Question

我通过使用共轭梯度法简单地解决线性问题 A * x = b 。我想找到x未知。

请注意，conjGrad会调用返回产品Av 的 Av 功能代码如下：

输入：

A - 稀疏矩阵。二维数组;
b - 右手侧矢量。 1D阵列;
x - 初步猜测。这里只是1D数组，零值。

代码：

import numpy as np
import math

A = np.array([[ 0.56244579,  0.        ,  0.        ,  0.        ,  0.52936075,
        0.59553084,  0.        ,  0.        ,  0.        ,  1.1248915 ,
        0.        ,  0.        ,  0.        ,  0.46319065,  0.43672262,
        0.        ],
      [ 0.5       ,  1.        ,  1.        ,  0.5       ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ],
      [ 0.        ,  0.        ,  0.        ,  0.58009067,  0.        ,
        0.        ,  0.75411788,  0.40606347,  0.        ,  0.        ,
        0.23203627,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ]])

x = np.array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,
    0.,  0.,  0.])

b = np.array([ 3.99464617,  1.81663614,  1.86413003])

def Av(v):
return np.dot(A,v)

def conjGrad(Av, x, b, tol=1.0e-9):
     n = len(b)
     r = b - Av(x)
     s = r.copy()
     for i in range(n):
           u = Av(s)
           alpha = np.dot(s,r)/np.dot(s,u)
           x = x + aplha*s
           r = b - Av(x)
           if(math.sqrt(np.dot(r,r))) < tol:
                 break
           else:
                 beta = - np.dot(r,u)/np.dot(s,u)
                 s = r + beta * s
     return x,i

if __name__ == '__main__':
    x, iter_number = conjGrad(Av, x, b) 


 Traceback (most recent call last):
   File "C:\Python27\Conjugate_Gradient.py", line 59, in <module>
     x, iter_number = conjGrad(Av, x, b)
   File "C:\Python27\Conjugate_Gradient.py", line 47, in conjGrad
     u = Av(s)
   File "C:\Python27\Conjugate_Gradient.py", line 40, in Av
     return np.dot(A,v)
 ValueError: matrices are not aligned

是否有任何简单的解决方案可以避免此消息？任何答案都将受到赞赏

Answer 1

您已经实施了错误的CG方法。错误消息显示存在问题的行之一。

特别是，你的矩阵不是正方形。

Answer 2

当 A 为SPD时，共轭梯度法解决 Ax = b 。

如果A不是SPD，就像您的情况一样，那么您仍然可以使用共轭渐变来找到问题的最小二乘解：

A ^ t A x = A ^ t b

矩阵 A ^ t A 是SPD，非常适合您的方法。

共轭梯度模块中的矩阵函数

2 个答案: