求解大型非对称稀疏线性方程组的FIMinpert算法

在Krylov子空间方法日益流行的今天,提出了又一求解大型稀疏线性方程组的Krylov子空间方法：灵活的IMinpert算法（即FIMinpert算法）。FIMinpert算法是在Minpert算法的截断版本即IMinpert算法的基础上结合右预处理技术,对原方程组作某些预处理来降低系数矩阵的条件数,从而大大加快迭代方法的收敛速度。给出了新算法的详细的理论推理过程和具体执行,并且通过数值实验表明,FIMinpert算法的收敛速度确实比IMinpert算法和GMRES算法快得多。     

用修改的Lanczos方法解大型稀疏线性方程组

引言 解大型稀疏线性方程组Ax=b,已有许多方法,但这些方法基本上是针对对称正定矩阵或非零元分布较有规律的矩阵。对于一般的特大型稀疏矩阵的有效解法还在寻找过程中,其中一个途径是从Lanczos方法入手,采取各种变形。 我们受Paige和Saunders的算法SYMMLQ的启发,提出了两种解大型稀疏非对称     

大型稀疏线性方程组的一种压缩求解算法

求解线性代数方程组是工程上经常遇到的问题,而它们的系数矩阵又往往是大型稀疏矩阵。文章介绍了一种简单易行,并且已经用C语言实现了的求解这类方程组的压缩算法。最后,还对压缩和非压缩算法进行了比较。     

求解线性方程组的块异步迭代并行算法

本文直接从并行计算的观点出发,构造了一类适用于多处理机系统的求解线性方程组的块异步迭代并行算法,并对其收敛性条件进行了严格的理论分析。分析结果充实并完善了这一领域的理论。     

求解线性方程组的块异步迭代并行算法

本文直接从并行计算的角度出发,给出了一类适用于多处理机系统(MIMD)上的求解线性方程组的块异步迭代并行算法,并对其收敛性进行了详细的理论分析。该算法及其理论分析结果完善并发展了这一领域的理论。     

解大型稀疏线性方程组的一种有效并行ICCG法

该文分析了不完全Cholesky分解预处理共轭梯度（ICCG）法各部分的计算量,给出了占ICCG法主要计算时间的解预处理方程的并行算法,它既有比目前迭代算法快的收敛速度,又有较好的并行度。     

大型稀疏线性方程组新的ICCG方法

有限元线性方程组的系数矩阵一般具有稀疏性和对称性的特点,全稀疏存贮方法就是利用这些特点,只存贮对称部分的非零元素,采用链表式管理,即节省存贮空间,又便于动态更改．在完全Cholesky分解的基础上,构造出了新的预处理方法,应用适当的对角元修正策略,得到了一种新的ICCG方法,能够确保方程组高效准确的分解和求解．数值算例证明该算法在时间和存贮上都较为占优,可靠高效,能够应用于有限元线性方程组的求解．     

大型直线稀疏阵列的迭代FFT算法优化

提出了一种基于迭代FFT算法的大型直线稀疏阵列(可放置阵元的栅格数为1 000)的旁瓣电平优化方法,并给出了详细的优化步骤.在给定的旁瓣约束条件下,利用阵列因子与阵元激励之间存在的傅里叶变换关系,对不同的初始随机阵元激励分别进行迭代循环来降低稀疏阵列的旁瓣电平.在迭代过程中,根据稀疏率将阵元激励按幅度大小置1置0来完成阵列稀疏.仿真实验证明了该方法的高效性和稳健性.     

解大规模线性方程组的Mann迭代并行算法

利用实函数不动点的Mann迭代算法,提出了一种求解大规模线性方程组新的并行算法,分析了算法的并行加速比,讨论了算法在基于消息传递机制的MPI并行环境下的实现流程,给出了并行环境上的实验.该算法适用范围广,数值计算结果表明理论分析与实际计算相符合,算法在并行环境下具有较好的并行度,可适合大规模科学与工程的高性能计算.     

大型稀疏线性方程组符号LU分解法

基于有限元总刚矩阵的大规模稀疏性、对称性等特性,采用全稀疏存储结构以及最小填入元算法,使得计算机的存储容量达到最少。为了节省计算机的运算时间,对总刚矩阵进行符号LU分解方法,大大减少了数值求解过程中的数据查询。这种全稀疏存储结构和符号LU分解相结合的求解方法,使大规模稀疏线性化方程组的求解效率大大提高。数值算例证明该算法在时间和存贮上都较为占优,可靠高效,能够应用于有限元线性方程组的求解。     

CHOLESKY分解求解大型稀疏线性方程组的并行算法

ＣＨＯＬＥＳＫＹ分解求解大型稀疏线性方程组的并行算法王思群，魏紫銮（中国科学院计算数学与科学工程计算研究所）ＡＰＡＲＡＬＬＥＬＡＬＧＯＲＩＴＨＭＦＯＲＳＯＬＶＩＮＧＬＡＲＧＥＳＰＡＲＳＥＬＩＮＥＡＲＳＹＳＴＥＭＳＯＦＥＱＵＡＴＩＯＮＳＶＩＡＣＨＯＬＥ...     

关于非对称线性方程组的新迭代算法

５１．引言 二阶椭圆型非对称方程是一类重要的科学工程计算的数学模型,如对流扩散和油藏模拟方程等,有着广泛的实际应用背景．文献［２］和［３］基于原始微分方程及对应的离散问题提出了正定可对称化的新概念．基于这一概念及文山我们研究针对二维和三维二阶常系数非对称椭圆型方程数值模型的新选代算法,首先考虑下面的一维椭圆型问题：对区间［０,１］均匀剖分后得ｎ＋２节点,即ｘ;一ｉ·ｈ;ｉ＝０,··,,ｎ＋１,其中ｈ＝／（＋１）．如果用中心差分格式离散方程（１．１）,则在节点Ｘ;有如下差分方程： 一（１＋ｗＮ。;－…     

大规模稀疏线性方程组的GMRES-GPU快速求解算法

重开始广义极小残量法(GMRES)是求解大规模线性方程组的常用算法之一,具有收敛速度快、稳定性好等优点.文中基于CUDA将GMRES算法在GPU上进行并行算法实现,尤其针对稀疏矩阵矢量乘法运算,通过合并访问和共享内存策略相结合的手段使得算法效率大幅度提升.对于大规模数据集,在GeForce GTX 260上的运行结果相对于Intel Core 2 Quad CPU Q9400@2.66GHz得到了平均40余倍的加速效果,相对于Intel Core i7 CPU 920@2.67 GHz也可得到平均20余倍的加速效果.     

线性方程组并行解的计算模型

Ax=6的求解过程可以用非循环的有向图做成模型。在这种有向图中,结点代表适用于 A 的各个元素的算术运算,弧代表在求解过程中存在于运算之间的优先关系。用这个模型可以识别能够并行完成的运算,而且从中可以求出用最少的时间来解方程式所需的绝对的最小完成时间和处理器最低数量的下限。文中导出了模型的特性。胡氏的级调度策略适用于稀疏矩阵方程组的例子,其结果是警人地好。发现利用并行处理的加速,在它是 A 的数量级的百分之10—20左右时,是与处理器教目成正比的。     

大型线性方程组求解的可验证外包算法

随着云计算的发展,可验证的外包计算受到了越来越多的关注。对普通用户来说,大型线性方程组的求解是一个困难问题,可通过外包计算进行解决。现有的大型线性方程组外包求解方案计算效率较低或计算结果无法完全验证。本文提出了一个可验证的大型线性方程组求解的外包计算协议。在完全保护用户隐私的前提下,所提方案大大提高了用户的计算效率。与同类方案相比,所提方案降低了用户的计算代价,且用户可以完全验证服务器的外包计算结果。     

一种循环分布的Guass-Seidel迭代算法求解线性方程组

针对基于工作站网络环境下,处理机的运算速度较快而处理机间的通信相对较慢的实际情况,给出了一种基于行循环分布的并行求解线性方程组的Guass-Seidel迭代算法.该算法将方程组的增广矩阵按行循环分布存储在各处理机中,循环传送每一次的迭代向量以减少处理器间的通信次数,同时,采用计算与通信部分重叠技术,提高并行算法的效率.同时用8台PC机联成局域网,在DebianLinux4.0操作系统、MPICH1.2.7并行计算平台上对该算法进行了数值实验,实验结果表明,该算法较传统的基于行带状分布的Guass-Seidel并行迭代算法优越.     

求解三对角线性方程组的迭代对角占优算法

针对并行求解三对角线性方程组的对角占优(PDD)算法,在系数矩阵为弱对角占优时,近似处理引入误差较大的问题,提出了一种PDD算法的迭代方案。该方案在解的修正值计算中采用迭代方法,计算精度得到了提高;通过对算法的误差分析,导出了算法在给定误差下迭代次数的估算式;数值实验说明了算法的有效性。通过对迭代与非迭代的PDD算法的复杂性分析,迭代算法的计算复杂性增加很小,但通信复杂性随迭代次数成倍增加。     

稀疏的线性方程组的并行解法

线性方程稀疏系统的解被人们认为是执行一组优先关系式赖以存在的一组操作(任务)。每次操作通过最早的执行时间,最后的执行时间以及运算时间予以描述。文章对两个极小值问题展开了讨论。其一,寻找一种选主元素的次序对方程组的稀疏矩阵进行三角剖分,需用无限个并行处理器,使三角剖分所需时间为最小。其二,是给出一稀疏矩阵之后,我们希望用最少量的并行处理器完成限定时间内的三角剖分。文章给出了处理器数量上下限范围。     

一种改进的稀疏迭代最近点算法

稀疏迭代最近点算法是针对含有噪声点的点云配准提出的,但它却存在对目标点云中的离群点敏感、运行效率低等问题。针对这些问题,基于邻域信息的对应点对寻找方法提出了一种改进的稀疏迭代最近点算法。改进的稀疏迭代最近点算法首先使用改进的基于PCA的点云初始配准调整两片点云的位置,而后使用基于邻域信息的对应点对寻找方法为精配准寻找对应点对,针对对应点对,使用乘法器的交替方向法(ADMM)求得最优的变换矩阵。实验表明,对含离群点的斯坦福兔子、盆栽等点云来说,改进后的算法能够处理目标点云含有离群点的情况,并且算法的配准速度平均提高了30%。