo per ora ad applicare i metodi di Jacobi e
di Gauss Seidel usando la formula generale..
Le functions che otterremo ora non sfrutteranno la
struttura di A e quindi non saranno efficienti, ma ci
daranno informazioni sulla velocità di convergenza.
Metodo di Jacobi
Scriviamo una function che applichi il metodo di Jacobi ad un
generico sistema A*x=b. La function richiesta deve:
• dare in output il vettore soluzione e il numero
delle iterazioni che sono state eseguite;
• avere in input la matrice A ed il termine noto B;
• contenere un opportuno test di arresto.
Listato per il metodo di Jacobi (function jacobi.m)
function [xnew,nit]=jacobi(a,b)
% JACOBI(A,B) calcola la soluzione XNEW ottenuta con il metodo di
%
Jacobi e il numero NIT di iterazioni necessarie
%
per il sistema lineare A*XNEW=B
% Sintassi: [XNEW,NIT]=JACOBI(A,B)
% Attenzione: Applicazione naive del metodo di Jacobi, che non
%
sfrutta la sparsita' di A.
[n,m]=size(a);
if m ~= n
display('A non e'' quadrata')
return
end
m=length(b);
if m ~= n
display('B non e'' compatibile')
return
end
continua...
Calcolo della nuova stima:
% Come vettore iniziale usa b:
x=b’;
kmax=n^2;
for k=1:kmax
for i=1:n
sum=b(i);
for j=1:n
if j~=i
sum=sum-a(i,j)*x(j);
end
end
xnew(i)=sum/a(i,i);
end
continua...
La formula iterativa per il
metodo di Jacobi è
Test di arresto:
% Test di arresto:
res = norm(a*xnew' -b);
diff = norm(x-xnew);
if res <= eps*norm(b) | diff<=eps*norm(x)
nit=k;
return
else
x=xnew;
end
end
nit=kmax;
Risolvo, usando il metodo di Jacobi, il sistema lineare A*X=B,
dove A è la stessa matrice N X N costruita dalla function
SPARSA(N) e B è il vettore ONES(N,1):
function a=sparsa(n)
% Genera la matrice sparsa n*n a diagonale dominante
% usata come esempio in questo capitolo
e=ones(n,1);
% per avere una matrice a diagonale dominante, diag>=5
diag=6;
b=[e, -e, diag*e, -e, 2*e];
d=[-n/2, -1, 0, 1, n/2];
a=spdiags(b,d,n,n);
Per applicare il metodo di Jacobi, devo dare i seguenti comandi:
>> n=10;
>> a=sparsa(n);
>> afull=full(a);
>> b=ones(n,1);
>> [x,nit]=jacobi(afull,b);
Considero N=10
Ottengo:
>> x
x=
Columns 1 through 8
0.1197 0.1393 0.1440 0.1503 0.1692 0.2106 0.2140 0.2126
Columns 9 through 10
0.2059 0.1728
>> nit
nit =
54
Esercizio
Modificare la function per il metodo di Jacobi, facendo in
modo che la function immagazzini in un vettore res(k) la
norma del residuo all’iterazione k: res(k)= norm(b - A*xk), e
aggiungere questo vettore alle variabili in output.
Fare un grafico del residuo in funzione di k, per il metodo di
Jacobi applicato al sistema Ax=b, dove A è la matrice
costruita dalla function tridiag(n), per N=10, N=20, N=40, e b
è il vettore b = 1.
Metodo di Gauss Seidel
Scriviamo una function che applichi il metodo di Gauss Seidel
ad un generico sistema A*x=b. La function richiesta deve:
• dare in output il vettore soluzione e il numero
delle iterazioni che sono state eseguite;
• avere in input la matrice A ed il termine noto B;
• contenere un opportuno test di arresto.
Listato per il metodo di Gauss Seidel (function gs.m)
function [x,nit]=gs(a,b)
% GS(A,B) calcola la soluzione XNEW ottenuta con il metodo di
%
Gauss Seidel e il numero NIT di iterazioni necessarie
%
per il sistema lineare A*XNEW=B
% Sintassi: [XNEW,NIT]=GS(A,B)
% Attenzione: Applicazione naive del metodo di Gauss Seidel, che non
%
sfrutta la sparsita' di A.
[n,m]=size(a);
if m ~= n
display('A non e'' quadrata')
return
end
m=length(b);
if m ~= n
display('B non e'' compatibile')
return
end
Calcolo della nuova stima:
% Come vettore iniziale usa b:
x=b';
kmax=n^2;
for k=1:kmax
xold=x; %immagazzina il vecchio vettore X
for i=1:n
sum=b(i);
for j=1:n
if j~=i
sum=sum-a(i,j)*x(j);
end
end
x(i)=sum/a(i,i); %Riscrive su X
end
Test di arresto:
% Test di arresto:
res = norm(a*x' -b);
diff = norm(x-xold);
if res <= eps*norm(b) | diff<=eps*norm(x)
nit=k;
return
end
end
nit=kmax;
Per applicare il metodo di Gauss-Seidel, devo dare i seguenti comandi:
>> n=10;
>> a=sparsa(n);
>> afull=full(a);
>> b=ones(n,1);
>> [x,nit]=gs(afull,b);
Ottengo:
>> x
x=
Columns 1 through 8
0.1197 0.1393 0.1440 0.1503 0.1692 0.2106 0.2140 0.2126
Columns 9 through 10
0.2059 0.1728
>> nit
nit =
30
Commenti
Ottengo circa lo stesso vettore soluzione, X, ma il numero
di iterazioni è molto più basso (circa la metà). Si può
dimostrare infatti che per matrici a diagonale dominante:
• convergono sia il metodo di Jacobi che il metodo
di Gauss Seidel.
• Il metodo di Gauss Seidel richiede circa la metà
delle iterazioni effettuate dal metodo di Jacobi.
Esercizio
Ripetere l’esercizio precedente, costruendo questa volta un
grafico per il residuo ottenuto con il metodo di Gauss Seidel,
in funzione di k.
Confrontare i risultati del metodo di Gauss Seidel con quelli
ottenuti con il metodo di Jacobi
Metodo efficiente di Jacobi
Tutti i programmi scritti finora non utilizzano le
funzionalità vettoriali di Matlab. E’ possibile ottenere una
versione molto più efficiente. Per ottenere qualcosa di
meglio, devo cercare di evitare di scrivere i conti per
componenti.
L’algoritmo del metodo di Jacobi in forma vettoriale è:
D*x n+1 = -(A-D)*x n + b
Quindi devo estrarre la diagonale D di A e risolvere il sistema:
x n+1 = -D\ ((A-D) * x n + b)
Notare che in questo modo A può essere una matrice
memorizzata in forma sparsa
Nuova versione della function per il metodo di Jacobi:
function [xnew,nit]=jacobi(a,b)
% X=JACOBI(A,B): Calcola la soluzione X del sistema
%
A*X=B, usando il metodo iterativo di Jacobi
% [X,NIT]=JACOBI(A,B) Calcola la soluzione X del sistema
%
A*X=B e il numero NIT di iterazioni eseguite
% Estrae la diagonale principale di A
dd=diag(a,0);
% Costruisce la matrice diagonale come matrice sparsa
n = length(a);
dd = spdiags(dd,0,n,n);
% Usa B come stima iniziale X0
xold = b;
% Stima un tetto al numero massimo di iterazioni
nmax=length(dd)^2;
La diagonale dd deve essere scritta come matrice diagonale per
poter essere sommata ad A
…continua...
for n = 1:nmax
xnew = dd\( (dd-a)*xold +b);
% Test di arresto
res = norm(a*xnew -b);
diff = norm(xnew-xold);
if res <= eps*norm(b) | diff<=eps*norm(xold)
nit=n;
return
else
xold = xnew;
end
end
nit=nmax;
N.B. questa function può essere usata assegnando in input sia una
matrice A scritta in forma sparsa, che una matrice A piena: la
velocità di esecuzione cambia drasticamente
Questi sono i tempi di esecuzione
ottenuti con matrici piene…
METODO DI JACOBI-MATRICE IN FORMA PIENA
600
tempo di esecuzione
500
400
300
200
100
0
0
100
200
300
400
500
600
dimensione matrice
700
800
900
…e questi sono i tempi di esecuzione ottenuti
con le stesse matrici in forma sparsa
METODO DI JACOBI-MATRICE IN FORMA SPARSA
10
9
8
tempo di esecuzione
7
6
5
Se vi sembra che i
due grafici siano
simili, confrontate
le scale verticali
4
3
2
1
0
0
100
200
300
400
500
600
dimensione matrice
700
800
900
Convergenza dei metodi iterativi
Sappiamo che un metodo iterativo converge se e solo se il
raggio
spettrale della matrice di iterazione è minore di 1.
Quindi un metodo per stabilire la convergenza di un metodo
iterativo è il seguente:
• Calcolo la matrice di iterazione.
• Calcolo gli autovalori della matrice di
iterazione.
• Prendo l’autovalore di modulo massimo e ne
studio il modulo
Autovalori di una matrice
Per calcolare gli autovalori di una matrice, Matlab dispone della
function EIG:
>>x=eig(a)
crea un vettore x che contiene una stima degli autovalori di a.
>> [x,d]=eig(a)
Crea una matrice X che contiene gli autovettori di A e una
matrice D diagonale che contiene gli autovalori
Esempio:
>> a=[1 2 3; 4 5 6; 7 8 9];
>> x=eig(a)
x=
16.1168
-1.1168
-0.0000
Verifico che gli autovalori trovati sono una stima degli autovalori
esatti, calcolando il determinante di A - l*eye(3):
>> for i=1:3
res(i)=det(a-x(i)*eye(3));
end
>> res
res =
1.0e-011 *
0.1848 0.0002 -0.0018
Convergenza del metodo di
Jacobi
La matrice di iterazione per il metodo di Jacobi è
B = D-1*(A-D),
dove D contiene gli elementi sulla diagonale di A
Costruisco un programma che calcoli il raggio spettrale della
matrice di iterazione B per il metodo di Jacobi.
Function RHO=CONV_JAC(A)
function rho=conv_jac(a)
% Calcola il raggio spettrale RHO per la matrice di iterazione
%
del metodo di Jacobi applicato alla matrice A
% Sintassi RHO=CONV_JAC(A)
[n,m]=size(a);
if m ~= n
display('A non e'' quadrata')
return
end
for i=1:n
d(i,i)=a(i,i);
end
b=d\(a-d);
x=eig(b);
rho=max( abs(x));
Convergenza del metodo di
Gauss-Seidel
La matrice di iterazione per il metodo di Gauss-Seidel è
B = E-1*(A-E),
dove E è formata dagli elementi della parte triangolare
inferiore di A
Costruisco un programma che calcoli il raggio spettrale della
matrice di iterazione B per il metodo di Gauss-Seidel.
Function CONV_GS(A)
function rho=conv_gs(a)
% Calcola il raggio spettrale RHO per la matrice di iterazione
%
del metodo di Jacobi applicato alla matrice A
% Sintassi RHO=CONV_JAC(A)
[n,m]=size(a);
if m ~= n
display('A non e'' quadrata')
return
end
for i=1:n
for j=1:i
d(i,j)=a(i,j);
end
end
b=d\(a-d);
x=eig(b);
rho=max( abs(x));
Esercizio
Scrivere una function che calcoli una matrice 5 per 5
con tutti gli elementi ai,j = -1, tranne che sulla diagonale
principale, dove ai,j = 4 + δ.
Studiare l’andamento del raggio spettrale della matrice
di iterazione del metodo di Jacobi per valori piccoli di δ,
per esempio δ compreso fra 0 e 0.1.
Per quali valori di δ il metodo di Jacobi converge più
velocemente?
