Question

如果在scipy.sparse文档中清楚地解释了这一点，我很抱歉。

当使用scipy时，你会建议使用什么函数来求解稀疏正定线性方程组？我想使用直接方法，并且我希望对列进行重新排序，以便在系数矩阵的Cholesky分解中尽可能地保留稀疏性。理想情况下，我可以尝试各种重新排序选项。

scipy.sparse中是否存在稀疏正定系统的直接求解器？是scikit.sparse的方法吗？

Answer 1

scipy.sparse.linalg.spsolve 很清楚，但似乎为了速度你必须

pip install scikit-umfpack

或者

从中构建UMFPACK和AMD SuiteSparse
然后从源代码重建scipy site.cfg中的[umfpack] umfpack_libs = ...。

否则scipy.sparse.linalg默认为较慢的SuperLU。

是scikit.sparse的方法吗？

与什么相比，用什么标准？如果C / C ++足够您，请直接使用SuiteSparse。任何工具都取决于你喜欢什么，用户：一，二，多。也许更好的可视化可以帮助您的项目更快地解决问题。

scipy.sparse的一些非常明显的优点和缺点：

+ python用于快速开发，数据输入 - 矩阵 - 可视化
+几个包建立在scipy.sparse上; 在你的申请区域询问（这是？）
- 粗糙的边缘（矩阵是一种痛苦），afaik没有wiki来收集提示和代码片段
- 图层，scipy.sparse - SuiteSparse - ... BLAS ... 使计时和调试变得艰难。

Fwiw，我的iMac上的求解时间变化很大。这些都是默认的args，没有umfpack （这不是一个现实的测试用例;但是 satisficing通常足够好。）

X = sparse.rand( m, n, dens, format="csr" )
A = 1e-6 * sparse.eye(m) + X * X.T
linalg solvers( A, b )

(5000, 5000)  density 0.42 % --
   51 msec spsolve
    5 msec bicg
    3 msec bicgstab
    2 msec cg
    4 msec cgs
    3 msec gmres
    4 msec lgmres
    1 msec minres
    6 msec qmr
    5 msec lsmr
(5000, 5000)  density 0.84 % --
  428 msec spsolve
   12 msec bicg
    7 msec bicgstab
    5 msec cg
   10 msec cgs
    6 msec gmres
    8 msec lgmres
    2 msec minres
   13 msec qmr
   12 msec lsmr
(5000, 5000)  density 1.3 % --
 1462 msec spsolve
   16 msec bicg
    9 msec bicgstab
    7 msec cg
   11 msec cgs
    7 msec gmres
   10 msec lgmres
    1 msec minres
   18 msec qmr
   14 msec lsmr

推荐用于scipy中稀疏正定线性系统的直接求解器？

1 个答案: