韓光輝, 渠剛榮
(北京交通大學 理學院, 北京 100044)
圖像重建(如電學層析成像、 計算機層析成像等)的實驗過程可歸納為線性方程組模型
Ax=b,
重建圖像的問題即轉化為線性方程組的求解問題. 但通常情況下, 因為實驗誤差導致方程組沒有相容性, 很難找到方程組的精確解, 所以采用迭代算法尋找方程組的近似解. Richardson迭代算法[1]即為其中一種, 計算公式如下:
x(n+1)=x(n)+α(b-Ax(n)),
(1)
其中α是松弛參數, 用α取值控制Richardson迭代算法的收斂性和收斂速度. 目前, 關于Richardson迭代算法的研究已有許多結果[2-12]. 文獻[4]考慮系數矩陣A為對稱正定的情形, 利用Tschebyscheff不等式選取松弛參數α的取值, 該取值方法依賴于矩陣A特征值的下界和上界, 需對矩陣A的所有特征值上、 下界進行估計; 文獻[5]提出了松弛參數取值為α=2/(λlow+λup), 其中λlow,λup分別是對稱正定矩陣A所有特征值的下界和上界; 文獻[6]給出了Richardson迭代法的收斂性證明; 文獻[7]針對矩陣A是非對稱的情形給出了收斂性證明; 文獻[8]討論了復數線性系統下Richardson迭代法的收斂性, 將松弛參數α視為一個取值變化的參數αn, 并給出一種取值方法:
其中ψ(ω)=τω+τ0+τ1ω-1+τ2ω-2+…; 文獻[9-10]在對稱正定矩陣A的情形下, 對松弛參數的取值給出了更明確的結論: 當松弛參數滿足0<α<2/λmax時, Richardson迭代法收斂, 且松弛系數的最優取值為2/(λmin+λmax), 這里λmin,λmax分別是對稱正定矩陣A的最小和最大特征值. 文獻[11]考慮到最小特征值不易計算, 利用矩陣A對角線上最小的元素替代最小特征值λmin, 得到了一個新的常數步長, 并證明了該迭代法的收斂性; 文獻[12]針對A為對稱正定矩陣的情形, 將Richardson迭代法與其他幾種基本迭代算法進行對比, 得出結論: 隨著迭代矩陣譜半徑的逐漸變小, 迭代算法的收斂速度越來越快.
本文將Richardson迭代算法推廣到求解更一般的線性方程組, 如系數矩陣A是非對稱方陣的情形. 利用相似變換矩陣重新表示Richardson迭代算法的迭代過程和迭代矩陣, 根據新的迭代矩陣給出一種最優松弛策略及一種僅依賴于最大特征值的加速收斂策略, 并證明了松弛策略的有效性.
p1+p2+p3+…+pm=N.
特征值的大小順序為0<λ1<λ2<…<λm, 對應的線性無關特征向量記作ξk,j(1≤k≤m, 1≤j≤pk), 則有
Aξk,j=λkξk,j.
根據相似對角矩陣的性質, 矩陣A相似于一個對角矩陣[13]. 記Pk=(ξk,1,ξk,2,…,ξk,pk), 則存在非奇異矩陣P=(P1,P2,…,Pm), 使得
P-1AP=Λ=diag(λ1Ip1,λ2Ip2,…,λmIpm),
(2)
這里,Ipk表示pk階單位矩陣. 矩陣A所有的線性無關特征向量ξk,j可構成空間N的一個基. 若用x+表示方程組(1)的唯一解, 則x+可線性表示為
(3)
且
(4)
其中ck,j∈,k=1,2,…,m,j=1,2,…,pk. 此外, 迭代初始解x(0)可表示為
(5)
定理1對于n=1,2,…, 由Richardson迭代公式(1)得到的迭代解x(n)可表示為
x(n)-x+=(I-αA)n(x(0)-x+)=Pdiag((1-αλ1)nIp1,…,(1-αλm)nIpm)r,
(6)
證明: 根據式(1)和式(4), 可得
x(n+1)-x+=x(n)-x++αA(x+-x(n))=(I-αA)(x(n)-x(+)),
(7)
利用遞推式(7)可得
x(n)-x+=(I-αA)n(x(0)-x+),
由式(3)和式(5), 可得
x(0)-x+=(P1,P2,…,Pm)r,
證畢.
令D(α)=diag((1-αλ1)Ip1,…,(1-αλm)Ipm), 則根據定理1可得
[D(α)]n=diag((1-αλ1)nIp1,…,(1-αλm)nIpm),
x(n)-x+=P[D(α)]nr.
根據定理2可得使Richardson迭代法收斂的一個充要條件.
定理3對于由Richardson迭代法得到的逼近序列{x(n)}, 其收斂于方程組唯一解x+的充要條件是: 松弛參數α滿足不等式0<α<2/λm.
證明: 為保證收斂性成立, 需要
[D(α)]n→0,n→∞,
根據定理2, 逼近序列{x(n)}收斂于x+的充要條件是ρ(D(α))<1. 由于D(α)是一個對角矩陣, 且其對角元素為(1-αλ1),…,(1-αλm), 所以
當α<0或α≥2/λm時, 因為|1-αλm|≥1, 所以ρ(D(α))≥1. 當0<α<2/λm時, 有|1-αλm|<1. 因為0<λ1<λ2<…<λm, 所以
0<α<2/λm<2/λk, 且|1-αλk|<1,k=1,2,…,m-1.
下面給出Richardson迭代法的最優松弛參數和加速收斂策略. 定義迭代誤差為
ε(n)∶=x(n)-x+,n≥0.
根據式(6), 定義迭代矩陣為
G(α)=Pdiag((1-αλ1)Ip1,…,(1-αλm)Ipm)P-1,
則有迭代誤差表達式
ε(n+1)=G(α)ε(n),n=0,1,2,…
其中ε(0)=Pr. 迭代法收斂的一個充分條件是ρ(G(α))<1, 且譜半徑越小, 收斂速度越快. 因此, Richardson迭代算法中的最優松弛策略是指使迭代矩陣的譜半徑達到極小值.
定理4對任意一個迭代初始解x(0), Richardson迭代算法的最優松弛參數是
αopt=2/(λ1+λm),
其中λ1,λm分別是系數矩陣A的最小和最大特征值.
證明: 由于0<λ1<λ2<…<λm, 所以對于α>0, 有
1-αλ1>1-αλ2>…>1-αλm,
因此
ρ(G(α))=max{|1-αλ1|,|1-αλm|}.
(8)
又由于
(9)
這里k=1,m. 于是, 根據式(8)和式(9), 可得
(10)
由式(10), 可得
ρ(G(α))=max{1-αλ1,αλm-1},α>0.
(11)
函數ρ(G(α))的極小值點應在直線y=1-αλ1與直線y=αλm-1的交點處取得, 即
1-αλ1=αλm-1.
(12)
由方程(12)解得最優松弛參數αopt. 證畢.
定理5對于任意的α(1)∈(0,1/λm), 其關于點α=1/λm對稱點的坐標為α(2)=2/λm-α(1), 即α(2)∈(1/λm,2/λm), 則有ρ(G(α(2)))<ρ(G(α(1))).
證明: 根據式(10)和式(11), 可得
因為1/λm<2/(λ1+λm), 所以
ρ(G(α(1)))=1-α(1)λ1, 0<α(1)<1/λm.
對于α(2)=2/λm-α(1)∈(1/λm,2/λm), 分兩種情形討論:
情形1) 當1/λm<α(2)<2/(λ1+λm)時, 有
ρ(G(α(2)))=1-α(2)λ1<1-α(1)λ1=ρ(G(α(1)));
情形2) 當2/(λ1+λm)<α(2)<2/λm時, 因為α(2)=2/λm-α(1), 所以有
ρ(G(α(2)))=α(2)λm-1=1-α(1)λm<1-α(1)λ1=ρ(G(α(1))).
綜上可知結論成立. 證畢.
例1求解線性方程組Ax=b, 其中:
x(n+1)=Qx(n)+q,
圖1為與最優松弛系數對應的迭代誤差對比結果, 其中α-和α+分別表示取值比αopt小和比αopt大的α. 由圖1可見, 當松弛參數α=αopt時, Richardson的收斂速度較快. 表1列出了當松弛參數取不同數值時對應迭代矩陣的譜半徑. 由表1可見, 當松弛參數α=αopt時, 迭代矩陣的譜半徑最小.
圖1 與最優松弛系數對應的迭代誤差對比Fig.1 Comparison with iterative error corresponding to optimal relaxation coefficient
表1 對應最優松弛策略的譜半徑對比
圖2為對應定理5(加速收斂松弛策略)迭代誤差的對比結果, 其中αmid=1/λm, 另外兩個松弛參數α(1),α(2)的取值是關于αmid=1/λm對稱的. 由圖2可見, 當松弛參數α=α(2)時, Richardson迭代法的收斂速度較快. 表2列出了在松弛參數分別取α=α(1),α=αmid,α=α(2)時對應的迭代矩陣譜半徑. 由表2可見, 對應α=α(2)迭代矩陣的譜半徑比對應α=α(1)迭代矩陣的譜半徑小.
圖2 與加速收斂松弛策略對應的迭代誤差對比Fig.2 Comparison with iterative error corresponding to accelerating convergence relaxation strategy
表2 對應加速收斂松弛策略的譜半徑對比
綜上, 本文通過將以往在Richardson迭代法中要求系數矩陣為對稱正定矩陣的條件弱化為非對稱可逆矩陣的情形, 利用相似變換矩陣對Richardson方法的迭代過程和迭代矩陣進行重新表示, 得到下列結論:
1) 對于由Richardson迭代法得到的逼近序列{x(n)}, 使其收斂于線性方程組唯一解的充要條件是松弛參數α滿足不等式 0<α<2/λm;
2) 利用迭代矩陣的新表達式, 基于使迭代矩陣的譜半徑達到極小值, 證明了最優松弛參數為αopt=2/(λ1+λm);
3) 針對用反冪法不易求出高階矩陣的最小特征值, 不易使用結論2)提出的最優松弛參數的問題, 提出一種僅依賴于最大特征值的加速收斂策略α∈(1/λm,2/λm).