Линейная алгебра
Помимо поддержки многомерных массивов (и как часть этой поддержки), язык Julia содержит встроенную реализацию множества часто используемых операций линейной алгебры, загружаемых с помощью using LinearAlgebra
. Поддерживаются все основные операции, такие как tr
, det
, и inv
:
julia> A = [1 2 3; 4 1 6; 7 8 1]
3×3 Matrix{Int64}:
1 2 3
4 1 6
7 8 1
julia> tr(A)
3
julia> det(A)
104.0
julia> inv(A)
3×3 Matrix{Float64}:
-0.451923 0.211538 0.0865385
0.365385 -0.192308 0.0576923
0.240385 0.0576923 -0.0673077
Также поддерживаются другие полезные операции, например нахождение собственных значений и собственных векторов:
julia> A = [-4. -17.; 2. 2.]
2×2 Matrix{Float64}:
-4.0 -17.0
2.0 2.0
julia> eigvals(A)
2-element Vector{ComplexF64}:
-1.0 - 5.0im
-1.0 + 5.0im
julia> eigvecs(A)
2×2 Matrix{ComplexF64}:
0.945905-0.0im 0.945905+0.0im
-0.166924+0.278207im -0.166924-0.278207im
Кроме того, в Julia доступно множество разложений, позволяющих, например, ускорить линейное решение или возведение матриц в степень за счет предварительного разложения матрицы в более удобную для задачи форму с точки зрения производительности или памяти. Дополнительные сведения см. в документации по factorize
. Пример:
julia> A = [1.5 2 -4; 3 -1 -6; -10 2.3 4]
3×3 Matrix{Float64}:
1.5 2.0 -4.0
3.0 -1.0 -6.0
-10.0 2.3 4.0
julia> factorize(A)
LU{Float64, Matrix{Float64}, Vector{Int64}}
L factor:
3×3 Matrix{Float64}:
1.0 0.0 0.0
-0.15 1.0 0.0
-0.3 -0.132196 1.0
U factor:
3×3 Matrix{Float64}:
-10.0 2.3 4.0
0.0 2.345 -3.4
0.0 0.0 -5.24947
Поскольку A
не является эрмитовой, симметричной, треугольной, трех- или бидиагональной матрицей, вероятно, LU-разложение является наилучшим выбором. Сравните со следующим.
julia> B = [1.5 2 -4; 2 -1 -3; -4 -3 5]
3×3 Matrix{Float64}:
1.5 2.0 -4.0
2.0 -1.0 -3.0
-4.0 -3.0 5.0
julia> factorize(B)
BunchKaufman{Float64, Matrix{Float64}, Vector{Int64}}
D factor:
3×3 Tridiagonal{Float64, Vector{Float64}}:
-1.64286 0.0 ⋅
0.0 -2.8 0.0
⋅ 0.0 5.0
U factor:
3×3 UnitUpperTriangular{Float64, Matrix{Float64}}:
1.0 0.142857 -0.8
⋅ 1.0 -0.6
⋅ ⋅ 1.0
permutation:
3-element Vector{Int64}:
1
2
3
Здесь Julia удалось определить, что матрица B
симметричная, и использовать более подходящее разложение. Когда известно, что матрица имеет определенные свойства, например является симметричной или трехдиагональной, для нее часто можно написать более эффективный код. В Julia доступен ряд особых типов, позволяющих «пометить» матрицу как имеющую такие свойства. Пример:
julia> B = [1.5 2 -4; 2 -1 -3; -4 -3 5]
3×3 Matrix{Float64}:
1.5 2.0 -4.0
2.0 -1.0 -3.0
-4.0 -3.0 5.0
julia> sB = Symmetric(B)
3×3 Symmetric{Float64, Matrix{Float64}}:
1.5 2.0 -4.0
2.0 -1.0 -3.0
-4.0 -3.0 5.0
Матрица sB
помечена как симметричная (вещественная), поэтому мы можем эффективнее выполнять с ней дальнейшие операции, такие как спектральное разложение или умножение на вектор, ссылаясь только на ее половину. Например:
julia> B = [1.5 2 -4; 2 -1 -3; -4 -3 5]
3×3 Matrix{Float64}:
1.5 2.0 -4.0
2.0 -1.0 -3.0
-4.0 -3.0 5.0
julia> sB = Symmetric(B)
3×3 Symmetric{Float64, Matrix{Float64}}:
1.5 2.0 -4.0
2.0 -1.0 -3.0
-4.0 -3.0 5.0
julia> x = [1; 2; 3]
3-element Vector{Int64}:
1
2
3
julia> sB\x
3-element Vector{Float64}:
-1.7391304347826084
-1.1086956521739126
-1.4565217391304346
Здесь операция \
выполняет линейное решение. Оператор левого деления дает широкие возможности и позволяет легко писать компактный, удобочитаемый и гибкий код для решения самых разных систем линейных уравнений.
Особые матрицы
Матрицы с особой симметрией и структурой часто встречаются в линейной алгебре и связаны с различными видами матричных разложений. Julia поддерживает обширный набор особых типов матриц со специально разработанными процедурами для быстрого выполнения над ними вычислений.
Сведения об особых типах матриц, реализованных в Julia, а также о наличии перехватчиков к оптимизированным для них методам в LAPACK приведены в таблицах ниже.
Type | Description |
---|---|
Верхняя треугольная матрица |
|
Верхняя треугольная матрица с единичной диагональю |
|
Нижняя треугольная матрица |
|
Нижняя треугольная матрица с единичной диагональю |
|
Верхняя матрица Хессенберга |
|
Симметричная трехдиагональная матрица |
|
Верхняя/нижняя бидиагональная матрица |
|
Элементарные операции
Matrix type | + |
- |
* |
\ |
Other functions with optimized methods |
---|---|---|---|---|---|
MV |
|||||
MV |
|||||
MV |
MV |
||||
MV |
MV |
||||
MV |
MV |
||||
MV |
MV |
||||
MM |
|||||
M |
M |
MS |
MV |
||
M |
M |
MS |
MV |
||
M |
M |
MS |
MV |
||
M |
M |
MV |
MV |
||
M |
M |
MVS |
MVS |
Условные обозначения
Знак | Описание |
---|---|
М (матрица) |
Доступен оптимизированный метод для операций над двумя матрицами |
В (вектор) |
Доступен оптимизированный метод для операций над матрицей и вектором |
С (скаляр) |
Доступен оптимизированный метод для операций над матрицей и скаляром |
Разложение матриц
Matrix type | LAPACK | eigen |
eigvals |
eigvecs |
svd |
svdvals |
---|---|---|---|---|---|---|
SY |
ARI |
|||||
HE |
ARI |
|||||
TR |
A |
A |
A |
|||
TR |
A |
A |
A |
|||
TR |
A |
A |
A |
|||
TR |
A |
A |
A |
|||
ST |
A |
ARI |
AV |
|||
GT |
||||||
BD |
A |
A |
||||
DI |
A |
Условные обозначения
Знак | Описание | Пример |
---|---|---|
О (общий) |
Доступен оптимизированный метод для нахождения всех собственных значений или векторов |
например |
Д (диапазон) |
Доступен оптимизированный метод для нахождения собственных значений в диапазоне с |
|
И (интервал) |
Доступен оптимизированный метод для нахождения собственных значений в интервале [ |
|
В (векторы) |
Доступен оптимизированный метод для нахождения собственных векторов, соответствующих собственным значениям |
|
Оператор равномерного масштабирования
Оператор UniformScaling
соответствует скалярному произведению на единичный оператор: λ*I
. Единичный оператор I
определяется как константа и является образцом равномерного масштабирования (UniformScaling
). Эти операторы имеют стандартный размер, соответствующий другим матрицам в бинарных операциях +
, -
, *
и \
. Для A+I
и A-I
это означает, что матрица A
должна быть квадратной. Умножение с применением единичного оператора I
является холостой операцией (за исключением проверки на множитель, равный единице), поэтому практически никогда не требует дополнительных затрат производительности.
Пример работы оператора UniformScaling
:
julia> U = UniformScaling(2);
julia> a = [1 2; 3 4]
2×2 Matrix{Int64}:
1 2
3 4
julia> a + U
2×2 Matrix{Int64}:
3 2
3 6
julia> a * U
2×2 Matrix{Int64}:
2 4
6 8
julia> [a U]
2×4 Matrix{Int64}:
1 2 2 0
3 4 0 2
julia> b = [1 2 3; 4 5 6]
2×3 Matrix{Int64}:
1 2 3
4 5 6
julia> b - U
ERROR: DimensionMismatch: matrix is not square: dimensions are (2, 3)
Stacktrace:
[...]
При необходимости решения множества систем уравнений в форме (A+μI)x = b
с одинаковыми A
и разными μ
может иметь смысл сначала вычислить разложение Хессенберга F
для A
с помощью функции hessenberg
. Получив F
, Julia будет применять более эффективный алгоритм для выражения (F+μ*I) \ b
(эквивалентного (A+μ*I)x \ b
) и связанных операций, таких как вычисление определителей.
Разложение матриц
Разложение (декомпозиция) матриц представляет собой преобразование матрицы в произведение матриц — один из центральных принципов (числовой) линейной алгебры.
Реализованные в Julia типы разложения матриц представлены в таблице ниже. Подробные сведения о связанных с ними методах см. в документации по линейной алгебре в разделе Стандартные функции.
Тип | Описание |
---|---|
|
Разложение Банча-Кауфман |
|
|
|
Разложение Холецкого с выбором ведущего элемента |
|
|
|
|
|
|
|
Компактная WY-форма QR-разложения |
|
QR-разложение с выбором ведущего элемента |
|
QR-разложение для |
|
|
|
|
|
|
|
|
|
|
|
|
|
Сопряжения и транспонирования объектов Factorization
в отложенном режиме заключаются в объекты AdjointFactorization
и TransposeFactorization
, соответственно. В общем случае транспонирования вещественных объектов Factorization
заключаются в оболочку как AdjointFactorization
.
Ортогональные матрицы (AbstractQ
)
Некоторые разложения матриц порождают ортогональные/унитарные «матричные» коэффициенты. К этим разложениям относятся QR-разложения, полученные из вызовов функции qr
, т. е. QR
, QRCompactWY
и QRPivoted
, разложение Хессенберга, полученное из вызовов hessenberg
, LQ-разложение, полученное из lq
. Хотя эти ортогональные/унитарные коэффициенты допускают матричное представление, их внутреннее представление отличается (по соображениям производительности и памяти). Следовательно, их следует рассматривать скорее как основанные на функциях линейные операторы с поддержкой матриц. В частности, чтение, например столбца из его матричного представления требует выполнения кода «матрично-векторного умножения», а не простого считывания данных из памяти (возможно, с заполнением части вектора структурными нулями). Еще одно явное отличие от других нетреугольных типов матриц заключается в том, что код умножения позволяет изменять матрицу на месте во время умножения. Кроме того, объекты определенных подтипов AbstractQ
, созданные с помощью qr
, hessenberg
и lq
, могут вести себя как квадратная или прямоугольная матрица в зависимости от контекста:
julia> using LinearAlgebra
julia> Q = qr(rand(3,2)).Q
3×3 LinearAlgebra.QRCompactWYQ{Float64, Matrix{Float64}, Matrix{Float64}}
julia> Matrix(Q)
3×2 Matrix{Float64}:
-0.320597 0.865734
-0.765834 -0.475694
-0.557419 0.155628
julia> Q*I
3×3 Matrix{Float64}:
-0.320597 0.865734 -0.384346
-0.765834 -0.475694 -0.432683
-0.557419 0.155628 0.815514
julia> Q*ones(2)
3-element Vector{Float64}:
0.5451367118802273
-1.241527373086654
-0.40179067589600226
julia> Q*ones(3)
3-element Vector{Float64}:
0.16079054743832022
-1.674209978965636
0.41372375588835797
julia> ones(1,2) * Q'
1×3 Matrix{Float64}:
0.545137 -1.24153 -0.401791
julia> ones(1,3) * Q'
1×3 Matrix{Float64}:
0.160791 -1.67421 0.413724
Благодаря этому отличию от плотных или структурированных матриц абстрактный тип AbstractQ
не является подтипом AbstractMatrix
, а имеет собственную иерархию типов. Пользовательские типы с подтипом AbstractQ
могут полагаться на универсальные резервные варианты, если выполняются следующие условия. Например, для
struct MyQ{T} <: LinearAlgebra.AbstractQ{T}
# обязательные поля
end
укажите перегрузки для
Base.size(Q::MyQ) # размер соответствующего представления квадратной матрицы
Base.convert(::Type{AbstractQ{T}}, Q::MyQ) # продвижение типа элементов [необязательно]
LinearAlgebra.lmul!(Q::MyQ, x::AbstractVecOrMat) # левое умножение
LinearAlgebra.rmul!(A::AbstractMatrix, Q::MyQ) # правое умножение
Если продвижение eltype
не представляет интереса, метод convert
не нужен, так как по умолчанию convert(::Type{AbstractQ{T}}, Q::AbstractQ{T})
возвращает сам Q
. Сопряжения AbstractQ
-типизированных объектов в отложенном режиме заключаются в тип оболочки AdjointQ
, для которого требуются собственные методы LinearAlgebra.lmul!
и LinearAlgebra.rmul!
. С таким набором методов любое выражение Q::MyQ
можно использовать как матрицу, предпочтительно в контексте умножения: работает все — умножение посредством *
со скалярами, векторами и матрицами слева и справа, получение матричного представления Q
с помощью Matrix(Q)
(или Q*I
) и индексирование в матричное представление. Напротив, сложение и вычитание, а также трансляция элементов в матричном представлении не работают, поскольку это было бы крайне неэффективно. Для таких случаев следует заранее вычислить матричное представление и кэшировать его для последующего использования.
Стратегии выбора главного элемента
Некоторые разложения матриц в Julia поддерживают выбор главного элемента, позволяющего повысить их численную устойчивость. На самом деле некоторые разложения матриц, такие как LU-разложение, могут не работать без выбора главного элемента.
Сначала на основе стратегии выбора главного элемента выбирается главный элемент с хорошими числовыми характеристиками. Затем строки и столбцы исходной матрицы переставляются так, чтобы выбранный элемент оказался на месте для последующих вычислений. Более того, этот процесс повторяется для каждого этапа разложения.
Следовательно, помимо обычных матричных коэффициентов, выходные данные схем факторизации с выбранным главным элементом также содержат матрицы перестановок.
Далее кратко описываются стратегии выбора главного элемента, реализованные в Julia. Обратите внимание, что их поддерживают не все матичные разложения. Более подробную информацию о поддерживаемых стратегиях выбора главного элемента можно найти в документации по соответствующему разложению матрицы.
См. также описание макроса LinearAlgebra.ZeroPivotException
.
#
LinearAlgebra.NoPivot
— Type
NoPivot
Выбор главного элемента не выполняется. Разложения матриц, такие как LU-разложение, могут не работать без выбора главного элемента, а также могут быть численно неустойчивыми для матриц с плавающей запятой из-за ошибок округления. Такая стратегия выбора главного элемента полезна в основном в учебных целях.
#
LinearAlgebra.RowNonZero
— Type
RowNonZero
В качестве главного элемента выбирается первый ненулевой элемент в оставшихся строках.
Учтите, что для матриц с плавающей запятой итоговый алгоритм LU численно неустойчивый — эта стратегия полезна в основном для сравнения с вычислениями вручную (в которых она обычно применяется) или для других алгебраических типов (например, рациональных чисел), не подверженных ошибкам округления. В других случаях при использовании гауссова исключения следует предпочесть стратегию выбора главного элемента по умолчанию RowMaximum
.
#
LinearAlgebra.RowMaximum
— Type
RowMaximum
В качестве главного элемента выбирается элемент максимальной величины в оставшихся строках. Это стратегия по умолчанию для LU-разложения матриц с плавающей запятой. Иногда ее называют алгоритмом «частичного выбора главного элемента».
Standard functions
Linear algebra functions in Julia are largely implemented by calling functions from LAPACK. Sparse matrix factorizations call functions from SuiteSparse. Other sparse solvers are available as Julia packages.
#
Base.:
* — Method
*(A::AbstractMatrix, B::AbstractMatrix)
Умножение матриц.
Примеры
julia> [1 1; 0 1] * [1 0; 1 1]
2×2 Matrix{Int64}:
2 1
1 1
#
Base.:
* — Method
*(A, B::AbstractMatrix, C)
A * B * C * D
Последовательное умножение 3 или 4 матриц выполняется в наиболее эффективном порядке, исходя из размеров массивов. То есть количество скалярных умножений, необходимых для (A * B) * C
(с тремя плотными матрицами), сравнивается с количеством для A * (B * C)
для выбора оптимального варианта.
Если последний множитель является вектором или первый — транспонированным вектором, то эффективнее сначала обработать их. В частности, x' * B * y
означает (x' * B) * y
для обычной хранящейся по столбцам матрицы B::Matrix
. В отличие от dot(x, B, y)
, при этом выделяется память под промежуточный массив.
Если первый или последний множитель является числом, он будет объединен с матричным умножением с использованием метода mul!
с 5 аргументами.
Совместимость: Julia 1.7
Для этих оптимизаций требуется версия Julia не ниже 1.7. |
#
Base.:\
— Method
\(A, B)
Деление матриц с помощью полиалгоритма. Для входных матриц A
и B
результат X
таков, что A*X == B
, когда матрица A
является квадратной. Используемый решатель зависит от структуры матрицы A
. Если матрица A
является верхне- или нижнетреугольной (либо диагональной), разложение A
не требуется и система решается прямой или обратной подстановкой. Для нетреугольных квадратных матриц используется LU-разложение.
Для прямоугольной матрицы A
результатом является решение по методу наименьших норм или квадратов, вычисленное с помощью QR-разложения матрицы A
, и оценка ранга матрицы A
на основе коэффициента R.
Если матрица A
разрежена, используется аналогичный полиалгоритм. Для неопределенных матриц LDLt
-разложение не использует выбор главного элемента во время числового разложения, и поэтому процедура может завершиться неудачей даже для обратимых матриц.
Примеры
julia> A = [1 0; 1 -2]; B = [32; -4];
julia> X = A \ B
2-element Vector{Float64}:
32.0
18.0
julia> A * X == B
true
#
Base.:/
— Method
A / B
Правое деление матриц: выражение A / B
эквивалентно (B' \ A')'
, где [\
] — оператор левого деления. Для квадратных матриц результат X
будет таким, что A == X*B
.
См. также описание rdiv!
.
Примеры
julia> A = Float64[1 4 5; 3 9 2]; B = Float64[1 4 2; 3 4 2; 8 7 1];
julia> X = A / B
2×3 Matrix{Float64}:
-0.65 3.75 -1.2
3.25 -2.75 1.0
julia> isapprox(A, X*B)
true
julia> isapprox(X, A*pinv(B))
true
#
LinearAlgebra.SingularException
— Type
SingularException
Исключение, которое возникает, когда входная матрица имеет одно или несколько нулевых собственных значений и не является инвертируемой. Линейное решение с такой матрицей не может быть вычислено. Поле info
указывает на расположение сингулярного значения (или одного из них).
#
LinearAlgebra.PosDefException
— Type
PosDefException
Исключение, которое возникает, когда входная матрица не является положительно определенной. Некоторые функции и разложения линейной алгебры применимы только к положительно определенным матрицам. Поле info
указывает на расположение собственного значения (или одного из них), которое меньше или равно 0.
#
LinearAlgebra.ZeroPivotException
— Type
ZeroPivotException <: Exception
Исключение, которое возникает, когда при разложении или решении матрицы встречается нуль в позиции главного элемента (диагонали) и операция не может быть продолжена. Это может не означать, что матрица сингулярна: может быть полезно переключиться на другое разложение, такое как LU с выбранным главным элементом, которое может переупорядочивать переменные для устранения ложных нулевых главных элементов. Поле info
указывает на расположение нулевого главного элемента (или одного из них).
#
LinearAlgebra.RankDeficientException
— Type
RankDeficientException
Исключение, которое возникает, когда входная матрица имеет неполный ранг. Некоторые функции линейной алгебры, такие как разложение Холецкого, неприменимы к матрицам неполного ранга. Поле info
указывает вычисленный ранг матрицы.
#
LinearAlgebra.LAPACKException
— Type
LAPACKException
Общее исключение LAPACK, возникающее либо во время прямых вызовов функций LAPACK, либо во время вызовов других функций, внутри которых используются функции LAPACK, но не предусмотрена специальная обработка ошибок. Поле info
содержит дополнительную информацию о базовой ошибке и зависит от вызванной функции LAPACK.
#
LinearAlgebra.dot
— Function
dot(x, y)
x ⋅ y
Вычисляет точечное произведение двух векторов. Для комплексных векторов первый вектор является сопряженным.
Функция dot
также работает с произвольными итерируемыми объектами, включая массивы любой размерности, при условии что функция dot
определена для элементов.
Функция dot
семантически эквивалентна sum(dot(vx,vy) for (vx,vy) in zip(x, y))
, но имеет дополнительное ограничение, которое обязывает все аргументы иметь одинаковую длину.
x ⋅ y
(где ⋅
можно вводить, используя автозавершение по клавише TAB для \cdot
в REPL) является синонимом для dot(x, y)
.
Примеры
julia> dot([1; 1], [2; 3])
5
julia> dot([im; im], [1; 1])
0 - 2im
julia> dot(1:5, 2:6)
70
julia> x = fill(2., (5,5));
julia> y = fill(3., (5,5));
julia> dot(x, y)
150.0
#
LinearAlgebra.dot
— Method
dot(x, A, y)
Вычисляет обобщенное точечное произведение dot(x, A*y)
двух векторов x
и y
без сохранения промежуточного результата A*y
. Что касается функции dot(,)
с двумя аргументами, она действует рекурсивно. Более того, для комплексных векторов первый вектор является сопряженным.
Совместимость: Julia 1.4
Для метода |
Примеры
julia> dot([1; 1], [1 2; 3 4], [2; 3])
26
julia> dot(1:5, reshape(1:25, 5, 5), 2:6)
4850
julia> ⋅(1:5, reshape(1:25, 5, 5), 2:6) == dot(1:5, reshape(1:25, 5, 5), 2:6)
true
#
LinearAlgebra.cross
— Function
cross(x, y)
×(x,y)
Вычисляет векторное произведение двух трехэлементных векторов.
Примеры
julia> a = [0;1;0]
3-element Vector{Int64}:
0
1
0
julia> b = [0;0;1]
3-element Vector{Int64}:
0
0
1
julia> cross(a,b)
3-element Vector{Int64}:
1
0
0
#
LinearAlgebra.axpy!
— Function
axpy!(α, x::AbstractArray, y::AbstractArray)
Перезаписывает y
результатом выражения x * α + y
и возвращает y
. Если у x
и y
имеют одинаковые оси, это равносильно выражению y .+= x .* a
.
Примеры
julia> x = [1; 2; 3];
julia> y = [4; 5; 6];
julia> axpy!(2, x, y)
3-element Vector{Int64}:
6
9
12
#
LinearAlgebra.axpby!
— Function
axpby!(α, x::AbstractArray, β, y::AbstractArray)
Перезаписывает y
результатом выражения x * α + y * β
и возвращает y
. Если у x
и y
имеют одинаковые оси, это равносильно выражению y .= x .* a .+ y .* β
.
Примеры
julia> x = [1; 2; 3];
julia> y = [4; 5; 6];
julia> axpby!(2, x, 2, y)
3-element Vector{Int64}:
10
14
18
#
LinearAlgebra.rotate!
— Function
rotate!(x, y, c, s)
Перезаписывает x
результатом выражения c*x + s*y
, а y
— результатом выражения -conj(s)*x + c*y
. Возвращает x
и y
.
Совместимость: Julia 1.5
Для |
#
LinearAlgebra.reflect!
— Function
reflect!(x, y, c, s)
Перезаписывает x
результатом выражения c*x + s*y
, а y
— результатом выражения conj(s)*x - c*y
. Возвращает x
и y
.
Совместимость: Julia 1.5
Для |
#
LinearAlgebra.factorize
— Function
factorize(A)
Вычисляет оптимальное разложение матрицы A
в зависимости от типа входной матрицы. Функция factorize
проверяет матрицу A
, чтобы определить, является ли она симметричной, треугольной и т. д., если матрица A
передается как универсальная. Функция factorize
проверяет каждый элемент матрицы A
, чтобы проверить или исключить каждое свойство. Как только функция сможет исключить симметричную или треугольную структуру, она завершится. Возвращаемое значение можно использовать многократно для эффективного решения нескольких систем. Например: A=factorize(A); x=A\b; y=A\C
.
Свойства A |
тип разложения |
---|---|
Положительно определенная |
Разложение Холецкого (см. |
Плотная симметричная/эрмитова |
Разложение Банча-Кауфмана (см. |
Разреженная симметричная/эрмитова |
LDLt-разложение (см. |
Треугольная |
Треугольное разложение |
Диагональная |
Диагональное разложение |
Двухдиагональная |
Двухдиагональное разложение |
Трехдиагональная |
LU-разложение (см. |
Симметричная вещественная трехдиагональная |
LDLt-разложение (см. |
Общая квадратная |
LU-разложение (см. |
Общая неквадратная |
QR-разложение (см. |
Если функция factorize
вызывается, к примеру, для эрмитовой положительно определенной матрицы, функция factorize
возвращает разложение Холецкого.
Примеры
julia> A = Array(Bidiagonal(fill(1.0, (5, 5)), :U))
5×5 Matrix{Float64}:
1.0 1.0 0.0 0.0 0.0
0.0 1.0 1.0 0.0 0.0
0.0 0.0 1.0 1.0 0.0
0.0 0.0 0.0 1.0 1.0
0.0 0.0 0.0 0.0 1.0
julia> factorize(A) # Функция factorize проверит, разрежена ли уже матрица A
5×5 Bidiagonal{Float64, Vector{Float64}}:
1.0 1.0 ⋅ ⋅ ⋅
⋅ 1.0 1.0 ⋅ ⋅
⋅ ⋅ 1.0 1.0 ⋅
⋅ ⋅ ⋅ 1.0 1.0
⋅ ⋅ ⋅ ⋅ 1.0
Будет возвращено 5×5 Bidiagonal{Float64}
, которое можно передавать другим функциям линейной алгебры (например, собственным решателям), которые будут использовать специальные методы для типов Bidiagonal
.
#
LinearAlgebra.Diagonal
— Type
Diagonal(V::AbstractVector)
Создает отложенную матрицу с V
в качестве диагонали.
См. также описание типа UniformScaling
для отложенной матрицы тождественности I
, функции diagm
для создания плотной матрицы и функции diag
для извлечения диагональных элементов.
Примеры
julia> d = Diagonal([1, 10, 100])
3×3 Diagonal{Int64, Vector{Int64}}:
1 ⋅ ⋅
⋅ 10 ⋅
⋅ ⋅ 100
julia> diagm([7, 13])
2×2 Matrix{Int64}:
7 0
0 13
julia> ans + I
2×2 Matrix{Int64}:
8 0
0 14
julia> I(2)
2×2 Diagonal{Bool, Vector{Bool}}:
1 ⋅
⋅ 1
Матрица из одного столбца не обрабатывается как вектор, а вместо этого вызывается метод |
julia> A = transpose([7.0 13.0])
2×1 transpose(::Matrix{Float64}) with eltype Float64:
7.0
13.0
julia> Diagonal(A)
1×1 Diagonal{Float64, Vector{Float64}}:
7.0
Diagonal(A::AbstractMatrix)
Создает матрицу из главной диагонали матрицы A
. Входная матрица A
может быть прямоугольной, но выходная будет квадратной.
Примеры
julia> A = [1 2; 3 4]
2×2 Matrix{Int64}:
1 2
3 4
julia> D = Diagonal(A)
2×2 Diagonal{Int64, Vector{Int64}}:
1 ⋅
⋅ 4
julia> A = [1 2 3; 4 5 6]
2×3 Matrix{Int64}:
1 2 3
4 5 6
julia> Diagonal(A)
2×2 Diagonal{Int64, Vector{Int64}}:
1 ⋅
⋅ 5
Diagonal{T}(undef, n)
Создает неинициализированный вектор Diagonal{T}
длиной n
. См. описание undef
.
#
LinearAlgebra.Bidiagonal
— Type
Bidiagonal(dv::V, ev::V, uplo::Symbol) where V <: AbstractVector
Создает верхнюю (uplo=:U
) или нижнюю (uplo=:L
) двухдиагональную матрицу с использованием заданных диагональных (dv
) и внедиагональных (ev
) векторов. Результат имеет тип Bidiagonal
и предоставляет эффективные специализированные линейные решатели, но может быть преобразован в обычную матрицу с помощью convert(Array, )
(или Array()
для краткости). Длина ev
должна быть меньше длины dv
на единицу.
Примеры
julia> dv = [1, 2, 3, 4]
4-element Vector{Int64}:
1
2
3
4
julia> ev = [7, 8, 9]
3-element Vector{Int64}:
7
8
9
julia> Bu = Bidiagonal(dv, ev, :U) # ev находится на первой наддиагонали
4×4 Bidiagonal{Int64, Vector{Int64}}:
1 7 ⋅ ⋅
⋅ 2 8 ⋅
⋅ ⋅ 3 9
⋅ ⋅ ⋅ 4
julia> Bl = Bidiagonal(dv, ev, :L) # ev находится на первой поддиагонали
4×4 Bidiagonal{Int64, Vector{Int64}}:
1 ⋅ ⋅ ⋅
7 2 ⋅ ⋅
⋅ 8 3 ⋅
⋅ ⋅ 9 4
Bidiagonal(A, uplo::Symbol)
Создает матрицу Bidiagonal
из главной диагонали матрицы A
и ее первой над- (если uplo=:U
) или поддиагонали (если uplo=:L
).
Примеры
julia> A = [1 1 1 1; 2 2 2 2; 3 3 3 3; 4 4 4 4]
4×4 Matrix{Int64}:
1 1 1 1
2 2 2 2
3 3 3 3
4 4 4 4
julia> Bidiagonal(A, :U) # содержит главную диагональ и первую наддиагональ матрицы A
4×4 Bidiagonal{Int64, Vector{Int64}}:
1 1 ⋅ ⋅
⋅ 2 2 ⋅
⋅ ⋅ 3 3
⋅ ⋅ ⋅ 4
julia> Bidiagonal(A, :L) # содержит главную диагональ и первую поддиагональ матрицы A
4×4 Bidiagonal{Int64, Vector{Int64}}:
1 ⋅ ⋅ ⋅
2 2 ⋅ ⋅
⋅ 3 3 ⋅
⋅ ⋅ 4 4
#
LinearAlgebra.SymTridiagonal
— Type
SymTridiagonal(dv::V, ev::V) where V <: AbstractVector
Создает симметричную трехдиагональную матрицу из диагонали матрицы (dv
) и первой над- или поддиагонали (ev
) соответственно. Результат имеет тип SymTridiagonal
и предоставляет эффективные специализированные собственные решатели, но может быть преобразован в обычную матрицу с помощью convert(Array, )
(или Array()
для краткости).
Для блочных матриц SymTridiagonal
элементы dv
симметризируются. Аргумент ev
интерпретируется как наддиагональ. Блоки из поддиагонали являются (материализованным) транспонированием соответствующих блоков наддиагонали.
Примеры
julia> dv = [1, 2, 3, 4]
4-element Vector{Int64}:
1
2
3
4
julia> ev = [7, 8, 9]
3-element Vector{Int64}:
7
8
9
julia> SymTridiagonal(dv, ev)
4×4 SymTridiagonal{Int64, Vector{Int64}}:
1 7 ⋅ ⋅
7 2 8 ⋅
⋅ 8 3 9
⋅ ⋅ 9 4
julia> A = SymTridiagonal(fill([1 2; 3 4], 3), fill([1 2; 3 4], 2));
julia> A[1,1]
2×2 Symmetric{Int64, Matrix{Int64}}:
1 2
2 4
julia> A[1,2]
2×2 Matrix{Int64}:
1 2
3 4
julia> A[2,1]
2×2 Matrix{Int64}:
1 3
2 4
SymTridiagonal(A::AbstractMatrix)
Создает симметричную трехдиагональную матрицу из диагонали и первой наддиагонали симметричной матрицы A
.
Примеры
julia> A = [1 2 3; 2 4 5; 3 5 6]
3×3 Matrix{Int64}:
1 2 3
2 4 5
3 5 6
julia> SymTridiagonal(A)
3×3 SymTridiagonal{Int64, Vector{Int64}}:
1 2 ⋅
2 4 5
⋅ 5 6
julia> B = reshape([[1 2; 2 3], [1 2; 3 4], [1 3; 2 4], [1 2; 2 3]], 2, 2);
julia> SymTridiagonal(B)
2×2 SymTridiagonal{Matrix{Int64}, Vector{Matrix{Int64}}}:
[1 2; 2 3] [1 3; 2 4]
[1 2; 3 4] [1 2; 2 3]
#
LinearAlgebra.Tridiagonal
— Type
Tridiagonal(dl::V, d::V, du::V) where V <: AbstractVector
Создает симметричную трехдиагональную матрицу из первой поддиагонали, диагонали и первой наддиагонали соответственно. Результат имеет тип Tridiagonal
и предоставляет эффективные специализированные линейные решатели, но может быть преобразован в обычную матрицу с помощью convert(Array, )
(или Array()
для краткости). Длина dl
и du
должна быть меньше длины d
на единицу.
Поддиагональ |
Примеры
julia> dl = [1, 2, 3];
julia> du = [4, 5, 6];
julia> d = [7, 8, 9, 0];
julia> Tridiagonal(dl, d, du)
4×4 Tridiagonal{Int64, Vector{Int64}}:
7 4 ⋅ ⋅
1 8 5 ⋅
⋅ 2 9 6
⋅ ⋅ 3 0
Tridiagonal(A)
Создает трехдиагональную матрицу из первой поддиагонали, диагонали и первой наддиагонали матрицы A
.
Примеры
julia> A = [1 2 3 4; 1 2 3 4; 1 2 3 4; 1 2 3 4]
4×4 Matrix{Int64}:
1 2 3 4
1 2 3 4
1 2 3 4
1 2 3 4
julia> Tridiagonal(A)
4×4 Tridiagonal{Int64, Vector{Int64}}:
1 2 ⋅ ⋅
1 2 3 ⋅
⋅ 2 3 4
⋅ ⋅ 3 4
#
LinearAlgebra.Symmetric
— Type
Symmetric(A::AbstractMatrix, uplo::Symbol=:U)
Создает представление Symmetric
верхнего (если uplo = :U
) или нижнего (если uplo = :L
) треугольника матрицы A
.
Представления Symmetric
в основном полезны для вещественно-симметричных матриц, для которых доступны специализированные алгоритмы (например, для задач на собственные значения) для типов Symmetric
. См. также описание типа Hermitian(A)
для эрмитовых матриц A == A'
, который фактически эквивалентен Symmetric
для вещественных матриц, но также полезен для комплексных матриц. (Комплексные матрицы Symmetric
поддерживаются, но для них существует мало специализированных алгоритмов, если они вообще есть.)
Чтобы вычислить симметричную часть вещественной матрицы или, в более общем случае, эрмитову часть (A + A') / 2
вещественной или комплексной матрицы A
, используйте hermitianpart
.
Примеры
julia> A = [1 2 3; 4 5 6; 7 8 9]
3×3 Matrix{Int64}:
1 2 3
4 5 6
7 8 9
julia> Supper = Symmetric(A)
3×3 Symmetric{Int64, Matrix{Int64}}:
1 2 3
2 5 6
3 6 9
julia> Slower = Symmetric(A, :L)
3×3 Symmetric{Int64, Matrix{Int64}}:
1 4 7
4 5 8
7 8 9
julia> hermitianpart(A)
3×3 Hermitian{Float64, Matrix{Float64}}:
1.0 3.0 5.0
3.0 5.0 7.0
5.0 7.0 9.0
Обратите внимание, что Supper
не будет равен Slower
, если матрица A
сама по себе не является симметричной (например, если A == transpose(A)
).
#
LinearAlgebra.Hermitian
— Type
Hermitian(A::AbstractMatrix, uplo::Symbol=:U)
Создает представление Hermitian
верхнего (если uplo = :U
) или нижнего (если uplo = :L
) треугольника матрицы A
.
Для вычисления эрмитовой части A
используйте hermitianpart
.
Примеры
julia> A = [1 2+2im 3-3im; 4 5 6-6im; 7 8+8im 9]
3×3 Matrix{Complex{Int64}}:
1+0im 2+2im 3-3im
4+0im 5+0im 6-6im
7+0im 8+8im 9+0im
julia> Hupper = Hermitian(A)
3×3 Hermitian{Complex{Int64}, Matrix{Complex{Int64}}}:
1+0im 2+2im 3-3im
2-2im 5+0im 6-6im
3+3im 6+6im 9+0im
julia> Hlower = Hermitian(A, :L)
3×3 Hermitian{Complex{Int64}, Matrix{Complex{Int64}}}:
1+0im 4+0im 7+0im
4+0im 5+0im 8-8im
7+0im 8+8im 9+0im
julia> hermitianpart(A)
3×3 Hermitian{ComplexF64, Matrix{ComplexF64}}:
1.0+0.0im 3.0+1.0im 5.0-1.5im
3.0-1.0im 5.0+0.0im 7.0-7.0im
5.0+1.5im 7.0+7.0im 9.0+0.0im
Обратите внимание, что Hupper
не будет равен Hlower
, если матрица A
сама по себе не является эрмитовой (например, если A == adjoint(A)
).
Все невещественные части диагонали будут игнорироваться.
Hermitian(fill(complex(1,1), 1, 1)) == fill(1, 1, 1)
#
LinearAlgebra.LowerTriangular
— Type
LowerTriangular(A::AbstractMatrix)
Создает представление LowerTriangular
матрицы A
.
Примеры
julia> A = [1.0 2.0 3.0; 4.0 5.0 6.0; 7.0 8.0 9.0]
3×3 Matrix{Float64}:
1.0 2.0 3.0
4.0 5.0 6.0
7.0 8.0 9.0
julia> LowerTriangular(A)
3×3 LowerTriangular{Float64, Matrix{Float64}}:
1.0 ⋅ ⋅
4.0 5.0 ⋅
7.0 8.0 9.0
#
LinearAlgebra.UpperTriangular
— Type
UpperTriangular(A::AbstractMatrix)
Создает представление UpperTriangular
матрицы A
.
Примеры
julia> A = [1.0 2.0 3.0; 4.0 5.0 6.0; 7.0 8.0 9.0]
3×3 Matrix{Float64}:
1.0 2.0 3.0
4.0 5.0 6.0
7.0 8.0 9.0
julia> UpperTriangular(A)
3×3 UpperTriangular{Float64, Matrix{Float64}}:
1.0 2.0 3.0
⋅ 5.0 6.0
⋅ ⋅ 9.0
#
LinearAlgebra.UnitLowerTriangular
— Type
UnitLowerTriangular(A::AbstractMatrix)
Создает представление UnitLowerTriangular
матрицы A
. В таком представлении oneunit
типа eltype
матрицы A
находится на ее диагонали.
Примеры
julia> A = [1.0 2.0 3.0; 4.0 5.0 6.0; 7.0 8.0 9.0]
3×3 Matrix{Float64}:
1.0 2.0 3.0
4.0 5.0 6.0
7.0 8.0 9.0
julia> UnitLowerTriangular(A)
3×3 UnitLowerTriangular{Float64, Matrix{Float64}}:
1.0 ⋅ ⋅
4.0 1.0 ⋅
7.0 8.0 1.0
#
LinearAlgebra.UnitUpperTriangular
— Type
UnitUpperTriangular(A::AbstractMatrix)
Создает представление UnitUpperTriangular
матрицы A
. В таком представлении oneunit
типа eltype
матрицы A
находится на ее диагонали.
Примеры
julia> A = [1.0 2.0 3.0; 4.0 5.0 6.0; 7.0 8.0 9.0]
3×3 Matrix{Float64}:
1.0 2.0 3.0
4.0 5.0 6.0
7.0 8.0 9.0
julia> UnitUpperTriangular(A)
3×3 UnitUpperTriangular{Float64, Matrix{Float64}}:
1.0 2.0 3.0
⋅ 1.0 6.0
⋅ ⋅ 1.0
#
LinearAlgebra.UpperHessenberg
— Type
UpperHessenberg(A::AbstractMatrix)
Создает представление UpperHessenberg
матрицы A
. Элементы матрицы A
ниже первой поддиагонали игнорируются.
Совместимость: Julia 1.3
Этот тип был добавлен в Julia 1.3. |
Для H \ b
, det(H)
и подобного реализованы эффективные алгоритмы.
См. также описание функции hessenberg
для разложения любой матрицы в аналогичную верхнюю матрицу Хессенберга.
Если F::Hessenberg
является объектом разложения, доступ к унитарной матрице можно получить с помощью F.Q
, а к матрице Хессенберга — с помощью F.H
. При извлечении Q
результирующим типом является объект HessenbergQ
, но он может быть преобразован в обычную матрицу с помощью convert(Array, )
(или Array()
для краткости).
При итерации по разложению создаются множители F.Q
и F.H
.
Примеры
julia> A = [1 2 3 4; 5 6 7 8; 9 10 11 12; 13 14 15 16]
4×4 Matrix{Int64}:
1 2 3 4
5 6 7 8
9 10 11 12
13 14 15 16
julia> UpperHessenberg(A)
4×4 UpperHessenberg{Int64, Matrix{Int64}}:
1 2 3 4
5 6 7 8
⋅ 10 11 12
⋅ ⋅ 15 16
#
LinearAlgebra.UniformScaling
— Type
UniformScaling{T<:Number}
Обобщенный по размеру оператор пропорционального масштабирования, определяемый как скаляр, умноженный на оператор тождественности λ*I
. Несмотря на то, что он не имеет явного размера (size
), во многих случаях он действует аналогично матрице и включает поддержку определенного индексирования. См. также описание I
.
Совместимость: Julia 1.6
Индексирование с использованием диапазонов впервые реализовано в Julia 1.6. |
Примеры
julia> J = UniformScaling(2.)
UniformScaling{Float64}
2.0*I
julia> A = [1. 2.; 3. 4.]
2×2 Matrix{Float64}:
1.0 2.0
3.0 4.0
julia> J*A
2×2 Matrix{Float64}:
2.0 4.0
6.0 8.0
julia> J[1:2, 1:2]
2×2 Matrix{Float64}:
2.0 0.0
0.0 2.0
#
LinearAlgebra.I
— Constant
I
Объект типа UniformScaling
, представляющий матрицу тождественности любого размера.
Примеры
julia> fill(1, (5,6)) * I == fill(1, (5,6))
true
julia> [1 2im 3; 1im 2 3] * I
2×3 Matrix{Complex{Int64}}:
1+0im 0+2im 3+0im
0+1im 2+0im 3+0im
#
LinearAlgebra.UniformScaling
— Method
(I::UniformScaling)(n::Integer)
Создает матрицу Diagonal
из UniformScaling
.
Совместимость: Julia 1.2
Этот метод впервые реализован в Julia 1.2. |
Примеры
julia> I(3)
3×3 Diagonal{Bool, Vector{Bool}}:
1 ⋅ ⋅
⋅ 1 ⋅
⋅ ⋅ 1
julia> (0.7*I)(3)
3×3 Diagonal{Float64, Vector{Float64}}:
0.7 ⋅ ⋅
⋅ 0.7 ⋅
⋅ ⋅ 0.7
#
LinearAlgebra.Factorization
— Type
LinearAlgebra.Factorization
Абстрактный тип для разложений матриц, также известных как декомпозиции матриц. В онлайн-документации приведен список доступных разложений матриц.
#
LinearAlgebra.LU
— Type
LU <: Factorization
Тип разложения матрицы для LU
-разложения квадратной матрицы A
. Это возвращаемый тип lu
, соответствующей функции разложения матрицы.
Доступ к отдельным компонентам разложения F::LU
можно получить с помощью функции getproperty
.
Компонент | Описание |
---|---|
|
|
|
|
|
|
|
|
При итерации по разложению создаются компоненты F.L
, F.U
и F.p
.
Примеры
julia> A = [4 3; 6 3]
2×2 Matrix{Int64}:
4 3
6 3
julia> F = lu(A)
LU{Float64, Matrix{Float64}, Vector{Int64}}
L factor:
2×2 Matrix{Float64}:
1.0 0.0
0.666667 1.0
U factor:
2×2 Matrix{Float64}:
6.0 3.0
0.0 1.0
julia> F.L * F.U == A[F.p, :]
true
julia> l, u, p = lu(A); # деструктурирование через итерацию
julia> l == F.L && u == F.U && p == F.p
true
#
LinearAlgebra.lu
— Function
lu(A::AbstractSparseMatrixCSC; check = true, q = nothing, control = get_umfpack_control()) -> F::UmfpackLU
Вычисляет LU-разложение разреженной матрицы A
.
Для разреженной матрицы A
с вещественным или комплексным типом элементов возвращаемым типом F
является UmfpackLU{Tv, Ti}
, с Tv
= Float64
или ComplexF64
соответственно, а Ti
является целочисленным типом (Int32
или Int64
).
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
Перестановкой q
может быть либо перестановочный вектор, либо nothing
. Если перестановочный вектор не указан или q
имеет значение nothing
, используется принятый по умолчанию в UMFPACK вариант. Если перестановка не начинается с нуля, создается копия с отсчетом от нуля.
Вектор control
по умолчанию соответствует конфигурации пакета Julia SparseArrays по умолчанию для UMFPACK (она отличается от конфигурации UMFPACK по умолчанию для отключения итеративного уточнения), но его можно изменить, передав вектор длиной UMFPACK_CONTROL
. Возможные конфигурации см. в руководстве по UMFPACK. Например, чтобы снова включить итеративное уточнение, сделайте следующее:
umfpack_control = SparseArrays.UMFPACK.get_umfpack_control(Float64, Int64) # считываем конфигурацию Julia по умолчанию для разреженной матрицы типа Float64 SparseArrays.UMFPACK.show_umf_ctrl(umfpack_control) # необязательно — выводим значения umfpack_control[SparseArrays.UMFPACK.JL_UMFPACK_IRSTEP] = 2.0 # снова включаем итеративное уточнение (шаг 2 процесса итеративного уточнения максимума UMFPACK по умолчанию) Alu = lu(A; control = umfpack_control) x = Alu \ b # решаем Ax = b, включая итеративное уточнение UMFPACK
Доступ к отдельным компонентам разложения F
можно получить с помощью индексирования.
Компонент | Описание |
---|---|
|
|
|
|
|
|
|
|
|
|
|
Компоненты |
Между F
и A
существует следующее отношение:
F.L*F.U == (F.Rs .* A)[F.p, F.q]
F
также поддерживает следующие функции:
См. также описание lu!
.
|
lu(A, pivot = RowMaximum(); check = true, allowsingular = false) -> F::LU
Вычисляет LU-разложение матрицы A
.
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
По умолчанию при check = true
ошибка также выдается, когда разложение дает допустимые множители, но верхнетреугольный множитель U
имеет неполный ранг. Это можно изменить путем передачи allowsingular = true
.
В большинстве случаев, если A
является подтипом S
для AbstractMatrix{T}
с типом элемента T
, поддерживающим +
, -
, *
и /
, возвращаемый тип представляет собой LU{T,S{T}}
.
Как правило, LU-разложение предполагает перестановку строк матрицы (что соответствует выходным данным F.p
, описанным ниже), известную как «выбор главного элемента» (так как по сути выбирается строка, содержащая «главный элемент», то есть диагональный элемент F.U
). С помощью необязательного аргумента pivot
можно выбрать одну из следующих стратегий выбора главного элемента.
-
RowMaximum()
(по умолчанию): стандартная стратегия выбора главного элемента; главный элемент соответствует элементу с максимальным абсолютным значением среди оставшихся строк, подлежащих разложению. Такая стратегия выбора главного элемента требует, чтобы тип элемента также поддерживалabs
и<
. (This is generally the only numerically stable option for floating-point матрицы. -
RowNonZero()
: главный элемент соответствует первому ненулевому элементу среди оставшихся строк, подлежащих разложению. (Это обычный вариант при вычислениях вручную. Он также полезен для более общих алгебраических числовых типов, которые поддерживаютiszero
, но неabs
или<
.) -
NoPivot()
: выбор главных элементов отключен (если в позиции главного элемента встретится нулевой элемент, произойдет ошибка даже приallowsingular = true
).
Доступ к отдельным компонентам разложения F
можно получить с помощью функции getproperty
.
Компонент | Описание |
---|---|
|
|
|
|
|
|
|
|
При итерации по разложению создаются компоненты F.L
, F.U
и F.p
.
Между F
и A
существует следующее отношение:
F.L*F.U == A[F.p, :]
F
также поддерживает следующие функции:
Поддерживаемая функция | LU |
LU{T,Tridiagonal{T}} |
---|---|---|
✓ |
||
✓ |
✓ |
|
✓ |
✓ |
|
✓ |
✓ |
|
✓ |
✓ |
|
✓ |
✓ |
|
✓ |
✓ |
Совместимость: Julia 1.11
Именованный аргумент |
Примеры
julia> A = [4 3; 6 3]
2×2 Matrix{Int64}:
4 3
6 3
julia> F = lu(A)
LU{Float64, Matrix{Float64}, Vector{Int64}}
L factor:
2×2 Matrix{Float64}:
1.0 0.0
0.666667 1.0
U factor:
2×2 Matrix{Float64}:
6.0 3.0
0.0 1.0
julia> F.L * F.U == A[F.p, :]
true
julia> l, u, p = lu(A); # деструктурирование через итерацию
julia> l == F.L && u == F.U && p == F.p
true
julia> lu([1 2; 1 2], allowsingular = true)
LU{Float64, Matrix{Float64}, Vector{Int64}}
L factor:
2×2 Matrix{Float64}:
1.0 0.0
1.0 1.0
U factor (rank-deficient):
2×2 Matrix{Float64}:
1.0 2.0
0.0 0.0
#
LinearAlgebra.lu!
— Function
lu!(F::UmfpackLU, A::AbstractSparseMatrixCSC; check=true, reuse_symbolic=true, q=nothing) -> F::UmfpackLU
Вычисляет LU-разложение разреженной матрицы A
, повторно используя символическое разложение уже существующего LU-разложения, хранящегося в F
. Если в аргументе reuse_symbolic
не передано значение false, разреженная матрица A
должна иметь тот же ненулевой шаблон, что и матрица, используемая для создания LU-разложения F
(в противном случае возникнет ошибка). Если A
и F
имеют разный размер, размер всех векторов изменится соответствующим образом.
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
Перестановкой q
может быть либо перестановочный вектор, либо nothing
. Если перестановочный вектор не указан или q
имеет значение nothing
, используется принятый по умолчанию в UMFPACK вариант. Если перестановка не основана на нулевом элементе, создается копия на основе нулевого элемента.
См. также описание lu
.
|
Совместимость: Julia 1.5
Для использования функции |
Примеры
julia> A = sparse(Float64[1.0 2.0; 0.0 3.0]);
julia> F = lu(A);
julia> B = sparse(Float64[1.0 1.0; 0.0 1.0]);
julia> lu!(F, B);
julia> F \ ones(2)
2-element Vector{Float64}:
0.0
1.0
lu!(A, pivot = RowMaximum(); check = true, allowsingular = false) -> LU
lu!
— это то же, что и lu
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии. Если при разложении создается число, не представляемое типом элементов матрицы A
, например для целочисленных типов, возникает исключение InexactError
.
Совместимость: Julia 1.11
Именованный аргумент |
Примеры
julia> A = [4. 3.; 6. 3.]
2×2 Matrix{Float64}:
4.0 3.0
6.0 3.0
julia> F = lu!(A)
LU{Float64, Matrix{Float64}, Vector{Int64}}
L factor:
2×2 Matrix{Float64}:
1.0 0.0
0.666667 1.0
U factor:
2×2 Matrix{Float64}:
6.0 3.0
0.0 1.0
julia> iA = [4 3; 6 3]
2×2 Matrix{Int64}:
4 3
6 3
julia> lu!(iA)
ERROR: InexactError: Int64(0.6666666666666666)
Stacktrace:
[...]
#
LinearAlgebra.Cholesky
— Type
Cholesky <: Factorization
Тип разложения матрицы для разложения Холецкого для плотной симметричной или эрмитовой положительно определенной матрицы A
. Это возвращаемый тип cholesky
, соответствующей функции разложения матрицы.
Треугольный множитель Холецкого можно получить из разложения F::Cholesky
с помощью F.L
и F.U
, где A ≈ F.U' * F.U ≈ F.L * F.L'
.
При итерации декомпозиции создаются компоненты L
и U
.
Примеры
julia> A = [4. 12. -16.; 12. 37. -43.; -16. -43. 98.]
3×3 Matrix{Float64}:
4.0 12.0 -16.0
12.0 37.0 -43.0
-16.0 -43.0 98.0
julia> C = cholesky(A)
Cholesky{Float64, Matrix{Float64}}
U factor:
3×3 UpperTriangular{Float64, Matrix{Float64}}:
2.0 6.0 -8.0
⋅ 1.0 5.0
⋅ ⋅ 3.0
julia> C.U
3×3 UpperTriangular{Float64, Matrix{Float64}}:
2.0 6.0 -8.0
⋅ 1.0 5.0
⋅ ⋅ 3.0
julia> C.L
3×3 LowerTriangular{Float64, Matrix{Float64}}:
2.0 ⋅ ⋅
6.0 1.0 ⋅
-8.0 5.0 3.0
julia> C.L * C.U == A
true
julia> l, u = C; # деструктурирование через итерацию
julia> l == C.L && u == C.U
true
#
LinearAlgebra.CholeskyPivoted
— Type
CholeskyPivoted
Тип разложения матрицы для разложения Холецкого с выбранным главным элементом для плотной симметричной или эрмитовой положительно полуопределенной матрицы A
. Это возвращаемый тип cholesky(_, ::RowMaximum)
, соответствующей функции разложения матрицы.
Треугольный множитель Холецкого можно получить из разложения F::CholeskyPivoted
с помощью F.L
и F.U
и перестановки с помощью F.p
, где A[F.p, F.p] ≈ Ur' * Ur ≈ Lr * Lr'
и с Ur = F.U[1:F.rank, :]
и Lr = F.L[:, 1:F.rank]
, или альтернативно A ≈ Up' * Up ≈ Lp * Lp'
с Up = F.U[1:F.rank, invperm(F.p)]
и Lp = F.L[invperm(F.p), 1:F.rank]
.
При итерации декомпозиции создаются компоненты L
и U
.
Примеры
julia> X = [1.0, 2.0, 3.0, 4.0];
julia> A = X * X';
julia> C = cholesky(A, RowMaximum(), check = false)
CholeskyPivoted{Float64, Matrix{Float64}, Vector{Int64}}
U factor with rank 1:
4×4 UpperTriangular{Float64, Matrix{Float64}}:
4.0 2.0 3.0 1.0
⋅ 0.0 6.0 2.0
⋅ ⋅ 9.0 3.0
⋅ ⋅ ⋅ 1.0
permutation:
4-element Vector{Int64}:
4
2
3
1
julia> C.U[1:C.rank, :]' * C.U[1:C.rank, :] ≈ A[C.p, C.p]
true
julia> l, u = C; # деструктурирование через итерацию
julia> l == C.L && u == C.U
true
#
LinearAlgebra.cholesky
— Function
cholesky(A, NoPivot(); check = true) -> Cholesky
Вычисляет разложение Холецкого для плотной симметричной положительно определенной матрицы A
и возвращает разложение Cholesky
. Матрица A
может быть либо Symmetric
, либо Hermitian
AbstractMatrix
, либо идеальной симметричной или эрмитовой AbstractMatrix
.
Треугольный множитель Холецкого можно получить из разложения F
с помощью F.L
и F.U
, где A ≈ F.U' * F.U ≈ F.L * F.L'
.
Если у вас есть матрица A
, которая не совсем является эрмитовой из-за ошибок округления при ее построении, заключите ее в Hermitian(A)
перед передачей функции cholesky
, чтобы она интерпретировалась как идеальная эрмитова.
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
Примеры
julia> A = [4. 12. -16.; 12. 37. -43.; -16. -43. 98.]
3×3 Matrix{Float64}:
4.0 12.0 -16.0
12.0 37.0 -43.0
-16.0 -43.0 98.0
julia> C = cholesky(A)
Cholesky{Float64, Matrix{Float64}}
U factor:
3×3 UpperTriangular{Float64, Matrix{Float64}}:
2.0 6.0 -8.0
⋅ 1.0 5.0
⋅ ⋅ 3.0
julia> C.U
3×3 UpperTriangular{Float64, Matrix{Float64}}:
2.0 6.0 -8.0
⋅ 1.0 5.0
⋅ ⋅ 3.0
julia> C.L
3×3 LowerTriangular{Float64, Matrix{Float64}}:
2.0 ⋅ ⋅
6.0 1.0 ⋅
-8.0 5.0 3.0
julia> C.L * C.U == A
true
cholesky(A, RowMaximum(); tol = 0.0, check = true) -> CholeskyPivoted
Вычисляет разложение Холецкого с выбранным главным элементом для плотной симметричной положительно полуопределенной матрицы A
и возвращает разложение CholeskyPivoted
. Матрица A
может быть либо Symmetric
, либо Hermitian
AbstractMatrix
, либо идеальной симметричной или эрмитовой AbstractMatrix
.
Треугольный множитель Холецкого можно получить из разложения F
с помощью F.L
и F.U
и перестановки с помощью F.p
, где A[F.p, F.p] ≈ Ur' * Ur ≈ Lr * Lr'
и с Ur = F.U[1:F.rank, :]
и Lr = F.L[:, 1:F.rank]
, или альтернативно A ≈ Up' * Up ≈ Lp * Lp'
с Up = F.U[1:F.rank, invperm(F.p)]
и Lp = F.L[invperm(F.p), 1:F.rank]
.
Аргумент tol
определяет допуск для определения ранга. Для отрицательных значений допуском является машинная точность.
Если у вас есть матрица A
, которая не совсем является эрмитовой из-за ошибок округления при ее построении, заключите ее в Hermitian(A)
перед передачей функции cholesky
, чтобы она интерпретировалась как идеальная эрмитова.
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
Примеры
julia> X = [1.0, 2.0, 3.0, 4.0];
julia> A = X * X';
julia> C = cholesky(A, RowMaximum(), check = false)
CholeskyPivoted{Float64, Matrix{Float64}, Vector{Int64}}
U factor with rank 1:
4×4 UpperTriangular{Float64, Matrix{Float64}}:
4.0 2.0 3.0 1.0
⋅ 0.0 6.0 2.0
⋅ ⋅ 9.0 3.0
⋅ ⋅ ⋅ 1.0
permutation:
4-element Vector{Int64}:
4
2
3
1
julia> C.U[1:C.rank, :]' * C.U[1:C.rank, :] ≈ A[C.p, C.p]
true
julia> l, u = C; # деструктурирование через итерацию
julia> l == C.L && u == C.U
true
cholesky(A::SparseMatrixCSC; shift = 0.0, check = true, perm = nothing) -> CHOLMOD.Factor
Вычисляет разложение Холецкого для плотной положительно определенной матрицы A
. Матрица A
должна быть SparseMatrixCSC
или представлением Symmetric
/Hermitian
матрицы SparseMatrixCSC
. Обратите внимание, что даже если у матрицы A
нет метки типа, она все равно должна быть симметричной или эрмитовой. Если perm
не задано, используется перестановка, сокращающая заполнение. F = cholesky(A)
чаще всего используется для решения систем уравнений с F\b
, но для F
также определены методы diag
, det
и logdet
. Вы также можете извлекать отдельные множители из F
с помощью F.L
. Однако поскольку выбор главного элемента включен по умолчанию, разложение представлено как A == P'*L*L'*P
с матрицей перестановки P
. При использовании только L
без учета P
будут выдаваться неправильные ответы. Чтобы включить эффекты перестановки, обычно предпочтительнее извлекать «комбинированные» множители, такие как PtL = F.PtL
(эквивалент P'*L
) и LtP = F.UP
(эквивалент L'*P
).
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
Задание необязательного именованного аргумента shift
позволяет вычислять разложение A+shift*I
вместо A
. Если указан аргумент perm
, должна работать перестановка 1:size(A,1)
, задающая используемый порядок (вместо порядка AMD по умолчанию в CHOLMOD).
Примеры
В следующем примере используется сокращающая заполнение перестановка [3, 2, 1]
. Если в perm
задано 1:3
, чтобы не применять перестановку, количество ненулевых элементов в множителе равно 6.
julia> A = [2 1 1; 1 2 0; 1 0 2]
3×3 Matrix{Int64}:
2 1 1
1 2 0
1 0 2
julia> C = cholesky(sparse(A))
SparseArrays.CHOLMOD.Factor{Float64, Int64}
type: LLt
method: simplicial
maxnnz: 5
nnz: 5
success: true
julia> C.p
3-element Vector{Int64}:
3
2
1
julia> L = sparse(C.L);
julia> Matrix(L)
3×3 Matrix{Float64}:
1.41421 0.0 0.0
0.0 1.41421 0.0
0.707107 0.707107 1.0
julia> L * L' ≈ A[C.p, C.p]
true
julia> P = sparse(1:3, C.p, ones(3))
3×3 SparseMatrixCSC{Float64, Int64} with 3 stored entries:
⋅ ⋅ 1.0
⋅ 1.0 ⋅
1.0 ⋅ ⋅
julia> P' * L * L' * P ≈ A
true
julia> C = cholesky(sparse(A), perm=1:3)
SparseArrays.CHOLMOD.Factor{Float64, Int64}
type: LLt
method: simplicial
maxnnz: 6
nnz: 6
success: true
julia> L = sparse(C.L);
julia> Matrix(L)
3×3 Matrix{Float64}:
1.41421 0.0 0.0
0.707107 1.22474 0.0
0.707107 -0.408248 1.1547
julia> L * L' ≈ A
true
Этот метод использует библиотеку CHOLMOD[2][3] из SuiteSparse. CHOLMOD поддерживает только вещественные или комплексные типы с одинарной или двойной точностью. Входные матрицы, не относящиеся к этим типам элементов, будут при необходимости преобразованы в них. |
Многие другие функции из CHOLMOD инкапсулированы, но не экспортируются из модуля `Base.SparseArrays.CHOLMOD`.
#
LinearAlgebra.cholesky!
— Function
cholesky!(A::AbstractMatrix, NoPivot(); check = true) -> Cholesky
То же, что и cholesky
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии. Если при разложении создается число, не представляемое типом элементов матрицы A
, например для целочисленных типов, возникает исключение InexactError
.
Примеры
julia> A = [1 2; 2 50]
2×2 Matrix{Int64}:
1 2
2 50
julia> cholesky!(A)
ERROR: InexactError: Int64(6.782329983125268)
Stacktrace:
[...]
cholesky!(A::AbstractMatrix, RowMaximum(); tol = 0.0, check = true) -> CholeskyPivoted
То же, что и cholesky
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии. Если при разложении создается число, не представляемое типом элементов матрицы A
, например для целочисленных типов, возникает исключение InexactError
.
cholesky!(F::CHOLMOD.Factor, A::SparseMatrixCSC; shift = 0.0, check = true) -> CHOLMOD.Factor
Вычисляет разложение Холецкого ( ) матрицы A
, повторно используя символическое разложение F
. Матрица A
должна быть SparseMatrixCSC
или представлением Symmetric
/Hermitian
матрицы SparseMatrixCSC
. Обратите внимание, что даже если у матрицы A
нет метки типа, она все равно должна быть симметричной или эрмитовой.
См. также описание cholesky
.
Этот метод использует библиотеку CHOLMOD из SuiteSparse, которая поддерживает только вещественные или комплексные типы с одинарной или двойной точностью. Входные матрицы, не относящиеся к этим типам элементов, будут при необходимости преобразованы в них. |
#
LinearAlgebra.lowrankupdate
— Function
lowrankupdate(C::Cholesky, v::AbstractVector) -> CC::Cholesky
Обновляет разложение Холецкого C
с вектором v
. Если A = C.U’C.U
, то CC = cholesky(C.U’C.U + v*v')
, но вычисление CC
использует только O(n^2)
операций.
lowrankupdate(F::CHOLMOD.Factor, C::AbstractArray) -> FF::CHOLMOD.Factor
Возвращает разложение LDLt
A + C*C'
для разложения LDLt
или LLt
F
матрицы A
.
Возвращаемый множитель всегда представляет собой разложение LDLt
.
См. также описание lowrankupdate!
, lowrankdowndate
и lowrankdowndate!
.
#
LinearAlgebra.lowrankdowndate
— Function
lowrankdowndate(C::Cholesky, v::AbstractVector) -> CC::Cholesky
Понижает уровень разложения Холецкого C
с вектором v
. Если A = C.U’C.U
, то CC = cholesky(C.U’C.U - v*v')
, но вычисление CC
использует только O(n^2)
операций.
lowrankdowndate(F::CHOLMOD.Factor, C::AbstractArray) -> FF::CHOLMOD.Factor
Возвращает разложение LDLt
A + C*C'
для разложения LDLt
или LLt
F
матрицы A
.
Возвращаемый множитель всегда представляет собой разложение LDLt
.
См. также описание lowrankdowndate!
, lowrankupdate
и lowrankupdate!
.
#
LinearAlgebra.lowrankupdate!
— Function
lowrankupdate!(C::Cholesky, v::AbstractVector) -> CC::Cholesky
Обновляет разложение Холецкого C
с вектором v
. Если A = C.U’C.U
, то CC = cholesky(C.U’C.U + v*v')
, но вычисление CC
использует только O(n^2)
операций. Входное разложение C
обновляется на месте, так что при выходе C == CC
. Во время вычисления вектор v
уничтожается.
lowrankupdate!(F::CHOLMOD.Factor, C::AbstractArray)
Обновляет разложение LDLt
или LLt
F
матрицы A
до разложения A + C*C'
.
Разложения LLt
преобразуются в LDLt
.
См. также описание lowrankupdate
, lowrankdowndate
и lowrankdowndate!
.
#
LinearAlgebra.lowrankdowndate!
— Function
lowrankdowndate!(C::Cholesky, v::AbstractVector) -> CC::Cholesky
Понижает уровень разложения Холецкого C
с вектором v
. Если A = C.U’C.U
, то CC = cholesky(C.U’C.U - v*v')
, но вычисление CC
использует только O(n^2)
операций. Входное разложение C
обновляется на месте, так что при выходе C == CC
. Во время вычисления вектор v
уничтожается.
lowrankdowndate!(F::CHOLMOD.Factor, C::AbstractArray)
Обновляет разложение LDLt
или LLt
F
матрицы A
до разложения A - C*C'
.
Разложения LLt
преобразуются в LDLt
.
См. также описание lowrankdowndate
, lowrankupdate
и lowrankupdate!
.
#
LinearAlgebra.LDLt
— Type
LDLt <: Factorization
Тип разложения матрицы для LDLt
-разложения вещественной матрицы S
типа SymTridiagonal
такой, что S = L*Diagonal(d)*L'
, где L
является матрицей UnitLowerTriangular
, а d
— вектором. Основное назначение LDLt
-разложения F = ldlt(S)
заключается в решении линейной системы уравнений Sx = b
с F\b
. Это возвращаемый тип ldlt
, соответствующей функции разложения матрицы.
Доступ к отдельным компонентам разложения F::LDLt
можно получить с помощью функции getproperty
.
Компонент | Описание |
---|---|
|
|
|
|
|
|
|
значения диагонали |
Примеры
julia> S = SymTridiagonal([3., 4., 5.], [1., 2.])
3×3 SymTridiagonal{Float64, Vector{Float64}}:
3.0 1.0 ⋅
1.0 4.0 2.0
⋅ 2.0 5.0
julia> F = ldlt(S)
LDLt{Float64, SymTridiagonal{Float64, Vector{Float64}}}
L factor:
3×3 UnitLowerTriangular{Float64, SymTridiagonal{Float64, Vector{Float64}}}:
1.0 ⋅ ⋅
0.333333 1.0 ⋅
0.0 0.545455 1.0
D factor:
3×3 Diagonal{Float64, Vector{Float64}}:
3.0 ⋅ ⋅
⋅ 3.66667 ⋅
⋅ ⋅ 3.90909
#
LinearAlgebra.ldlt
— Function
ldlt(S::SymTridiagonal) -> LDLt
Вычисляет разложение LDLt
(т. е. ) вещественной симметричной трехдиагональной матрицы S
, так что S = L*Diagonal(d)*L'
, где L
— это единичная нижнетреугольная матрица, а d
— вектор. Основное назначение LDLt
-разложения F = ldlt(S)
заключается в решении линейной системы уравнений Sx = b
с F\b
.
См. также описание bunchkaufman
для аналогичного разложения с выбранным главным элементом для произвольных симметричных или эрмитовых матриц.
Примеры
julia> S = SymTridiagonal([3., 4., 5.], [1., 2.])
3×3 SymTridiagonal{Float64, Vector{Float64}}:
3.0 1.0 ⋅
1.0 4.0 2.0
⋅ 2.0 5.0
julia> ldltS = ldlt(S);
julia> b = [6., 7., 8.];
julia> ldltS \ b
3-element Vector{Float64}:
1.7906976744186047
0.627906976744186
1.3488372093023255
julia> S \ b
3-element Vector{Float64}:
1.7906976744186047
0.627906976744186
1.3488372093023255
ldlt(A::SparseMatrixCSC; shift = 0.0, check = true, perm=nothing) -> CHOLMOD.Factor
Вычисляет -разложение разреженной матрицы A
. Матрица A
должна быть SparseMatrixCSC
или представлением Symmetric
/Hermitian
матрицы SparseMatrixCSC
. Обратите внимание, что даже если у матрицы A
нет метки типа, она все равно должна быть симметричной или эрмитовой. Используется перестановка, сокращающая заполнение. F = ldlt(A)
чаще всего используется для решения систем уравнений A*x = b
с F\b
. Возвращаемый объект разложения F
также поддерживает методы diag
, det
, logdet
и inv
. Вы можете извлекать отдельные множители из F
с помощью F.L
. Однако поскольку выбор главного элемента включен по умолчанию, разложение представлено как A == P'*L*D*L'*P
с матрицей перестановки P
. При использовании только L
без учета P
будут выдаваться неправильные ответы. Чтобы включить эффекты перестановки, обычно предпочтительнее извлекать «комбинированные» множители, такие как PtL = F.PtL
(эквивалент P'*L
) и LtP = F.UP
(эквивалент L'*P
). Вот полный список поддерживаемых множителей: :L, :PtL, :D, :UP, :U, :LD, :DU, :PtLD, :DUP
.
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
Задание необязательного именованного аргумента shift
позволяет вычислять разложение A+shift*I
вместо A
. Если указан аргумент perm
, должна работать перестановка 1:size(A,1)
, задающая используемый порядок (вместо порядка AMD по умолчанию в CHOLMOD).
Этот метод использует библиотеку CHOLMOD[2][3] из SuiteSparse. CHOLMOD поддерживает только вещественные или комплексные типы с одинарной или двойной точностью. Входные матрицы, не относящиеся к этим типам элементов, будут при необходимости преобразованы в них. |
Многие другие функции из CHOLMOD инкапсулированы, но не экспортируются из модуля `Base.SparseArrays.CHOLMOD`.
#
LinearAlgebra.ldlt!
— Function
ldlt!(S::SymTridiagonal) -> LDLt
То же, что и ldlt
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу S
вместо создания копии.
Примеры
julia> S = SymTridiagonal([3., 4., 5.], [1., 2.])
3×3 SymTridiagonal{Float64, Vector{Float64}}:
3.0 1.0 ⋅
1.0 4.0 2.0
⋅ 2.0 5.0
julia> ldltS = ldlt!(S);
julia> ldltS === S
false
julia> S
3×3 SymTridiagonal{Float64, Vector{Float64}}:
3.0 0.333333 ⋅
0.333333 3.66667 0.545455
⋅ 0.545455 3.90909
ldlt!(F::CHOLMOD.Factor, A::SparseMatrixCSC; shift = 0.0, check = true) -> CHOLMOD.Factor
Вычисляет -разложение матрицы A
, повторно используя символическое разложение F
. Матрица A
должна быть SparseMatrixCSC
или представлением Symmetric
/Hermitian
матрицы SparseMatrixCSC
. Обратите внимание, что даже если у матрицы A
нет метки типа, она все равно должна быть симметричной или эрмитовой.
См. также описание ldlt
.
Этот метод использует библиотеку CHOLMOD из SuiteSparse, которая поддерживает только вещественные или комплексные типы с одинарной или двойной точностью. Входные матрицы, не относящиеся к этим типам элементов, будут при необходимости преобразованы в них. |
#
LinearAlgebra.QR
— Type
QR <: Factorization
QR-разложение матрицы, хранящееся в упакованном формате; обычно получается из qr
. Если является матрицей m
×n
, то
где — это ортогональная или унитарная матрица, а — верхнетреугольная. Матрица хранится как последовательность отражателей и коэффициентов Хаусхолдера, где:
При итерации декомпозиции создаются компоненты Q
и R
.
Объект имеет два поля:
-
factors
является матрицейm
×n
.-
Верхнетреугольная часть содержит элементы , то есть
R = triu(F.factors)
для объектаQR
F
. -
Часть поддиагонали содержит отражатели , хранящиеся в упакованном формате, где — это -й столбец матрицы
V = I + tril(F.factors, -1)
.
-
-
τ
представляет собой вектор длинойmin(m,n)
, содержащий коэффициенты .
#
LinearAlgebra.QRCompactWY
— Type
QRCompactWY <: Factorization
QR-разложение матрицы, хранящееся в компактном блочном формате; обычно получается из qr
. Если является матрицей m
×n
, то
где — это ортогональная или унитарная матрица, а — верхнетреугольная. Это аналогично формату QR
, за исключением того, что ортогональная или унитарная матрица хранится в формате Compact WY [4]. Для размера блока она хранится как нижняя трапецеидальная матрица m
×n
и матрица composed of верхнетреугольных матриц размером ×$n_b$ ( ) и верхней трапецеидальной матрицы ×$\min(m,n) - (b-1) n_b$ matrix ( ), верхняя квадратная часть которой, обозначенная , удовлетворяет выражению
так что является -м столбцом матрицы , является -м элементом [diag(T_1); diag(T_2); …; diag(T_b)]
, а является левым блоком m
×min(m, n)
матрицы . При создании с использованием qr
размер блока задается с помощью .
При итерации декомпозиции создаются компоненты Q
и R
.
Объект имеет два поля:
-
factors
, как в типеQR
, является матрицейm
×n
.-
Верхнетреугольная часть содержит элементы , то есть
R = triu(F.factors)
для объектаQR
F
. -
Часть поддиагонали содержит отражатели , хранящиеся в упакованном формате, так что
V = I + tril(F.factors, -1)
.
-
-
T
является матрицей на , как описано выше. Элементы поддиагонали для каждой треугольной матрицы игнорируются.
Этот формат не следует путать с более старым представлением WY [5]. |
#
LinearAlgebra.QRPivoted
— Type
QRPivoted <: Factorization
QR-разложение матрицы с выбором главного элемента по столбцам, хранящееся в упакованном формате; обычно получается из qr
. Если является матрицей m
×n
, то
где — это матрица подстановки, — это ортогональная/унитарная матрица, а — верхнетреугольная. Матрица хранится как последовательность отражателей Хаусхолдера:
При итерации декомпозиции создаются компоненты Q
, R
и p
.
Объект имеет три поля:
-
factors
является матрицейm
×n
.-
Верхнетреугольная часть содержит элементы , то есть
R = triu(F.factors)
для объектаQR
F
. -
Часть поддиагонали содержит отражатели , хранящиеся в упакованном формате, где — это -й столбец матрицы
V = I + tril(F.factors, -1)
.
-
-
τ
представляет собой вектор длинойmin(m,n)
, содержащий коэффициенты . -
jpvt
является целочисленным вектором длинойn
, соответствующим перестановке .
#
LinearAlgebra.qr
— Function
qr(A::SparseMatrixCSC; tol=_default_tol(A), ordering=ORDERING_DEFAULT) -> QRSparse
Вычисляет QR
-разложение разреженной матрицы A
. Используются сокращающие заполнение перестановки строк и столбцов, так что F.R = F.Q'*A[F.prow,F.pcol]
. Основным применением данного типа является решение задач методом наименьших квадратов или недоопределенных задач с \
. Функция вызывает SPQR[6] библиотеки C.
|
Примеры
julia> A = sparse([1,2,3,4], [1,1,2,2], [1.0,1.0,1.0,1.0])
4×2 SparseMatrixCSC{Float64, Int64} with 4 stored entries:
1.0 ⋅
1.0 ⋅
⋅ 1.0
⋅ 1.0
julia> qr(A)
SparseArrays.SPQR.QRSparse{Float64, Int64}
Q factor:
4×4 SparseArrays.SPQR.QRSparseQ{Float64, Int64}
R factor:
2×2 SparseMatrixCSC{Float64, Int64} with 2 stored entries:
-1.41421 ⋅
⋅ -1.41421
Row permutation:
4-element Vector{Int64}:
1
3
4
2
Column permutation:
2-element Vector{Int64}:
1
2
qr(A, pivot = NoPivot(); blocksize) -> F
Вычисляет QR-разложение матрицы A
на ортогональную (или унитарную, если A
является комплекснозначной) матрицу Q
и верхнетреугольную матрицу R
, так что
Возвращаемый объект F
хранит разложение в упакованном формате:
-
Если
pivot == ColumnNorm()
, тоF
является объектомQRPivoted
. -
В противном случае, если тип элементов
A
относится к типу BLAS (Float32
,Float64
,ComplexF32
илиComplexF64
), тоF
является объектомQRCompactWY
. -
В противном случае
F
является объектомQR
.
Доступ к отдельным компонентам разложения F
можно получить с помощью методов доступа к свойствам:
При каждом обращении к верхнетреугольному множителю через |
При итерации декомпозиции создаются компоненты Q
, R
и, если сохранился, p
.
Для объектов QR
доступны следующие функции: inv
, size
и \
. Если матрица A
является прямоугольной, \
вернет решение по методу наименьших квадратов, а если решение неуникально, возвращается решение по методу наименьшей нормы. Если матрица A
не является матрицей полного ранга, для получения решения по методу минимальных норм требуется разложение с выбором главного элемента по столбцам.
Допускается умножение относительно полного/квадратного или неполного/квадратного Q
, т. е. поддерживаются F.Q*F.R
и F.Q*A
. Матрицу Q
можно преобразовать в обычную матрицу с помощью Matrix
. Эта операция возвращает «тонкий» множитель Q, т. е. если A
является матрицей m
×n
с m>=n
, то Matrix(F.Q)
выдает матрицу m
×n
с ортонормальными столбцами. Для получения «полного» множителя Q ортогональной матрицы m
×m
используйте F.Q*I
или collect(F.Q)
. Если m<=n
, то Matrix(F.Q)
выдает ортогональную матрицу m
×m
.
Размер блока для QR-разложения можно указать с помощью именованного аргумента blocksize :: Integer
, когда pivot == NoPivot()
и A isa StridedMatrix{<:BlasFloat}
. Он игнорируется, когда blocksize > minimum(size(A))
. См. описание QRCompactWY
.
Совместимость: Julia 1.4
Для именованного аргумента |
Примеры
julia> A = [3.0 -6.0; 4.0 -8.0; 0.0 1.0]
3×2 Matrix{Float64}:
3.0 -6.0
4.0 -8.0
0.0 1.0
julia> F = qr(A)
LinearAlgebra.QRCompactWY{Float64, Matrix{Float64}, Matrix{Float64}}
Q factor: 3×3 LinearAlgebra.QRCompactWYQ{Float64, Matrix{Float64}, Matrix{Float64}}
R factor:
2×2 Matrix{Float64}:
-5.0 10.0
0.0 -1.0
julia> F.Q * F.R == A
true
|
#
LinearAlgebra.qr!
— Function
qr!(A, pivot = NoPivot(); blocksize)
Функция qr!
аналогична функции qr
, когда A
является подтипом AbstractMatrix
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии. Если при разложении создается число, не представляемое типом элементов матрицы A
, например для целочисленных типов, возникает исключение InexactError
.
Совместимость: Julia 1.4
Для именованного аргумента |
Примеры
julia> a = [1. 2.; 3. 4.]
2×2 Matrix{Float64}:
1.0 2.0
3.0 4.0
julia> qr!(a)
LinearAlgebra.QRCompactWY{Float64, Matrix{Float64}, Matrix{Float64}}
Q factor: 2×2 LinearAlgebra.QRCompactWYQ{Float64, Matrix{Float64}, Matrix{Float64}}
R factor:
2×2 Matrix{Float64}:
-3.16228 -4.42719
0.0 -0.632456
julia> a = [1 2; 3 4]
2×2 Matrix{Int64}:
1 2
3 4
julia> qr!(a)
ERROR: InexactError: Int64(3.1622776601683795)
Stacktrace:
[...]
#
LinearAlgebra.LQ
— Type
LQ <: Factorization
Тип разложения матрицы для LQ
-разложения матрицы A
. LQ
-декомпозиция является декомпозицией QR
матрицы transpose(A)
. Это возвращаемый тип lq
, соответствующей функции разложения матрицы.
Если S::LQ
является объектом разложения, нижний треугольный компонент можно получить с помощью S.L
, а ортогональный или унитарный компонент — с помощью S.Q
, так что A ≈ S.L*S.Q
.
При итерации декомпозиции создаются компоненты S.L
и S.Q
.
Примеры
julia> A = [5. 7.; -2. -4.]
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> S = lq(A)
LQ{Float64, Matrix{Float64}, Vector{Float64}}
L factor:
2×2 Matrix{Float64}:
-8.60233 0.0
4.41741 -0.697486
Q factor: 2×2 LinearAlgebra.LQPackedQ{Float64, Matrix{Float64}, Vector{Float64}}
julia> S.L * S.Q
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> l, q = S; # деструктурирование через итерацию
julia> l == S.L && q == S.Q
true
#
LinearAlgebra.lq
— Function
lq(A) -> S::LQ
Вычисляет LQ-декомпозицию матрицы A
. Нижний треугольный компонент декомпозиции можно получить из объекта LQ
S
с помощью S.L
, а ортогональный или унитарный компонент — с помощью S.Q
, так что A ≈ S.L*S.Q
.
При итерации декомпозиции создаются компоненты S.L
и S.Q
.
LQ-декомпозиция является QR-декомпозицией transpose(A)
и полезна для вычисления решения методом минимальных норм lq(A) \ b
для недостаточно определенной системы уравнений (A
имеет больше столбцов, чем строк, но имеет полный строчный ранг).
Примеры
julia> A = [5. 7.; -2. -4.]
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> S = lq(A)
LQ{Float64, Matrix{Float64}, Vector{Float64}}
L factor:
2×2 Matrix{Float64}:
-8.60233 0.0
4.41741 -0.697486
Q factor: 2×2 LinearAlgebra.LQPackedQ{Float64, Matrix{Float64}, Vector{Float64}}
julia> S.L * S.Q
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> l, q = S; # деструктурирование через итерацию
julia> l == S.L && q == S.Q
true
#
LinearAlgebra.BunchKaufman
— Type
BunchKaufman <: Factorization
Тип разложения Банча-Кауфмана для симметричной или эрмитовой матрицы A
как P’UDU’P
или P’LDL’P
в зависимости от того, хранится ли в A
верхний (по умолчанию) или нижний треугольник. Если матрица A
является комплексно симметричной, то U'
и L'
обозначают несопряженные транспонирования, т. е. transpose(U)
и transpose(L)
соответственно. Это возвращаемый тип bunchkaufman
, соответствующей функции разложения матрицы.
Если S::BunchKaufman
является объектом разложения, компоненты можно получить с помощью S.D
, S.U
или S.L
при заданных S.uplo
и S.p
.
При итерации декомпозиции создаются компоненты S.D
, S.U
или S.L
в зависимости от ситуации при заданных S.uplo
и S.p
.
Примеры
julia> A = Float64.([1 2; 2 3])
2×2 Matrix{Float64}:
1.0 2.0
2.0 3.0
julia> S = bunchkaufman(A) # A внутренним образом инкапсулируется Symmetric(A)
BunchKaufman{Float64, Matrix{Float64}, Vector{Int64}}
D factor:
2×2 Tridiagonal{Float64, Vector{Float64}}:
-0.333333 0.0
0.0 3.0
U factor:
2×2 UnitUpperTriangular{Float64, Matrix{Float64}}:
1.0 0.666667
⋅ 1.0
permutation:
2-element Vector{Int64}:
1
2
julia> d, u, p = S; # деструктурирование через итерацию
julia> d == S.D && u == S.U && p == S.p
true
julia> S = bunchkaufman(Symmetric(A, :L))
BunchKaufman{Float64, Matrix{Float64}, Vector{Int64}}
D factor:
2×2 Tridiagonal{Float64, Vector{Float64}}:
3.0 0.0
0.0 -0.333333
L factor:
2×2 UnitLowerTriangular{Float64, Matrix{Float64}}:
1.0 ⋅
0.666667 1.0
permutation:
2-element Vector{Int64}:
2
1
#
LinearAlgebra.bunchkaufman
— Function
bunchkaufman(A, rook::Bool=false; check = true) -> S::BunchKaufman
Вычисляет разложение Банча-Кауфмана [7] симметричной или эрмитовой матрицы A
как P'*U*D*U'*P
или P'*L*D*L'*P
в зависимости от того, какой треугольник сохранен в A
, и возвращает объект BunchKaufman
. Обратите внимание, что если матрица A
является комплексно симметричной, то U'
и L'
обозначают несопряженные транспонирования, т. е. transpose(U)
и transpose(L)
.
При итерации декомпозиции создаются компоненты S.D
, S.U
или S.L
в зависимости от ситуации при заданных S.uplo
и S.p
.
Если rook
имеет значение true
, используется ладейный выбор главного элемента. Если rook
имеет значение false, ладейный выбор главного элемента не используется.
Когда check = true
, возникает ошибка, если декомпозиция завершается сбоем. Когда check = false
, ответственность за проверку допустимости декомпозиции (с помощью issuccess
) лежит на пользователе.
Для объектов BunchKaufman
доступны следующие функции: size
, \
, inv
, issymmetric
, ishermitian
, getindex
.
Примеры
julia> A = Float64.([1 2; 2 3])
2×2 Matrix{Float64}:
1.0 2.0
2.0 3.0
julia> S = bunchkaufman(A) # A внутренним образом инкапсулируется Symmetric(A)
BunchKaufman{Float64, Matrix{Float64}, Vector{Int64}}
D factor:
2×2 Tridiagonal{Float64, Vector{Float64}}:
-0.333333 0.0
0.0 3.0
U factor:
2×2 UnitUpperTriangular{Float64, Matrix{Float64}}:
1.0 0.666667
⋅ 1.0
permutation:
2-element Vector{Int64}:
1
2
julia> d, u, p = S; # деструктурирование через итерацию
julia> d == S.D && u == S.U && p == S.p
true
julia> S.U*S.D*S.U' - S.P*A*S.P'
2×2 Matrix{Float64}:
0.0 0.0
0.0 0.0
julia> S = bunchkaufman(Symmetric(A, :L))
BunchKaufman{Float64, Matrix{Float64}, Vector{Int64}}
D factor:
2×2 Tridiagonal{Float64, Vector{Float64}}:
3.0 0.0
0.0 -0.333333
L factor:
2×2 UnitLowerTriangular{Float64, Matrix{Float64}}:
1.0 ⋅
0.666667 1.0
permutation:
2-element Vector{Int64}:
2
1
julia> S.L*S.D*S.L' - A[S.p, S.p]
2×2 Matrix{Float64}:
0.0 0.0
0.0 0.0
#
LinearAlgebra.bunchkaufman!
— Function
bunchkaufman!(A, rook::Bool=false; check = true) -> BunchKaufman
bunchkaufman!
— это то же, что и bunchkaufman
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии.
#
LinearAlgebra.Eigen
— Type
Eigen <: Factorization
Тип разложения матрицы для декомпозиции собственных значений или спектральной декомпозиции квадратной матрицы A
. Это возвращаемый тип eigen
, соответствующей функции разложения матрицы.
Если F::Eigen
является объектом разложения, собственные значения можно получить с помощью F.values
, а собственные векторы — как столбцы матрицы F.vectors
. (k
-й собственный вектор можно получить из среза F.vectors[:, k]
.)
При итерации декомпозиции создаются компоненты F.values
и F.vectors
.
Примеры
julia> F = eigen([1.0 0.0 0.0; 0.0 3.0 0.0; 0.0 0.0 18.0])
Eigen{Float64, Float64, Matrix{Float64}, Vector{Float64}}
values:
3-element Vector{Float64}:
1.0
3.0
18.0
vectors:
3×3 Matrix{Float64}:
1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0
julia> F.values
3-element Vector{Float64}:
1.0
3.0
18.0
julia> F.vectors
3×3 Matrix{Float64}:
1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0
julia> vals, vecs = F; # деструктурирование через итерацию
julia> vals == F.values && vecs == F.vectors
true
#
LinearAlgebra.GeneralizedEigen
— Type
GeneralizedEigen <: Factorization
Тип разложения матрицы для обобщенной декомпозиции собственных значений или спектральной декомпозиции матриц A
и B
. Это возвращаемый тип eigen
, соответствующей функции разложения матрицы, при вызове с двумя матричными аргументами.
Если F::GeneralizedEigen
является объектом разложения, собственные значения можно получить с помощью F.values
, а собственные векторы — как столбцы матрицы F.vectors
. (k
-й собственный вектор можно получить из среза F.vectors[:, k]
.)
При итерации декомпозиции создаются компоненты F.values
и F.vectors
.
Примеры
julia> A = [1 0; 0 -1]
2×2 Matrix{Int64}:
1 0
0 -1
julia> B = [0 1; 1 0]
2×2 Matrix{Int64}:
0 1
1 0
julia> F = eigen(A, B)
GeneralizedEigen{ComplexF64, ComplexF64, Matrix{ComplexF64}, Vector{ComplexF64}}
values:
2-element Vector{ComplexF64}:
0.0 - 1.0im
0.0 + 1.0im
vectors:
2×2 Matrix{ComplexF64}:
0.0+1.0im 0.0-1.0im
-1.0+0.0im -1.0-0.0im
julia> F.values
2-element Vector{ComplexF64}:
0.0 - 1.0im
0.0 + 1.0im
julia> F.vectors
2×2 Matrix{ComplexF64}:
0.0+1.0im 0.0-1.0im
-1.0+0.0im -1.0-0.0im
julia> vals, vecs = F; # деструктурирование через итерацию
julia> vals == F.values && vecs == F.vectors
true
#
LinearAlgebra.eigvals
— Function
eigvals(A; permute::Bool=true, scale::Bool=true, sortby) -> values
Возвращает собственные значения матрицы A
.
Для общих несимметричных матриц можно указать способ балансировки матрицы до вычисления собственного значения. Именованные аргументы permute
, scale
и sortby
те же, что и для eigen
.
Примеры
julia> diag_matrix = [1 0; 0 4]
2×2 Matrix{Int64}:
1 0
0 4
julia> eigvals(diag_matrix)
2-element Vector{Float64}:
1.0
4.0
Для скалярных входных данных eigvals
вернет скаляр.
Примеры
julia> eigvals(-2)
-2
eigvals(A, B) -> values
Вычисляет обобщенные собственные значения матриц A
и B
.
Примеры
julia> A = [1 0; 0 -1]
2×2 Matrix{Int64}:
1 0
0 -1
julia> B = [0 1; 1 0]
2×2 Matrix{Int64}:
0 1
1 0
julia> eigvals(A,B)
2-element Vector{ComplexF64}:
0.0 - 1.0im
0.0 + 1.0im
eigvals(A::Union{SymTridiagonal, Hermitian, Symmetric}, irange::UnitRange) -> values
Возвращает собственные значения матрицы A
. Можно вычислить только подмножество собственных значений, задав диапазон UnitRange
irange
, охватывающий индексы отсортированных собственных значений, например со 2-го по 8-е собственные значения.
Примеры
julia> A = SymTridiagonal([1.; 2.; 1.], [2.; 3.])
3×3 SymTridiagonal{Float64, Vector{Float64}}:
1.0 2.0 ⋅
2.0 2.0 3.0
⋅ 3.0 1.0
julia> eigvals(A, 2:2)
1-element Vector{Float64}:
0.9999999999999996
julia> eigvals(A)
3-element Vector{Float64}:
-2.1400549446402604
1.0000000000000002
5.140054944640259
eigvals(A::Union{SymTridiagonal, Hermitian, Symmetric}, vl::Real, vu::Real) -> values
Возвращает собственные значения матрицы A
. Можно вычислить только подмножество собственных значений, задав пару vl
и vu
для нижней и верхней границ собственных значений.
Примеры
julia> A = SymTridiagonal([1.; 2.; 1.], [2.; 3.])
3×3 SymTridiagonal{Float64, Vector{Float64}}:
1.0 2.0 ⋅
2.0 2.0 3.0
⋅ 3.0 1.0
julia> eigvals(A, -1, 2)
1-element Vector{Float64}:
1.0000000000000009
julia> eigvals(A)
3-element Vector{Float64}:
-2.1400549446402604
1.0000000000000002
5.140054944640259
#
LinearAlgebra.eigvals!
— Function
eigvals!(A; permute::Bool=true, scale::Bool=true, sortby) -> values
То же, что и eigvals
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии. Именованные аргументы permute
, scale
и sortby
те же, что и для eigen
.
Входная матрица |
Примеры
julia> A = [1. 2.; 3. 4.]
2×2 Matrix{Float64}:
1.0 2.0
3.0 4.0
julia> eigvals!(A)
2-element Vector{Float64}:
-0.3722813232690143
5.372281323269014
julia> A
2×2 Matrix{Float64}:
-0.372281 -1.0
0.0 5.37228
eigvals!(A, B; sortby) -> values
То же, что и eigvals
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
(и B
) вместо создания копий.
Входные матрицы |
Примеры
julia> A = [1. 0.; 0. -1.]
2×2 Matrix{Float64}:
1.0 0.0
0.0 -1.0
julia> B = [0. 1.; 1. 0.]
2×2 Matrix{Float64}:
0.0 1.0
1.0 0.0
julia> eigvals!(A, B)
2-element Vector{ComplexF64}:
0.0 - 1.0im
0.0 + 1.0im
julia> A
2×2 Matrix{Float64}:
-0.0 -1.0
1.0 -0.0
julia> B
2×2 Matrix{Float64}:
1.0 0.0
0.0 1.0
eigvals!(A::Union{SymTridiagonal, Hermitian, Symmetric}, irange::UnitRange) -> values
То же, что и eigvals
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии. irange
является диапазоном индексов собственных значений для поиска. Например, со 2-го по 8-е.
eigvals!(A::Union{SymTridiagonal, Hermitian, Symmetric}, vl::Real, vu::Real) -> values
То же, что и eigvals
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии. vl
— это нижняя граница интервала для поиска собственных значений, а vu
— это верхняя граница.
#
LinearAlgebra.eigmax
— Function
eigmax(A; permute::Bool=true, scale::Bool=true)
Возвращает наибольшее собственное значение матрицы A
. Параметр permute=true
переставляет матрицу так, чтобы она стала ближе к верхнетреугольной, а scale=true
масштабирует матрицу по ее диагональным элементам, чтобы сделать строки и столбцы более равными по норме. Обратите внимание, что если собственные значения A
являются комплексными, этот метод не сработает, так как комплексные числа не могут быть отсортированы.
Примеры
julia> A = [0 im; -im 0]
2×2 Matrix{Complex{Int64}}:
0+0im 0+1im
0-1im 0+0im
julia> eigmax(A)
1.0
julia> A = [0 im; -1 0]
2×2 Matrix{Complex{Int64}}:
0+0im 0+1im
-1+0im 0+0im
julia> eigmax(A)
ERROR: DomainError with Complex{Int64}[0+0im 0+1im; -1+0im 0+0im]:
`A` cannot have complex eigenvalues.
Stacktrace:
[...]
#
LinearAlgebra.eigmin
— Function
eigmin(A; permute::Bool=true, scale::Bool=true)
Возвращает наименьшее собственное значение матрицы A
. Параметр permute=true
переставляет матрицу так, чтобы она стала ближе к верхнетреугольной, а scale=true
масштабирует матрицу по ее диагональным элементам, чтобы сделать строки и столбцы более равными по норме. Обратите внимание, что если собственные значения A
являются комплексными, этот метод не сработает, так как комплексные числа не могут быть отсортированы.
Примеры
julia> A = [0 im; -im 0]
2×2 Matrix{Complex{Int64}}:
0+0im 0+1im
0-1im 0+0im
julia> eigmin(A)
-1.0
julia> A = [0 im; -1 0]
2×2 Matrix{Complex{Int64}}:
0+0im 0+1im
-1+0im 0+0im
julia> eigmin(A)
ERROR: DomainError with Complex{Int64}[0+0im 0+1im; -1+0im 0+0im]:
`A` cannot have complex eigenvalues.
Stacktrace:
[...]
#
LinearAlgebra.eigvecs
— Function
eigvecs(A::SymTridiagonal[, eigvals]) -> Matrix
Возвращает матрицу M
, столбцы которой являются собственными векторами A
. (k
-й собственный вектор можно получить из среза M[:, k]
.)
Если указан необязательный вектор собственных значений eigvals
, то eigvecs
возвращает конкретные соответствующие собственные векторы.
Примеры
julia> A = SymTridiagonal([1.; 2.; 1.], [2.; 3.])
3×3 SymTridiagonal{Float64, Vector{Float64}}:
1.0 2.0 ⋅
2.0 2.0 3.0
⋅ 3.0 1.0
julia> eigvals(A)
3-element Vector{Float64}:
-2.1400549446402604
1.0000000000000002
5.140054944640259
julia> eigvecs(A)
3×3 Matrix{Float64}:
0.418304 -0.83205 0.364299
-0.656749 -7.39009e-16 0.754109
0.627457 0.5547 0.546448
julia> eigvecs(A, [1.])
3×1 Matrix{Float64}:
0.8320502943378438
4.263514128092366e-17
-0.5547001962252291
eigvecs(A; permute::Bool=true, scale::Bool=true, `sortby`) -> Matrix
Возвращает матрицу M
, столбцы которой являются собственными векторами A
. (k
-й собственный вектор можно получить из среза M[:, k]
.) Именованные аргументы permute
, scale
и sortby
те же, что и для eigen
.
Примеры
julia> eigvecs([1.0 0.0 0.0; 0.0 3.0 0.0; 0.0 0.0 18.0])
3×3 Matrix{Float64}:
1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0
eigvecs(A, B) -> Matrix
Возвращает матрицу M
, столбцы которой являются обобщенными собственными векторами матриц A
и B
. (k
-й собственный вектор можно получить из среза M[:, k]
.)
Примеры
julia> A = [1 0; 0 -1]
2×2 Matrix{Int64}:
1 0
0 -1
julia> B = [0 1; 1 0]
2×2 Matrix{Int64}:
0 1
1 0
julia> eigvecs(A, B)
2×2 Matrix{ComplexF64}:
0.0+1.0im 0.0-1.0im
-1.0+0.0im -1.0-0.0im
#
LinearAlgebra.eigen
— Function
eigen(A; permute::Bool=true, scale::Bool=true, sortby) -> Eigen
Вычисляет декомпозицию собственных значений матрицы A
, возвращая объект разложения Eigen
F
, который содержит собственные значения в F.values
, а обобщенные собственные векторы — в столбцах матрицы F.vectors
. Это соответствует решению задачи нахождения собственных значений вида Ax = λx
, где A
— матрица, x
— собственный вектор, а λ
— собственное значение. (k
-й собственный вектор можно получить из среза F.vectors[:, k]
.)
При итерации декомпозиции создаются компоненты F.values
и F.vectors
.
Для общих несимметричных матриц можно указать способ балансировки матрицы до вычисления собственного вектора. Параметр permute=true
переставляет матрицу так, чтобы она стала ближе к верхнетреугольной, а scale=true
масштабирует матрицу по ее диагональным элементам, чтобы сделать строки и столбцы более равными по норме. По умолчанию используется true
для обоих параметров.
По умолчанию собственные значения и векторы сортируются лексикографически по (real(λ),imag(λ))
. В sortby
может быть передана другая функция сравнения by(λ)
, либо можно передать sortby=nothing
, чтобы оставить собственные значения в произвольном порядке. Некоторые особые типы матриц (например, Diagonal
или SymTridiagonal
) могут реализовывать собственную сортировку и не принимать именованный аргумент sortby
.
Примеры
julia> F = eigen([1.0 0.0 0.0; 0.0 3.0 0.0; 0.0 0.0 18.0])
Eigen{Float64, Float64, Matrix{Float64}, Vector{Float64}}
values:
3-element Vector{Float64}:
1.0
3.0
18.0
vectors:
3×3 Matrix{Float64}:
1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0
julia> F.values
3-element Vector{Float64}:
1.0
3.0
18.0
julia> F.vectors
3×3 Matrix{Float64}:
1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0
julia> vals, vecs = F; # деструктурирование через итерацию
julia> vals == F.values && vecs == F.vectors
true
eigen(A, B; sortby) -> GeneralizedEigen
Вычисляет декомпозицию обобщенных собственных значений матриц A
и B
, возвращая объект разложения GeneralizedEigen
F
, который содержит обобщенные собственные значения в F.values
, а обобщенные собственные векторы — в столбцах матрицы F.vectors
. Это соответствует решению задачи нахождения обобщенных собственных значений вида Ax = λBx
, где A, B
— матрицы, x
— собственный вектор, а λ
— собственное значение. (k
-й обобщенный собственный вектор можно получить из среза F.vectors[:, k]
.)
При итерации декомпозиции создаются компоненты F.values
и F.vectors
.
По умолчанию собственные значения и векторы сортируются лексикографически по (real(λ),imag(λ))
. В sortby
может быть передана другая функция сравнения by(λ)
, либо можно передать sortby=nothing
, чтобы оставить собственные значения в произвольном порядке.
Примеры
julia> A = [1 0; 0 -1]
2×2 Matrix{Int64}:
1 0
0 -1
julia> B = [0 1; 1 0]
2×2 Matrix{Int64}:
0 1
1 0
julia> F = eigen(A, B);
julia> F.values
2-element Vector{ComplexF64}:
0.0 - 1.0im
0.0 + 1.0im
julia> F.vectors
2×2 Matrix{ComplexF64}:
0.0+1.0im 0.0-1.0im
-1.0+0.0im -1.0-0.0im
julia> vals, vecs = F; # деструктурирование через итерацию
julia> vals == F.values && vecs == F.vectors
true
eigen(A::Union{SymTridiagonal, Hermitian, Symmetric}, irange::UnitRange) -> Eigen
Вычисляет декомпозицию собственных значений матрицы A
, возвращая объект разложения Eigen
F
, который содержит собственные значения в F.values
, а обобщенные собственные векторы — в столбцах матрицы F.vectors
. (k
-й собственный вектор можно получить из среза F.vectors[:, k]
.)
При итерации декомпозиции создаются компоненты F.values
и F.vectors
.
UnitRange
irange
указывает индексы отсортированных собственных значений, которые нужно найти.
Если |
eigen(A::Union{SymTridiagonal, Hermitian, Symmetric}, vl::Real, vu::Real) -> Eigen
Вычисляет декомпозицию собственных значений матрицы A
, возвращая объект разложения Eigen
F
, который содержит собственные значения в F.values
, а обобщенные собственные векторы — в столбцах матрицы F.vectors
. (k
-й собственный вектор можно получить из среза F.vectors[:, k]
.)
При итерации декомпозиции создаются компоненты F.values
и F.vectors
.
vl
— это нижняя граница периода для поиска собственных значений, а vu
— это верхняя граница.
Если [ |
#
LinearAlgebra.Hessenberg
— Type
Hessenberg <: Factorization
Объект Hessenberg
представляет разложение Хессенберга QHQ'
квадратной матрицы или ее сдвиг Q(H+μI)Q'
, который производится функцией hessenberg
.
#
LinearAlgebra.hessenberg
— Function
hessenberg(A) -> Hessenberg
Вычисляет декомпозицию Хессенберга матрицы A
и возвращает объект Hessenberg
. Если F
является объектом разложения, доступ к унитарной матрице можно получить с помощью F.Q
(типа LinearAlgebra.HessenbergQ
), а к матрице Хессенберга — с помощью F.H
(типа UpperHessenberg
). Каждую матрицу можно преобразовать в обычную с помощью Matrix(F.H)
или Matrix(F.Q)
.
Если матрица A
является эрмитовой (Hermitian
) или вещественно-симметричной (Symmetric
), разложение Хессенберга выдает вещественно-симметричную трехдиагональную матрицу, а F.H
имеет тип SymTridiagonal
.
Обратите внимание, что сдвинутое разложение A+μI = Q (H+μI) Q'
можно эффективно создать с помощью F + μ*I
, используя объект UniformScaling
I
, который создает объект Hessenberg
с общим хранилищем и измененным сдвигом. Сдвиг для заданного F
можно получить с помощью F.μ
. Это удобно, так как несколько сдвинутых решений (F + μ*I) \ b
(для разных μ
и (или) b
) можно эффективно выполнить после создания F
.
При итерации разложения создаются множители F.Q, F.H, F.μ
.
Примеры
julia> A = [4. 9. 7.; 4. 4. 1.; 4. 3. 2.]
3×3 Matrix{Float64}:
4.0 9.0 7.0
4.0 4.0 1.0
4.0 3.0 2.0
julia> F = hessenberg(A)
Hessenberg{Float64, UpperHessenberg{Float64, Matrix{Float64}}, Matrix{Float64}, Vector{Float64}, Bool}
Q factor: 3×3 LinearAlgebra.HessenbergQ{Float64, Matrix{Float64}, Vector{Float64}, false}
H factor:
3×3 UpperHessenberg{Float64, Matrix{Float64}}:
4.0 -11.3137 -1.41421
-5.65685 5.0 2.0
⋅ -8.88178e-16 1.0
julia> F.Q * F.H * F.Q'
3×3 Matrix{Float64}:
4.0 9.0 7.0
4.0 4.0 1.0
4.0 3.0 2.0
julia> q, h = F; # деструктурирование через итерацию
julia> q == F.Q && h == F.H
true
#
LinearAlgebra.hessenberg!
— Function
hessenberg!(A) -> Hessenberg
hessenberg!
— это то же, что и hessenberg
, но позволяет экономить дисковое пространство, перезаписывая входную матрицу A
вместо создания копии.
#
LinearAlgebra.Schur
— Type
Schur <: Factorization
Тип разложения матрицы для разложения Шура вещественной матрицы A
. Это возвращаемый тип schur(_)
, соответствующей функции разложения матрицы.
Если F::Schur
является объектом разложения, (квази-)треугольный множитель Шура можно получить с помощью F.Schur
или F.T
, а ортогональные или унитарные векторы Шура — с помощью F.vectors
или F.Z
, так что A = F.vectors * F.Schur * F.vectors'
. Собственные значения матрицы A
можно получить с помощью F.values
.
При итерации декомпозиции создаются компоненты F.T
, F.Z
и F.values
.
Примеры
julia> A = [5. 7.; -2. -4.]
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> F = schur(A)
Schur{Float64, Matrix{Float64}, Vector{Float64}}
T factor:
2×2 Matrix{Float64}:
3.0 9.0
0.0 -2.0
Z factor:
2×2 Matrix{Float64}:
0.961524 0.274721
-0.274721 0.961524
eigenvalues:
2-element Vector{Float64}:
3.0
-2.0
julia> F.vectors * F.Schur * F.vectors'
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> t, z, vals = F; # деструктурирование через итерацию
julia> t == F.T && z == F.Z && vals == F.values
true
#
LinearAlgebra.GeneralizedSchur
— Type
GeneralizedSchur <: Factorization
Тип разложения матрицы для обобщенного разложения Шура двух матриц A
и B
. Это возвращаемый тип schur(_, _)
, соответствующей функции разложения матрицы.
Если F::GeneralizedSchur
является объектом разложения, (квази-)треугольные множители Шура можно получить с помощью F.S
и F.T
, левые унитарные/ортогональные векторы Шура можно получить с помощью F.left
или F.Q
, а правые унитарные/ортогональные векторы Шура можно получить с помощью F.right
или F.Z
, так что A=F.left*F.S*F.right'
и B=F.left*F.T*F.right'
. Обобщенные собственные значения матриц A
и B
можно получить с помощью F.α./F.β
.
При итерации декомпозиции создаются компоненты F.S
, F.T
, F.Q
, F.Z
, F.α
и F.β
.
#
LinearAlgebra.schur
— Function
schur(A) -> F::Schur
Вычисляет разложение Шура матрицы A
. (Квази-)треугольные множители Шура можно получить из объекта Schur
F
с помощью F.Schur
или F.T
, а унитарные/ортогональные векторы Шура можно получить с помощью F.vectors
или F.Z
, так что A = F.vectors * F.Schur * F.vectors'
. Собственные значения матрицы A
можно получить с помощью F.values
.
Для вещественной матрицы A
разложение Шура является «квазитреугольным», что означает, что оно является верхнетреугольным, за исключением диагональных блоков 2×2 для любой сопряженной пары комплексных собственных значений, что позволяет разложению быть чисто вещественным даже при наличии комплексных собственных значений. Для получения (комплексного) чисто верхнетреугольного разложения Шура из вещественного квазитреугольного разложения можно использовать Schur{Complex}(schur(A))
.
При итерации декомпозиции создаются компоненты F.T
, F.Z
и F.values
.
Примеры
julia> A = [5. 7.; -2. -4.]
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> F = schur(A)
Schur{Float64, Matrix{Float64}, Vector{Float64}}
T factor:
2×2 Matrix{Float64}:
3.0 9.0
0.0 -2.0
Z factor:
2×2 Matrix{Float64}:
0.961524 0.274721
-0.274721 0.961524
eigenvalues:
2-element Vector{Float64}:
3.0
-2.0
julia> F.vectors * F.Schur * F.vectors'
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> t, z, vals = F; # деструктурирование через итерацию
julia> t == F.T && z == F.Z && vals == F.values
true
schur(A, B) -> F::GeneralizedSchur
Вычисляет обобщенное разложение Шура (или QZ-разложение) матриц A
и B
. (Квази-)треугольные множители Шура можно получить из объекта Schur
F
с помощью F.S
и F.T
, левые унитарные/ортогональные векторы Шура можно получить с помощью F.left
или F.Q
, а правые унитарные/ортогональные векторы Шура можно получить с помощью F.right
или F.Z
, так что A=F.left*F.S*F.right'
и B=F.left*F.T*F.right'
. Обобщенные собственные значения матриц A
и B
можно получить с помощью F.α./F.β
.
При итерации декомпозиции создаются компоненты F.S
, F.T
, F.Q
, F.Z
, F.α
и F.β
.
#
LinearAlgebra.schur!
— Function
schur!(A) -> F::Schur
То же, что и schur
, но использует входной аргумент A
в качестве рабочей области.
Примеры
julia> A = [5. 7.; -2. -4.]
2×2 Matrix{Float64}:
5.0 7.0
-2.0 -4.0
julia> F = schur!(A)
Schur{Float64, Matrix{Float64}, Vector{Float64}}
T factor:
2×2 Matrix{Float64}:
3.0 9.0
0.0 -2.0
Z factor:
2×2 Matrix{Float64}:
0.961524 0.274721
-0.274721 0.961524
eigenvalues:
2-element Vector{Float64}:
3.0
-2.0
julia> A
2×2 Matrix{Float64}:
3.0 9.0
0.0 -2.0
schur!(A::StridedMatrix, B::StridedMatrix) -> F::GeneralizedSchur
То же, что и schur
, но использует входные матрицы A
и B
в качестве рабочей области.
#
LinearAlgebra.ordschur
— Function
ordschur(F::Schur, select::Union{Vector{Bool},BitVector}) -> F::Schur
Переупорядочивает разложение Шура F
матрицы A = Z*T*Z'
в соответствии с логическим массивом select
, возвращая переупорядоченный объект разложения F
. Выбранные собственные значения появляются на ведущей диагонали F.Schur
, а соответствующие ведущие столбцы F.vectors
образуют ортогональную/унитарную основу соответствующего правого инвариантного подпространства. В реальном случае комплексно сопряженная пара собственных значений должна быть либо включена, либо исключена с помощью select
.
ordschur(F::GeneralizedSchur, select::Union{Vector{Bool},BitVector}) -> F::GeneralizedSchur
Переупорядочивает обобщенное разложение Шура F
пары матрицы (A, B) = (Q*S*Z', Q*T*Z')
в соответствии с логическим массивом select
и возвращает объект GeneralizedSchur F
. Выбранные собственные значения появляются на ведущей диагонали F.S
и F.T
, а левые и правые ортогональные/унитарные векторы Шура переупорядочиваются, так что (A, B) = F.Q*(F.S, F.T)*F.Z'
по-прежнему верно, а обобщенные собственные значения матриц A
и B
по-прежнему можно получить с помощью F.α./F.β
.
#
LinearAlgebra.ordschur!
— Function
ordschur!(F::Schur, select::Union{Vector{Bool},BitVector}) -> F::Schur
То же, что и ordschur
, но перезаписывает разложение F
.
ordschur!(F::GeneralizedSchur, select::Union{Vector{Bool},BitVector}) -> F::GeneralizedSchur
То же, что и ordschur
, но перезаписывает разложение F
.
#
LinearAlgebra.SVD
— Type
SVD <: Factorization
Тип разложения матрицы для сингулярной декомпозиции (SVD) матрицы A
. Это возвращаемый тип svd(_)
, соответствующей функции разложения матрицы.
Если F::SVD
является объектом разложения, U
, S
, V
и Vt
можно получить с помощью F.U
, F.S
, F.V
и F.Vt
, так что A = U * Diagonal(S) * Vt
. Сингулярные значения в S
отсортированы в порядке убывания.
При итерации декомпозиции создаются компоненты U
, S
и V
.
Примеры
julia> A = [1. 0. 0. 0. 2.; 0. 0. 3. 0. 0.; 0. 0. 0. 0. 0.; 0. 2. 0. 0. 0.]
4×5 Matrix{Float64}:
1.0 0.0 0.0 0.0 2.0
0.0 0.0 3.0 0.0 0.0
0.0 0.0 0.0 0.0 0.0
0.0 2.0 0.0 0.0 0.0
julia> F = svd(A)
SVD{Float64, Float64, Matrix{Float64}, Vector{Float64}}
U factor:
4×4 Matrix{Float64}:
0.0 1.0 0.0 0.0
1.0 0.0 0.0 0.0
0.0 0.0 0.0 1.0
0.0 0.0 -1.0 0.0
singular values:
4-element Vector{Float64}:
3.0
2.23606797749979
2.0
0.0
Vt factor:
4×5 Matrix{Float64}:
-0.0 0.0 1.0 -0.0 0.0
0.447214 0.0 0.0 0.0 0.894427
0.0 -1.0 0.0 0.0 0.0
0.0 0.0 0.0 1.0 0.0
julia> F.U * Diagonal(F.S) * F.Vt
4×5 Matrix{Float64}:
1.0 0.0 0.0 0.0 2.0
0.0 0.0 3.0 0.0 0.0
0.0 0.0 0.0 0.0 0.0
0.0 2.0 0.0 0.0 0.0
julia> u, s, v = F; # деструктурирование через итерацию
julia> u == F.U && s == F.S && v == F.V
true
#
LinearAlgebra.GeneralizedSVD
— Type
GeneralizedSVD <: Factorization
Тип разложения матрицы для обобщенной сингулярной декомпозиции (SVD) двух матриц A
и B
, так что A = F.U*F.D1*F.R0*F.Q'
и B = F.V*F.D2*F.R0*F.Q'
. Это возвращаемый тип svd(_, _)
, соответствующей функции разложения матрицы.
Для матрицы M на N A
и матрицы P на N B
-
U
является ортогональной матрицей M на M; -
V
является ортогональной матрицей P на P; -
Q
является ортогональной матрицей N на N; -
D1
является диагональной матрицей M на (K+L) с единицами в первых K элементах; -
D2
является матрицей P на (K+L), правый верхний блок которой L на L является диагональным; -
R0
является матрицей (K+L) на N, крайний правый блок которой (K+L) на (K+L), представляет собой несингулярный верхний блок треугольной формы;
K+L
— это эффективный числовой ранг матрицы [A; B]
.
При итерации декомпозиции создаются компоненты U
, V
, Q
, D1
, D2
и R0
.
Элементы F.D1
и F.D2
связаны между собой, как объясняется в документации по LAPACK для обобщенной SVD и подпрограммы xGGSVD3, которая вызывается ниже (в LAPACK 3.6.0 и более поздних версиях).
Примеры
julia> A = [1. 0.; 0. -1.]
2×2 Matrix{Float64}:
1.0 0.0
0.0 -1.0
julia> B = [0. 1.; 1. 0.]
2×2 Matrix{Float64}:
0.0 1.0
1.0 0.0
julia> F = svd(A, B)
GeneralizedSVD{Float64, Matrix{Float64}, Float64, Vector{Float64}}
U factor:
2×2 Matrix{Float64}:
1.0 0.0
0.0 1.0
V factor:
2×2 Matrix{Float64}:
-0.0 -1.0
1.0 0.0
Q factor:
2×2 Matrix{Float64}:
1.0 0.0
0.0 1.0
D1 factor:
2×2 Matrix{Float64}:
0.707107 0.0
0.0 0.707107
D2 factor:
2×2 Matrix{Float64}:
0.707107 0.0
0.0 0.707107
R0 factor:
2×2 Matrix{Float64}:
1.41421 0.0
0.0 -1.41421
julia> F.U*F.D1*F.R0*F.Q'
2×2 Matrix{Float64}:
1.0 0.0
0.0 -1.0
julia> F.V*F.D2*F.R0*F.Q'
2×2 Matrix{Float64}:
-0.0 1.0
1.0 0.0
#
LinearAlgebra.svd
— Function
svd(A; full::Bool = false, alg::Algorithm = default_svd_alg(A)) -> SVD
Вычисляет сингулярную декомпозицию (SVD) матрицы A
и возвращает объект SVD
.
U
, S
, V
и Vt
можно получить из разложения F
с помощью F.U
, F.S
, F.V
и F.Vt
, так что A = U * Diagonal(S) * Vt
. Алгоритм выдает Vt
, следовательно, Vt
извлекать эффективнее, чем V
. Сингулярные значения в S
отсортированы в порядке убывания.
При итерации декомпозиции создаются компоненты U
, S
и V
.
Если full = false
(по умолчанию), возвращается «тонкая» сингулярная декомпозиция. Для матрицы A
размером M \times N
в полном разложении U
имеет размер , а V
— , тогда как в «тонком» разложении U
имеет размер M \times K
, а V
— , где — это число сингулярных значений.
Если alg = DivideAndConquer()
, для вычисления SVD используется алгоритм «разделяй и властвуй». Другим (обычно более медленным, но более точным) вариантом является alg = QRIteration()
.
Совместимость: Julia 1.3
Для именованного аргумента |
Примеры
julia> A = rand(4,3);
julia> F = svd(A); # Сохраняет объект разложения
julia> A ≈ F.U * Diagonal(F.S) * F.Vt
true
julia> U, S, V = F; # деструктурирование через итерацию
julia> A ≈ U * Diagonal(S) * V'
true
julia> Uonly, = svd(A); # Сохраняет только U
julia> Uonly == U
true
svd(A, B) -> GeneralizedSVD
Вычисляет обобщенную декомпозицию SVD матриц A
и B
, возвращая объект разложения GeneralizedSVD
F
, так что [A;B] = [F.U * F.D1; F.V * F.D2] * F.R0 * F.Q'
-
U
является ортогональной матрицей M на M; -
V
является ортогональной матрицей P на P; -
Q
является ортогональной матрицей N на N; -
D1
является диагональной матрицей M на (K+L) с единицами в первых K элементах; -
D2
является матрицей P на (K+L), правый верхний блок которой L на L является диагональным; -
R0
является матрицей (K+L) на N, крайний правый блок которой (K+L) на (K+L), представляет собой несингулярный верхний блок треугольной формы;
K+L
— это эффективный числовой ранг матрицы [A; B]
.
При итерации декомпозиции создаются компоненты U
, V
, Q
, D1
, D2
и R0
.
Обобщенная SVD используется в приложениях, например, когда требуется сравнить, какое количество принадлежит A
, а какое — B
, как в случае сравнения генома человека и дрожжей, или сигнала и шума, или между кластерами и в составе кластеров. (См. обсуждение Эдельмана (Edelman) и Ванга (Wang): https://arxiv.org/abs/1901.00485)
Она раскладывает [A; B]
на [UC; VS]H
, где [UC; VS]
— естественная ортогональная база для пространства столбцов [A; B]
, а H = RQ'
— естественная неортогональная база для пространства строк [A;B]
, где верхние строки наиболее тесно связаны с матрицей A
, а нижние — с матрицей B
. Мультикосинусные/синусоидальные матрицы C
и S
обеспечивают мультиизмерение объема A
по отношению к объему B
, а U
и V
указывают направления, в которых они измеряются.
Примеры
julia> A = randn(3,2); B=randn(4,2);
julia> F = svd(A, B);
julia> U,V,Q,C,S,R = F;
julia> H = R*Q';
julia> [A; B] ≈ [U*C; V*S]*H
true
julia> [A; B] ≈ [F.U*F.D1; F.V*F.D2]*F.R0*F.Q'
true
julia> Uonly, = svd(A,B);
julia> U == Uonly
true
#
LinearAlgebra.svdvals
— Function
svdvals(A)
Возвращает сингулярные значения матрицы A
в порядке убывания.
Примеры
julia> A = [1. 0. 0. 0. 2.; 0. 0. 3. 0. 0.; 0. 0. 0. 0. 0.; 0. 2. 0. 0. 0.]
4×5 Matrix{Float64}:
1.0 0.0 0.0 0.0 2.0
0.0 0.0 3.0 0.0 0.0
0.0 0.0 0.0 0.0 0.0
0.0 2.0 0.0 0.0 0.0
julia> svdvals(A)
4-element Vector{Float64}:
3.0
2.23606797749979
2.0
0.0
svdvals(A, B)
Возвращает обобщенные сингулярные значения из обобщенной сингулярной декомпозиции матриц A
и B
. См. также описание svd
.
Примеры
julia> A = [1. 0.; 0. -1.]
2×2 Matrix{Float64}:
1.0 0.0
0.0 -1.0
julia> B = [0. 1.; 1. 0.]
2×2 Matrix{Float64}:
0.0 1.0
1.0 0.0
julia> svdvals(A, B)
2-element Vector{Float64}:
1.0
1.0
#
LinearAlgebra.Givens
— Type
LinearAlgebra.Givens(i1,i2,c,s) -> G
Линейный оператор вращения Гивенса. Поля c
и s
представляют косинус и синус угла поворота соответственно. Тип Givens
поддерживает левое умножение G*A
и правое умножение с сопряженным транспонированием A*G'
. У типа нет размера (size
), поэтому он может быть перемножен с матрицами произвольного размера при условии, что i2<=size(A,2)
для G*A
или i2<=size(A,1)
для A*G'
.
См. также описание givens
.
#
LinearAlgebra.givens
— Function
givens(f::T, g::T, i1::Integer, i2::Integer) where {T} -> (G::Givens, r::T)
Вычисляет вращение Гивенса G
и скаляр r
, так что для любого вектора x
, где
x[i1] = f x[i2] = g
результат умножения
y = G*x
имеет свойство, когда
y[i1] = r y[i2] = 0
См. также описание LinearAlgebra.Givens
.
givens(A::AbstractArray, i1::Integer, i2::Integer, j::Integer) -> (G::Givens, r)
Вычисляет вращение Гивенса G
и скаляр r
, так что результат умножения
B = G*A
имеет свойство, когда
B[i1,j] = r B[i2,j] = 0
См. также описание LinearAlgebra.Givens
.
givens(x::AbstractVector, i1::Integer, i2::Integer) -> (G::Givens, r)
Вычисляет вращение Гивенса G
и скаляр r
, так что результат умножения
B = G*x
имеет свойство, когда
B[i1] = r B[i2] = 0
См. также описание LinearAlgebra.Givens
.
#
LinearAlgebra.triu
— Function
triu(M)
Верхний треугольник матрицы.
Примеры
julia> a = fill(1.0, (4,4))
4×4 Matrix{Float64}:
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
julia> triu(a)
4×4 Matrix{Float64}:
1.0 1.0 1.0 1.0
0.0 1.0 1.0 1.0
0.0 0.0 1.0 1.0
0.0 0.0 0.0 1.0
triu(M, k::Integer)
Возвращает верхний треугольник матрицы M
начиная с k
-й наддиагонали.
Примеры
julia> a = fill(1.0, (4,4))
4×4 Matrix{Float64}:
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
julia> triu(a,3)
4×4 Matrix{Float64}:
0.0 0.0 0.0 1.0
0.0 0.0 0.0 0.0
0.0 0.0 0.0 0.0
0.0 0.0 0.0 0.0
julia> triu(a,-3)
4×4 Matrix{Float64}:
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
#
LinearAlgebra.triu!
— Function
triu!(M)
Верхний треугольник матрицы, перезаписывающий M
в процессе. См. также описание triu
.
triu!(M, k::Integer)
Возвращает верхний треугольник матрицы M
начиная с k
-й наддиагонали, перезаписывая M
в процессе.
Примеры
julia> M = [1 2 3 4 5; 1 2 3 4 5; 1 2 3 4 5; 1 2 3 4 5; 1 2 3 4 5]
5×5 Matrix{Int64}:
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5
julia> triu!(M, 1)
5×5 Matrix{Int64}:
0 2 3 4 5
0 0 3 4 5
0 0 0 4 5
0 0 0 0 5
0 0 0 0 0
#
LinearAlgebra.tril
— Function
tril(M)
Нижний треугольник матрицы.
Примеры
julia> a = fill(1.0, (4,4))
4×4 Matrix{Float64}:
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
julia> tril(a)
4×4 Matrix{Float64}:
1.0 0.0 0.0 0.0
1.0 1.0 0.0 0.0
1.0 1.0 1.0 0.0
1.0 1.0 1.0 1.0
tril(M, k::Integer)
Возвращает нижний треугольник матрицы M
начиная с k
-й наддиагонали.
Примеры
julia> a = fill(1.0, (4,4))
4×4 Matrix{Float64}:
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
julia> tril(a,3)
4×4 Matrix{Float64}:
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
1.0 1.0 1.0 1.0
julia> tril(a,-3)
4×4 Matrix{Float64}:
0.0 0.0 0.0 0.0
0.0 0.0 0.0 0.0
0.0 0.0 0.0 0.0
1.0 0.0 0.0 0.0
#
LinearAlgebra.tril!
— Function
tril!(M)
Нижний треугольник матрицы, перезаписывающий M
в процессе. См. также описание tril
.
tril!(M, k::Integer)
Возвращает нижний треугольник матрицы M
, начиная с k
-й наддиагонали, перезаписывая M
в процессе.
Примеры
julia> M = [1 2 3 4 5; 1 2 3 4 5; 1 2 3 4 5; 1 2 3 4 5; 1 2 3 4 5]
5×5 Matrix{Int64}:
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5
julia> tril!(M, 2)
5×5 Matrix{Int64}:
1 2 3 0 0
1 2 3 4 0
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5
#
LinearAlgebra.diagind
— Function
diagind(M::AbstractMatrix, k::Integer = 0, indstyle::IndexStyle = IndexLinear())
diagind(M::AbstractMatrix, indstyle::IndexStyle = IndexLinear())
Диапазон AbstractRange
, задающий индексы k
-й диагонали матрицы M
. При необходимости можно указать стиль индекса, который определяет тип возвращаемого диапазона. Если indstyle isa IndexLinear
(по умолчанию), возвращается AbstractRange{Integer}
. С другой стороны, если indstyle isa IndexCartesian
, то возвращается AbstractRange{CartesianIndex{2}}
.
Если аргумент k
не задан, предполагается значение 0
(что соответствует главной диагонали).
Примеры
julia> A = [1 2 3; 4 5 6; 7 8 9]
3×3 Matrix{Int64}:
1 2 3
4 5 6
7 8 9
julia> diagind(A, -1)
2:4:6
julia> diagind(A, IndexCartesian())
StepRangeLen(CartesianIndex(1, 1), CartesianIndex(1, 1), 3)
Совместимость: Julia 1.11
Для указания |
#
LinearAlgebra.diagm
— Function
diagm(kv::Pair{<:Integer,<:AbstractVector}...)
diagm(m::Integer, n::Integer, kv::Pair{<:Integer,<:AbstractVector}...)
Создает матрицу из пар (Pair
) диагоналей и векторов. Вектор kv.second
будет размещен на диагонали kv.first
. По умолчанию матрица квадратная, и ее размер выводится из kv
, но можно задать неквадратную матрицу размером m
×n
(с заполнением нулями по мере необходимости), передав m,n
в качестве первых аргументов. Для повторяющихся диагональных индексов kv.first
будут добавлены значения в соответствующих векторах kv.second
.
diagm
создает полную матрицу. Если вам нужны версии с экономичным хранением и быстрой арифметикой, см. описание Diagonal
, Bidiagonal
, Tridiagonal
и SymTridiagonal
.
Примеры
julia> diagm(1 => [1,2,3])
4×4 Matrix{Int64}:
0 1 0 0
0 0 2 0
0 0 0 3
0 0 0 0
julia> diagm(1 => [1,2,3], -1 => [4,5])
4×4 Matrix{Int64}:
0 1 0 0
4 0 2 0
0 5 0 3
0 0 0 0
julia> diagm(1 => [1,2,3], 1 => [1,2,3])
4×4 Matrix{Int64}:
0 2 0 0
0 0 4 0
0 0 0 6
0 0 0 0
diagm(v::AbstractVector) diagm(m::Integer, n::Integer, v::AbstractVector)
Создает матрицу, диагональными элементами которой являются элементы вектора. По умолчанию матрица квадратная, и ее размер задается с помощью length(v)
, но можно задать неквадратную матрицу размером m
×n
, передав m,n
в качестве первых аргументов.
Примеры
julia> diagm([1,2,3])
3×3 Matrix{Int64}:
1 0 0
0 2 0
0 0 3
#
LinearAlgebra.rank
— Function
rank(::QRSparse{Tv,Ti}) -> Ti
Возвращает ранг QR-разложения.
rank(S::SparseMatrixCSC{Tv,Ti}; [tol::Real]) -> Ti
Определяет ранг S
, вычисляя QR-разложение. Значения меньше tol
считаются нулевыми. См. руководство по SPQR.
rank(A::AbstractMatrix; atol::Real=0, rtol::Real=atol>0 ? 0 : n*ϵ) rank(A::AbstractMatrix, rtol::Real)
Вычисляет числовой ранг матрицы путем подсчета количества выходных значений svdvals(A)
больше чем max(atol, rtol*σ₁)
, где σ₁
является наибольшим вычисленным сингулярным значением матрицы A
. atol
и rtol
представляют собой соответственно абсолютный и относительный допуски. Относительный допуск по умолчанию — n*ϵ
, где n
представляет собой наименьшее измерение матрицы A
, а ϵ
является eps
типа элементов матрицы A
.
Числовой ранг может быть чувствительной и неточной характеристикой плохо обусловленных матриц с сингулярными значениями, близкими к пороговому допуску |
Совместимость: Julia 1.1
Для именованных аргументов |
Примеры
julia> rank(Matrix(I, 3, 3))
3
julia> rank(diagm(0 => [1, 0, 2]))
2
julia> rank(diagm(0 => [1, 0.001, 2]), rtol=0.1)
2
julia> rank(diagm(0 => [1, 0.001, 2]), rtol=0.00001)
3
julia> rank(diagm(0 => [1, 0.001, 2]), atol=1.5)
1
#
LinearAlgebra.norm
— Function
norm(A, p::Real=2)
Для любого итерируемого контейнера чисел A
(включая массивы любой размерности) или любого типа элементов, для которого определено norm
, вычисляет p
-норму (по умолчанию p=2
), как если бы объект A
был вектором соответствующей длины.
p
-норма определяется следующим образом:
где — элементы , $ |
a_i |
$ — норма ( |
p
может принимать любое числовое значение (хотя не все значения дают математически допустимую векторную норму). В частности, norm(A, Inf)
возвращает наибольшее значение в abs.(A)
, тогда как norm(A, -Inf)
возвращает наименьшее значение. Если A
— матрица и p=2
, то она эквивалентна норме Фробениуса.
Второй аргумент p
необязательно является частью интерфейса для norm
, т. е. пользовательский тип может реализовывать norm(A)
только без второго аргумента.
Для вычисления операторной нормы матрицы используйте opnorm
.
Примеры
julia> v = [3, -2, 6]
3-element Vector{Int64}:
3
-2
6
julia> norm(v)
7.0
julia> norm(v, 1)
11.0
julia> norm(v, Inf)
6.0
julia> norm([1 2 3; 4 5 6; 7 8 9])
16.881943016134134
julia> norm([1 2 3 4 5 6 7 8 9])
16.881943016134134
julia> norm(1:9)
16.881943016134134
julia> norm(hcat(v,v), 1) == norm(vcat(v,v), 1) != norm([v,v], 1)
true
julia> norm(hcat(v,v), 2) == norm(vcat(v,v), 2) == norm([v,v], 2)
true
julia> norm(hcat(v,v), Inf) == norm(vcat(v,v), Inf) != norm([v,v], Inf)
true
norm(x::Number, p::Real=2)
Для чисел возвращает $\left( |
x |
^p \right)^{1/p}$. |
Примеры
julia> norm(2, 1)
2.0
julia> norm(-2, 1)
2.0
julia> norm(2, 2)
2.0
julia> norm(-2, 2)
2.0
julia> norm(2, Inf)
2.0
julia> norm(-2, Inf)
2.0
#
LinearAlgebra.opnorm
— Function
opnorm(A::AbstractMatrix, p::Real=2)
Вычисляет операторную норму (или матричную норму), порожденную векторной p
-нормой, где допустимыми значениями p
являются 1
, 2
или Inf
. (Обратите внимание, что для разреженных матриц p=2
в настоящее время не реализуется.) Для вычисления нормы Фробениуса используйте norm
.
Если p=1
, операторной нормой является максимальная абсолютная сумма столбцов матрицы A
:
где — элементы матрицы , а и — ее измерения.
Если p=2
, операторной нормой является спектральная норма, равная наибольшему сингулярному значению матрицы A
.
Если p=Inf
, операторной нормой является максимальная абсолютная сумма строк матрицы A
:
Примеры
julia> A = [1 -2 -3; 2 3 -1]
2×3 Matrix{Int64}:
1 -2 -3
2 3 -1
julia> opnorm(A, Inf)
6.0
julia> opnorm(A, 1)
5.0
opnorm(x::Number, p::Real=2)
Для чисел возвращает $\left( |
x |
^p \right)^{1/p}$. Это эквивалентно |
opnorm(A::Adjoint{<:Any,<:AbstractVector}, q::Real=2) opnorm(A::Transpose{<:Any,<:AbstractVector}, q::Real=2)
Для сопряженных/транспонированных инкапсулированных векторов возвращает операторную -норму A
, которая эквивалентна p
-норме со значением p = q/(q-1)
. Они совпадают в точке p = q = 2
. Используйте norm
для вычисления p
-нормы A
в виде вектора.
Разница в норме между векторным пространством и его двойником возникает для сохранения связи между двойственностью и точечным произведением, а результат согласуется с операторной p
-нормой матрицы 1 × n
.
Примеры
julia> v = [1; im];
julia> vc = v';
julia> opnorm(vc, 1)
1.0
julia> norm(vc, 1)
2.0
julia> norm(v, 1)
2.0
julia> opnorm(vc, 2)
1.4142135623730951
julia> norm(vc, 2)
1.4142135623730951
julia> norm(v, 2)
1.4142135623730951
julia> opnorm(vc, Inf)
2.0
julia> norm(vc, Inf)
1.0
julia> norm(v, Inf)
1.0
#
LinearAlgebra.normalize
— Function
normalize(a, p::Real=2)
Нормализует массив a
так, что его p
-норма равна единице, то есть norm(a, p) == 1
. Для скалярных значений действует аналогично функции sign(a) за исключением того, что normalize(0) = NaN. См. также описание normalize!
, norm
и sign
.
Примеры
julia> a = [1,2,4];
julia> b = normalize(a)
3-element Vector{Float64}:
0.2182178902359924
0.4364357804719848
0.8728715609439696
julia> norm(b)
1.0
julia> c = normalize(a, 1)
3-element Vector{Float64}:
0.14285714285714285
0.2857142857142857
0.5714285714285714
julia> norm(c, 1)
1.0
julia> a = [1 2 4 ; 1 2 4]
2×3 Matrix{Int64}:
1 2 4
1 2 4
julia> norm(a)
6.48074069840786
julia> normalize(a)
2×3 Matrix{Float64}:
0.154303 0.308607 0.617213
0.154303 0.308607 0.617213
julia> normalize(3, 1)
1.0
julia> normalize(-8, 1)
-1.0
julia> normalize(0, 1)
NaN
#
LinearAlgebra.cond
— Function
cond(M, p::Real=2)
Число обусловленности матрицы M
, вычисленное с помощью операторной p
-нормы. Допустимыми значениями для p
являются 1
, 2
(по умолчанию) или Inf
.
#
LinearAlgebra.condskeel
— Function
condskeel(M, [x, p::Real=Inf])
Число обусловленности Шкееля M
, дополнительно с учетом вектора x
, вычисляемое с помощью операторной p
-нормы. p
являются 1
, 2
или Inf
(по умолчанию).
В литературе эта величина также известна как число обусловленности Бауэра, относительное число обусловленности или компонентное относительное число обусловленности.
#
LinearAlgebra.tr
— Function
tr(M)
След матрицы. Суммирует диагональные элементы матрицы M
.
Примеры
julia> A = [1 2; 3 4]
2×2 Matrix{Int64}:
1 2
3 4
julia> tr(A)
5
#
LinearAlgebra.logdet
— Function
logdet(M)
Логарифм определителя матрицы. Эквивалентно функции log(det(M))
, но может обеспечивать повышенную точность и позволяет избежать переполнения или выхода за нижнюю границу.
Примеры
julia> M = [1 0; 2 2]
2×2 Matrix{Int64}:
1 0
2 2
julia> logdet(M)
0.6931471805599453
julia> logdet(Matrix(I, 3, 3))
0.0
#
LinearAlgebra.logabsdet
— Function
logabsdet(M)
Логарифм абсолютного значения определителя матрицы. Эквивалентно функции (log(abs(det(M))), sign(det(M)))
, но может обеспечивать повышенную точность и (или) скорость.
Примеры
julia> A = [-1. 0.; 0. 1.]
2×2 Matrix{Float64}:
-1.0 0.0
0.0 1.0
julia> det(A)
-1.0
julia> logabsdet(A)
(0.0, -1.0)
julia> B = [2. 0.; 0. 1.]
2×2 Matrix{Float64}:
2.0 0.0
0.0 1.0
julia> det(B)
2.0
julia> logabsdet(B)
(0.6931471805599453, 1.0)
#
Base.inv
— Method
inv(M)
Инверсия матрицы. Вычисляет матрицу N
такую, что M * N = I
, где I
является матрицей тождественности. Вычисляется путем решения левого деления N = M \ I
.
Примеры
julia> M = [2 5; 1 3]
2×2 Matrix{Int64}:
2 5
1 3
julia> N = inv(M)
2×2 Matrix{Float64}:
3.0 -5.0
-1.0 2.0
julia> M*N == N*M == Matrix(I, 2, 2)
true
#
LinearAlgebra.pinv
— Function
pinv(M; atol::Real=0, rtol::Real=atol>0 ? 0 : n*ϵ)
pinv(M, rtol::Real) = pinv(M; rtol=rtol) # to be deprecated in Julia 2.0
Вычисляет псевдоинверсию Мура-Пенроуза.
Для матриц M
с элементами с плавающей запятой эффективным способом вычисления псевдоинверсии является инверсирование только сингулярных значений больше max(atol, rtol*σ₁)
, где σ₁
является наибольшим сингулярным значением матрицы M
.
Оптимальный выбор абсолютного (atol
) и относительного допусков (rtol
) зависит как от значения матрицы M
, так и от предполагаемого применения псевдоинверсии. Относительный допуск по умолчанию — n*ϵ
, где n
представляет собой наименьшее измерение матрицы M
, а ϵ
является eps
типа элементов матрицы M
.
Для инверсирования плотных слабо обусловленных матриц по методу наименьших квадратов рекомендуется использовать rtol = sqrt(eps(real(float(oneunit(eltype(M))))))
.
Примеры
julia> M = [1.5 1.3; 1.2 1.9]
2×2 Matrix{Float64}:
1.5 1.3
1.2 1.9
julia> N = pinv(M)
2×2 Matrix{Float64}:
1.47287 -1.00775
-0.930233 1.16279
julia> M * N
2×2 Matrix{Float64}:
1.0 -2.22045e-16
4.44089e-16 1.0
#
LinearAlgebra.nullspace
— Function
nullspace(M; atol::Real=0, rtol::Real=atol>0 ? 0 : n*ϵ)
nullspace(M, rtol::Real) = nullspace(M; rtol=rtol) # to be deprecated in Julia 2.0
Вычисляет базис для нуль-пространства матрицы M
, включая сингулярные векторы матрицы M
, сингулярные значения которых имеют величины меньше max(atol, rtol*σ₁)
, где σ₁
является наибольшим сингулярным значением матрицы M
.
Относительный допуск по умолчанию rtol
— n*ϵ
, где n
является размером наименьшего измерения матрицы M
, а ϵ
представляет собой машинный эпсилон (eps
) типа элементов матрицы M
.
Примеры
julia> M = [1 0 0; 0 1 0; 0 0 0]
3×3 Matrix{Int64}:
1 0 0
0 1 0
0 0 0
julia> nullspace(M)
3×1 Matrix{Float64}:
0.0
0.0
1.0
julia> nullspace(M, rtol=3)
3×3 Matrix{Float64}:
0.0 1.0 0.0
1.0 0.0 0.0
0.0 0.0 1.0
julia> nullspace(M, atol=0.95)
3×1 Matrix{Float64}:
0.0
0.0
1.0
#
Base.kron
— Function
kron(A, B)
Вычисляет произведение Кронекера двух векторов, матриц или чисел.
Для вещественных векторов v
и w
произведение Кронекера связано с внешним произведением следующим образом: kron(v,w) == vec(w * transpose(v))
или w * transpose(v) == reshape(kron(v,w), (length(w), length(v)))
. Обратите внимание, что порядок v
и w
слева и справа в этих выражениях различается (из-за хранения по столбцам). Для комплексных векторов внешнее произведение w * v'
также различается по сопряжению v
.
Примеры
julia> A = [1 2; 3 4]
2×2 Matrix{Int64}:
1 2
3 4
julia> B = [im 1; 1 -im]
2×2 Matrix{Complex{Int64}}:
0+1im 1+0im
1+0im 0-1im
julia> kron(A, B)
4×4 Matrix{Complex{Int64}}:
0+1im 1+0im 0+2im 2+0im
1+0im 0-1im 2+0im 0-2im
0+3im 3+0im 0+4im 4+0im
3+0im 0-3im 4+0im 0-4im
julia> v = [1, 2]; w = [3, 4, 5];
julia> w*transpose(v)
3×2 Matrix{Int64}:
3 6
4 8
5 10
julia> reshape(kron(v,w), (length(w), length(v)))
3×2 Matrix{Int64}:
3 6
4 8
5 10
exp(A::AbstractMatrix)
Вычисляет матричный экспоненциал A
, определяемый следующим образом:
Для симметричной или эрмитовой матрицы A
используется разложение по собственным значениям (eigen
), в противном случае выбирается алгоритм масштабирования и возведения в квадрат (см. [12]).
Примеры
julia> A = Matrix(1.0I, 2, 2)
2×2 Matrix{Float64}:
1.0 0.0
0.0 1.0
julia> exp(A)
2×2 Matrix{Float64}:
2.71828 0.0
0.0 2.71828
#
Base.cis
— Method
cis(A::AbstractMatrix)
Более эффективный метод для exp(im*A)
квадратной матрицы A
(особенно если матрица A
является эрмитовой (Hermitian
) или вещественно-симметричной (Symmetric
)).
Совместимость: Julia 1.7
Поддержка использования |
Примеры
julia> cis([π 0; 0 π]) ≈ -I
true
#
Base.:^
— Method
^(A::AbstractMatrix, p::Number)
Степень матрицы, эквивалент
Примеры
julia> [1 2; 0 3]^3
2×2 Matrix{Int64}:
1 26
0 27
#
Base.:^
— Method
^(b::Number, A::AbstractMatrix)
Матричный экспоненциал, эквивалент
Совместимость: Julia 1.1
Поддержка возведения чисел типа |
Примеры
julia> 2^[1 2; 0 3]
2×2 Matrix{Float64}:
2.0 6.0
0.0 8.0
julia> ℯ^[1 2; 0 3]
2×2 Matrix{Float64}:
2.71828 17.3673
0.0 20.0855
#
Base.log
— Method
log(A::AbstractMatrix)
Если матрица A
не имеет отрицательного вещественного собственного значения, вычисляет натуральный матричный логарифм A
, т. е. уникальную матрицу A
имеет неположительные собственные значения, по возможности возвращается ненатуральная матричная функция.
Если матрица A
является симметричной или эрмитовой, используется ее разложение по собственным значениям (eigen
). Если матрица A
является треугольной, применяется улучшенная версия метода обратного масштабирования и возведения в квадрат (см. [13] и [14]). Если матрица A
является вещественной без собственных значений, вычисляется вещественная форма Шура. В противном случае вычисляется комплексная форма Шура. Затем для верхнего (квази)треугольного множителя используется верхний (квази)треугольный алгоритм в [14].
Примеры
julia> A = Matrix(2.7182818*I, 2, 2)
2×2 Matrix{Float64}:
2.71828 0.0
0.0 2.71828
julia> log(A)
2×2 Matrix{Float64}:
1.0 0.0
0.0 1.0
#
Base.sqrt
— Method
sqrt(x)
Возвращает
Выдает ошибку DomainError
при отрицательных аргументах типа Real
. Используйте вместо этого комплексные отрицательные аргументы. Обратите внимание, что sqrt
имеет точку ветвления на отрицательной вещественной оси.
Префиксный оператор √
эквивалентен sqrt
.
См. также описание hypot
.
Примеры
julia> sqrt(big(81))
9.0
julia> sqrt(big(-81))
ERROR: DomainError with -81.0:
NaN result for non-NaN input.
Stacktrace:
[1] sqrt(::BigFloat) at ./mpfr.jl:501
[...]
julia> sqrt(big(complex(-81)))
0.0 + 9.0im
julia> sqrt(-81 - 0.0im) # -0.0im находится ниже точки ветвления
0.0 - 9.0im
julia> .√(1:4)
4-element Vector{Float64}:
1.0
1.4142135623730951
1.7320508075688772
2.0
sqrt(A::AbstractMatrix)
Если матрица A
не имеет отрицательных вещественных собственных значений, вычисляет натуральный квадратный корень матрицы A
, то есть уникальную матрицу
Если матрица A
является вещественно-симметричной или эрмитовой, для вычисления квадратного корня используется ее разложение по собственным значениям (eigen
). Для таких матриц собственные значения λ, которые из-за ошибок округления кажутся слегка отрицательными, рассматриваются как нулевые. Более точно, матрицы со всеми собственными значениями ≥ -rtol*(max |λ|)
рассматриваются как полуопределенные (выдающие эрмитов квадратный корень), а отрицательные собственные значения принимаются за нуль. rtol
является именованным аргументом для sqrt
(только для эрмитовых или вещественно-симметричных матриц), который по умолчанию имеет машинную точность, масштабированную на size(A,1)
.
В противном случае квадратный корень определяется с помощью метода Бьорка-Хаммарлинга [15], который вычисляет комплексную форму Шура (schur
), а затем — комплексный квадратный корень треугольного множителя. Если вещественный квадратный корень существует, используется расширение этого метода [16], которое вычисляет вещественную форму Шура, а затем — вещественный квадратный корень квазитреугольного множителя.
Примеры
julia> A = [4 0; 0 4]
2×2 Matrix{Int64}:
4 0
0 4
julia> sqrt(A)
2×2 Matrix{Float64}:
2.0 0.0
0.0 2.0
#
Base.Math.cbrt
— Method
cbrt(A::AbstractMatrix{<:Real})
Вычисляет вещественный кубический корень вещественной матрицы A
. При T = cbrt(A)
получается T*T*T ≈ A
; см. пример ниже.
Если матрица A
симметричная, т. е. имеет тип HermOrSym{<:Real}
, то для нахождения кубического корня используется (eigen
). В противном случае используется специальная версия алгоритма нахождения корня p-й степени [17], в которой для вычисления кубического корня применяется вещественное разложение Шура (schur
).
Примеры
julia> A = [0.927524 -0.15857; -1.3677 -1.01172]
2×2 Matrix{Float64}:
0.927524 -0.15857
-1.3677 -1.01172
julia> T = cbrt(A)
2×2 Matrix{Float64}:
0.910077 -0.151019
-1.30257 -0.936818
julia> T*T*T ≈ A
true
s11"} where var"#s11"<:Real}">
Base.cos
— Method
cos(A::AbstractMatrix)
Вычисляет матричный косинус квадратной матрицы A
.
Если матрица A
является симметричной или эрмитовой, для вычисления косинуса используется ее разложение по собственным значениям (eigen
). В противном случае косинус определяется путем вызова метода exp
.
Примеры
julia> cos(fill(1.0, (2,2)))
2×2 Matrix{Float64}:
0.291927 -0.708073
-0.708073 0.291927
s11"} where var"#s11"<:Real}">
Base.sin
— Method
sin(A::AbstractMatrix)
Вычисляет матричный синус квадратной матрицы A
.
Если матрица A
является симметричной или эрмитовой, для вычисления синуса используется ее разложение по собственным значениям (eigen
). В противном случае синус определяется путем вызова метода exp
.
Примеры
julia> sin(fill(1.0, (2,2)))
2×2 Matrix{Float64}:
0.454649 0.454649
0.454649 0.454649
s11"} where var"#s11"<:Real}">
Base.Math.sincos
— Method
sincos(A::AbstractMatrix)
Вычисляет матричные синус и косинус квадратной матрицы A
.
Примеры
julia> S, C = sincos(fill(1.0, (2,2)));
julia> S
2×2 Matrix{Float64}:
0.454649 0.454649
0.454649 0.454649
julia> C
2×2 Matrix{Float64}:
0.291927 -0.708073
-0.708073 0.291927
s11"} where var"#s11"<:Real}">
Base.tan
— Method
tan(A::AbstractMatrix)
Вычисляет матричный тангенс квадратной матрицы A
.
Если матрица A
является симметричной или эрмитовой, для вычисления тангенса используется ее разложение по собственным значениям (eigen
). В противном случае тангенс определяется путем вызова метода exp
.
Примеры
julia> tan(fill(1.0, (2,2)))
2×2 Matrix{Float64}:
-1.09252 -1.09252
-1.09252 -1.09252
#
Base.cosh
— Method
cosh(A::AbstractMatrix)
Вычисляет матричный гиперболический косинус квадратной матрицы A
.
#
Base.sinh
— Method
sinh(A::AbstractMatrix)
Вычисляет матричный гиперболический синус квадратной матрицы A
.
#
Base.tanh
— Method
tanh(A::AbstractMatrix)
Вычисляет матричный гиперболический тангенс квадратной матрицы A
.
#
Base.Math.sech
— Method
sech(A::AbstractMatrix)
Вычисляет матричный гиперболический секанс квадратной матрицы A
.
#
Base.Math.csch
— Method
csch(A::AbstractMatrix)
Вычисляет матричный гиперболический косеканс квадратной матрицы A
.
#
Base.Math.coth
— Method
coth(A::AbstractMatrix)
Вычисляет матричный гиперболический котангенс квадратной матрицы A
.
#
Base.acos
— Method
acos(A::AbstractMatrix)
Вычисляет матричный арккосинус квадратной матрицы A
.
Если матрица A
является симметричной или эрмитовой, для вычисления арккосинуса используется ее разложение по собственным значениям (eigen
). В противном случае арккосинус определяется с помощью log
и sqrt
. Теорию и логарифмические формулы, используемые для вычисления этой функции, см. в работе [18].
Примеры
julia> acos(cos([0.5 0.1; -0.2 0.3]))
2×2 Matrix{ComplexF64}:
0.5-8.32667e-17im 0.1+0.0im
-0.2+2.63678e-16im 0.3-3.46945e-16im
#
Base.asin
— Method
asin(A::AbstractMatrix)
Вычисляет матричный арксинус квадратной матрицы A
.
Если матрица A
является симметричной или эрмитовой, для вычисления арксинуса используется ее разложение по собственным значениям (eigen
). В противном случае арксинус определяется с помощью log
и sqrt
. Теорию и логарифмические формулы, используемые для вычисления этой функции, см. в работе [19].
Примеры
julia> asin(sin([0.5 0.1; -0.2 0.3]))
2×2 Matrix{ComplexF64}:
0.5-4.16334e-17im 0.1-5.55112e-17im
-0.2+9.71445e-17im 0.3-1.249e-16im
#
Base.atan
— Method
atan(A::AbstractMatrix)
Вычисляет матричный арктангенс квадратной матрицы A
.
Если матрица A
является симметричной или эрмитовой, для вычисления арктангенса используется ее разложение по собственным значениям (eigen
). В противном случае арктангенс определяется с помощью log
. Теорию и логарифмические формулы, используемые для вычисления этой функции, см. в работе [20].
Примеры
julia> atan(tan([0.5 0.1; -0.2 0.3]))
2×2 Matrix{ComplexF64}:
0.5+1.38778e-17im 0.1-2.77556e-17im
-0.2+6.93889e-17im 0.3-4.16334e-17im
#
Base.Math.asech
— Method
asech(A::AbstractMatrix)
Вычисляет матричный гиперболический арксеканс A
.
#
Base.Math.acsch
— Method
acsch(A::AbstractMatrix)
Вычисляет матричный гиперболический арккосеканс A
.
#
Base.Math.acoth
— Method
acoth(A::AbstractMatrix)
Вычисляет матричный гиперболический арккотангенс A
.
#
LinearAlgebra.lyap
— Function
lyap(A, C)
Вычисляет решение X
непрерывного уравнения Ляпунова AX + XA' + C = 0
, в котором ни одно собственное значение матрицы A
не имеет нулевой вещественной части и никакие два собственных значения не являются отрицательными комплексными сопряжениями друг друга.
Примеры
julia> A = [3. 4.; 5. 6]
2×2 Matrix{Float64}:
3.0 4.0
5.0 6.0
julia> B = [1. 1.; 1. 2.]
2×2 Matrix{Float64}:
1.0 1.0
1.0 2.0
julia> X = lyap(A, B)
2×2 Matrix{Float64}:
0.5 -0.5
-0.5 0.25
julia> A*X + X*A' ≈ -B
true
#
LinearAlgebra.sylvester
— Function
sylvester(A, B, C)
Вычисляет решение X
уравнения Сильвестра AX + XB + C = 0
, где A
, B
и C
имеют совместимые измерения, а A
и -B
не имеют собственных значений с равной вещественной частью.
Примеры
julia> A = [3. 4.; 5. 6]
2×2 Matrix{Float64}:
3.0 4.0
5.0 6.0
julia> B = [1. 1.; 1. 2.]
2×2 Matrix{Float64}:
1.0 1.0
1.0 2.0
julia> C = [1. 2.; -2. 1]
2×2 Matrix{Float64}:
1.0 2.0
-2.0 1.0
julia> X = sylvester(A, B, C)
2×2 Matrix{Float64}:
-4.46667 1.93333
3.73333 -1.8
julia> A*X + X*B ≈ -C
true
#
LinearAlgebra.issuccess
— Function
issuccess(F::Factorization)
Проверяет успешное разложение матрицы.
Совместимость: Julia 1.6
Для |
Примеры
julia> F = cholesky([1 0; 0 1]);
julia> issuccess(F)
true
issuccess(F::LU; allowsingular = false)
Проверяет успешное LU-разложение матрицы. По умолчанию разложение, которое дает допустимый, но неполный по рангу множитель U, считается неудачным. Это можно изменить, передав allowsingular = true
.
Совместимость: Julia 1.11
Именованный аргумент |
Примеры
julia> F = lu([1 2; 1 2], check = false);
julia> issuccess(F)
false
julia> issuccess(F, allowsingular = true)
true
#
LinearAlgebra.issymmetric
— Function
issymmetric(A) -> Bool
Проверяет, является ли матрица симметричной.
Примеры
julia> a = [1 2; 2 -1]
2×2 Matrix{Int64}:
1 2
2 -1
julia> issymmetric(a)
true
julia> b = [1 im; -im 1]
2×2 Matrix{Complex{Int64}}:
1+0im 0+1im
0-1im 1+0im
julia> issymmetric(b)
false
#
LinearAlgebra.isposdef!
— Function
isposdef!(A) -> Bool
Проверяет, является ли матрица положительно определенной (и эрмитовой), пытаясь выполнить разложение Холецкого для A
, перезаписывая A
в процессе. См. также описание isposdef
.
Примеры
julia> A = [1. 2.; 2. 50.];
julia> isposdef!(A)
true
julia> A
2×2 Matrix{Float64}:
1.0 2.0
2.0 6.78233
#
LinearAlgebra.istril
— Function
istril(A::AbstractMatrix, k::Integer = 0) -> Bool
Проверяет, является ли матрица A
нижнетреугольной, начиная с k
-й наддиагонали.
Примеры
julia> a = [1 2; 2 -1]
2×2 Matrix{Int64}:
1 2
2 -1
julia> istril(a)
false
julia> istril(a, 1)
true
julia> c = [1 1 0; 1 1 1; 1 1 1]
3×3 Matrix{Int64}:
1 1 0
1 1 1
1 1 1
julia> istril(c)
false
julia> istril(c, 1)
true
#
LinearAlgebra.istriu
— Function
istriu(A::AbstractMatrix, k::Integer = 0) -> Bool
Проверяет, является ли матрица A
верхнетреугольной, начиная с k
-й наддиагонали.
Примеры
julia> a = [1 2; 2 -1]
2×2 Matrix{Int64}:
1 2
2 -1
julia> istriu(a)
false
julia> istriu(a, -1)
true
julia> c = [1 1 1; 1 1 1; 0 1 1]
3×3 Matrix{Int64}:
1 1 1
1 1 1
0 1 1
julia> istriu(c)
false
julia> istriu(c, -1)
true
#
LinearAlgebra.isdiag
— Function
isdiag(A) -> Bool
Проверяет, является ли матрица диагональной в том смысле, что iszero(A[i,j])
верно, кроме случая, когда i == j
. Обратите внимание, что матрица A
не обязательно должна быть квадратной; если вы хотите проверить и это, необходимо проверить соблюдение условия size(A, 1) == size(A, 2)
.
Примеры
julia> a = [1 2; 2 -1]
2×2 Matrix{Int64}:
1 2
2 -1
julia> isdiag(a)
false
julia> b = [im 0; 0 -im]
2×2 Matrix{Complex{Int64}}:
0+1im 0+0im
0+0im 0-1im
julia> isdiag(b)
true
julia> c = [1 0 0; 0 2 0]
2×3 Matrix{Int64}:
1 0 0
0 2 0
julia> isdiag(c)
true
julia> d = [1 0 0; 0 2 3]
2×3 Matrix{Int64}:
1 0 0
0 2 3
julia> isdiag(d)
false
#
LinearAlgebra.ishermitian
— Function
ishermitian(A) -> Bool
Проверяет, является ли матрица эрмитовой.
Примеры
julia> a = [1 2; 2 -1]
2×2 Matrix{Int64}:
1 2
2 -1
julia> ishermitian(a)
true
julia> b = [1 im; -im 1]
2×2 Matrix{Complex{Int64}}:
1+0im 0+1im
0-1im 1+0im
julia> ishermitian(b)
true
#
Base.transpose
— Function
transpose(A)
Отложенное транспонирование. Изменение возвращаемого объекта должно соответствующим образом изменять A
. Часто, но не всегда, выдает Transpose(A)
, где Transpose
является оболочкой отложенного транспонирования. Обратите внимание, что эта операция является рекурсивной.
Эта операция предназначена для использования в линейной алгебре. Для общей работы с данными см. описание функции permutedims
, которая не является рекурсивной.
Примеры
julia> A = [3 2; 0 0]
2×2 Matrix{Int64}:
3 2
0 0
julia> B = transpose(A)
2×2 transpose(::Matrix{Int64}) with eltype Int64:
3 0
2 0
julia> B isa Transpose
true
julia> transpose(B) === A # транспонирование транспонированной матрицы приводит к распаковке родительского объекта,
true
julia> Transpose(B) # однако аргумент конструктора всегда упакован
2×2 transpose(transpose(::Matrix{Int64})) with eltype Int64:
3 2
0 0
julia> B[1,2] = 4; # при изменении B автоматически изменяется A
julia> A
2×2 Matrix{Int64}:
3 2
4 0
Для комплексных матриц операция adjoint
равносильна транспонированию сопряженной матрицы.
julia> A = reshape([Complex(x, x) for x in 1:4], 2, 2)
2×2 Matrix{Complex{Int64}}:
1+1im 3+3im
2+2im 4+4im
julia> adjoint(A) == conj(transpose(A))
true
Результатом операции transpose
для вектора AbstractVector
является вектор строк:
julia> v = [1,2,3]
3-element Vector{Int64}:
1
2
3
julia> transpose(v) # возвращает вектор строк
1×3 transpose(::Vector{Int64}) with eltype Int64:
1 2 3
julia> transpose(v) * v # вычисляет точечное произведение
14
Для матрицы матриц происходит рекурсивная обработка отдельных блоков:
julia> C = [1 3; 2 4]
2×2 Matrix{Int64}:
1 3
2 4
julia> D = reshape([C, 2C, 3C, 4C], 2, 2) # создает блочную матрицу
2×2 Matrix{Matrix{Int64}}:
[1 3; 2 4] [3 9; 6 12]
[2 6; 4 8] [4 12; 8 16]
julia> transpose(D) # блоки транспонируются рекурсивно
2×2 transpose(::Matrix{Matrix{Int64}}) with eltype Transpose{Int64, Matrix{Int64}}:
[1 2; 3 4] [2 4; 6 8]
[3 6; 9 12] [4 8; 12 16]
transpose(F::Factorization)
Отложенное транспонирование разложения F
. По умолчанию возвращает TransposeFactorization
, за исключением Factorization
с вещественным eltype
(в этом случае возвращается AdjointFactorization
).
#
LinearAlgebra.transpose!
— Function
transpose!(X::AbstractSparseMatrixCSC{Tv,Ti}, A::AbstractSparseMatrixCSC{Tv,Ti}) where {Tv,Ti}
Транспонирует матрицу A
и сохраняет ее в матрице X
. size(X)
должно быть равно size(transpose(A))
. Дополнительная память, помимо изменения размера rowval и nzval для X
(если это необходимо), не выделяется.
См. описание halfperm!
.
transpose!(dest,src)
Транспонирует массив src
и сохраняет результат в предварительно выделенном массиве dest
, размер которого должен соответствовать (size(src,2),size(src,1))
. Транспонирование на месте не поддерживается, и если src
и dest
имеют перекрывающиеся области памяти, следует ожидать непредвиденных результатов.
Примеры
julia> A = [3+2im 9+2im; 8+7im 4+6im]
2×2 Matrix{Complex{Int64}}:
3+2im 9+2im
8+7im 4+6im
julia> B = zeros(Complex{Int64}, 2, 2)
2×2 Matrix{Complex{Int64}}:
0+0im 0+0im
0+0im 0+0im
julia> transpose!(B, A);
julia> B
2×2 Matrix{Complex{Int64}}:
3+2im 8+7im
9+2im 4+6im
julia> A
2×2 Matrix{Complex{Int64}}:
3+2im 9+2im
8+7im 4+6im
#
LinearAlgebra.Transpose
— Type
Transpose
Отложенный тип оболочки для транспонирующего представления базового объекта линейной алгебры, обычно AbstractVector
/AbstractMatrix
. Как правило, конструктор Transpose
не следует вызывать напрямую. Используйте вместо этого transpose
. Для материализации представления используйте copy
.
Этот тип предназначен для использования в линейной алгебре. Для общей работы с данными см. описание функции permutedims
.
Примеры
julia> A = [2 3; 0 0]
2×2 Matrix{Int64}:
2 3
0 0
julia> Transpose(A)
2×2 transpose(::Matrix{Int64}) with eltype Int64:
2 0
3 0
#
LinearAlgebra.TransposeFactorization
— Type
TransposeFactorization
- Отложенный тип оболочки для транспонирования базового объекта
Factorization
. Как правило, конструкторTransposeFactorization
не следует вызывать напрямую. Используйте вместо этого xref:./LinearAlgebra.adoc#Base.transpose[`transpose( -
Factorization)`].
#
Base.adjoint
— Function
A'
adjoint(A)
Отложенное сопряжение (сопряженное транспонирование). Обратите внимание, что adjoint
применяется рекурсивно к элементам.
Для числовых типов функция adjoint
возвращает комплексно сопряженное значение, и поэтому она эквивалентна функции тождественности для вещественных чисел.
Эта операция предназначена для использования в линейной алгебре. Для общей работы с данными см. описание функции permutedims
.
Примеры
julia> A = [3+2im 9+2im; 0 0]
2×2 Matrix{Complex{Int64}}:
3+2im 9+2im
0+0im 0+0im
julia> B = A' # эквивалентное сопряжение adjoint(A)
2×2 adjoint(::Matrix{Complex{Int64}}) with eltype Complex{Int64}:
3-2im 0+0im
9-2im 0+0im
julia> B isa Adjoint
true
julia> adjoint(B) === A # сопряжение сопряженной матрицы приводит к распаковке родительского объекта
true
julia> Adjoint(B) # однако аргумент конструктора всегда упакован
2×2 adjoint(adjoint(::Matrix{Complex{Int64}})) with eltype Complex{Int64}:
3+2im 9+2im
0+0im 0+0im
julia> B[1,2] = 4 + 5im; # при изменении B автоматически изменяется A
julia> A
2×2 Matrix{Complex{Int64}}:
3+2im 9+2im
4-5im 0+0im
Для вещественных матриц операция adjoint
равносильна transpose
.
julia> A = reshape([x for x in 1:4], 2, 2)
2×2 Matrix{Int64}:
1 3
2 4
julia> A'
2×2 adjoint(::Matrix{Int64}) with eltype Int64:
1 2
3 4
julia> adjoint(A) == transpose(A)
true
Сопряжением вектора AbstractVector
является вектор строк:
julia> x = [3, 4im]
2-element Vector{Complex{Int64}}:
3 + 0im
0 + 4im
julia> x'
1×2 adjoint(::Vector{Complex{Int64}}) with eltype Complex{Int64}:
3+0im 0-4im
julia> x'x # вычисляет точечное произведение, что равносильно x' * x
25 + 0im
Для матрицы матриц происходит рекурсивная обработка отдельных блоков:
julia> A = reshape([x + im*x for x in 1:4], 2, 2)
2×2 Matrix{Complex{Int64}}:
1+1im 3+3im
2+2im 4+4im
julia> C = reshape([A, 2A, 3A, 4A], 2, 2)
2×2 Matrix{Matrix{Complex{Int64}}}:
[1+1im 3+3im; 2+2im 4+4im] [3+3im 9+9im; 6+6im 12+12im]
[2+2im 6+6im; 4+4im 8+8im] [4+4im 12+12im; 8+8im 16+16im]
julia> C'
2×2 adjoint(::Matrix{Matrix{Complex{Int64}}}) with eltype Adjoint{Complex{Int64}, Matrix{Complex{Int64}}}:
[1-1im 2-2im; 3-3im 4-4im] [2-2im 4-4im; 6-6im 8-8im]
[3-3im 6-6im; 9-9im 12-12im] [4-4im 8-8im; 12-12im 16-16im]
adjoint(F::Factorization)
Отложенное сопряжение разложения F
. По умолчанию возвращает оболочку AdjointFactorization
.
#
LinearAlgebra.adjoint!
— Function
adjoint!(X::AbstractSparseMatrixCSC{Tv,Ti}, A::AbstractSparseMatrixCSC{Tv,Ti}) where {Tv,Ti}
Транспонирует матрицу A
и сохраняет сопряжение элементов в матрице X
. size(X)
должно быть равно size(transpose(A))
. Дополнительная память, помимо изменения размера rowval и nzval для X
(если это необходимо), не выделяется.
См. описание halfperm!
.
adjoint!(dest,src)
Выполняет сопряженное транспонирование массива src
и сохраняет результат в предварительно выделенном массиве dest
, размер которого должен соответствовать (size(src,2),size(src,1))
. Транспонирование на месте не поддерживается, и если src
и dest
имеют перекрывающиеся области памяти, следует ожидать непредвиденных результатов.
Примеры
julia> A = [3+2im 9+2im; 8+7im 4+6im]
2×2 Matrix{Complex{Int64}}:
3+2im 9+2im
8+7im 4+6im
julia> B = zeros(Complex{Int64}, 2, 2)
2×2 Matrix{Complex{Int64}}:
0+0im 0+0im
0+0im 0+0im
julia> adjoint!(B, A);
julia> B
2×2 Matrix{Complex{Int64}}:
3-2im 8-7im
9-2im 4-6im
julia> A
2×2 Matrix{Complex{Int64}}:
3+2im 9+2im
8+7im 4+6im
#
LinearAlgebra.Adjoint
— Type
Adjoint
Отложенный тип оболочки для сопряженного представления базового объекта линейной алгебры, обычно AbstractVector
/AbstractMatrix
. Как правило, конструктор Adjoint
не следует вызывать напрямую. Используйте вместо этого adjoint
. Для материализации представления используйте copy
.
Этот тип предназначен для использования в линейной алгебре. Для общей работы с данными см. описание функции permutedims
.
Примеры
julia> A = [3+2im 9+2im; 0 0]
2×2 Matrix{Complex{Int64}}:
3+2im 9+2im
0+0im 0+0im
julia> Adjoint(A)
2×2 adjoint(::Matrix{Complex{Int64}}) with eltype Complex{Int64}:
3-2im 0+0im
9-2im 0+0im
#
LinearAlgebra.AdjointFactorization
— Type
AdjointFactorization
- Отложенный тип оболочки для сопряжения базового объекта
Factorization
. Как правило, конструкторAdjointFactorization
не следует вызывать напрямую. Используйте вместо этого xref:./LinearAlgebra.adoc#Base.adjoint[`adjoint( -
Factorization)`].
#
Base.copy
— Method
copy(A::Transpose)
copy(A::Adjoint)
Немедленно вычисляет отложенное транспонирование или сопряжение матрицы. Обратите внимание, что транспонирование применяется рекурсивно к элементам.
Эта операция предназначена для использования в линейной алгебре. Для общей работы с данными см. описание функции permutedims
, которая не является рекурсивной.
Примеры
julia> A = [1 2im; -3im 4]
2×2 Matrix{Complex{Int64}}:
1+0im 0+2im
0-3im 4+0im
julia> T = transpose(A)
2×2 transpose(::Matrix{Complex{Int64}}) with eltype Complex{Int64}:
1+0im 0-3im
0+2im 4+0im
julia> copy(T)
2×2 Matrix{Complex{Int64}}:
1+0im 0-3im
0+2im 4+0im
#
LinearAlgebra.stride1
— Function
stride1(A) -> Int
Возвращает расстояние между последовательными элементами массива в измерении 1 в единицах размера элемента.
Примеры
julia> A = [1,2,3,4]
4-element Vector{Int64}:
1
2
3
4
julia> LinearAlgebra.stride1(A)
1
julia> B = view(A, 2:2:4)
2-element view(::Vector{Int64}, 2:2:4) with eltype Int64:
2
4
julia> LinearAlgebra.stride1(B)
2
#
LinearAlgebra.checksquare
— Function
LinearAlgebra.checksquare(A)
Проверяет, является ли матрица квадратной, и возвращает ее общее измерение. Для нескольких аргументов возвращает вектор.
Примеры
julia> A = fill(1, (4,4)); B = fill(1, (5,5));
julia> LinearAlgebra.checksquare(A, B)
2-element Vector{Int64}:
4
5
#
LinearAlgebra.peakflops
— Function
LinearAlgebra.peakflops(n::Integer=4096; eltype::DataType=Float64, ntrials::Integer=3, parallel::Bool=false)
Функция peakflops
вычисляет пиковую скорость операций с плавающей запятой компьютера с помощью функции gemm!
двойной точности. По умолчанию, если аргументы не указаны, она она перемножает две матрицы типа Float64
размером n x n
, где n = 4096
. Если базовая подпрограмма BLAS использует несколько потоков, реализуются более высокие скорости операций с плавающей запятой. Число потоков BLAS можно задать с помощью функции BLAS.set_num_threads(n)
.
Если указан именованный аргумент eltype
, peakflops
создает матрицы с элементами типа eltype
для вычисления пиковой скорости операций с плавающей запятой.
По умолчанию peakflops
использует наивысшую скорость по результатам трех попыток. Если указан именованный аргумент ntrials
, peakflops
определяет наивысшую скорость по результатам этого числа попыток.
Если именованный аргумент parallel
имеет значение true
, функция выполняется peakflops
параллельно во всех рабочих процессах. Возвращается скорость операций с плавающей запятой всего параллельного компьютера. При параллельном выполнении используется только один поток BLAS. Аргумент n
по-прежнему относится к размеру задачи, которая решается на каждом процессоре.
Совместимость: Julia 1.1
Для этой функции требуется версия Julia не ниже 1.1. В Julia 1.0 она доступна в стандартной библиотеке |
#
LinearAlgebra.hermitianpart
— Function
hermitianpart(A::AbstractMatrix, uplo::Symbol=:U) -> Hermitian
Возвращает эрмитову часть квадратной матрицы A
, определяемую как (A + A') / 2
, в виде матрицы Hermitian
. Для вещественных матриц A
она также известна как симметричная часть A
; иногда ее также называют «вещественная часть оператора». Необязательный аргумент uplo
управляет соответствующим аргументом представления Hermitian
. Для вещественных матриц последнее равносильно представлению Symmetric
.
См. также описание операции hermitianpart!
, выполняемой на месте.
Совместимость: Julia 1.10
Для этой функции требуется версия Julia не ниже 1.10. |
#
LinearAlgebra.hermitianpart!
— Function
hermitianpart!(A::AbstractMatrix, uplo::Symbol=:U) -> Hermitian
Перезаписывает квадратную матрицу A
на месте ее эрмитовой частью (A + A') / 2
и возвращает Hermitian(A, uplo)
. Для вещественных матриц A
она также известна как симметричная часть A
.
См. также описание соответствующей операции hermitianpart
, выполняемой не на месте.
Совместимость: Julia 1.10
Для этой функции требуется версия Julia не ниже 1.10. |
#
LinearAlgebra.copy_adjoint!
— Function
copy_adjoint!(B::AbstractVecOrMat, ir_dest::AbstractRange{Int}, jr_dest::AbstractRange{Int},
A::AbstractVecOrMat, ir_src::AbstractRange{Int}, jr_src::AbstractRange{Int}) -> B
Эффективно копирует элементы матрицы A
в B
с присоединением следующим образом:
B[ir_dest, jr_dest] = adjoint(A)[jr_src, ir_src]
Элементы B[ir_dest, jr_dest]
перезаписываются. Кроме того, параметры диапазона индексов должны удовлетворять условиям length(ir_dest) == length(jr_src)
и length(jr_dest) == length(ir_src)
.
#
LinearAlgebra.copy_transpose!
— Function
copy_transpose!(B::AbstractVecOrMat, ir_dest::AbstractRange{Int}, jr_dest::AbstractRange{Int},
A::AbstractVecOrMat, ir_src::AbstractRange{Int}, jr_src::AbstractRange{Int}) -> B
Эффективно копирует элементы матрицы A
в B
с транспонированием следующим образом:
B[ir_dest, jr_dest] = transpose(A)[jr_src, ir_src]
Элементы B[ir_dest, jr_dest]
перезаписываются. Кроме того, параметры диапазона индексов должны удовлетворять условиям length(ir_dest) == length(jr_src)
и length(jr_dest) == length(ir_src)
.
copy_transpose!(B::AbstractMatrix, ir_dest::AbstractUnitRange, jr_dest::AbstractUnitRange, tM::AbstractChar, M::AbstractVecOrMat, ir_src::AbstractUnitRange, jr_src::AbstractUnitRange) -> B
Эффективно копирует элементы матрицы M
в B
с учетом символьного параметра tM
следующим образом:
tM |
Место назначения | Источник |
---|---|---|
|
|
|
|
|
|
|
|
|
Элементы B[ir_dest, jr_dest]
перезаписываются. Кроме того, параметры диапазона индексов должны удовлетворять условиям length(ir_dest) == length(jr_src)
и length(jr_dest) == length(ir_src)
.
См. также описание copyto!
и copy_adjoint!
.
Low-level matrix operations
In many cases there are in-place versions of matrix operations that allow you to supply a pre-allocated output vector or matrix. This is useful when optimizing critical code in order to avoid the overhead of repeated allocations. These in-place operations are suffixed with !
below (e.g. mul!
) according to the usual Julia convention.
#
LinearAlgebra.mul!
— Function
mul!(Y, A, B) -> Y
Вычисляет произведение матрицы на матрицу или матрицы на вектор Y
, перезаписывая существующее значение Y
. Обратите внимание, что Y
не должен быть назначен псевдоним A
или B
.
Примеры
julia> A = [1.0 2.0; 3.0 4.0]; B = [1.0 1.0; 1.0 1.0]; Y = similar(B);
julia> mul!(Y, A, B) === Y
true
julia> Y
2×2 Matrix{Float64}:
3.0 3.0
7.0 7.0
julia> Y == A * B
true
Реализация
Для пользовательских матричных и векторных типов рекомендуется реализовать 5-аргументную функцию mul!
, а не применять 3-аргументную функцию mul!
напрямую, если это возможно.
mul!(C, A, B, α, β) -> C
Комбинированное выражение умножения-сложения матрицы на матрицу или матрицы на вектор C
, перезаписывая его. Обратите внимание, что C
не должен быть назначен псевдоним A
или B
.
Совместимость: Julia 1.3
Для |
Примеры
julia> A = [1.0 2.0; 3.0 4.0]; B = [1.0 1.0; 1.0 1.0]; C = [1.0 2.0; 3.0 4.0];
julia> α, β = 100.0, 10.0;
julia> mul!(C, A, B, α, β) === C
true
julia> C
2×2 Matrix{Float64}:
310.0 320.0
730.0 740.0
julia> C_original = [1.0 2.0; 3.0 4.0]; # Копия исходного значения C
julia> C == A * B * α + C_original * β
true
#
LinearAlgebra.lmul!
— Function
lmul!(a::Number, B::AbstractArray)
Масштабирует массив B
на скалярное значение a
, перезаписывая B
на месте. Для умножения скаляра справа используйте rmul!
. В операции масштабирования учитывается семантика умножения *
между a
и элементом B
. В частности, это также относится к умножению с использованием бесконечных чисел, таких как NaN
и ±Inf
.
Совместимость: Julia 1.1
До Julia 1.1 записи |
Примеры
julia> B = [1 2; 3 4]
2×2 Matrix{Int64}:
1 2
3 4
julia> lmul!(2, B)
2×2 Matrix{Int64}:
2 4
6 8
julia> lmul!(0.0, [Inf])
1-element Vector{Float64}:
NaN
lmul!(A, B)
Вычисляет произведение матриц B
, и возвращает результат. Здесь матрица A
должна иметь особый тип, например Diagonal
, UpperTriangular
или LowerTriangular
, либо некоторый ортогональный тип. См. QR
.
Примеры
julia> B = [0 1; 1 0];
julia> A = UpperTriangular([1 2; 0 3]);
julia> lmul!(A, B);
julia> B
2×2 Matrix{Int64}:
2 1
3 0
julia> B = [1.0 2.0; 3.0 4.0];
julia> F = qr([0 1; -1 0]);
julia> lmul!(F.Q, B)
2×2 Matrix{Float64}:
3.0 4.0
1.0 2.0
#
LinearAlgebra.rmul!
— Function
rmul!(A::AbstractArray, b::Number)
Масштабирует массив A
на скалярное значение b
, перезаписывая A
на месте. Для умножения скаляра слева используйте lmul!
. В операции масштабирования учитывается семантика умножения *
между элементом A
и b
. В частности, это также относится к умножению с использованием бесконечных чисел, таких как NaN
и ±Inf
.
Совместимость: Julia 1.1
До Julia 1.1 записи |
Примеры
julia> A = [1 2; 3 4]
2×2 Matrix{Int64}:
1 2
3 4
julia> rmul!(A, 2)
2×2 Matrix{Int64}:
2 4
6 8
julia> rmul!([NaN], 0.0)
1-element Vector{Float64}:
NaN
rmul!(A, B)
Вычисляет произведение матриц A
, и возвращает результат. Здесь матрица B
должна иметь особый тип, например Diagonal
, UpperTriangular
или LowerTriangular
, либо некоторый ортогональный тип. См. QR
.
Примеры
julia> A = [0 1; 1 0];
julia> B = UpperTriangular([1 2; 0 3]);
julia> rmul!(A, B);
julia> A
2×2 Matrix{Int64}:
0 3
1 2
julia> A = [1.0 2.0; 3.0 4.0];
julia> F = qr([0 1; -1 0]);
julia> rmul!(A, F.Q)
2×2 Matrix{Float64}:
2.0 1.0
4.0 3.0
#
LinearAlgebra.ldiv!
— Function
ldiv!(Y, A, B) -> Y
Вычисляет A \ B
на месте и сохраняет результат в Y
, возвращая результат.
Аргумент A
не должен быть матрицей. Он должен быть объектом разложения (например, созданным функцией factorize
или cholesky
). Это объясняется тем, что разложение само по себе является дорогостоящим и, как правило, требует выделения памяти (хотя это можно сделать и на месте, например, с помощью функции lu!
), а для критических с точки зрения производительности ситуаций, требующих ldiv!
, также обычно необходим и детальный контроль над разложением A
.
Некоторые структурированные типы матриц, такие как |
Примеры
julia> A = [1 2.2 4; 3.1 0.2 3; 4 1 2];
julia> X = [1; 2.5; 3];
julia> Y = zero(X);
julia> ldiv!(Y, qr(A), X);
julia> Y ≈ A\X
true
ldiv!(A, B)
Вычисляет A \ B
на месте и перезаписывает B
для сохранения результата.
Аргумент A
не должен быть матрицей. Он должен быть объектом разложения (например, созданным функцией factorize
или cholesky
). Это объясняется тем, что разложение само по себе является дорогостоящим и, как правило, требует выделения памяти (хотя это можно сделать и на месте, например, с помощью функции lu!
), а для критических с точки зрения производительности ситуаций, требующих ldiv!
, также обычно необходим и детальный контроль над разложением A
.
Некоторые структурированные типы матриц, такие как |
Примеры
julia> A = [1 2.2 4; 3.1 0.2 3; 4 1 2];
julia> X = [1; 2.5; 3];
julia> Y = copy(X);
julia> ldiv!(qr(A), X);
julia> X ≈ A\Y
true
ldiv!(a::Number, B::AbstractArray)
Делит каждую запись в массиве B
на скаляр a
, перезаписывая B
на месте. Для деления скаляра справа используйте rdiv!
.
Примеры
julia> B = [1.0 2.0; 3.0 4.0]
2×2 Matrix{Float64}:
1.0 2.0
3.0 4.0
julia> ldiv!(2.0, B)
2×2 Matrix{Float64}:
0.5 1.0
1.5 2.0
ldiv!(A::Tridiagonal, B::AbstractVecOrMat) -> B
Вычисляет A \ B
на месте методом гауссова исключения с частичным выбором ведущего элемента и сохраняет результат в B
, возвращая результат. При этом диагонали A
также перезаписываются.
Совместимость: Julia 1.11
Для использования |
#
LinearAlgebra.rdiv!
— Function
rdiv!(A, B)
Вычисляет A / B
на месте и перезаписывает A
для сохранения результата.
Аргумент B
не должен быть матрицей. Он должен быть объектом разложения (например, созданным функцией factorize
или cholesky
). Это объясняется тем, что разложение само по себе является дорогостоящим и, как правило, требует выделения памяти (хотя это можно сделать и на месте, например, с помощью функции lu!
), а для критических с точки зрения производительности ситуаций, требующих rdiv!
, также обычно необходим и детальный контроль над разложением B
.
Некоторые структурированные типы матриц, такие как |
rdiv!(A::AbstractArray, b::Number)
Делит каждую запись в массиве A
на скаляр b
, перезаписывая A
на месте. Для деления скаляра слева используйте ldiv!
.
Примеры
julia> A = [1.0 2.0; 3.0 4.0]
2×2 Matrix{Float64}:
1.0 2.0
3.0 4.0
julia> rdiv!(A, 2.0)
2×2 Matrix{Float64}:
0.5 1.0
1.5 2.0
BLAS functions
In Julia (as in much of scientific computation), dense linear-algebra operations are based on the LAPACK library, which in turn is built on top of basic linear-algebra building-blocks known as the BLAS. There are highly optimized implementations of BLAS available for every computer architecture, and sometimes in high-performance linear algebra routines it is useful to call the BLAS functions directly.
LinearAlgebra.BLAS
provides wrappers for some of the BLAS functions. Those BLAS functions that overwrite one of the input arrays have names ending in '!'
. Usually, a BLAS function has four methods defined, for Float32
, Float64
, ComplexF32
, and ComplexF64
arrays.
BLAS character arguments
Many BLAS functions accept arguments that determine whether to transpose an argument (trans
), which triangle of a matrix to reference (uplo
or ul
), whether the diagonal of a triangular matrix can be assumed to be all ones (dA
) or which side of a matrix multiplication the input argument belongs on (side
). The possibilities are:
Multiplication order
side |
Meaning |
---|---|
|
The argument goes on the left side of a matrix-matrix operation. |
|
The argument goes on the right side of a matrix-matrix operation. |
Triangle referencing
uplo /ul |
Meaning |
---|---|
|
Only the upper triangle of the matrix will be used. |
|
Only the lower triangle of the matrix will be used. |
Transposition operation
trans /tX |
Meaning |
---|---|
|
The input matrix |
|
The input matrix |
|
The input matrix |
Unit diagonal
diag /dX |
Meaning |
---|---|
|
The diagonal values of the matrix |
|
The diagonal of the matrix |
#
LinearAlgebra.BLAS
— Module
Интерфейс для подпрограмм BLAS.
#
LinearAlgebra.BLAS.set_num_threads
— Function
set_num_threads(n::Integer)
set_num_threads(::Nothing)
Задает число потоков, которые должна использовать библиотека BLAS, равным n::Integer
.
Также принимает nothing
. В этом случае Julia пытается угадать количество потоков по умолчанию. Передача nothing
не рекомендуется и существует в основном по историческим причинам.
#
LinearAlgebra.BLAS.get_num_threads
— Function
get_num_threads()
Получает число потоков, используемых библиотекой BLAS.
Совместимость: Julia 1.6
Для |
BLAS functions can be divided into three groups, also called three levels, depending on when they were first proposed, the type of input parameters, and the complexity of the operation.
Level 1 BLAS functions
The level 1 BLAS functions were first proposed in (Lawson, 1979) and define operations between scalars and vectors.
#
LinearAlgebra.BLAS.rot!
— Function
rot!(n, X, incx, Y, incy, c, s)
Перезаписывает X
выражением c*X + s*Y
, а Y
— выражением -conj(s)*X + c*Y
для первых n
элементов массива X
с шагом incx
и первых n
элементов массива Y
с шагом incy
. Возвращает X
и Y
.
Совместимость: Julia 1.5
Для |
#
LinearAlgebra.BLAS.scal!
— Function
scal!(n, a, X, incx)
scal!(a, X)
Перезаписывает X
выражением a*X
для первых n
элементов массива X
с шагом incx
. Возвращает X
.
Если n
и incx
не указаны, используются length(X)
и stride(X,1)
.
#
LinearAlgebra.BLAS.scal
— Function
scal(n, a, X, incx)
scal(a, X)
Возвращает X
, масштабированный на a
, для первых n
элементов массива X
с шагом incx
.
Если n
и incx
не указаны, используются length(X)
и stride(X,1)
.
#
LinearAlgebra.BLAS.blascopy!
— Function
blascopy!(n, X, incx, Y, incy)
Копирует n
элементов массива X
с шагом incx
в массив Y
с шагом incy
. Возвращает Y
.
#
LinearAlgebra.BLAS.dot
— Function
dot(n, X, incx, Y, incy)
Точечное произведение двух векторов, состоящих из n
элементов массива X
с шагом incx
и n
элементов массива Y
с шагом incy
.
Примеры
julia> BLAS.dot(10, fill(1.0, 10), 1, fill(1.0, 20), 2)
10.0
#
LinearAlgebra.BLAS.dotu
— Function
dotu(n, X, incx, Y, incy)
Точечная функция для двух комплексных векторов, состоящих из n
элементов массива X
с шагом incx
и n
элементов массива Y
с шагом incy
.
Примеры
julia> BLAS.dotu(10, fill(1.0im, 10), 1, fill(1.0+im, 20), 2)
-10.0 + 10.0im
#
LinearAlgebra.BLAS.dotc
— Function
dotc(n, X, incx, U, incy)
Точечная функция для двух комплексных векторов, состоящих из n
элементов массива X
с шагом incx
и n
элементов массива U
с шагом incy
, сопрягающая первый вектор.
Примеры
julia> BLAS.dotc(10, fill(1.0im, 10), 1, fill(1.0+im, 20), 2)
10.0 - 10.0im
#
LinearAlgebra.BLAS.nrm2
— Function
nrm2(n, X, incx)
Вторая норма вектора, состоящего из n
элементов массива X
с шагом incx
.
Примеры
julia> BLAS.nrm2(4, fill(1.0, 8), 2)
2.0
julia> BLAS.nrm2(1, fill(1.0, 8), 2)
1.0
#
LinearAlgebra.BLAS.asum
— Function
asum(n, X, incx)
Сумма величин первых n
элементов массива X
с шагом incx
.
Для вещественного массива величина является абсолютным значением. Для комплексного массива величина представляет собой сумму абсолютного значения вещественной части и абсолютного значения мнимой части.
Примеры
julia> BLAS.asum(5, fill(1.0im, 10), 2)
5.0
julia> BLAS.asum(2, fill(1.0im, 10), 5)
2.0
#
LinearAlgebra.BLAS.iamax
— Function
iamax(n, dx, incx)
iamax(dx)
Находит индекс элемента dx
с максимальным абсолютным значением. n
является длиной dx
, а incx
— шагом. Если n
и incx
не указаны, предполагается, что используются значения по умолчанию n=length(dx)
и incx=stride1(dx)
.
Level 2 BLAS functions
The level 2 BLAS functions were published in (Dongarra, 1988), and define matrix-vector operations.
return a vector
#
LinearAlgebra.BLAS.gbmv!
— Function
gbmv!(trans, m, kl, ku, alpha, A, x, beta, y)
Обновляет вектор y
в виде alpha*A*x + beta*y
или alpha*A'*x + beta*y
в соответствии с операцией trans
. Матрица A
является общей ленточной матрицей измерения m
размером size(A,2)
с kl
поддиагоналями и ku
наддиагоналями. alpha
и beta
являются скалярами. Возвращает обновленное значение y
.
#
LinearAlgebra.BLAS.hpmv!
— Function
hpmv!(uplo, α, AP, x, β, y)
Обновляет вектор y
в виде α*A*x + β*y
, где A
— это эрмитова матрица, предоставленная в упакованном формате AP
.
При uplo = 'U'
массив AP должен содержать верхнетреугольную часть эрмитовой матрицы, упакованную последовательно по столбцам, так чтобы AP[1]
содержало A[1, 1]
, AP[2]
и AP[3]
содержали соответственно A[1, 2]
и A[2, 2]
и так далее.
При uplo = 'L'
массив AP должен содержать нижнетреугольную часть эрмитовой матрицы, упакованную последовательно по столбцам, так чтобы AP[1]
содержало A[1, 1]
, AP[2]
и AP[3]
содержали соответственно A[2, 1]
и A[3, 1]
и так далее.
Скалярные входные элементы α
и β
должны быть комплексными или вещественными числами.
Входные массивы x
, y
и AP
должны иметь тип ComplexF32
или ComplexF64
.
Возвращает обновленное значение y
.
Совместимость: Julia 1.5
Для |
#
LinearAlgebra.BLAS.sbmv!
— Function
sbmv!(uplo, k, alpha, A, x, beta, y)
Обновляет вектор y
в виде alpha*A*x + beta*y
, где A
— это симметричная ленточная матрица порядка size(A,2)
с k
наддиагоналями, хранящимися в аргументе A
. Схема хранения для A
описана в справочном модуле BLAS, BLAS уровня 2 по адресу https://www.netlib.org/lapack/explore-html/. Используется только треугольник uplo
матрицы A
.
Возвращает обновленное значение y
.
#
LinearAlgebra.BLAS.spmv!
— Function
spmv!(uplo, α, AP, x, β, y)
Обновляет вектор y
в виде α*A*x + β*y
, где A
— это симметричная матрица, предоставленная в упакованном формате AP
.
При uplo = 'U'
массив AP должен содержать верхнетреугольную часть симметричной матрицы, упакованную последовательно по столбцам, так чтобы AP[1]
содержало A[1, 1]
, AP[2]
и AP[3]
содержали соответственно A[1, 2]
и A[2, 2]
и так далее.
При uplo = 'L'
массив AP должен содержать нижнетреугольную часть симметричной матрицы, упакованную последовательно по столбцам, так чтобы AP[1]
содержало A[1, 1]
, AP[2]
и AP[3]
содержали соответственно A[2, 1]
и A[3, 1]
и так далее.
Скалярные входные элементы α
и β
должны быть вещественными числами.
Входные массивы x
, y
и AP
должны иметь тип Float32
или Float64
.
Возвращает обновленное значение y
.
Совместимость: Julia 1.5
Для |
return a matrix
#
LinearAlgebra.BLAS.ger!
— Function
ger!(alpha, x, y, A)
Обновление ранга 1 матрицы A
с векторами x
и y
в виде alpha*x*y' + A
.
#
LinearAlgebra.BLAS.spr!
— Function
spr!(uplo, α, x, AP)
Обновляет матрицу A
в виде A+α*x*x'
, где A
— это симметричная матрица, предоставленная в упакованном формате AP
, а x
— вектор.
При uplo = 'U'
массив AP должен содержать верхнетреугольную часть симметричной матрицы, упакованную последовательно по столбцам, так чтобы AP[1]
содержало A[1, 1]
, AP[2]
и AP[3]
содержали соответственно A[1, 2]
и A[2, 2]
и так далее.
При uplo = 'L'
массив AP должен содержать нижнетреугольную часть симметричной матрицы, упакованную последовательно по столбцам, так чтобы AP[1]
содержало A[1, 1]
, AP[2]
и AP[3]
содержали соответственно A[2, 1]
и A[3, 1]
и так далее.
Скалярный входной элемент α
должен быть вещественным числом.
Входные массивы x
и AP
должны иметь тип Float32
или Float64
. Возвращает обновленное значение AP
.
Совместимость: Julia 1.8
Для |
Level 3 BLAS functions
The level 3 BLAS functions were published in (Dongarra, 1990), and define matrix-matrix operations.
#
LinearAlgebra.BLAS.gemmt!
— Function
gemmt!(uplo, tA, tB, alpha, A, B, beta, C)
Обновляет нижне- или верхнетреугольную часть C
, указанную в uplo
, в виде alpha*A*B + beta*C
или другого варианта в соответствии с tA
и tB
. Возвращает обновленное значение C
.
Совместимость: Julia 1.11
Для |
#
LinearAlgebra.BLAS.syr2k!
— Function
syr2k!(uplo, trans, alpha, A, B, beta, C)
#
LinearAlgebra.BLAS.her2k!
— Function
her2k!(uplo, trans, alpha, A, B, beta, C)
#
LinearAlgebra.BLAS.trmm!
— Function
trmm!(side, ul, tA, dA, alpha, A, B)
#
LinearAlgebra.BLAS.trsm!
— Function
trsm!(side, ul, tA, dA, alpha, A, B)
#
LinearAlgebra.BLAS.trsm
— Function
trsm(side, ul, tA, dA, alpha, A, B)
LAPACK functions
LinearAlgebra.LAPACK
provides wrappers for some of the LAPACK functions for linear algebra. Those functions that overwrite one of the input arrays have names ending in '!'
.
Usually a function has 4 methods defined, one each for Float64
, Float32
, ComplexF64
and ComplexF32
arrays.
Note that the LAPACK API provided by Julia can and will change in the future. Since this API is not user-facing, there is no commitment to support/deprecate this specific set of functions in future releases.
#
LinearAlgebra.LAPACK
— Module
Интерфейсы для подпрограмм LAPACK.
#
LinearAlgebra.LAPACK.gbtrf!
— Function
gbtrf!(kl, ku, m, AB) -> (AB, ipiv)
Вычисляет LU-разложение ленточной матрицы AB
. kl
— это первая поддиагональ, содержащая ленту ненулевых элементов, ku
— последняя наддиагональ, содержащая такую ленту, а m
— первое измерение матрицы AB
. Возвращает LU-разложение на месте и ipiv
, вектор используемых главных элементов.
#
LinearAlgebra.LAPACK.gbtrs!
— Function
gbtrs!(trans, kl, ku, m, AB, ipiv, B)
Решает уравнение AB * X = B
. trans
определяет ориентацию матрицы AB
. Она может иметь значение N
(без транспонирования), T
(транспонирование) или C
(сопряженное транспонирование). kl
— это первая поддиагональ, содержащая ленту ненулевых элементов, ku
— последняя наддиагональ, содержащая такую ленту, а m
— первое измерение матрицы AB
. ipiv
является вектором главных элементов, возвращаемых из gbtrf!
. Возвращает вектор или матрицу X
, перезаписывая B
на месте.
#
LinearAlgebra.LAPACK.gebal!
— Function
gebal!(job, A) -> (ilo, ihi, scale)
Балансирует матрицу A
перед вычислением ее собственной системы или разложения Шура. job
может быть N
(A
не будет переставляться или масштабироваться), P
(A
будет только переставляться), S
(A
будет только масштабироваться) или B
(A
будет и переставляться, и масштабироваться). Изменяет A
на месте и возвращает ilo
, ihi
и scale
. Если перестановка была включена, A[i,j] = 0
, если j > i
и 1 < j < ilo
или j > ihi
. scale
содержит информацию о выполненных масштабированиях или перестановках.
#
LinearAlgebra.LAPACK.gebak!
— Function
gebak!(job, side, ilo, ihi, scale, V)
Преобразует собственные векторы V
матрицы, сбалансированной с помощью gebal!
, в немасштабированные или неперестановленные собственные векторы исходной матрицы. Изменяет V
на месте. side
может быть L
(преобразуются левые собственные векторы) или R
(преобразуются правые собственные векторы).
#
LinearAlgebra.LAPACK.gebrd!
— Function
gebrd!(A) -> (A, d, e, tauq, taup)
Приводит A
на месте к двухдиагональной форме A = QBP'
. Возвращает матрицу A
, содержащую двухдиагональную матрицу B
; d
, содержащий диагональные элементы матрицы B
; e
, содержащий внедиагональные элементы матрицы B
; tauq
, содержащий элементарные отражатели, представляющие Q
; и taup
, содержащий элементарные отражатели, представляющие P
.
#
LinearAlgebra.LAPACK.gelqf!
— Function
gelqf!(A, tau)
Вычисляет LQ
-разложение A
, A = LQ
. tau
содержит скаляры, которые параметризуют элементарные отражатели разложения. Длина tau
должна быть больше или равна наименьшему измерению A
.
Возвращает измененные на месте A
и tau
.
gelqf!(A) -> (A, tau)
Вычисляет LQ
-разложение A
, A = LQ
.
Возвращает измененную на месте матрицу A
и tau
, содержащий скаляры, которые параметризуют элементарные отражатели разложения.
#
LinearAlgebra.LAPACK.geqlf!
— Function
geqlf!(A, tau)
Вычисляет QL
-разложение A
, A = QL
. tau
содержит скаляры, которые параметризуют элементарные отражатели разложения. Длина tau
должна быть больше или равна наименьшему измерению A
.
Возвращает измененные на месте A
и tau
.
geqlf!(A) -> (A, tau)
Вычисляет QL
-разложение A
, A = QL
.
Возвращает измененную на месте матрицу A
и tau
, содержащий скаляры, которые параметризуют элементарные отражатели разложения.
#
LinearAlgebra.LAPACK.geqrf!
— Function
geqrf!(A, tau)
Вычисляет QR
-разложение A
, A = QR
. tau
содержит скаляры, которые параметризуют элементарные отражатели разложения. Длина tau
должна быть больше или равна наименьшему измерению A
.
Возвращает измененные на месте A
и tau
.
geqrf!(A) -> (A, tau)
Вычисляет QR
-разложение A
, A = QR
.
Возвращает измененную на месте матрицу A
и tau
, содержащий скаляры, которые параметризуют элементарные отражатели разложения.
#
LinearAlgebra.LAPACK.geqp3!
— Function
geqp3!(A, [jpvt, tau]) -> (A, tau, jpvt)
Вычисляет QR
-разложение матрицы A
с выбранным главным элементом, AP = QR
, используя BLAS уровня 3. P
является матрицей с выбором главного элемента, представленной аргументом jpvt
. В tau
хранятся элементарные отражатели. Аргументы jpvt
и tau
являются необязательными и позволяют передавать предварительно выделенные массивы. При передаче jpvt
должен иметь длину, большую или равную n
, если A
является матрицей (m x n)
, а tau
должен иметь длину, большую или равную наименьшему измерению матрицы A
. При вводе, если jpvt[j]
не равно нулю, то j
-й столбец матрицы A
переставляется перед AP
.
A
, jpvt
и tau
изменяются на месте.
#
LinearAlgebra.LAPACK.gerqf!
— Function
gerqf!(A, tau)
Вычисляет RQ
-разложение A
, A = RQ
. tau
содержит скаляры, которые параметризуют элементарные отражатели разложения. Длина tau
должна быть больше или равна наименьшему измерению A
.
Возвращает измененные на месте A
и tau
.
gerqf!(A) -> (A, tau)
Вычисляет RQ
-разложение A
, A = RQ
.
Возвращает измененную на месте матрицу A
и tau
, содержащий скаляры, которые параметризуют элементарные отражатели разложения.
#
LinearAlgebra.LAPACK.geqrt!
— Function
geqrt!(A, T)
Вычисляет блочное QR
-разложение A
, A = QR
. T
содержит верхние треугольные блочные отражатели, которые параметризуют элементарные отражатели разложения. Первое измерение T
задает размер блока, и его значение должно быть в диапазоне от 1 до n
. Второе измерение T
должно быть равно наименьшему измерению A
.
Возвращает измененные на месте A
и T
.
geqrt!(A, nb) -> (A, T)
Вычисляет блочное QR
-разложение A
, A = QR
. nb
задает размер блока, и его значение должно быть в диапазоне от 1 до n
, второе измерение A
.
Возвращает измененную на месте матрицу A
и T
, содержащий верхние треугольные блочные отражатели, которые параметризуют элементарные отражатели разложения.
#
LinearAlgebra.LAPACK.geqrt3!
— Function
geqrt3!(A, T)
Рекурсивно вычисляет блочное QR
-разложение A
, A = QR
. T
содержит верхние треугольные блочные отражатели, которые параметризуют элементарные отражатели разложения. Первое измерение T
задает размер блока, и его значение должно быть в диапазоне от 1 до n
. Второе измерение T
должно быть равно наименьшему измерению A
.
Возвращает измененные на месте A
и T
.
geqrt3!(A) -> (A, T)
Рекурсивно вычисляет блочное QR
-разложение A
, A = QR
.
Возвращает измененную на месте матрицу A
и T
, содержащий верхние треугольные блочные отражатели, которые параметризуют элементарные отражатели разложения.
#
LinearAlgebra.LAPACK.getrf!
— Function
getrf!(A, ipiv) -> (A, ipiv, info)
Вычисляет LU
-разложение матрицы A
с выбором главного элемента, A = LU
. ipiv
содержит сведения о выборе главного элемента и код info
, который означает успешное выполнение (info = 0
), сингулярное значение в U
(info = i
, в этом случае U[i,i]
является сингулярным) или код ошибки (info < 0
).
getrf!(A) -> (A, ipiv, info)
Вычисляет LU
-разложение матрицы A
с выбором главного элемента, A = LU
.
Возвращает измененную на месте матрицу A
, ipiv
, сведения о выборе главного элемента и код info
, который означает успешное выполнение (info = 0
), сингулярное значение в U
(info = i
, в этом случае U[i,i]
является сингулярным) или код ошибки (info < 0
).
#
LinearAlgebra.LAPACK.tzrzf!
— Function
tzrzf!(A) -> (A, tau)
Преобразует верхнюю трапецеидальную матрицу A
в верхнетреугольную форму на месте. Возвращает A
и tau
, скалярные параметры для элементарных отражателей преобразования.
#
LinearAlgebra.LAPACK.ormrz!
— Function
ormrz!(side, trans, A, tau, C)
Умножает матрицу C
на Q
из преобразования, предоставленного tzrzf!
. В зависимости от side
или trans
умножение может быть левосторонним (side = L, Q*C
) или правосторонним (side = R, C*Q
), а Q
может быть неизмененным (trans = N
), транспонированным (trans = T
) или сопряженно транспонированным (trans = C
). Возвращает матрицу C
, измененную на месте, с результатом умножения.
#
LinearAlgebra.LAPACK.gels!
— Function
gels!(trans, A, B) -> (F, B, ssr)
Решает линейное уравнение A * X = B
, transpose(A) * X = B
или adjoint(A) * X = B
с использованием QR- или LQ-разложения. Изменяет матрицу или вектор B
на месте с помощью решения. A
перезаписывается QR
- или LQ
-разложением. trans
может иметь одно из значений: N
(без изменения), T
(транспонирование) или C
(сопряженное транспонирование). gels!
ищет решение по методу минимальной нормы/наименьших квадратов. Матрица A
может быть недостаточно или чрезмерно определенной. Решение возвращается в матрице B
.
#
LinearAlgebra.LAPACK.gesv!
— Function
gesv!(A, B) -> (B, A, ipiv)
Решает линейное уравнение A * X = B
, где A
является квадратной матрицей, с помощью LU
-разложения матрицы A
. A
перезаписывается LU
-разложением, а B
— решением X
. ipiv
содержит информацию о выборе главного элемента для LU
-разложения матрицы A
.
#
LinearAlgebra.LAPACK.getrs!
— Function
getrs!(trans, A, ipiv, B)
Решает линейное уравнение A * X = B
, transpose(A) * X = B
или adjoint(A) * X = B
для квадратной матрицы A
. Изменяет матрицу или вектор B
на месте с помощью решения. A
является LU
-разложением из getrf!
, с ipiv
, содержащим информацию о выборе главного элемента. trans
может иметь одно из значений: N
(без изменения), T
(транспонирование) или C
(сопряженное транспонирование).
#
LinearAlgebra.LAPACK.getri!
— Function
getri!(A, ipiv)
Вычисляет обратный эквивалент матрицы A
, используя ее LU
-разложение, определенное с помощью getrf!
. ipiv
содержит информацию о выборе главного элемента, а A
содержит LU
-разложение матрицы getrf!
. Матрица A
перезаписывается своим обратным эквивалентом.
#
LinearAlgebra.LAPACK.gesvx!
— Function
gesvx!(fact, trans, A, AF, ipiv, equed, R, C, B) -> (X, equed, R, C, B, rcond, ferr, berr, work)
Решает линейное уравнение A * X = B
(trans = N
), transpose(A) * X = B
(trans = T
) или adjoint(A) * X = B
(trans = C
) с использованием LU
-разложения матрицы A
. fact
может иметь значение E
, в этом случае матрица A
будет уравновешена и скопирована в AF
; F
, в этом случае AF
и ipiv
из предыдущего LU
-разложения являются входными данными; или N
, в этом случае матрица A
будет скопирована в AF
и затем разложена. Если fact = F
, equed
может иметь значение N
, означающее, что матрица A
не была уравновешена; R
, означающее, что матрица A
была умножена на Diagonal(R)
слева; C
, означающее, что матрица A
была умножена на Diagonal(C)
справа, или B
, означающее, что матрица A
была умножена на Diagonal(R)
слева и на Diagonal(C)
справа. Если fact = F
и equed = R
или B
, все элементы R
должны быть положительными. Если fact = F
и equed = C
или B
, все элементы C
должны быть положительными.
Возвращает решение X
; equed
, которое является выходными данными, если fact
не является N
, и описывает проведенное уравновешивание; R
— диагональ строчного уравновешивания; C
— диагональ столбцового уравновешивания; B
, которая может быть перезаписана ее уравновешенной формой Diagonal(R)*B
(если trans = N
и equed = R,B
) или Diagonal(C)*B
(если trans = T,C
и equed = C,B
); rcond
— взаимно обратное число обусловленности A
после уравновешивания; ferr
— граница прямой погрешности для каждого вектора решения в X
; berr
— граница прямой погрешности для каждого вектора решения в X
; и work
— взаимно обратный коэффициент роста с выбором главного элемента.
gesvx!(A, B)
Неуравновешивающее, нетранспонирующее упрощение gesvx!
.
#
LinearAlgebra.LAPACK.gelsd!
— Function
gelsd!(A, B, rcond) -> (B, rnk)
Вычисляет решение наименьшей нормы A * X = B
путем определения SVD
-разложения матрицы A
и последующего использования подхода «разделяй и властвуй». B
перезаписывается решением X
. Сингулярные значения ниже rcond
будут интерпретироваться как нуль. Возвращает решение в матрице B
и действующий ранг A
в rnk
.
#
LinearAlgebra.LAPACK.gelsy!
— Function
gelsy!(A, B, rcond) -> (B, rnk)
Вычисляет решение наименьшей нормы A * X = B
путем определения полного QR
-разложения матрицы A
и последующего использования подхода «разделяй и властвуй». B
перезаписывается решением X
. Сингулярные значения ниже rcond
будут интерпретироваться как нуль. Возвращает решение в матрице B
и действующий ранг A
в rnk
.
#
LinearAlgebra.LAPACK.gglse!
— Function
gglse!(A, c, B, d) -> (X,res)
Решает уравнение A * x = c
, где x
подчиняется ограничению равенства B * x = d
. Использует для решения формулу ||c - A*x||^2 = 0
. Возвращает X
и остаточную сумму квадратов.
#
LinearAlgebra.LAPACK.geev!
— Function
geev!(jobvl, jobvr, A) -> (W, VL, VR)
Находит собственную систему матрицы A
. Если jobvl = N
, левые собственные векторы матрицы A
не вычисляются. Если jobvr = N
, правые собственные векторы матрицы A
не вычисляются. Если jobvl = V
или jobvr = V
, вычисляются соответствующие собственные векторы. Возвращает собственные значения в W
, правые собственные векторы в VR
и левые собственные векторы в VL
.
#
LinearAlgebra.LAPACK.gesdd!
— Function
gesdd!(job, A) -> (U, S, VT)
Находит разложение сингулярного значения матрицы A
, A = U * S * V'
, с использованием подхода по принципу «разделяй и властвуй». Если job = A
, вычисляются все столбцы U
и строки V'
. Если job = N
, столбцы U
или строки V'
не вычисляются. Если job = O
, A
перезаписывается столбцами (тонкого) U
и строками (тонкого) V'
. Если job = S
, столбцы (тонкого) U
и строки (тонкого) V'
вычисляются и возвращаются по отдельности.
#
LinearAlgebra.LAPACK.gesvd!
— Function
gesvd!(jobu, jobvt, A) -> (U, S, VT)
Находит разложение сингулярного значения матрицы A
, A = U * S * V'
. Если jobu = A
, вычисляются все столбцы U
. Если jobvt = A
, вычисляются все строки V'
. Если jobu = N
, столбцы U
не вычисляются. Если jobvt = N
, строки V'
не вычисляются. Если jobu = O
, A
перезаписывается столбцами (тонкого) U
. Если jobvt = O
, A
перезаписывается строками (тонкого) V'
. Если jobu = S
, столбцы (тонкого) U
вычисляются и возвращаются по отдельности. Если jobvt = S
, строки (тонкого) V'
вычисляются и возвращаются по отдельности. jobu
и jobvt
не могут одновременно иметь значение O
.
Возвращает U
, S
и Vt
, где S
— это сингулярные значения A
.
#
LinearAlgebra.LAPACK.ggsvd!
— Function
ggsvd!(jobu, jobv, jobq, A, B) -> (U, V, Q, alpha, beta, k, l, R)
Находит обобщенное разложение сингулярного значения матриц A
и B
, U'*A*Q = D1*R
и V'*B*Q = D2*R
. На диагонали D1
находится alpha
, а на диагонали D2
— beta
. Если jobu = U
, вычисляется ортогональная или унитарная матрица U
. Если jobv = V
, вычисляется ортогональная или унитарная матрица V
. Если jobq = Q
, вычисляется ортогональная или унитарная матрица Q
. Если jobu
, jobv
или jobq
имеет значение N
, эта матрица не вычисляется. Эта функция доступна только в версиях LAPACK, предшествующих 3.6.0.
#
LinearAlgebra.LAPACK.ggsvd3!
— Function
ggsvd3!(jobu, jobv, jobq, A, B) -> (U, V, Q, alpha, beta, k, l, R)
Находит обобщенное разложение сингулярного значения матриц A
и B
, U'*A*Q = D1*R
и V'*B*Q = D2*R
. На диагонали D1
находится alpha
, а на диагонали D2
— beta
. Если jobu = U
, вычисляется ортогональная или унитарная матрица U
. Если jobv = V
, вычисляется ортогональная или унитарная матрица V
. Если jobq = Q
, вычисляется ортогональная или унитарная матрица Q
. Если jobu
, jobv
или jobq
имеет значение N
, эта матрица не вычисляется. Для этой функции требуется LAPACK 3.6.0.
#
LinearAlgebra.LAPACK.geevx!
— Function
geevx!(balanc, jobvl, jobvr, sense, A) -> (A, w, VL, VR, ilo, ihi, scale, abnrm, rconde, rcondv)
Находит собственную систему матрицы A
с балансировкой матрицы. Если jobvl = N
, левые собственные векторы матрицы A
не вычисляются. Если jobvr = N
, правые собственные векторы матрицы A
не вычисляются. Если jobvl = V
или jobvr = V
, вычисляются соответствующие собственные векторы. Если balanc = N
, балансировка не выполняется. Если balanc = P
, матрица A
переставляется, но не масштабируется. Если balanc = S
, матрица A
масштабируется, но не переставляется. Если balanc = B
, матрица A
переставляется и масштабируется. Если sense = N
, взаимно обратные числа обусловленности не вычисляются. Если sense = E
, взаимно обратные числа обусловленности вычисляются только для собственных значений. Если sense = V
, взаимно обратные числа обусловленности вычисляются только для правых собственных векторов. Если sense = B
, взаимно обратные числа обусловленности вычисляются только для правых собственных векторов и собственных векторов. Если sense = E,B
, должны быть вычислены правые и левые собственные векторы.
#
LinearAlgebra.LAPACK.ggev!
— Function
ggev!(jobvl, jobvr, A, B) -> (alpha, beta, vl, vr)
Находит обобщенное разложение матриц A
и B
на основе собственных векторов. Если jobvl = N
, левые собственные векторы не вычисляются. Если jobvr = N
, правые собственные векторы не вычисляются. Если jobvl = V
или jobvr = V
, вычисляются соответствующие собственные векторы.
#
LinearAlgebra.LAPACK.ggev3!
— Function
ggev3!(jobvl, jobvr, A, B) -> (alpha, beta, vl, vr)
Находит обобщенное разложение матриц A
и B
на основе собственных векторов, используя блочный алгоритм. Если jobvl = N
, левые собственные векторы не вычисляются. Если jobvr = N
, правые собственные векторы не вычисляются. Если jobvl = V
или jobvr = V
, вычисляются соответствующие собственные векторы. Для этой функции требуется LAPACK 3.6.0.
#
LinearAlgebra.LAPACK.gtsv!
— Function
gtsv!(dl, d, du, B)
Решает уравнение A * X = B
, где A
является трехдиагональной матрицей с dl
на ее поддиагонали, d
на диагонали и du
на наддиагонали.
Перезаписывает B
решением X
и возвращает его.
#
LinearAlgebra.LAPACK.gttrf!
— Function
gttrf!(dl, d, du) -> (dl, d, du, du2, ipiv)
Находит LU
-разложение трехдиагональной матрицы с dl
на ее поддиагонали, d
на диагонали и du
на наддиагонали.
Изменяет dl
, d
и du
на месте и возвращает их и вторую наддиагональ du2
и вектор с выбором главного элемента ipiv
.
#
LinearAlgebra.LAPACK.gttrs!
— Function
gttrs!(trans, dl, d, du, du2, ipiv, B)
Решает уравнение A * X = B
(trans = N
), transpose(A) * X = B
(trans = T
) или adjoint(A) * X = B
(trans = C
) с использованием LU
-разложения, вычисленного с помощью gttrf!
. B
перезаписывается решением X
.
#
LinearAlgebra.LAPACK.orglq!
— Function
orglq!(A, tau, k = length(tau))
Явным образом находит матрицу Q
LQ
-разложения после вызова gelqf!
для A
. Использует выходные данные gelqf!
. Матрица A
перезаписывается Q
.
#
LinearAlgebra.LAPACK.orgqr!
— Function
orgqr!(A, tau, k = length(tau))
Явным образом находит матрицу Q
QR
-разложения после вызова geqrf!
для A
. Использует выходные данные geqrf!
. Матрица A
перезаписывается Q
.
#
LinearAlgebra.LAPACK.orgql!
— Function
orgql!(A, tau, k = length(tau))
Явным образом находит матрицу Q
QL
-разложения после вызова geqlf!
для A
. Использует выходные данные geqlf!
. Матрица A
перезаписывается Q
.
#
LinearAlgebra.LAPACK.orgrq!
— Function
orgrq!(A, tau, k = length(tau))
Явным образом находит матрицу Q
RQ
-разложения после вызова gerqf!
для A
. Использует выходные данные gerqf!
. Матрица A
перезаписывается Q
.
#
LinearAlgebra.LAPACK.ormlq!
— Function
ormlq!(side, trans, A, tau, C)
Вычисляет Q * C
(trans = N
), transpose(Q) * C
(trans = T
), adjoint(Q) * C
(trans = C
) для side = L
или эквивалентного правостороннего умножения для side = R
с использованием Q
из LQ
-разложения матрицы A
, вычисленного с помощью gelqf!
. C
перезаписывается.
#
LinearAlgebra.LAPACK.ormqr!
— Function
ormqr!(side, trans, A, tau, C)
Вычисляет Q * C
(trans = N
), transpose(Q) * C
(trans = T
), adjoint(Q) * C
(trans = C
) для side = L
или эквивалентного правостороннего умножения для side = R
с использованием Q
из QR
-разложения матрицы A
, вычисленного с помощью geqrf!
. C
перезаписывается.
#
LinearAlgebra.LAPACK.ormql!
— Function
ormql!(side, trans, A, tau, C)
Вычисляет Q * C
(trans = N
), transpose(Q) * C
(trans = T
), adjoint(Q) * C
(trans = C
) для side = L
или эквивалентного правостороннего умножения для side = R
с использованием Q
из QL
-разложения матрицы A
, вычисленного с помощью geqlf!
. C
перезаписывается.
#
LinearAlgebra.LAPACK.ormrq!
— Function
ormrq!(side, trans, A, tau, C)
Вычисляет Q * C
(trans = N
), transpose(Q) * C
(trans = T
), adjoint(Q) * C
(trans = C
) для side = L
или эквивалентного правостороннего умножения для side = R
с использованием Q
из RQ
-разложения матрицы A
, вычисленного с помощью gerqf!
. C
перезаписывается.
#
LinearAlgebra.LAPACK.gemqrt!
— Function
gemqrt!(side, trans, V, T, C)
Вычисляет Q * C
(trans = N
), transpose(Q) * C
(trans = T
), adjoint(Q) * C
(trans = C
) для side = L
или эквивалентного правостороннего умножения для side = R
с использованием Q
из QR
-разложения матрицы A
, вычисленного с помощью geqrt!
. C
перезаписывается.
#
LinearAlgebra.LAPACK.posv!
— Function
posv!(uplo, A, B) -> (A, B)
Находит решение для A * X = B
, где A
является симметричной или эрмитовой положительно определенной матрицей. Если uplo = U
, вычисляется разложение Холецкого матрицы A
. Если uplo = L
, вычисляется нижнее разложение Холецкого матрицы A
. Матрица A
перезаписывается ее разложением Холецкого. B
перезаписывается решением X
.
#
LinearAlgebra.LAPACK.potrf!
— Function
potrf!(uplo, A)
Вычисляет разложение Холецкого (верхнее, если uplo = U
, нижнее, если uplo = L
) положительно определенной матрицы A
. A
перезаписывается и возвращается с кодом информации.
#
LinearAlgebra.LAPACK.potri!
— Function
potri!(uplo, A)
Вычисляет обратный эквивалент положительно определенной матрицы A
после вызова potrf!
для определения разложения Холецкого (верхнего, если uplo = U
, нижнего, если uplo = L
).
Матрица A
перезаписывается своим обратным эквивалентом и возвращается.
#
LinearAlgebra.LAPACK.potrs!
— Function
potrs!(uplo, A, B)
Находит решение для A * X = B
, где A
является симметричной или эрмитовой положительно определенной матрицей, разложение Холецкого которой было вычислено с помощью potrf!
. Если uplo = U
, было вычислено верхнее разложение Холецкого матрицы A
. Если uplo = L
, было вычислено нижнее разложение Холецкого матрицы A
. B
перезаписывается решением X
.
#
LinearAlgebra.LAPACK.pstrf!
— Function
pstrf!(uplo, A, tol) -> (A, piv, rank, info)
Вычисляет разложение Холецкого (верхнее, если uplo = U
, нижнее, если uplo = L
) с выбранным главным элементом для положительно определенной матрицы A
с заданным пользователем допуском tol
. Матрица A
перезаписывается ее разложением Холецкого.
Возвращает A
, главные элементы piv
, ранг матрицы A
и код info
. Если info = 0
, разложение выполнено успешно. Если info = i > 0
, матрица A
является неопределенной или матрицей неполного ранга.
#
LinearAlgebra.LAPACK.ptsv!
— Function
ptsv!(D, E, B)
Решает A * X = B
для положительно определенной трехдиагональной матрицы A
. D
является диагональю A
, а E
— внедиагональю. B
перезаписывается решением X
и возвращается.
#
LinearAlgebra.LAPACK.pttrf!
— Function
pttrf!(D, E)
Вычисляет LDLt-разложение положительно определенной треугольной матрицы с D
в качестве диагонали и E
в качестве внедиагонали. D
и E
перезаписываются и возвращаются.
#
LinearAlgebra.LAPACK.pttrs!
— Function
pttrs!(D, E, B)
Решает A * X = B
для положительно определенной трехдиагональной матрицы A
с D
в качестве диагонали и E
в качестве внедиагонали после вычисления LDLt-разложения матрицы A
с помощью pttrf!
. B
перезаписывается решением X
.
#
LinearAlgebra.LAPACK.trtri!
— Function
trtri!(uplo, diag, A)
Определяет обратный эквивалент треугольной матрицы A
(верхней, если uplo = U
, нижней, если uplo = L
). Если diag = N
, матрица A
имеет неединичные диагональные элементы. Если diag = U
, все диагональные элементы матрицы A
равны единице. Матрица A
перезаписывается своим обратным эквивалентом.
#
LinearAlgebra.LAPACK.trtrs!
— Function
trtrs!(uplo, trans, diag, A, B)
Решает A * X = B
(trans = N
), transpose(A) * X = B
(trans = T
) или adjoint(A) * X = B
(trans = C
) для треугольной матрицы A
(верхней, если uplo = U
, нижней, если uplo = L
). Если diag = N
, матрица A
имеет неединичные диагональные элементы. Если diag = U
, все диагональные элементы матрицы A
равны единице. B
перезаписывается решением X
.
#
LinearAlgebra.LAPACK.trcon!
— Function
trcon!(norm, uplo, diag, A)
Находит взаимно обратное число обусловленности треугольной матрицы A
(верхней, если uplo = U
, нижней, если uplo = L
). Если diag = N
, матрица A
имеет неединичные диагональные элементы. Если diag = U
, все диагональные элементы матрицы A
равны единице. Если norm = I
, число обусловленности будет найдено в бесконечной норме. Если norm = O
или 1
, число обусловленности будет найдено в единичной норме.
#
LinearAlgebra.LAPACK.trevc!
— Function
trevc!(side, howmny, select, T, VL = similar(T), VR = similar(T))
Находит собственную систему верхней треугольной матрицы T
. Если side = R
, вычисляются правые собственные векторы. Если side = L
, вычисляются левые собственные векторы. Если side = B
, вычисляются оба набора. Если howmny = A
, будут найдены все собственные векторы. Если howmny = B
, будут найдены все собственные векторы и они будут обратно преобразованы с помощью VL
и VR
. Если howmny = S
, вычисляются только собственные векторы, соответствующие значениям в select
.
#
LinearAlgebra.LAPACK.trrfs!
— Function
trrfs!(uplo, trans, diag, A, B, X, Ferr, Berr) -> (Ferr, Berr)
Оценивает погрешность в решении для A * X = B
(trans = N
), transpose(A) * X = B
(trans = T
), adjoint(A) * X = B
(trans = C
) для side = L
или эквивалентных уравнений правосторонней side = R
X * A
после вычисления X
с помощью trtrs!
. Если uplo = U
, матрица A
является верхнетреугольной. Если uplo = L
, матрица A
является нижнетреугольной. Если diag = N
, матрица A
имеет неединичные диагональные элементы. Если diag = U
, все диагональные элементы матрицы A
равны единице. Ferr
и Berr
являются дополнительными входными данными. Ferr
— это прямая погрешность, а Berr
— обратная погрешность, каждая является покомпонентной.
#
LinearAlgebra.LAPACK.stev!
— Function
stev!(job, dv, ev) -> (dv, Zmat)
Вычисляет собственную систему для симметричной трехдиагональной матрицы с dv
как диагональным и ev
как внедиагональным. Если job = N
, будут найдены только собственные значения и возвращены в dv
. Если job = V
, также будут найдены собственные векторы и возвращены в Zmat
.
#
LinearAlgebra.LAPACK.stebz!
— Function
stebz!(range, order, vl, vu, il, iu, abstol, dv, ev) -> (dv, iblock, isplit)
Вычисляет собственные значения для симметричной трехдиагональной матрицы с dv
как диагональным и ev
как внедиагональным. Если range = A
, будут найдены все собственные значения. Если range = V
, будут найдены собственные значения в полуоткрытом интервале (vl, vu]
. Если range = I
, будут найдены собственные значения с индексами между il
и iu
. Если order = B
, собственные значения упорядочиваются в рамках блока. Если order = E
, они упорядочиваются во всех блоках. abstol
можно задать как допуск на сходимость.
#
LinearAlgebra.LAPACK.stegr!
— Function
stegr!(jobz, range, dv, ev, vl, vu, il, iu) -> (w, Z)
Вычисляет собственные значения (jobz = N
) или собственные значения и собственные векторы (jobz = V
) для симметричной трехдиагональной матрицы с dv
как диагональным и ev
как внедиагональным. Если range = A
, будут найдены все собственные значения. Если range = V
, будут найдены собственные значения в полуоткрытом интервале (vl, vu]
. Если range = I
, будут найдены собственные значения с индексами между il
и iu
. Собственные значения возвращаются в w
, а собственные векторы — в Z
.
#
LinearAlgebra.LAPACK.stein!
— Function
stein!(dv, ev_in, w_in, iblock_in, isplit_in)
Вычисляет собственные векторы для симметричной трехдиагональной матрицы с dv
как диагональным и ev_in
как внедиагональным. w_in
задает входные собственные значения, для которых нужно найти собственные векторы. iblock_in
задает подматрицы, соответствующие собственным значениям в w_in
. isplit_in
задает точки разделения между блоками подматрицы.
#
LinearAlgebra.LAPACK.syconv!
— Function
syconv!(uplo, A, ipiv) -> (A, work)
Преобразует симметричную матрицу A
(которая была разложена на треугольную матрицу) в две матрицы L
и D
. Если uplo = U
, матрица A
является верхнетреугольной. Если uplo = L
, она является нижнетреугольной. ipiv
является вектором главного элемента из треугольного разложения. Матрица A
перезаписывается L
и D
.
#
LinearAlgebra.LAPACK.sysv!
— Function
sysv!(uplo, A, B) -> (B, A, ipiv)
Находит решение для A * X = B
для симметричной матрицы A
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина. Матрица B
перезаписывается решением X
. Матрица A
перезаписывается ее разложением Банча-Кауфмана. ipiv
содержит информацию о разложении.
#
LinearAlgebra.LAPACK.sytrf!
— Function
sytrf!(uplo, A) -> (A, ipiv, info)
Вычисляет разложение Банча-Кауфмана симметричной матрицы A
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина.
Возвращает матрицу A
, перезаписанную разложением, вектор главного элемента ipiv
и код ошибки info
в виде неотрицательного целого числа. Если info
имеет положительное значение, матрица сингулярна и диагональная часть разложения в точности равна нулю в позиции info
.
sytrf!(uplo, A, ipiv) -> (A, ipiv, info)
Вычисляет разложение Банча-Кауфмана симметричной матрицы A
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина.
Возвращает матрицу A
, перезаписанную разложением, вектор главного элемента ipiv
и код ошибки info
в виде неотрицательного целого числа. Если info
имеет положительное значение, матрица сингулярна и диагональная часть разложения в точности равна нулю в позиции info
.
#
LinearAlgebra.LAPACK.sytri!
— Function
sytri!(uplo, A, ipiv)
Вычисляет обратный эквивалент симметричной матрицы A
с использованием результатов sytrf!
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина. Матрица A
перезаписывается своим обратным эквивалентом.
#
LinearAlgebra.LAPACK.sytrs!
— Function
sytrs!(uplo, A, ipiv, B)
Решает уравнение A * X = B
для симметричной матрицы A
с использованием результатов sytrf!
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина. Матрица B
перезаписывается решением X
.
#
LinearAlgebra.LAPACK.hesv!
— Function
hesv!(uplo, A, B) -> (B, A, ipiv)
Находит решение для A * X = B
для эрмитовой матрицы A
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина. Матрица B
перезаписывается решением X
. Матрица A
перезаписывается ее разложением Банча-Кауфмана. ipiv
содержит информацию о разложении.
#
LinearAlgebra.LAPACK.hetrf!
— Function
hetrf!(uplo, A) -> (A, ipiv, info)
Вычисляет разложение Банча-Кауфмана эрмитовой матрицы A
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина.
Возвращает матрицу A
, перезаписанную разложением, вектор главного элемента ipiv
и код ошибки info
в виде неотрицательного целого числа. Если info
имеет положительное значение, матрица сингулярна и диагональная часть разложения в точности равна нулю в позиции info
.
hetrf!(uplo, A, ipiv) -> (A, ipiv, info)
Вычисляет разложение Банча-Кауфмана эрмитовой матрицы A
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина.
Возвращает матрицу A
, перезаписанную разложением, вектор главного элемента ipiv
и код ошибки info
в виде неотрицательного целого числа. Если info
имеет положительное значение, матрица сингулярна и диагональная часть разложения в точности равна нулю в позиции info
.
#
LinearAlgebra.LAPACK.hetri!
— Function
hetri!(uplo, A, ipiv)
Вычисляет обратный эквивалент эрмитовой матрицы A
с использованием результатов sytrf!
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина. Матрица A
перезаписывается своим обратным эквивалентом.
#
LinearAlgebra.LAPACK.hetrs!
— Function
hetrs!(uplo, A, ipiv, B)
Решает уравнение A * X = B
для эрмитовой матрицы A
с использованием результатов sytrf!
. Если uplo = U
, сохраняется верхняя половина A
. Если uplo = L
, сохраняется нижняя половина. Матрица B
перезаписывается решением X
.
#
LinearAlgebra.LAPACK.syev!
— Function
syev!(jobz, uplo, A)
Находит собственные значения (jobz = N
) или собственные значения и собственные векторы (jobz = V
) симметричной матрицы A
. Если uplo = U
, используется верхний треугольник матрицы A
. Если uplo = L
, используется нижний треугольник матрицы A
.
#
LinearAlgebra.LAPACK.syevr!
— Function
syevr!(jobz, range, uplo, A, vl, vu, il, iu, abstol) -> (W, Z)
Находит собственные значения (jobz = N
) или собственные значения и собственные векторы (jobz = V
) симметричной матрицы A
. Если uplo = U
, используется верхний треугольник матрицы A
. Если uplo = L
, используется нижний треугольник матрицы A
. Если range = A
, будут найдены все собственные значения. Если range = V
, будут найдены собственные значения в полуоткрытом интервале (vl, vu]
. Если range = I
, будут найдены собственные значения с индексами между il
и iu
. abstol
можно задать как допуск на сходимость.
Собственные значения возвращаются в W
, а собственные векторы — в Z
.
#
LinearAlgebra.LAPACK.syevd!
— Function
syevd!(jobz, uplo, A)
Находит собственные значения (jobz = N
) или собственные значения и собственные векторы (jobz = V
) симметричной матрицы A
. Если uplo = U
, используется верхний треугольник матрицы A
. Если uplo = L
, используется нижний треугольник матрицы A
.
Используйте метод «разделяй и властвуй» вместо итерации QR, применяемой syev!
, или нескольких относительно надежных представлений, применяемых syevr!
. Сравнение точности и производительности различных методов см. в работе James W. Demmel et al, SIAM J. Sci. Comput. 30, 3, 1508 (2008).
#
LinearAlgebra.LAPACK.sygvd!
— Function
sygvd!(itype, jobz, uplo, A, B) -> (w, A, B)
Находит обобщенные собственные значения (jobz = N
) или собственные значения и собственные векторы (jobz = V
) симметричной матрицы A
и симметричной положительно определенной матрицы B
. Если uplo = U
, используются верхние треугольники матриц A
и B
. Если uplo = L
, используются нижние треугольники матриц A
и B
. Если itype = 1
, нужно решить задачу A * x = lambda * B * x
. Если itype = 2
, нужно решить задачу A * B * x = lambda * x
. Если itype = 3
, нужно решить задачу B * A * x = lambda * x
.
#
LinearAlgebra.LAPACK.bdsqr!
— Function
bdsqr!(uplo, d, e_, Vt, U, C) -> (d, Vt, U, C)
Вычисляет разложение сингулярного значения двухдиагональной матрицы с d
на диагонали и e_
вне диагонали. Если uplo = U
, e_
является наддиагональю. Если uplo = L
, e_
является поддиагональю. При необходимости может также вычислять произведение Q' * C
.
Возвращает сингулярные значения в d
, и матрица C
перезаписывается Q' * C
.
#
LinearAlgebra.LAPACK.bdsdc!
— Function
bdsdc!(uplo, compq, d, e_) -> (d, e, u, vt, q, iq)
Вычисляет разложение сингулярного значения двухдиагональной матрицы с d
на диагонали и e_
вне диагонали с использованием подхода по принципу «разделяй и властвуй». Если uplo = U
, e_
является наддиагональю. Если uplo = L
, e_
является поддиагональю. Если compq = N
, будут найдены только сингулярные значения. Если compq = I
, будут найдены сингулярные значения и векторы. Если compq = P
, сингулярные значения и векторы будут найдены в компактной форме. Работает только для вещественных типов.
Возвращает сингулярные значения в d
, а если compq = P
— компактные сингулярные векторы в iq
.
#
LinearAlgebra.LAPACK.gecon!
— Function
gecon!(normtype, A, anorm)
Находит взаимно обратное число обусловленности матрицы A
. Если normtype = I
, число обусловленности будет найдено в бесконечной норме. Если normtype = O
или 1
, число обусловленности будет найдено в единичной норме. Матрица A
должна быть результатом функции getrf!
, а anorm
является нормой матрицы A
в связанной норме.
#
LinearAlgebra.LAPACK.gehrd!
— Function
gehrd!(ilo, ihi, A) -> (A, tau)
Преобразует матрицу A
в матрицу Хессенберга. Если A
балансируется с помощью функции gebal!
, то ilo
и ihi
являются выходными данными gebal!
. В противном случае они должны быть следующими: ilo = 1
и ihi = size(A,2)
. tau
содержит элементарные отражатели разложения.
#
LinearAlgebra.LAPACK.orghr!
— Function
orghr!(ilo, ihi, A, tau)
Явным образом находит Q
, ортогональную или унитарную матрицу из функции gehrd!
. ilo
, ihi
, A
и tau
должны соответствовать входным или выходным данным функции gehrd!
.
#
LinearAlgebra.LAPACK.gees!
— Function
gees!(jobvs, A) -> (A, vs, w)
Вычисляет собственные значения (jobvs = N
) или собственные значения и векторы Шура (jobvs = V
) матрицы A
. Матрица A
перезаписывается своей формой Шура.
Возвращает матрицу A
, vs
, содержащий векторы Шура, и w
, содержащий собственные значения.
#
LinearAlgebra.LAPACK.gges!
— Function
gges!(jobvsl, jobvsr, A, B) -> (A, B, alpha, beta, vsl, vsr)
Вычисляет обобщенные собственные значения, обобщенную форму Шура, левые векторы Шура (jobsvl = V
) или правые векторы Шура (jobvsr = V
) матриц A
и B
.
Обобщенные собственные значения возвращаются в alpha
и beta
. Левые векторы Шура возвращаются в vsl
, а правые векторы Шура — в vsr
.
#
LinearAlgebra.LAPACK.gges3!
— Function
gges3!(jobvsl, jobvsr, A, B) -> (A, B, alpha, beta, vsl, vsr)
Вычисляет обобщенные собственные значения, обобщенную форму Шура, левые векторы Шура (jobsvl = V
) или правые векторы Шура (jobvsr = V
) матриц A
и B
, используя блочный алгоритм. Для этой функции требуется LAPACK 3.6.0.
Обобщенные собственные значения возвращаются в alpha
и beta
. Левые векторы Шура возвращаются в vsl
, а правые векторы Шура — в vsr
.
#
LinearAlgebra.LAPACK.trexc!
— Function
trexc!(compq, ifst, ilst, T, Q) -> (T, Q)
trexc!(ifst, ilst, T, Q) -> (T, Q)
Переупорядочивает разложение Шура T
матрицы так, что диагональный блок T
с индексом строки ifst
перемещается в индекс строки ilst
. Если compq = V
, векторы Шура Q
переупорядочиваются. Если compq = N
, они не изменяются. Метод с четырьмя аргументами вызывает метод с пятью аргументами с compq = V
.
#
LinearAlgebra.LAPACK.trsen!
— Function
trsen!(job, compq, select, T, Q) -> (T, Q, w, s, sep)
trsen!(select, T, Q) -> (T, Q, w, s, sep)
Переупорядочивает разложение Шура матрицы и при необходимости находит взаимно обратные числа обусловленности. Если job = N
, числа обусловленности найдены не будут. Если job = E
, будет найдено только число обусловленности для этого кластера собственных значений. Если job = V
, будет найдено только число обусловленности для инвариантного подпространства. Если job = B
, будут найдены числа обусловленности для кластера и подпространства. Если compq = V
, векторы Шура Q
обновляются. Если compq = N
, векторы Шура не изменяются. select
определяет, какие собственные значения находятся в кластере. Метод с тремя аргументами вызывает метод с пятью аргументами с job = N
и compq = V
.
Возвращает T
, Q
, переупорядоченные собственные значения в w
, число обусловленности кластера собственных значений s
и число обусловленности инвариантного подпространства sep
.
#
LinearAlgebra.LAPACK.tgsen!
— Function
tgsen!(select, S, T, Q, Z) -> (S, T, alpha, beta, Q, Z)
Переупорядочивает векторы обобщенного разложения Шура. select
задает собственные значения в каждом кластере.
#
LinearAlgebra.LAPACK.trsyl!
— Function
trsyl!(transa, transb, A, B, C, isgn=1) -> (C, scale)
Решает матричное уравнение Сильвестра A * X +/- X * B = scale*C
, где A
и B
являются квазиверхнетреугольными. Если transa = N
, матрица A
не изменяется. Если transa = T
, матрица A
транспонируется. Если transa = C
, матрица A
сопряженно транспонируется. То же самое действует для transb
и B
. Если isgn = 1
, решается уравнение A * X + X * B = scale * C
. Если isgn = -1
, решается уравнение A * X - X * B = scale * C
.
Возвращает X
(перезаписывая C
) и scale
.
#
LinearAlgebra.LAPACK.hseqr!
— Function
hseqr!(job, compz, ilo, ihi, H, Z) -> (H, Z, w)
Вычисляет все собственные значения и (необязательно) разложение Шура матрицы, приведенной к форме Хессенберга. Если H
балансируется с помощью функции gebal!
, то ilo
и ihi
являются выходными данными gebal!
. В противном случае они должны быть следующими: ilo = 1
и ihi = size(H,2)
. tau
содержит элементарные отражатели разложения.