Некоторые основные сведения, необходимые при решении задач на собственные значения

Собственные значения.

ВВЕДЕНИЕ

Целый ряд инженерных задач сводится к рассмотрению систем уравнений, имеющих единственное решение лишь в том случае, если известно значение некоторого входящего в них параметра. Этот особый параметр называется характеристическим, или собственным, значением системы. С задачами на собственные значения инженер сталкивается в различных ситуациях. Так, для тензоров напряжений собственные значения определяют главные нормальные напряжения, а собственными векторами задаются направления, связанные с этими значениями. При динамическом анализе механических систем собственные значения соответствуют собственным частотам колебаний, а собственные векторы характеризуют моды этих колебаний. При расчете конструкций собственные значения позволяют определять критические нагрузки, превышение которых приводит к потере устойчивости.

Выбор наиболее эффективного метода определения собственных значений или собственных векторов для данной инженерной задачи зависит от ряда факторов, таких, как тип уравнений, число искомых собственных значений и их характер. Алгоритмы решения задач на собственные значения делятся на две группы. Итерационные методы очень удобны и хорошо приспособлены для определения наименьшего и наибольшего собственных значений. Методы преобразований подобия несколько сложней, зато позволяют определить все собственные значения и собственные векторы.

В данной работе будут рассмотрены наиболее распространенные методы решения задач на собственные значения. Однако сначала приведем некоторые основные сведения из теории матричного и векторного исчислений, на которых базируются методы определения собственных значений.

НЕКОТОРЫЕ ОСНОВНЫЕ СВЕДЕНИЯ, НЕОБХОДИМЫЕ ПРИ РЕШЕНИИ ЗАДАЧ НА СОБСТВЕННЫЕ ЗНАЧЕНИЯ

В общем виде задача на собственные значения формулируется следующим образом:

AX = lX,

где A — матрица размерности n х n. Требуется найти n скалярных значений l и собственные векторы X, соответствующие каждому из собственных значений.

Основные определения матричного исчисления

1. Матрица A называется симметричной, если

аij = аij, где i, j = 1, 2,..., n.

Отсюда следует симметрия относительно диагонали

аkk, где k == 1, 2,..., n.

Матрица

 

1	4	5
4	3	7
5	7	2

 

является примером симметричной.

2. Матрица A называется трехдиагональной, если все ее элементы, кроме элементов главной и примыкающих к ней диагоналей, равны нулю. В общем случае трехдиагональная матрица имеет вид

 

*	*						0
*	*	*
	*	*	*
	.	.	.	.	.	.
					*	*	*
	0					*	*	*
							*	*

 

Важность трехдиагональной формы обусловлена тем, что некоторые методы преобразований подобия позволяют привести произвольную матрицу к этому частному виду.

 

3. Матрица A называется ортогональной, если

АТА = Е,

где Ат—транспонированная матрица A, а Е—единичная матрица. Очевидно, матрица, обратная ортогональной, эквивалентна транспонированной.

 

4. Матрицы А и В называются подобными, если существует такая несингулярная матрица Р, что справедливо соотношение

В = Р-1АР.

 

Основные свойства собственных значений.

1. Все п собственных значений симметричной матрицы размерности пХп, состоящей из действительных чисел, действительные. Это полезно помнить, так как матрицы, встречающиеся в инженерных расчетах, часто бывают симметричными.

2. Если собственные значения матрицы различны, то ее собственные векторы ортогональны. Совокупность п линейно независимых собственных векторов образует базис рассматриваемого пространства. Следовательно, для совокупности линейно независимых собственных векторов

Xi, где i == 1,..., n,

любой произвольный вектор в том же пространстве можно выразить через собственные векторы. Таким образом,

n

Y = S aiXi.

i=1

3. Если две матрицы подобны, то их собственные значения совпадают. Из подобия матриц A и В следует, что

В = Р-1АР.

Так как

АХ = lХ,

то               

Р-1АХ = lР-1Х.

Если принять Х == РY, то

Р-1АРY = lY,

а                    

ВY == lY.

Таким образом, матрицы A и В не только имеют одинаковые собственные значения, но и их собственные векторы связаны соотношением

Х = Р Y.

4. Умножив собственный вектор матрицы на скаляр, получим собственный вектор той же матрицы. Обычно все собственные векторы нормируют, разделив каждый элемент собственного вектора либо на его наибольший элемент, либо на сумму квадратов всех других элементов.

ОПРЕДЕЛЕНИЕ СОБСТВЕННЫХ ЗНАЧЕНИЙ МЕТОДАМИ ПРЕОБРАЗОВАНИЙ ПОДОБИЯ

Метод преобразований подобия применяется с целью получить из исходной матрицы новую с теми же собственными значениями, но более простого вида. Очевидно, самым лучшим упрощением было бы приведение матрицы к чисто диагональному виду, так как в этом случае собственные значения просто соответствовали бы элементам матрицы, стоящим на главной диагонали. К сожалению, большая часть методов преобразования не позволяет этого сделать, и приходится довольствоваться приведением матрицы к трехдиагональной форме.

Метод Якоби

Метод Якоби позволяет привести матрицу к диагональному виду, последовательно, исключая все элементы, стоящие вне главной диагонали. К сожалению, приведение к строго диагональному виду требует бесконечно большого числа шагов, так как образование нового нулевого элемента на месте одного из элементов матрицы часто ведет к появлению ненулевого элемента там, где ранее был нуль. На практике метод Якоби рассматривают, как итерационную процедуру, которая в принципе позволяет достаточно близко подойти к диагональной форме, чтобы это преобразование можно было считать законченным. В случае симметричной матрицы A действительных чисел преобразование выполняется с помощью ортогональных матриц, полученных в результате вращении в действительной плоскости. Вычисления осуществляются следующим образом. Из исходной матрицы А образуют матрицу A1 == Р1АР1T. При этом ортогональная матрица Р1 выбирается так, чтобы в матрице А1 появился нулевой элемент, стоящий вне главной диагонали. Затем из А1 с помощью второй преобразующей матрицы Р2, образуют новую матрицу A2. При этом Р2, выбирают так, чтобы в A2 появился еще один нулевой внедиагональный элемент. Эту процедуру продолжают, стремясь, чтобы на каждом шаге в нуль обращался наибольший внедиагональный элемент. Преобразующая матрица для осуществления указанной операции на каждом шаге конструируется следующим образом. Если элемент аkl матрицы Ат-1 имеет максимальную величину, то Рт соответствует

Pkk = Pll = cos q,

Pkl = - Plk = sin q,

Pii = 1 при i <> k, l, Pij = 0 при i <> j.

 

Матрица Ат будет отличаться от матрицы Am-1 только строками и столбцами с номерами k и l. Чтобы элемент аkl(m) был равен нулю, значение q выбирается так, чтобы

                                                  2 akl(m-1)

tg 2 q = -------------------------.

                                            akk(m-1) – all(m-1)

 

 

						k							l
	1
		1
			1
				1
					1
						Cos q	.	.	.	.	.	.	sin q					k
							1
								1
Pm =									1
										1
											1
												1
						- sin q							Cos q					l
														1
															1
																1
																	1

 

Значения q заключены в интервале

                                                         p      p

- — <= q <= —.

 4         4

Пример 2

Пусть требуется найти значения всех главных напряжений для напряженного состояния, показанного на рисунке примера 1. Для этого необходимо найти все собственные значения матрицы напряжений. Такая потребность возникает, если конструктор вместо теории разрушения при максимальном нормальном напряжении намерен пользоваться какой-либо другой теорией разрушения. Чтобы найти все собственные значения, обратимся к методу преобразований Якоби, для реализации которого воспользуемся подпрограммой Е1GЕМ из пакета программ для научных исследований фирмы IВМ, предназначенной для симметричных матриц. Так как матрица симметрична, то она содержит лишь шесть различных элементов. Для экономии памяти подпрограмма ЕIGЕМ использует матрицу 3Х3 в компактной форме, при которой требуется только шесть ячеек памяти. Программа для решения данной задачи имеет вид:

{**********************************************************************}

Программа определение всех главных напряжении трехосной матрицы напряжений.

В программе использовано подпрограмма ЕIGЕМ из пакета программ для научных исследований фирмы IВМ

{**********************************************************************}

 DIMENSION S<6),R(?) С

# Задание матрицы в компактной форме

 S(1) = 10 Е06

 S(2) = 5 Е06

 S(3) = 20 Е06

 S(4) = 6 Е06

 S(5) = 4 Е06

 S(6) = 30 Е06

# Определение всех собственных значений методом Якоби

 CALL EIGEN(S,R,3,0)

# Печать собственные значении

 WRITE(6,100)

 WRITE(6,101) S(1),S(3),3(6)

100 FORMAT(1Х,'ТНЕ EIGENVALUES ARE'')

101 FORMAT(1X,E15.8)

STOP

END

 

Результат работы программы получаем в виде:

Собственные значения равны

0.33709179E 08

0.19149061E 08

0.71417603E 07

Метод LR

Этот метод первоначально был разработан Рутисхаузером в 1958 г. Метод основан на представлении матрицы A в виде произведения

А = LR,

где L — левая треугольная матрица с единичными диагональными элементами, а R — правая треугольная. Применяя преобразование подобия L-1 A R, видим, что,

A2 = L-1 A R = L-1 (RL)L = R L.

Следовательно,

Am-1 = L m-1 Rm-1,

Am = R m-1 Lm-1.

Этот процесс повторяется до тех пор, пока Ls не превратится в единичную матрицу Е, а Rs не приобретет квазидиагональную форму. Хотя этот метод очень удобен, он не всегда устойчив. Поэтому предпочтение часто отдают другому методу.

 

Метод QR

Метод QR. предложен Фрэнсисом в 1961 г. Соответствующий ему алгоритм определяется соотношением

Am = Q m Rm.

где Q m  — ортогональная матрица, а Rm — верхняя треугольная матрица. При использовании метода последовательно получаем

 Am+1 = Q mT Am Q m = Q mT Q m Rm Q m = Rm Q m.

В пределе последовательность матриц А стремится к квазидиагональной форме. Этот метод сложнее предыдущего и требует больших затрат машинного времени. Однако его устойчивость,обусловленная использованием ортогональных преобразующих матриц, обеспечила ему прочную репутацию лучшего метода решения задач самой общей формы.

Пример 3

Пусть требуется найти все собственные значения произвольной матрицы размерности 6 x 6

 

2,3	4,3	5,6	3,2	1,4	2,2
1,4	2,4	5,7	8,4	3,4	5,2
2,5	6,5	4,2	7,1	4,7	9,3
3,8	5,7	2,9	1,6	2,5	7,9
2,4	5,4	3,7	6,2	3,9	1,8
1,8	1,7	3,9	4,6	5,7	5,9

 

Сделаем это в два приема, приведя сначала матрицу с помощью преобразования подобия к виду Гсссенберга, затем с помощью разновидности метода QR найдем собственные значения. В приведенной ниже программе использованы две подпрограммы из пакета программ для научных исследований фирмы IВМ. Подпрограмма НSВС преобразует матрицу размерности 6 x 6 к форме Гессенберга, а подпрограмма АТЕIG позволяет найти собственные значения.

{**********************************************************************}

Программа определение всех собственных значений произвольной матрицы размерности 6х5. Используются подпрограммы НSВС и АТЕIG из пакета программ для научных исследований фирмы IBM

{**********************************************************************}

DIMENSION A(6,6),RR(6),RI(6),IANA(6)

READ(5,100)((A(I,J),J=1,6),I=1,6)

WRITE(6,104)

104   FORMAT(///lX,’THE ORIGINAL MATRIX IS AS FOLLOWS’)

WRITE(6,103)

103   FORMAT(1X,65(-'--'))

WRITE(6,101)((A(I,J),J=1,6),I=1,6)

WRITE(6,103)

FORMAT(6(1X,F10.5))

100   FORMAT(6F10.5)

CALL HSBG(6,A,6)

WRITE(6,105)

105   FORMAT(///1X,'THE MATRIX W HESSENBUR5 FORM IS') WRITE(6,103)

WRITE(6,101)((A(I,J),J=1,6),I=1,6)

WRITE(6,103)

CALL ATEIG(6,A,RR,RI,IANA,6)

WRITE(6,106)

FORHAT(///1X,'THE EIGENVALUES ARE AS FOLLOUS')

WRITE(6,107)

107   FORMAT (1X, 23(‘-‘),/,4X,’REAL',12X,’IMAG’,/,23(‘-‘))

WRITE(6,102)(RR(I),PKI),I=1,6)

WRITE(6,108)

108   FORMAT(1X,23(‘-‘))

FORMAT<2(2X,F10.5)»

STOP

END

Результат получаем в виде

Исходная матрица имеет вид

 

2.30000	4.30000	5.60000	3.20000	1,40000	2.20000
1.40000	2.40000	5.70000	8.40000	3.40000	5.20000
2.50000	6.50000	4.20000	7.10000	4.70000	9.30000
3.80000	5.70000	2.90000	1.60000	2.50000	7.90000
2.40000	5.40000	3.70000	6.20000	3.90000	1.80000
1.80000	1.70000	3.90000	4.60000	5.70000	5.90000

 

Матрица в форме Гессенберга.

 

-1.13162	3.20402 -0,	-0.05631	3.88246	1.40000	2.20000
-0.75823	0.07468 0,	0.48742	6.97388	5.37А35	10.36283
0.	1.13783 -2,	-2.63803	10.18618	7.15297	17.06242
0.	0.	3.35891	7. 50550	7.09754	13.92154
0.	0.	0.	13.36279	10.58947	16.78421
0.	0.	0.	0.	5.70000	5.90000

 

Собственные значения

-----------------------------------

Действит.    Миним.

-----------------------------------

25.52757	0.
-5.63130	0.
0.88433	3.44455
0.88433	-3.44455
-0.68247	1.56596
-0.68247	-1.56596

Список литературы

Для подготовки данной работы были использованы материалы с сайта http://www.refcentr.ru/

Собственные значения.

ВВЕДЕНИЕ

Целый ряд инженерных задач сводится к рассмотрению систем уравнений, имеющих единственное решение лишь в том случае, если известно значение некоторого входящего в них параметра. Этот особый параметр называется характеристическим, или собственным, значением системы. С задачами на собственные значения инженер сталкивается в различных ситуациях. Так, для тензоров напряжений собственные значения определяют главные нормальные напряжения, а собственными векторами задаются направления, связанные с этими значениями. При динамическом анализе механических систем собственные значения соответствуют собственным частотам колебаний, а собственные векторы характеризуют моды этих колебаний. При расчете конструкций собственные значения позволяют определять критические нагрузки, превышение которых приводит к потере устойчивости.

Выбор наиболее эффективного метода определения собственных значений или собственных векторов для данной инженерной задачи зависит от ряда факторов, таких, как тип уравнений, число искомых собственных значений и их характер. Алгоритмы решения задач на собственные значения делятся на две группы. Итерационные методы очень удобны и хорошо приспособлены для определения наименьшего и наибольшего собственных значений. Методы преобразований подобия несколько сложней, зато позволяют определить все собственные значения и собственные векторы.

В данной работе будут рассмотрены наиболее распространенные методы решения задач на собственные значения. Однако сначала приведем некоторые основные сведения из теории матричного и векторного исчислений, на которых базируются методы определения собственных значений.

НЕКОТОРЫЕ ОСНОВНЫЕ СВЕДЕНИЯ, НЕОБХОДИМЫЕ ПРИ РЕШЕНИИ ЗАДАЧ НА СОБСТВЕННЫЕ ЗНАЧЕНИЯ

В общем виде задача на собственные значения формулируется следующим образом:

AX = lX,

где A — матрица размерности n х n. Требуется найти n скалярных значений l и собственные векторы X, соответствующие каждому из собственных значений.

Основные определения матричного исчисления

1. Матрица A называется симметричной, если

аij = аij, где i, j = 1, 2,..., n.

Отсюда следует симметрия относительно диагонали

аkk, где k == 1, 2,..., n.

Матрица

 

1	4	5
4	3	7
5	7	2

 

является примером симметричной.

2. Матрица A называется трехдиагональной, если все ее элементы, кроме элементов главной и примыкающих к ней диагоналей, равны нулю. В общем случае трехдиагональная матрица имеет вид

 

*	*						0
*	*	*
	*	*	*
	.	.	.	.	.	.
					*	*	*
	0					*	*	*
							*	*

 

Важность трехдиагональной формы обусловлена тем, что некоторые методы преобразований подобия позволяют привести произвольную матрицу к этому частному виду.

 

3. Матрица A называется ортогональной, если

АТА = Е,

где Ат—транспонированная матрица A, а Е—единичная матрица. Очевидно, матрица, обратная ортогональной, эквивалентна транспонированной.

 

4. Матрицы А и В называются подобными, если существует такая несингулярная матрица Р, что справедливо соотношение

В = Р-1АР.

 

Основные свойства собственных значений.

1. Все п собственных значений симметричной матрицы размерности пХп, состоящей из действительных чисел, действительные. Это полезно помнить, так как матрицы, встречающиеся в инженерных расчетах, часто бывают симметричными.

2. Если собственные значения матрицы различны, то ее собственные векторы ортогональны. Совокупность п линейно независимых собственных векторов образует базис рассматриваемого пространства. Следовательно, для совокупности линейно независимых собственных векторов

Xi, где i == 1,..., n,

любой произвольный вектор в том же пространстве можно выразить через собственные векторы. Таким образом,

n

Y = S aiXi.

i=1

3. Если две матрицы подобны, то их собственные значения совпадают. Из подобия матриц A и В следует, что

В = Р-1АР.

Так как

АХ = lХ,

то               

Р-1АХ = lР-1Х.

Если принять Х == РY, то

Р-1АРY = lY,

а                    

ВY == lY.

Таким образом, матрицы A и В не только имеют одинаковые собственные значения, но и их собственные векторы связаны соотношением

Х = Р Y.

4. Умножив собственный вектор матрицы на скаляр, получим собственный вектор той же матрицы. Обычно все собственные векторы нормируют, разделив каждый элемент собственного вектора либо на его наибольший элемент, либо на сумму квадратов всех других элементов.