Location via proxy:
[ UP ]
[Report a bug]
[Manage cookies]
No cookies
No scripts
No ads
No referrer
Show this form
Submit Search
Submit Search
Upload
はじめてのKrylov部分空間法
•
20 likes
•
16,090 views
1 of 10
Download now
Download to read offline
1
2
3
4
5
6
7
8
9
10
More Related Content
はじめてのKrylov部分空間法
1.
はじめてのKrylov部分空間法 前原 貴憲 (@tmaehara)
2.
線型計算の主なタスク • 線型方程式(linear solver) Ax
= b • 固有値問題(eigenvalue problem) Ax = λx Krylov部分空間法:現代線型計算の基本手法 • 行列・ベクトル積が効率的に計算可能な場合に強い (eg., Aが疎行列,関数として与えられる,etc) • 綺麗な理論評価 ⇒ 収束改善法などが明確 1/ 9
3.
Krylov部分空間Kd [Krylov 1931] Kd(A,
b) := span{b, Ab, A2 b, . . . , Ad−1 b} Krylov部分空間法とは: 1. 問題を小さい次元のKrylov部分空間に射影して 2. そちらで解いた解を元の空間に引き戻す手法の総称 主な特徴: • 次元を増やすと誤差減(反復法的側面) • 十分大きな次元で厳密解(直接法的側面) • 実用的には誤差の累積が問題(cf., CG法冬の時代) – 前処理・リスタートなどと組み合わせる 2/ 9
4.
行列多項式による誤差・残差評価 Kd(A, b) :=
span{b, Ab, A2 b, . . . , Ad−1 b} = {p(A)b : pはd − 1次多項式} 誤差・残差は行列多項式p(A)の解析で見積もる 適用例(逆行列): d反復目まででの誤差が小さい ⇐⇒ A−1 がd次多項式p(A)で近似しやすい ⇐⇒ (λi, 1/λi)がd次多項式で近似しやすい slow fast 3/ 9
5.
Krylov空間への射影 • Arnoldi反復(一般行列) • Lanczos反復(対称行列) (Arnoldi反復の特殊ケース) 4/
9
6.
Arnoldi反復 {b, Ab, A2 b,
. . .}のGram-Schmidt直交化(QR分解) ⇒ AQd = QdHd + rde⊤ d (Arnoldi関係式) (∥rd∥が十分小さくなったら打ち切る) • Qd:直交(Kd(A, b)の正規直交基底を並べたもの) • Hd:Hessenberg形(上三角+下副対角) ※A対称のとき自動的にH 三重対角(Lanczos反復) ○ Hessenberg形なので各種計算が簡単 × Gram-Schmidtなので数値誤差が累積する 5/ 9
7.
Krylov空間法の具体例 線型方程式:GMRES / 固有値問題:Arnoldi法 射影・引戻し・前処理の組み合わせで大量の手法が存在 •
基本的な性質はどれも類似 • 細かい部分の良し悪しは問題依存 ⇒ 問題に応じて手法選択が必要 • 紹介する2つはベースライン;最初に試すべき手法 6/ 9
8.
線型方程式:GMRES (Generalized Minimum
RESidual) Step 0. 初期解x0 設定.r0 ← Ax0 − b Step 1. AをKd(A, r0)に射影:A ≃ V ⊤ HV Step 2. 残差最小解を計算:min ∥H ˜x − ˜b∥ Step 3. 引き戻す:x = V ⊤ ˜x 収束定理:Aが対角化可能(S−1 AS = Λ)のとき ∥rd∥ ∥r0∥ ≤ κ(S) min p max λi |p(λi)| ※Step 2 はQR分解で可能(Hessenberg形なので軽い) 7/ 9
9.
固有値問題:Arnoldi法 Step 0. 適当なx0
設定 Step 1. AをKd(A, x0)に射影:A ≃ V ⊤ HV Step 2. H の固有対(˜λi, ˜ui)を計算(QR法等) Step 3. 引き戻す:(˜λi, V ⊤ ˜ui) 収束定理:Aが適当な条件を満たすとき ∥˜u − u∥ = O(κ(A) min p max λi |p(λi)|) (雑な評価,H ˜u = λuとして見積もる) ※外側の固有値から順番に収束していく 8/ 9
10.
おまけ:線型方程式の解法選択 • CG, CGS,
CGR, PCG, BiCG, BiCGStab, QMR, TFQMR, MINRES, GMRES, LGMRES, CAGMRES, LSQR, SYMMLQ, Orthomin, . . . • 扱う問題に応じて手法の振る舞いが違う • 問題を固定するとマイナー改良で既存手法に勝てる ⇒ 毎月数個以上新しいKrylov系手法が登場 (行列計算の専門家でもフォローするのは不可能) • 非専門家が使う側の心得 – 複数の手法で検証(CG系 + GMRES系) – 複数の前処理(小規模問題で固有値分布を観察する) 9/ 9
Download now