Cholesky分解及一个例子

最新推荐文章于 2024-04-14 23:57:43 发布

置顶 CosyWang

最新推荐文章于 2024-04-14 23:57:43 发布

阅读量2.2w

点赞数 16

CC 4.0 BY-SA版权

文章标签： Cholesky分解数值计算矩阵运算

本文链接：https://blog.youkuaiyun.com/qq_41564404/article/details/88085073

本文详细介绍了Cholesky分解的概念，这是一种将对称正定矩阵分解为下三角矩阵的方法，适用于解决线性问题。文章提供了计算步骤和示例，展示了如何通过Cholesky分解降低求解线性方程组的时间复杂度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文字来源：

C.E. Rasmussen & K.I. Williams, Gaissian Processes for Machine Learning,MIT
计算机科学计算，高等教育出版社，张宏伟等

定义： cholesky分解是一种将任意n阶对称正定矩阵A分解成下三角矩阵L的一种方法：
$LLT=A\pmb L\pmb L^T=\pmb A$ 其中，L称为Cholesky因子。如果L的对角元均为正数，则L是唯一确定的。

Cholesky分解对于解决带有对称正定系数矩阵A的线性问题非常有效。在计算机中，直接求解 $Ax=bA\mathbf x=\mathbf b$ 时间复杂度是很高的（Gauss消元法求解是 $O(n^3)$ ），用cholesky法对A提前变换之后再计算会有效降低复杂度。计算方法如下： $Ax=b⇒LLTx=b\pmb A\pmb x=\pmb b\Rightarrow\pmb L\pmb L^T\pmb x=\pmb b$ 其等价于 ${Ly=bLTx=y\begin{cases} \pmb L\pmb y=\pmb b \\ \pmb L^T\pmb x=\pmb y \end{cases}$ 令
$(a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2…ann)=(l11l21l22⋮⋮⋱ln1ln2…lnn)(l11l12⋯l1nl22⋯l2n⋱⋮lnn)\begin{pmatrix} a_{11} & a_{12} & \cdots &a_{1n} \\ a_{21} & a_{22} & \cdots& a_{2n}\\ \vdots &\vdots&\ddots &\vdots\\ a_{n1} & a_{n2} & \dots & a_{nn} \end{pmatrix}= \begin{pmatrix} l_{11} & & & \\ l_{21} & l_{22} & & \\ \vdots &\vdots&\ddots & \\ l_{n1} & l_{n2} & \dots & l_{nn} \end{pmatrix} \begin{pmatrix} l_{11} & l_{12} & \cdots &l_{1n} \\ & l_{22} & \cdots& l_{2n}\\ & &\ddots &\vdots\\ & & & l_{nn} \end{pmatrix}$ 则
$,n,a_{ij}=\sum_{k=1}^{j-1} l_{ik}l_{jk}+l_{ij}l_{jj}, \quad i=j,j+1,\cdots,n,$ 则有
$ljj=(ajj−∑k=1j−1ljk2)12,l_{jj}=\Bigl(a_{jj}-\sum_{k=1}^{j-1}l_{jk}^2\Bigr)^{\frac{1}{2}},$
$,nl_{ij}=\Bigl( a_{ij}-\sum_{k=1}^{j-1}l_{ik}l_{jk} \Bigr)/l_{jj}, \quad i=j+1,j+2,\cdots,n$ 计算次序为 $l_{11},l_{21},...,l_{n1},l_{22},l_{32},...,l_{n2},...,l_{nn}.$

注意，正定对称矩阵的行列式可以由下式得出：
$∣A∣=∏ni=1Lii2,|A|=\underset{i=1}{\overset{n}{\prod}}L^2_{ii},$ 或者 $log⁡∣A∣=2∑ni=1log⁡Lii，\log|A|=2\underset{i=1}{\overset{n}{\sum}}\log L_{ii}，$ 其中，L是由A得出的Cholesky因子。

例题
用cholesky方法求解线性方程组 $Ax=b\pmb A\pmb x=\pmb b$ ，其中
$A=(4−11−14.252.7512.753.5),b=(467.25).\pmb A= \begin{pmatrix} 4 & -1 & 1 \\ -1 & 4.25 & 2.75\\ 1 & 2.75 & 3.5 \end{pmatrix}, \pmb b= \begin{pmatrix} 4\\ 6\\ 7.25 \end{pmatrix}.$
解显然 $AT=A\pmb A^T=\pmb A$ ，且 $D_1=4>0,D_2=16>0,D_3=16>0$ .因此，A为对称正定矩阵，故存在 $A=LLT\pmb A=\pmb L\pmb L^T$ .则有：
$\begin{aligned} & l_{11}=\sqrt{a_{11}}=2 , \ l_{21}=\frac{a_{21}}{l_{11}}=-0.5, \ l_{31}=\frac{a_{31}}{l_{11}}=0.5, \\ &l_{22}=\sqrt{a_{22}-l_{21}^2}=2, \\ &l_{32}=\frac{a_{32}-l_{31}l_{21}}{l_{22}}=1.5,\\ &l_{33}=\sqrt{a_{33}-l_{31}^2-l_{32}^2}=1, \end{aligned}$ 得
$L=(2−0.520.51.51).\pmb L= \begin{pmatrix} 2&&\\ -0.5&2&\\ 0.5&1.5&1 \end{pmatrix}.$ 再求
${Ly=bLTx=y\begin{cases} \pmb L\pmb y=\pmb b \\ \pmb L^T\pmb x=\pmb y \end{cases}$ 解得 $x=(1,1,1)T.\pmb x=(1,1,1)^T.$