ЗАДАЧА НА СОБСТВЕННЫЕ ЗНАЧЕНИЯ

Определение главных напряжений, свободные колебания, устойчивость и пр.

[A ]{x} = λ {x}.
λ - собственное значение квадратной матрицы [ A ] ;
{x } -собственный вектор квадратной матрицы [ A ] .
([A ] - λ E ){x} = 0 ,
Задача имеет ненулевое решение если
[ ]
det A - λ E = 0 - (вековое уравнение)
a 11 - λ a 12 L a 1n
a 21 a 22 - λ L a 2n
D(λ ) = det =0 .
L L L L
a n1 a n2 L a nn - λ

Свойства собственных векторов

Умножение собственного вектора на скаляр дает собственный вектор той же матрицы.

Обычно собственный вектор нормируют, разделив все его компоненты на норму этого
вектора.
Собственные вектора матрицы, соответствующие различным собственным значениям
ортогональны
j = k;
{x}Tj {x}k = ⎧⎨01,, при
при j ≠ k.
⎩

Квадратные матрицы [B ] и [A ] одного размера подобны, если [B] = [P ] [A ][P ], где [P ] -

−1

матрица подобия, также квадратная. Обычно для преобразования подобия используют

ортогональные матрицы, т.е. такие, что [P] = [P] .
−1 T

Если матрицы подобны, то их собственные значения совпадают

[A ]{x} = λ{x} ⇒ [P]−1 [A ]{x} = λ [P]−1{x}.
Пусть {x} = [P ]{y},
тогда [P ] [A ][P]{y} = λ [P]−1 [P]{y} и
−1

[B]{y} = λ {y}.
{x}T [A ]{x}
λ= - соотношение Рэлея
{x}T {x}
 Прямой метод
Раскрываем определитель
D(λ ) = λm + p 1λm-1 + p 2 λm- 2 + ... + p m-1λ + p m = 0 -характеристическое уравнение
Корни уравнения: λ 1 , λ 2 ,..., λ m
Следствие: Собственными значениями треугольной матрицы являются ее диагональные
элементы.
a 11 − λ a 12 a 13 ... a 1m
0 a 22 − λ a 23 ... a 2m
D(λ ) = det 0 0 ... ... ... = ( a 11 − λ )(a 22 − λ )...( a mm − λ ) = 0.
... ... ... ... ...
0 0 0 ... a mm − λ
Откуда λ 1 = a 11 , λ 2 = a 22 , L , λ m = a mm .
Это же правило справедливо и для диагональных матриц.
Пример: Решить задачу на собственные значения для матрицы A = [ ] ⎡1 2⎤
⎢⎣ 4 3 ⎥⎦

det 1 − λ 2 = (1 − λ )(3 − λ ) − 8 = λ2 − 4 λ − 5 = 0 , откуда λ = 5 , λ = −1.

4 3−λ 1 2

Определяем собственные вектора {x}1 и {x}2 .

⎡ 1 2 ⎤ ⎧ x 1 ⎫ = 5 ⎧ x 1 ⎫ ⇒ x 1 + 2 x 2 = 5 x 1 ⇒ 2 x 1 − x 2 = 0 два одинаковых уравнения,
⎢⎣ 4 3 ⎥⎦ ⎨⎩ x 2 ⎬⎭ ⎨x ⎬
⎩ 2⎭ 4 x 1 + 3x 2 = 5x 2 2x 1 − x 2 = 0
система вырождена. Примем x 1 = 1, тогда x 2 = 2 .
 2
Обычно компоненты вектора нормируют так, чтобы x = ∑ x i = 1.
i

Для этого определим длину вектора x 12 + x 22 = 12 + 2 2 = 5 . Нормированные значения

вектора

{x}1 = ⎧⎨ 1 2 ⎫
⎬.
⎩ 5 5⎭
⎡ 1 2 ⎤ ⎧ x 1 ⎫ = − ⎧ x 1 ⎫ ⇒ x 1 + 2x 2 = − x 1 ⇒ x 1 + x 2 = 0
⎢⎣ 4 3 ⎥⎦ ⎨⎩ x 2 ⎬⎭ ⎨x ⎬ два одинаковых уравнения,
⎩ 2⎭ 4 x 1 + 3x 2 = − x 2 x1 + x2 = 0
система вырождена. Примем x 1 = 1, тогда x 2 = −1.
Нормированные значения вектора

{x}2 = ⎧⎨ 1 −
1 ⎫
⎬.
⎩ 2 2⎭
Видим, что любой собственный вектор удовлетворяет условию
{x}T {x} = x 12 + x 22 + ... + x m2 = 1
Для задачи большей размерности характеристическое уравнение решают численно
итерационными методами. Однако, если встречаются кратные корни, то эти методы не годятся.
Поэтому используется другая группа методов – также итерационные.
 ITERACYJNE METODY
Stwierdzenie największego własnego wartości
iteracyjną metodą
Определение наибольшего собственного значения
итерационным методом

[A ]{x} = λ {x}.
Jest m własnych wartości λ 1 > λ 2 > ... > λ m .
λ 1 znajdują z riekurientnoj konsekwencji

{x}(1) = [A ]{x}( o ) = [A ]{x};

{x}( 2 ) = [A ]{x}(1) = [A ][A ]{x} = [A ]2 {x};
LLLLLLLLLLLLLLLLLLLL
{x}(k ) = [A ][A ]k −1 {x} = [A ]k {x};
{x}(k + 1) = [A ][A ]k {x} = [A ]k + 1 {x};

x i( k + 1)
λ (1k) = max , i=1,2,…,m.
x i( k )
 x i(k + 1) x i(k + 1)
Umowa zakończenia procesu max − min ≤ε
x i(k ) x i(k )

Przykład 1:
⎡3 1 0 ⎤
[A ] = ⎢ 1 2 2 ⎥ .
⎢⎣0 1 1⎥⎦
Zadajemy początkowy wektor {x} = {1 1 1}.
Wykonujemy 10 powtarzań {x}(1) = [A ]{x}; {x}( 2 ) = [A ]2 {x}; ... {x}(10 ) = [A ]10 {x}.

{x} [A ]{x} [A ]2 {x} [A ]3 {x} [A ]4 {x} [A ]5 {x} [A ]6 {x} [A ]7 {x} [A ]8 {x} [A ]9 {x} [A ]10 {x} 10/9
λ1
1 4 17 69 274 1075 4189 16260 62973 243569 941370 3.865
1 5 18 67 253 964 3693 14193 54650 210663 812585 3.867
1 2 17 25 92 345 1309 5002 19195 73845 284508 3.853
x 3 6.708 30.0333 99.373 384.121 1484.57 5735.80 22156 85560.9 330390 1275702

k+ - 3.872 4.477 3.308 3.865 3.863 3.863 3.863 3.861 3.861 3.861
1/k
 3.865 + 3.867 + 3.853
Razem λ 1 ≈ = 3.858 .
3
⎧⎪ 941370 ⎫⎪
Własny wektor {x} = ⎨ 812585 ⎬ .
⎪⎩ 284508 ⎪⎭
Norma (długość) wektora x = 941370 2 + 812585 2 + 284508 2 = 1280000 .
{x}
Normujemy . Otrzymujemy
x
{x}1 = {0.74 0.64 0.22}; λ 1 = 3.858 .

Przykład 2:
⎡ 72 252 54 ⎤ ⎧⎪ 0.5 ⎫⎪
[A ] = ⎢126 486 121.5 ⎥ , początkowe znaczenie {x} = ⎨ 1 ⎬ .
⎣⎢ 54 243 90 ⎥⎦ ⎪⎩ 0.5 ⎪⎭

1 krok:
⎡ 72 252 54 ⎤ ⎧⎪ 0.5 ⎫⎪ ⎧⎪ 315 ⎫⎪ 1 ⎧⎪ 0.4174 ⎫⎪ 1 ⎧⎪ 0.4174 ⎫⎪
⎢126 486 121 .5 ⎥ ⎨ 1 ⎬ = ⎨ 609 ⎬ = ⎨ 0.8071 ⎬ = ⎨ 0.8071⎬
⎢⎣ 54 243 90 ⎥⎦ ⎪⎩ 0.5 ⎪⎭ ⎪⎩ 315 ⎪⎭ 315 + 609 + 315 ⎪⎩ 0.4174 ⎪⎭ 754 .54 ⎪⎩ 0.4174 ⎪⎭
2 2 2

λ(11) = 754.54
2 krok:
⎡ 72 252 54 ⎤ ⎧⎪ 0.4174 ⎫⎪ ⎧⎪ 255.98 ⎫⎪
⎢126 486 121.5 ⎥ ⎨ 0.8071⎬ = ⎨ 495.55 ⎬ =
⎢⎣ 54 243 90 ⎥⎦ ⎪⎩ 0.4174 ⎪⎭ ⎪⎩ 256.23 ⎪⎭
1 ⎧⎪ 0.4170 ⎫⎪ 1 ⎧⎪ 0.4170 ⎫⎪
= ⎨ 0.8073 ⎬ = ⎨ 0.8073 ⎬
2 2 2
255.98 + 495.55 + 256.23 ⎪⎩0.4174 ⎪⎭ 613 . 805 ⎪⎩0.4174 ⎪⎭
754.54 − 613.805
λ(12 ) = 613.805 = 0.186
754.54
3 krok:
⎡ 72 252 54 ⎤ ⎧⎪ 0.4170 ⎫⎪ ⎧⎪ 256.00 ⎫⎪
⎢126 486 121.5 ⎥ ⎨ 0.8073 ⎬ = ⎨ 497.60 ⎬ =
⎢⎣ 54 243 90 ⎥⎦ ⎪⎩0.4174 ⎪⎭ ⎪⎩ 256.25 ⎪⎭
1 ⎧⎪ 0.4159 ⎫⎪ 1 ⎧⎪ 0.4159 ⎫⎪
= ⎨0.8075 ⎬ = ⎨0.8075 ⎬
2 2 2
256.00 + 497.60 + 256.25 ⎪⎩ 0.4163 ⎪⎭ 615 . 47 ⎪⎩ 0.4163 ⎪⎭
613.805 − 615.47
λ(13 ) = 615.47 = 0.0027 < 0.001.
615.47
Proces zatrzymujemy. Ostatecznie λ 1 = 615.47; {x} = {0.4159 0.8075 0.4163}
 Stwierdzenie najmniejszego własnego wartości
iteracyjną metodą

[A ]−1 [A ]{x} = λ [A ]−1{x},

[A ]−1 {x} = 1 {x}.
λ
W ten sposób, trzeba znaleźć największą własną wartość powrotnej matrycy powrotnej matrycy.
Таким образом, необходимо найти наибольшее собственное значение обратной матрицы.

Stwierdzenie dzielących własnych wartości Определение промежуточных собственных значений

[A ] = [A] − λ {x} {x} ⇒ [A] = [A ] + λ {x} {x}

*
1 1
T
1
*
1 1
T
1

([A ] + λ {x} {x} ){x} = λ {x} .

*
1 1
T
1 j j j

⎧ 1, при j = 1;
Ponieważ Т.к. {x}1 {x}j = ⎨
T
⎩ 0, при j ≠ 1.

to dla то для j ≠ 1 [A ]{x}

*
j = λ j {x}j .
Teraz znajdujemy największą własną wartość dla matrycy Теперь находим наибольшее собственное
*
[ ]
значение для матрицы A . To będzie Это будет λ 2 .
 Pozostałe własne wartości λ 3 > λ 4 > ... > λ m − 1 znajdujemy analogicznie Остальные собственные
значения находим аналогично.

METODA PRZEKSZTAŁCENIA PODOBIEŃSTWA-METODA JAKOBIEGO (Obroty)

МЕТОД ПРЕОБРАЗОВАНИЯ ПОДОБИЯ ЯКОБИ (Вращения)

Za pomocą przekształcenia podobieństwa [B] = [P ] [A ][P ] matrycę doprowadzają do

−1

ukośnego rodzaju. С помощью преобразования подобия матрицу приводят к диагональному виду.

Wykorzystuje się dla symetrycznych matryc, a matrycę przekształcenia przyjmują ortogonalnej
[P]−1 = [P]T Используется для симметричных матриц, а матрицу преобразования принимают ортогональной.
Matryca przekształcenia Матрицу преобразования принимают в виде
j k
1
1
...
j cos θ ... sin θ
[P] = ... ... ...
k − sin θ ... cos θ
...
1
1
 ⎡cos θ ... − sin θ ⎤ ⎡ a jj ... a jk ⎤ ⎡ cos θ ... sin θ ⎤
[B] = ⎢ ... ... ... ⎥ ⎢ ... ... ... ⎥ ⎢ ... ... ... ⎥ =
⎢⎣ sin θ ... cos θ ⎥⎦ ⎢a ⎥
... a kk ⎢⎣ − sin θ ... cos θ ⎥⎦
⎣ kj ⎦
⎡ a jj cos 2 θ − 2a jk sin θ cos θ + a kk sin 2 θ ... (a jj − a kk ) sin θ cos θ + a jk (cos 2 θ − sin2 θ )⎤
= ⎢⎢ ... ... ... ⎥
( ) (2
⎢⎣ a jj − a kk sin θ cos θ + a jk cos θ − sin θ
2
) ... a jj sin 2 θ + 2a jk
⎥
sin θ cos θ + a kk cos 2 θ ⎥
⎦

Niech Пусть b jk = 0 , t.j. т.е.

(a jj − a kk ) sin θ cos θ + a jk (cos 2 θ − sin 2 θ ) = 0 ,
2a jk
Wtedy Тогда tg2θ = − .
a jj − a kk

Proces iteracyjny, t.j. ma n kroków Процесс итерационный, т.е. имеет n шагов

[B]n = [P]nT [P]nT−1 ...[P]1T [A ][P]1 [P]2 ...[P]n .

Na każdym kroku bierze się równym zeru maksymalny po module pozaukośny element. На каждом шаге
обнуляется максимальный по модулю внедиагональный элемент
Po zakończeniu procesu, przyjmują λ i = b ii . По окончанию процесса, принимают.