Блочный регуляризованный метод Качмажа


Цитировать

Полный текст

Аннотация

Данная статья посвящена модификации итерационного варианта блочного алгоритма Качмажа для решения задачи регуляризации, который является одним из достаточно эффективных методов для задач большой размерности. Важной характеристикой итерационных методов является скорость сходимости, которая зависит от числа обусловленности исходной задачи. Основным недостатком многих итерационных методов является большое число обусловленности, а у методов, основанных на нормальных уравнениях, число обусловленности системы равно квадрату числа обусловленности исходной задачи. В настоящее время для повышения скорости сходимости итерационных методов используются различные типы предобуславливателей, позволяющие снизить число обусловленности системы уравнений. Недостатками данного подхода являются высокая вычислительная сложность, а также отсутствие универсального предобуславливателя, который мог бы применяться для любого итерационного метода. Одним из эффективных подходов для повышения скорости сходимости метода применение использование блочного варианта используемого метода. В связи с этим в данной работе предлагается оригинальная модификация блочного метода Качмажа для задачи регуляризации, которая позволит уменьшить вычислительную сложность и таким образом повысить скорость сходимости алгоритма. В статье приводится доказательство сходимости предложенного варианта блочного метода Качмажа.

Об авторах

Екатерина Юрьевна Богданова

Самарский государственный технический университет

Email: fwinter@yandex.ru
аспирант, каф. высшей математики и прикладной информатики Россия, 443100, Самара, ул. Молодогвардейская, 244

Список литературы

  1. Тихонов А. Н., Арсений В. Я. Методы решения некорректных задач. М.: Наука, 1979. 284 с.
  2. Gill P. E., Murray W., Saunders M. A. Preconditioners for indefinite systems arising in optimization // SIAM. J. Matrix Anal. Appl., 1992. vol. 13, no. 1. pp. 292-311. doi: 10.1137/0613022.
  3. Benzi M. Preconditioning Techniques for Large Linear Systems: A Survey // J. Comput. Phys., 2002. vol. 182, no. 2. pp. 418-477. doi: 10.1006/jcph.2002.7176.
  4. Benzi M., Tuma M. A comparative study of sparse approximate inverse preconditioners // Appl. Numer. Math., 1999. vol. 30, no. 1-2. pp. 305-340. doi: 10.1016/S0168-9274(98)00118-4.
  5. Bergamaschi L., Pini G., Sartoretto F. Aproximate inverse preconditioning in the parallel solution of sparse eigenproblems // Numer. Linear Algebra Appl., 2000. vol. 7, no. 3. pp. 99-116. doi: 10.1002/(SICI)1099-1506(200004/05)7:3<99::AID-NLA188>3.0.CO;2-5.
  6. Benzi M., Joubert W. D., Mateescu G. Numerical experiments with parallel orderings for ILU preconditioners // ETNA. Electronic Transactions on Numerical Analysis, 1999. vol. 8. pp. 88-114, http://eudml.org/doc/119978.
  7. Bocs˛an Gh. Convergence of iterative methods for solving random operator equations // J. Nonlinear Sci. Appl., 2013. vol. 6, no. 1. pp. 2-6, http://www.tjnsa.com/includes/files/articles/Vol6_Iss1_2--6_Convergence_of_iterative_methods_fo.pdf.
  8. Gower R. M., Richtárik P. Randomized Iterative Methods for Linear Systems // SIAM. J. Matrix Anal. & Appl., 2015. vol. 36, no. 4. pp. 1660-1690, arXiv: 1506.03296 [math.NA].
  9. Жданов А. И., Сидоров Ю. В. Параллельная реализация рандомизированного регуляризованного алгоритма Качмажа // Компьютерная оптика, 2015. Т. 39, № 4. С. 536-541. doi: 10.18287/0134-2452-2015-39-4-536-541.
  10. Ivanov A. A., Zhdanov A. I. Kaczmarz algorithm for Tikhonov regularization problem // Applied Mathematics E-Notes, 2013. vol. 13. pp. 270-276, http://www.math.nthu.edu.tw/~amen/2013/1302252(final).pdf.
  11. Васильченко Г. П., Светлаков А. А. Проекционный алгоритм решения систем линейных алгебраических уравнений большой размерности // Ж. вычисл. матем. и матем. Физ., 1980. № 1. С. 3-10.
  12. Tanabe K. Projection method for solving a singular system of linear equation and its applications // Numer. Math., 1971. vol. 17, no. 3. pp. 203-214. doi: 10.1007/BF01436376.
  13. Strohmer T. A., Vershynin R. A randomized Kaczmarz algorithm for linear systems with exponential convergence // J. Fourier Anal. Appl., 2009. vol. 15. pp. 262-278. doi: doi: 10.1007/s00041-008-9030-4.
  14. Kaczmarz S. Angenäherte Auflösung von Systemen linearer Gleichungen // Bull. Int. Acad. Polon. Sci. A, 1937. vol. 35. pp. 335-357, http://jasonstockmann.com/Jason_Stockmann/Welcome_files/kaczmarz_english_translation_1937.pdf.
  15. Morozov V. A. Methods of Solving Incorrectly Posed Problems. New York: Springer Verlag, 1984. xviii+257 pp. doi: 10.1007/978-1-4612-5280-1.
  16. Hämarik U., Palm R., Raus T. A family of rules for parameter choice in Tikhonov regularization of ill-posed problems with inexact noise level // Comput. Appl. Math., 2012. vol. 236, no. 8. pp. 2146-2157. doi: 10.1016/j.cam.2011.09.037.
  17. Долишний В. В., Жданов А. И. Вычисление параметра регуляризации методом перекрестной значимости на основе эквивалентных нормальных расширенных систем / Труды седьмой Всероссийской научной конференции с международным участием: Информационные технологии в математическом моделировании. Часть 4 (3-6 июня 2010 г.) / Матем. моделирование и краев. задачи. Самара: СамГТУ, 2010. С. 52-55.
  18. Жданов А. И. Оптимальная регуляризация решений приближенных стохастических систем линейных алгебраических уравнений // Ж. вычисл. матем. и матем. физ., 1990. Т. 30, № 10. С. 1588-1593.
  19. Жданов А. И. Метод расширенных регуляризованных нормальных уравнений // Ж. вычисл. матем. и матем. физ., 2012. Т. 52, № 2. С. 205-208.
  20. Жданов А. И. Об одной модификации итерационного алгоритма Качмажа / Труды седьмой Всероссийской научной конференции с международным участием: Информационные технологии в математическом моделировании. Часть 4 (3-6 июня 2010 г.) / Матем. моделирование и краев. задачи. Самара: СамГТУ, 2010. С. 75-77.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Самарский государственный технический университет, 2016

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).