Professional Documents
Culture Documents
Mtodos Numricos
Conferencia 17
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Conferencia 17
1 Conceptos bsicos
3 Convergencia y precondicionamiento
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Definicin
Una matriz A Rnn es definida positiva si es simtrica y cumple
x T Ax > 0, x Rn , x 6= 0,
Proposicin (Caracterizacin mediante valores propios)
Una matriz simtrica es definida positiva si y solo si todos sus valores
propios son estrictamente positivos.
Norma asociada a A
Si A es definida positiva la funcin kxkA = x T Ax es una norma
(i) kxkA 0, x Rn
(ii) kxkA = 0 x = 0
(iii) kxkA = ||kxkA , R, x Rn
(iv ) kx + y kA kxkA + ky kA , x, y Rn
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Sistemas lineales
Definicin
Dado un sistema de ecuaciones Ax = b con solucin x = A1 b
definimos, para una solucin aproximada x, los vectores
Residuo: r (x) = b Ax
Error: e(x) = x x
Proposicin
El problema de encontrar la solucin x de un sistema lineal de ecua-
ciones Ax = b, con A positiva definida, es equivalente a encontrar
el mnimo de cualquiera de las dos siguientes funciones:
(x) = x T Ax 2b T x = x T r (x)
p
(x) = ke(x)kA = (x x)T A(x x)
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Ortogonalidad
Definicin
Sea A Rnn una matriz definida positiva.
Dos vectores x, y Rn son ortogonales respecto a A si
x T Ay = 0.
Un conjunto de vectores no nulos {v1 , . . . , vn } Rn se llama
ortogonal respecto a A si todos son ortogonales entre s:
viT Avj = 0, i 6= j
Observaciones
Si A es la matriz identidad, entonces la ortogonalidad se
reduce a la condicin x T Ay = x T y = x1 y1 + + xn yn = 0 , lo
cual geometricamente significa que los vectores forman un
ngulo recto.
Los vectores unitarios son un ejemplo de conjunto ortogonal.
Todo conjunto de vectores ortogonales es independiente.
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Datos y clculos
34 73
4 3 0 1
4
A= 3 4 1 v1 = 0 v2 = 1 v3 = 7
0 1 4 0 0 1
34 34
4 3 0
v1T Av2 = [1 0 0] 3 4 1 1 = [4 3 0] 1 =0
0 1 4 0 0
3 3
4 3 0 7 7
v1T Av3 = [1 0 0] 3 4 1 4 = [4
7
3 0] 4 =0
7
0 1 4 1 1
37 73
4 3 0
3 7
v2T Av3 = 10 3 4 1 4
7
= 0 1 4
7
=0
4 0 1 4 4
1 1
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
4 3 0 1 4
v1T Av1 = [1 0 0] 3 4 1 0 = [1 0 0] 3 = 4
0 1 4 0 0
v1T r0 0 1 6
24
t1 = T = = 6 = x1 = x0 + t1 v1 = 0 +6 0 = 0
v1 Av1 4 0 0 0
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Solucin x3 = [3 4 5]
4 3 0 3 24
3 4 1 4 = 30
0 1 4 5 24
Ortogonalidad
0 0 0
r1 = 12 r2 = 0 r3 = 0
24 120
7
0
xk = xk1 + tk vk
rk = rk1 tk Avk
rkT rk
sk = T r
rk1 k1
vk+1 = rk + sk vk
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
T
vk+1 Avj = 0, (j < k)
Paso 1
24
r0T r0 = [24 30 24] 30 = 2052
24
4 3 0 24 186
v1T Av1 = [24 30 24] 3 4 1 30 = [1 0 0] 216 = 13968
0 1 4 24 126
r0T r0 2052 57
t1 = = = = 0.1469..
v1T Av1 13968 388
0 24 3.5258
x1 = x0 + t1 v1 = 0 + 0.1469 30 = 4.4072
0 24 3.5258
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Paso 1 (II)
186
r0T r0 = 2052 Av1 = 216 t1 = 0.1469
126
24 186 3.3247
r1 = r0 t1 Av1 = 30 0.1469 216 = 1.7320
24 126 5.4897
r1T r1 44.19
s1 = = = 0.02154..
r0T r0 2052
3.3247 24 2.8079
v2 = r1 + s1 v1 = 1.7320 + 0.02154 30 = 1.0859
5.4897 24 6.0065
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Paso 1
3.5258 3.3247 2.8079
x1 = 4.4072 r1 = 1.7320 v2 = 1.0859
3.5258 5.4897 6.0065
Paso 2
2.8580 0.1210 0.1191
x2 = 4.1490 r2 = 0.1241 v3 = 0.1249
4.9542 0.0341 0.0384
Paso 3
0.36 108
2.99999
x3 = 4.0000 r2 = 0.39 10 8
4.9999 0.141 108
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Resultados de convergencia
Teorema (Convergencia finita)
Si A Rnn es una matriz definida positiva que tiene m valores pro-
pios distintos (m n), entonces el algoritmo de gradiente conjugado
aplicado a Ax = b converge en m pasos.
Notacin
Para una matriz A Rnn definida positiva, denotemos por (A) a
su nmero de condicin respecto a la norma 2. Se tiene que:
max (A)
(A) = kAk2 kA1 k2 = max (A) max (A1 ) =
min (A)
Matriz de precondicionamiento
Observacin
Sea C una matriz regular y A definida positiva. Se tiene que:
Ax = b Ax = b
donde
A = C 1 AC T ; x = C T x; b = C 1 b
y por definicin C T = (C T )1 = (C 1 )T
Motivacin
El algoritmo de gradiente conjugado precondicionado utiliza
una matriz C , tal que A tenga un mejor nmero de condicin
que A. Se resuelve entonces el sistema mejor condicionado
Ax = b y se recupera la solucin original usando x = C T x.
Todas las operaciones pueden realizarse sin trabajar
explcitamente con el sistema transformado.
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
xk = xk1 + tk vk
rk = rk1 tk Avk
wk = C 1 rk
wkT wk
sk = T
wk1 wk1
vk+1 = C T wk + sk vk
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Ejemplo
Datos y solucin
0.2 0.1 1 1 0 1 7.8597
0.1 4 1 1 1 2 0.4229
A= 1 1 60 0 2 b= 3 x = 0.0736
1 1 0 8 4 4 0.5406
0 1 2 4 700 5 0.0106
Condicin
0.0571
3.7453
700.03081
vp(A) = 8.3384 (A) = = 1.2260 104
60.0284 0.0571
700.03081
Matriz de precondicionamiento
0.2 0 0 0 0
p
0 4 0 0 0
C = Diag (A) =
0 0 60 0 0
0 0 0 8 0
0 0 0 0 700
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Ejemplo
Precondicionamiento
0.2 0.1 1 1 0
0.2 0 0 0 0
0.1 4 1 1 1
0 4 0 0 0
A= 1 1 60 0 2 C = 0 0 60 0 0
1 1 0 8 4 0 0 0 8 0
0 1 2 4 700 0 0 0 0 700
Condicin
0.1564
0.8527 1.8805
vp(A) = 1.0088 (A) = 12
1.1016 0.1564
1.8805
Conceptos bsicos Mtodos de direcciones conjugadas y de gradiente conjugado Convergencia y precondicionamiento
Ejemplo
Comparacin
Mtodo Iteraciones ||xk x ||
Jacobi 49 0.00305834
Gauss-Seidel 15 0.02445559
Gradiente conjugado 5 0.00629785
Gradiente conjugado precondicionado 4 0.00009312