
- •Проблема собственных значений Введение
- •1. Необходимые сведения из линейной алгебры
- •1.1 Обозначения
- •1.2 Основные определения
- •1.2.1 Матричные операции
- •1.2.2 Преобразование подобия
- •1.2.3 Матрицы со специальными свойствами
- •1.3 Проблема собственных значений
- •1.3.1 Собственные значения и векторы
- •1.3.2 Характеристическое уравнение
- •1.3.3 Собственные значения и собственные векторы диагональных матриц
- •1.3.4 Связь между собственными значениями и векторами подобных матриц
- •1.3.5 Матрицы простой структуры
- •2. Численные методы решения проблемы собственных значений
- •2.1 Классификация задач
- •2.2 Методы решения полной проблемы собственных значений
- •2.2.1 Метод Якоби
- •2.2.3 Приведение симметричной матрицы к трехдиагональной форме с помощью преобразований Хаусхолдера.
- •2.3 Методы решения частичной проблемы собственных значений
- •2.3.1 Прямые итерации
- •2.3.2 Обратные итерации
- •2.3.3 Последовательность Штурма и метод бисекции
1.3.2 Характеристическое уравнение
Из (10) следует, что собственный вектор является решением однородной системы линейных алгебраических уравнений
(AE)v=0 (12)
Как известно, однородная система может иметь ненулевые решения лишь в том случае, если ее определитель равен нулю. Таким образом, получаем условие
det(AE)=0, (13)
называемое характеристическим уравнением. Левая часть уравнения (13), т. е. определитель матрицы AE представляет собой многочлен N‑й степени относительно . Он называется характеристическим многочленом матрицы A. Итак, собственные значения являются корнями характеристического многочлена. Согласно основной теореме алгебры, многочлен N‑й степени имеет ровно N корней (среди которых, возможно, имеются кратные). Поэтому матрица N-го порядка имеет N собственных значений 1, 2, …, N.
Имеют место соотношения:
, (14)
. (15)
Из (14), в частности, следует, что вырожденная матрица имеет по крайней мере одно нулевое собственное значение.
В общем случае корни многочлена могут быть комплексными. Поэтому матрица общего вида, вообще говоря, имеет комплексные собственные значения. Однако эрмитовы (и, как частный случай, вещественные симметричные) матрицы имеют только вещественные собственные значения. Именно такие матрицы возникают в большинстве прикладных задач, упомянутых во введении.
1.3.3 Собственные значения и собственные векторы диагональных матриц
Нетрудно убедиться, что для нулевой и единичной матриц любой ненулевой вектор является собственным.
Для произвольной диагональной матрицы собственные значения совпадают с диагональными элементами, а собственными векторами могут служить единичные векторы ei (столбцы единичной матрицы):
ei=iei (16)
1.3.4 Связь между собственными значениями и векторами подобных матриц
Матрицы, связанные отношением подобия (5), имеют одинаковые характеристические многочлены, а следовательно, одинаковые собственные значения (но разные собственные векторы). Пусть матрица , подобная A, имеет собственные значения i и собственные векторы ui:
.
Умножая обе части этого равенства слева на матрицу P, получаем:
(17)
Таким образом, собственным вектором матрицы A, отвечающим собственному значению i, является vi=Pui (результат действия преобразующей матрицы P на собственный вектор подобной матрицы ).
1.3.5 Матрицы простой структуры
Если собственные значения 1, 2, …, m попарно различны, то отвечающие им собственные векторы всегда линейно независимы. Для одинаковых (кратных или вырожденных) собственных значений линейная независимость собственных векторов в общем случае не гарантирована, но в зависимости от свойств матрицы она все же может иметь место. Матрица A порядка N называется матрицей простой структуры, если она имеет N линейно независимых собственных векторов (в противном случае матрица называется дефектной). Собственные векторы матрицы простой структуры могут служить базисом пространства.
Утверждается, что матрица имеет простую структуру тогда и только тогда, когда она подобна диагональной матрице. Иными словами, для матрицы простой структуры всегда можно найти преобразование (5), приводящее ее к диагональному виду. Из сопоставления уравнений (16) и (17) видно, что такое преобразование обеспечивается матрицей V, столбцы которой vi являются собственными векторами A:
V1AV= (18)
Таким образом, для матриц простой структуры проблема собственных значений имеет наиболее простое решение. Остается выяснить, какие матрицы принадлежат к этому классу. В частности, можно показать, что простую структуру имеет всякая матрица, коммутирующая со своей сопряженной, т. е. удовлетворяющая условию AA*=A*A. Следовательно, к матрицам простой структуры относятся (наряду с другими) эрмитовы (самосопряженные) матрицы, представляющие наибольший интерес с точки зрения практических приложений.
Как уже говорилось, собственные значения эрмитовой матрицы всегда вещественны, i*=i. Собственные векторы, относящиеся к различающимся собственным значениям не просто линейно независимы, а ортогональны, т. е. vi*vj=0, если ij. Действительно, рассмотрим произведение vi*Avj при условии, что A*=A. С одной стороны, vi*Avj=vi*(Avj)=vi*(jvj)=jvi*vj. С другой стороны, учитывая (3в), можно записать vi*Avj=(Avi)*vj=(ivi)*vj=ivi*vj. Вычитая первое равенство из второго, имеем: 0=(ij)vi*vj, откуда следует искомая ортогональность. Из тех же соображений можно сделать вывод, что собственные векторы, относящиеся к одинаковым собственным значениям, не обязаны быть ортогональными. Однако они должны быть линейно независимыми, поскольку матрица A имеет простую структуру. Заметим, что если двум разным собственным векторам vi и vj отвечают одинаковые собственные значения ij, то любая линейная комбинация этих векторов тоже будет собственным вектором с тем же самым собственным значением: A(vi+vj)=Avi+Avj=vi+vj=(vi+vj). Из линейно независимых векторов можно построить взаимно ортогональные линейные комбинации (провести ортогонализацию), например, по Шмидту. Следовательно, для эрмитовой матрицы задачу можно решить таким образом, чтобы все собственные векторы были ортогональными независимо от кратности собственных значений.