Edit on GitLab

1. domača naloga

Izberite eno izmed spodnjih nalog.

Note

Domačo nalogo lahko delate skupaj s kolegi, vendar morate v tem primeru rešiti toliko različnih nalog, kot je študentov v skupini.

SOR iteracija za razpršene matrike

Naj bo A n × n diagonalno dominantna razpršena matrika(velika večina elementov je ničelnih $a_{ij}=0$).

Definirajte nov podatkovni tip RazprsenaMatrika, ki matriko zaradi prostorskih zahtev hrani v dveh matrikah $V$ in $I$, kjer sta $V$ in $I$ matriki $n \times m$, tako da velja

\[V(i,j)=A(i,I(i,j)).\]

V matriki $V$ se torej nahajajo neničelni elementi matrike $A$. Vsaka vrstica matrike $V$ vsebuje ničelne elemente iz iste vrstice v $A$. V matriki $I$ pa so shranjeni indeksi stolpcev teh neničelnih elementov.

Za podatkovni tip RazprsenaMatrika definirajte metode za naslednje funkcije:

  • indeksiranje: Base.getindex,Base.setindex!,Base.firstindex in Base.lastindex
  • množenje z desne Base.* z vektorjem

Več informacij o tipih in vmesnikih.

Napišite funkcijo x, it = sor(A, b, x0, omega, tol=1e-10), ki reši tridiagonalni sistem $Ax=b$ z SOR iteracijo. Pri tem je x0 začetni približek, tol pogoj za ustavitev iteracije in omega parameter pri SOR iteraciji. Iteracija naj se ustavi, ko je

\[|A\mathbf{x}^{(k)}-\mathbf{b}|_\infty < nat.\]

Metodo uporabite za vožitev grafa v ravnino ali prostor s fizikalno metodo. Če so $(x_i, y_i, z_i)$ koordinate vozlišč grafa v prostoru, potem vsaka koordinata posebej zadošča enačbam

\[\begin{array}{lcl} -st(i)x_i + \sum_{j\in N(i)} x_j &=& 0,\\ -st(i)y_i + \sum_{j\in N(i)} y_j &=& 0,\\ -st(i)z_i + \sum_{j\in N(i)} z_j &=& 0, \end{array}\]

kjer je $st(i)$ stopnja $i$-tega vozlišča, $N(i)$ pa množica indeksov sosednjih vozlišč. Če nekatera vozlišča fiksiramo, bodo ostala zavzela ravnovesno lego med fiksiranimi vozlišči.

Za primere, ki jih boste opisali, poiščite optimalni omega, pri katerem SOR najhitreje konvergira in predstavite odvisnost hitrosti konvergence od izbire $\omega$.

Metoda konjugiranih gradientov za razpršene matrike

Definirajte nov podatkovni tip RazprsenaMatrika, kot je opisano v prejšnji nalogi.

Napišite funkcijo [x,i]=conj_grad(A, b), ki reši sistem

\[Ax=b,\]

z metodo konjugiranih gradientov za A tipa RazprsenaMatrika.

Metodo uporabite na primeru vložitve grafa v ravnino ali prostor s fizikalno metodo, kot je opisano v prejšnji nalogi.

Metoda konjugiranih gradientov s predpogojevanjem

Za pohitritev konvergence iterativnih metod, se velikokrat izvede t. i. predpogojevanje(angl. preconditioning). Za simetrične pozitivno definitne matrike je to pogosto nepopolni razcep Choleskega, pri katerem sledimo algoritmu za razcep Choleskega, le da ničelne elemente pustimo pri miru.

Naj bo A $n\times n$ pozitivno definitna razpršena matrika(velika večina elementov je ničelnih $a_{ij}=0$). Matriko zaradi prostorskih zahtev hranimo kot sparse matriko. Poglejte si dokumentacijo za razpršene matrike.

Napišite funkcijo L = nep_chol(A), ki izračuna nepopolni razcep Choleskega za matriko tipa AbstractSparseMatrix. Napišite še funkcijo x, i = conj_grad(A, b, L), ki reši linearni sistem

\[Ax = b\]

s predpogojeno metodo konjugiranih gradientov za matriko $M = L^T L$ kot predpogojevalcem. Pri tem pazite, da matrike $M$ ne izračunate, ampak uporabite razcep $M = L^TL$. Za različne primere preverite, ali se izboljša hitrost konvergence.

QR razcep zgornje hessenbergove matrike

Naj bo $H$ $n\times n$ zgornje hessenbergova matrika (velja $a_{ij}=0$ za $j < j-2i$). Definirajte podatkovni tip ZgornjiHessenberg za zgornje hessenbergovo matriko.

Napišite funkcijo Q, R = qr(H), ki izvede QR razcep matrike H tipa ZgornjiHessenberg z Givensovimi rotacijami. Matrika R naj bo zgornje trikotna matrika enakih dimenzij kot H, v Q pa naj bo matrika tipa Givens.

Podatkovni tip Givens definirajte sami tako, da hrani le zaporedje rotacij, ki se med razcepom izvedejo in indekse vrstic, na katere te rotacije delujejo. Posamezno rotacijo predstavite s parom

\[[\cos(\alpha);\sin(\alpha)],\]

kjer je α kot rotacije na posameznem koraku. Za podatkovni tip definirajte še množenje Base.* z vektorji in matrikami.

Uporabite QR razcep za QR iteracijo zgornje hesenbergove matrike. Napišite funkcijo lastne_vrednosti, lastni_vektorji = eigen(H), ki poišče lastne vrednosti in lastne vektorje zgornje hessenbergove matrike.

Preverite časovno zahtevnost vaših funkcij in ju primerjajte z metodami qr in eigen za navadne matrike.

QR razcep simetrične tridiagonalne matrike

Naj bo $A$ $n × n$ simetrična tridiagonalna matrika (velja $a_{ij}=0$ za $|i-j|>1$).

Definirajte podatkovni tip SimetricnaTridiagonalna za simetrično tridiagonalno matriko, ki hrani glavno in stransko diagonalo matrike. Za tip SimetricnaTridiagonalna definirajte metode za naslednje funkcije:

  • indeksiranje: Base.getindex,Base.setindex!,Base.firstindex in Base.lastindex
  • množenje z desne Base.* z vektorjem ali matriko

Časovna zahtevnost omenjenih funkcij naj bo linearna. Več informacij o tipih in Napišite funkcijo Q, R = qr(T), ki izvede QR razcep matrike T tipa Tridiagonalna z Givensovimi rotacijami. Matrika R naj bo zgornje trikotna trodiagonalna matrika tipa ZgornjeTridiagonalna, v Q pa naj bo matrika tipa Givens. vmesnikih.

Podatkovna tipa ZgornjeTridiagonalna in Givens definirajte sami (glejte tudi nalogo QR razcep zgornje hessenbergove matrike). Poleg tega implementirajte množenje Base.* matrik tipa Givens in ZgornjeTridiagonalna.

Uporabite QR razcep za QR iteracijo simetrične tridiagonalne matrike. Napišite funkcijo lastne_vrednosti, lastni_vektorji = eigen(T), ki poišče lastne vrednosti in lastne vektorje simetrične tridiagonalne matrike.

Preverite časovno zahtevnost vaših funkcij in ju primerjajte z metodami qr in eigen za navadne matrike.

Inverzna potenčna metoda za zgornje hessenbergovo matriko

Lastne vektorje matrike $A$ lahko računamo z inverzno potenčno metodo. Naj bo $A_\lambda = A-\lambda I$. Če je $\lambda$ približek za lastno vrednost, potem zaporedje vektorjev

\[x^{(n+1)}=\frac{A_\lambda^{-1}x^{(n)}}{|A_\lambda^{-1}x^{(n)}|},\]

konvergira k lastnemu vektorju za lastno vrednost, ki je po absolutni vrednosti najbližje vrednosti $\lambda$.

Da bi zmanjšali število operacij na eni iteraciji, lahko poljubno matriko $A$ prevedemo v zgornje hessenbergovo obliko (velja $a_{ij} = 0$ za $j < i - 2$). S hausholderjevimi zrcaljenji lahko poiščemo zgornje hesenbergovo matriko H, ki je podobna matriki A:

\[H=Q^T A Q.\]

Če je $v$ lastni vektor matrike $H$, je $Qv$ lastni vektor matrike $A$, lastne vrednosti matrik $H$ in $A$ pa so enake.

Napišite funkcijo H, Q = hessenberg(A), ki s Hausholderjevimi zrcaljenji poišče zgornje hesenbergovo matriko H tipa ZgornjiHessenberg, ki je podobna matriki A.

Tip ZgornjiHessenberg definirajte sami, kot je opisano v nalogi o QR razcepu zgornje hessenbergove matrike. Poleg tega implementirajte metodo L, U = lu(A) za matrike tipa ZgornjiHessenberg, ki bo pri razcepu upoštevala lastnosti zgornje hessenbergovih matrik. Matrika L naj ne bo polna, ampak tipa SpodnjaTridiagonalna. Tip SpodnjaTridiagonalna definirajte sami, tako da bo hranil le neničelne elemente in za ta tip matrike definirajte operator Base.\, tako da bo upošteval strukturo matrikw L.

Napišite funkcijo lambda, vektor = inv_lastni(A, l), ki najprej naredi hessenbergov razcep in nato izračuna lastni vektor in točno lastno matrike A, kjer je l približek za lastno vrednost. Inverza matrike A nikar ne računajte, ampak raje uporabite LU razcep in na vsakem koraku rešite sistem $L(Ux^{n+1})=x^n$.

Metodo preskusite za izračun ničel polinoma. Polinomu

\[x^n + a_{n-1}x^{n-2} + ... a_1x + a_0\]

lahko priredimo matriko

\[\begin{bmatrix} 0 &0&\ldots&0&-a_0\\ 1&0&\ldots&0&-a_1\\ 0&1&\ldots&0&-a_2\\ \vdots &\vdots& \ddots& \vdots&\vdots\\ 0 & 0& \ldots &1&-a_{n-1} \end{bmatrix},\]

katere lastne vrednosti se ujemajo z ničlami polinoma.

Inverzna potenčna metoda za tridiagonalno matriko

Lastne vektorje matrike $A$ lahko računamo z inverzno potenčno metodo. Naj bo $A_\lambda = A-\lambda I$. Če je $\lambda$ približek za lastno vrednost, potem zaporedje vektorjev

\[x^{(n+1)}=\frac{A_\lambda^{-1}x^{(n)}}{|A_\lambda^{-1}x^{(n)}|},\]

konvergira k lastnemu vektorju za lastno vrednost, ki je po absolutni vrednosti najbližje vrednosti $\lambda$.

Naj bo $A$ simetrična matrika. Da bi zmanjšali število operacij na eni iteraciji, lahko poljubno simetrično matriko $A$ prevedemo v tridiagonalno obliko. S hausholderjevimi zrcaljenji lahko poiščemo tridiagonalno matriko T, ki je podobna matriki A:

\[T=Q^T A Q.\]

Če je $v$ lastni vektor matrike $T$, je $Qv$ lastni vektor matrike $A$, lastne vrednosti matrik $T$ in $A$ pa so enake.

Napišite funkcijo T, Q = tridiag(A), ki s Hausholderjevimi zrcaljenji poišče tridiagonalno matriko H tipa Tridiagonalna, ki je podobna matriki A.

Tip Tridiagonalna definirajte sami, kot je opisano v nalogi o QR razcepu tridiagonalne matrike. Poleg tega implementirajte metodo L, U = lu(A) za matrike tipa Tridiagonalna, ki bo pri razcepu upoštevala lastnosti tridiagonalnih matrik. Matrike L in U naj ne bodo polne matrike. Matrika L naj bo tipa SpodnjaTridiagonalna, matrika U pa tipa ZgornjaTridiagonalna. Tipa SpodnjaTridiagonalna in ZgornjaTridiagonalna definirajte sami, tako da bosta hranila le neničelne elemente. Za oba tipa definirajte operator Base.\, tako da bo upošteval strukturo matrik.

Napišite funkcijo lambda, vektor = inv_lastni(A, l), ki najprej naredi hessenbergov razcep in nato izračuna lastni vektor in točno lastno matrike A, kjer je l približek za lastno vrednost. Inverza matrike A nikar ne računajte, ampak raje uporabite LU razcep in na vsakem koraku rešite sistem $L(Ux^{n+1})=x^n$.

Metodo preskusite na laplaceovi matriki, ki ima vse elemente $0$ razen $l_{ii}=-2, l_{i+1,j}=l_{i,j+1}=1$. Poiščite nekaj lastnih vektorjev za najmanjše lastne vrednosti in jih vizualizirajte z ukazom plot.

Lastni vektorji laplaceove matrike so približki za rešitev robnega problema za diferencialno enačbo

\[y''(x) = \lambda^2 y(x),\]

katere rešitve sta funkciji $\sin(\lambda x)$ in $\cos(\lambda x)$.

Naravni zlepek

Danih je $n$ interpolacijskih točk $(x_i,f_i)$, $i=1,2,...,n$. Naravni interpolacijski kubični zlepek $S$ je funkcija, ki izpolnjuje naslednje pogoje:

  1. \[S(x_i)=f_i, \quad i=1,2,...,n.\]

  2. \[S\]

    je polinom stopnje $3$ ali manj na vsakem podintervalu $[x_i,x_{i+1}]$, $i=1,2,...,n-1$.

  3. \[S\]

    je dvakrat zvezno odvedljiva funkcija na interpolacijskem intervalu $[x_1,x_n]$

  4. \[S^{\prime\prime}(x_1)=S^{\prime\prime}(x_n)=0\]

    .

Zlepek $S$ določimo tako, da postavimo

\[S(x)=S_i(x)=a_i+b_i\,(x-x_i)+c_i\,(x-x_i)^2+d_i\,(x-x_i)^3, \quad x\in[x_i,x_{i+1}],\]

nato pa izpolnimo zahtevane pogoje [2].

Napišite funkcijo Z = interpoliraj(x, y), ki izračuna koeficient polinoma $S_i$ in vrne element tipa Zlepek.

Tip Zlepek definirajte sami in naj vsebuje koeficiente polinoma in interpolacijske točke. Za tip Zlepek napišite dve funkciji

  • y = vrednost(Z, x), ki vrne vrednost zlepka v dani točki x.
  • plot(Z), ki nariše graf zlepka, tako da različne odseke izmenično nariše z rdečo in modro barvo(uporabi paket Plots).

QR iteracija z enojnim premikom

Naj bo $A$ simetrična matrika. Napišite funkcijo, ki poišče lastne vektorje in vrednosti simetrične matrike z naslednjim algoritmom

  • Izvedi Hessenbergov razcep matrike $A=U^T T U$ (uporabite lahko vgrajeno funkcijo LinearAlgebra.hessenberg)
  • Za tridiagonalno matriko $T$ ponavljaj, dokler ni $h_{n-1,n}$ dovolj majhen:
    • za $T - \mu I$ za $\mu = h_{n,n}$ izvedi QR razcep
    • nov približek je enak $RQ + \mu I$
  • Postopek ponovi za podmatriko brez zadnjega stolpca in vrstice

Napiši metodo lastne_vrednosti, lastni_vektorji = eigen(A, EnojniPremik(), vektorji = false), ki vrne

  • vektor lastnih vrednosti simetrične matrike A, če je vrednost vektorji enaka false.
  • vektor lastnih vrednosti lambda in matriko s pripadajočimi lastnimi vektorji V, če je vektorji enaka true

Pazi na časovno in prostorsko zahtevnost algoritma. QR razcep tridiagonalne matrike izvedi z Givensovimi rotacijami in hrani le elemente, ki so nujno potrebni (glej nalogo QR razcep simetrične tridiagonalne matrike).

Funkcijo preiskusi na Laplaceovi matriki grafa podobnosti (glej vajo o spektralnem gručenju).

  • 2pomagajte si z: Bronštejn, Semendjajev, Musiol, Mühlig: Matematični priročnik, Tehniška založba Slovenije, 1997, str. 754 ali pa J. Petrišič: Interpolacija, Univerza v Ljubljani, Fakulteta za strojništvo, Ljubljana, 1999, str. 47