4,2.

Valores propios Informtica

FMS contiene subrutinas que son tiles para determinar algunos de los ms bajos valores y
vectores propios de los siguientes sistemas:
[A] {X} = [M] {X} [E]
donde:
[A] = un conocido N-por-N matriz almacenada por FMS,
{X} = un grupo N-por-M de vectores propios que se determinen,
[M] = un conocido N-por-N matriz con la escasez mismo como [A], o es una matriz
diagonal,
[E] es una diagonal de M-por-M matriz de valores propios que se determine.
Numerosas tcnicas estn disponibles actualmente para la computacin {X} y [E].
Ninguna tcnica es mejor para todas las matrices posibles [A] y [M]. Por esta razn, FMS
ofrece un enfoque modular de los valores propios de computacin.
Dos de las herramientas ms importantes utilizadas para los valores propios de
computacin ya se han presentado: la factorizacin de la matriz y vector solucin. Usted
puede factorizar las matrices [A] y [M] por s mismos o calcular los factores de la matriz
cambi [A] - c [M]. La velocidad de procesamiento de la fibromialgia le permite llevar a
cabo la factorizacin de la matriz en una base ms frecuente que en la actualidad se pueden
implementar en la mayora de los programas. Usted puede utilizar el parmetro FMS
NUMSCG para contar el nmero de cambios de signo en diagonal durante el proceso de
descomponer en factores para determinar el nmero de valores propios por debajo del
punto de cambio actual.
Una tcnica que muestra cmo utilizar FMS para los valores propios de computacin de
matrices de gran tamao es la iteracin subespacio. En esta tcnica, FMS proyecta el
problema original en un subespacio que tiene dimensiones considerablemente ms
pequeos.
Usted puede calcular los vectores propios en el subespacio y proyectar de nuevo al espacio
del problema. Repita este proceso hasta que los valores propios en el espacio del problema
convergen. Esta tcnica es especialmente til para grandes sistemas que residan en el
disco.
La siguiente figura muestra un diagrama de flujo del algoritmo de iteracin subespacio y el
FMS subrutinas que se puede utilizar en cada etapa del anlisis.

Se empieza el proceso mediante la seleccin de los valores iniciales de los vectores {X},
que definen el subespacio. El primer conjunto de vectores {y} se calculan a partir {Y} =
[M] {X}, que el FMS de la matriz de vectores de subrutina se multiplican realiza. La
matriz [A], que opcionalmente se puede cambiar, es a continuacin utilizando el factor
apropiado subrutina FMS factoring.

El primer paso en el bucle interactivo es proyectar el problema en el subespacio formando

matrices [A *] y [M *]. Este proceso implica la resolucin de los nuevos vectores {X}
utilizando los vectores {y} como mano derecha de los lados. FMS vectores de vectores se
multiplican subrutina calcula [A *] {X} = T {Y} para obtener la matriz [A *]. Los FMS de
la matriz de vectores se multiplican subrutina calcula {Y} = [M] {X} para obtener un nuevo
conjunto de valores de {y}. El FMS vectores de vectores se multiplican subrutina calcula
[H *] = {X} {T} Y para obtener la matriz subespacio [M *].
Una caracterstica importante del proceso anterior es que conserva la escasez y la simetra
de las matrices de grandes [A] y [M]. Para FMS, otra caracterstica importante es que
puede procesar un gran nmero de vectores en paralelo.

El siguiente paso es resolver el problema siguiente para los vectores propios [Q] en el
subespacio:
[A] [Q] = [M *] [Q] [E]
Puede realizar este clculo usando la biblioteca estndar de matemticas subrutinas
diseado para resolver problemas de valores propios de las matrices residentes en memoria
completos.
Despus de calcular los vectores propios en el subespacio, los proyecta de nuevo al espacio
del problema mediante el clculo de {Y} = {Y} [Q]. Usted puede utilizar el FMS-matriz
de vectores de subrutina se multiplican para llevar a cabo esta tarea.
Repita el proceso anterior hasta obtener un conjunto aceptable de vectores propios en el
espacio del problema. Como una verificacin final y el factor de cambio de la matriz para
determinar si todos los valores propios requeridos se han calculado.
FMS intencionalmente deja el control de este clculo a su programa de aplicacin. Se
debe especificar la dimensin del subespacio, los valores iniciales, y los criterios de
convergencia. Tomar estas decisiones correctamente por lo general implica comprender el
problema particular que usted est la solucin.

4.2. Computing Eigenvalues

FMS contains subroutines which are useful for determining some of the lowest eigenvalues
and eigenvectors of the following systems:
[A]{X} = [M]{X}[E]
where:
[A] = a known N-by-N matrix stored by FMS,
{X} = a N-by-M group of eigenvectors to be determined,
[M] = a known N-by-N matrix with the same sparsity as [A], or is a diagonal matrix,
[E] is a diagonal M-by-M matrix of eigenvalues to be determined.
Numerous techniques are currently available for computing {X} and [E]. No single
technique is best for all possible matrices [A] and [M]. For this reason, FMS offers a
building block approach for computing eigenvalues.
Two of the most important tools used for computing eigenvalues have already been
presented: matrix factoring and vector solution. You can factor the matrices [A] and [M] by
themselves or compute the factors for the shifted matrix [A] - c[M]. The processing speed

of FMS permits you to perform matrix factoring on a more frequent basis than can
currently be implemented in most programs. You can use the FMS parameter NUMSCG to
count the number of diagonal sign changes during the factoring process to determine the
number of eigenvalues below the current shift point.
One technique that shows how to use FMS for computing eigenvalues of large matrices is
subspace iteration. In this technique, FMS projects the original problem into a subspace
having considerably smaller dimensions.
You can easily compute the eigenvectors in the subspace and project them back to the
problem space. You repeat this process until the eigenvalues in the problem space converge.
This technique is especially useful for large systems that are resident on the disk.
The following figure shows a flowchart of the subspace iteration algorithm and the FMS
subroutines that you can use at each stage of the analysis.
You begin the process by selecting initial values for the {X} vectors, which define the
subspace. The first set of {Y} vectors are computed from {Y}=[M]{X}, which the FMS
matrix-vectors multiply subroutine performs. The matrix [A], which can optionally be
shifted, is then factored using the appropriate FMS factoring subroutine.

The first step in the interactive loop is to project the problem into the subspace by forming
matrices [A*] and [M*]. This process involves solving for new {X} vectors using the {Y}
vectors as right-hand sides. FMS vectors-vectors multiply subroutine computes
[A*]={X}T{Y} to obtain the matrix [A*]. The FMS matrix- vectors multiply subroutine
then computes {Y}=[M]{X} to obtain a new set of {Y} values. The FMS vectors-vectors
multiply subroutine computes [M*]={X}T{Y} to obtain the subspace matrix [M*].
An important feature of the above process is that it preserves the sparsity and symmetry of
the large matrices [A] and [M]. For FMS, another important feature is that it can process a
large number of vectors in parallel.
The next step is to solve the following problem for the eigenvectors [Q] in the subspace:
[A][Q] = [M*][Q][E]
You can perform this calculation using standard math library subroutines designed to solve
eigenvalue problems for full memory resident matrices.

After you compute the eigenvectors in the subspace, project them back to the problem
space by computing {Y}={Y}[Q]. You can use the FMS vectors-matrix multiply subroutine
to perform this task.
Repeat the above process until you obtain an acceptable set of eigenvectors in the problem
space. As a final check, shift and factor the matrix to determine if all required eigenvalues
have been computed.
FMS intentionally leaves the control of this calculation to your application program. You
must specify the dimension of the subspace, the initial starting values, and the convergence
criteria. Making these decisions properly usually involves insight into the particular
problem you are solving.