Autovalores do Laplaciano - Departamento de Matemática - UFMG
Autovalores do Laplaciano - Departamento de Matemática - UFMG
Autovalores do Laplaciano - Departamento de Matemática - UFMG
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Rodney Josué Biezuner 149<br />
Os autovalores restantes <strong>de</strong> A serão os autovalores <strong>de</strong> Ak, que é uma matriz (n − 1) × (n − 1), <strong>de</strong> mo<strong>do</strong> que<br />
po<strong>de</strong>mos efetuar iterações subseqüentes nesta matriz. Operan<strong>do</strong> <strong>de</strong>sta forma, a cada autovalor encontra<strong>do</strong><br />
diminuímos o tamanho da matriz, diminuin<strong>do</strong> o custo computacional (é claro que a cada autovalor encontra<strong>do</strong><br />
<strong>de</strong>vemos também consi<strong>de</strong>rar um novo <strong>de</strong>slocamento, aproximan<strong>do</strong> o próximo autovalor a ser encontra<strong>do</strong>).<br />
8.4 Méto<strong>do</strong>s para Matrizes Esparsas<br />
O algoritmo QR não é conveniente para obter os autovalores <strong>de</strong> matrizes esparsas, já que <strong>de</strong>pois <strong>de</strong> uma<br />
iteração QR a matriz A1 já <strong>de</strong>ixa <strong>de</strong> ser esparsa (po<strong>de</strong>-se construir exemplos em que todas as posições<br />
superiores da matriz <strong>de</strong> Hessenberg são preenchidas; veja [Watkins], Exercício 6.3.24). Precisaremos <strong>de</strong><br />
méto<strong>do</strong>s que não preenchem os zeros da matriz esparsa A. Uma possibilida<strong>de</strong> é voltar ao méto<strong>do</strong> <strong>de</strong> iteração<br />
<strong>de</strong> subespaços básico, sem as mudanças <strong>de</strong> coor<strong>de</strong>nadas a cada iteração que caracterizam o méto<strong>do</strong> QR e<br />
alteram a forma esparsa da matriz. Por outro la<strong>do</strong>, isso implica que apenas alguns poucos autovalores <strong>de</strong><br />
maior módulo po<strong>de</strong>m ser calcula<strong>do</strong>s. Para contornar este problema, <strong>de</strong>ve-se usar as estratégias <strong>de</strong> iteração<br />
inversa e iteração com <strong>de</strong>slocamento.<br />
Entretanto, méto<strong>do</strong>s mais sofistica<strong>do</strong>s e eficientes existem para encontrar os autovalores <strong>de</strong> uma matriz<br />
esparsa.<br />
8.4.1 Processo <strong>de</strong> Arnoldi<br />
O processo <strong>de</strong> Arnoldi foi introduzi<strong>do</strong> em 1950, mas só entrou em moda para calcular autovalores apenas na<br />
década <strong>de</strong> 1970. Atualmente, ele e suas variantes, são o méto<strong>do</strong> preferi<strong>do</strong> para o cálculo <strong>de</strong> autovalores em<br />
várias aplicações.<br />
O méto<strong>do</strong> das potências (ou mesmo o méto<strong>do</strong> da iteração <strong>de</strong> subespaços) utiliza apenas a informação <strong>do</strong><br />
último itera<strong>do</strong> para calcular o próximo itera<strong>do</strong>. A idéia <strong>do</strong> processo <strong>de</strong> Arnoldi (semelhante à <strong>do</strong> algoritmo<br />
<strong>do</strong> gradiente conjuga<strong>do</strong>) é usar toda a informação <strong>do</strong>s passos anteriores. Depois <strong>de</strong> k passos no méto<strong>do</strong><br />
das potências, guardamos to<strong>do</strong>s os k + 1 vetores q, Aq, A 2 q, . . . , A k q e procuramos boas aproximações <strong>de</strong><br />
autovetores no subespaço (k + 1)-dimensional gera<strong>do</strong> por estes vetores.<br />
Na prática, como já vimos antes, os vetores q, Aq, A 2 q, . . . , A k q formam uma base mal-condicionada para<br />
o subespaço, porque ten<strong>de</strong>m a apontar na mesma direção <strong>do</strong> autovetor <strong>do</strong>minante, logo em cada iteração<br />
substituímos esta base por uma base ortonormal q1, . . . , qk+1. Isso é realiza<strong>do</strong> pelo algoritmos <strong>de</strong> Gram-<br />
Schmidt com uma pequena modificação. Se trabalhássemos com a seqüência original q, Aq, A 2 q, . . . , A k−1 q,<br />
para obter A k q bastaria multiplicar A k−1 q por A. Como em cada passo usamos o algoritmo <strong>de</strong> Gram-Schmidt<br />
para ortonormalizar o conjunto <strong>de</strong> vetores obti<strong>do</strong>s anteriormente, o vetor A k−1 q não está disponível. Ao<br />
invés, multiplicamos o vetor qk por A e é necessário apenas ortonormalizar o vetor Aqk com relação aos<br />
vetores q1, . . . , qk para obter o vetor qk+1. Este é o processo <strong>de</strong> Arnoldi.<br />
Mais <strong>de</strong>talhadamente, no primeiro passo temos<br />
Em passos subseqüentes, tomamos<br />
on<strong>de</strong><br />
qk+1 = Aqk −<br />
q1 = q<br />
. (8.19)<br />
q<br />
k<br />
hjkqj, (8.20)<br />
j=1<br />
qk+1 = qk+1<br />
, (8.21)<br />
qk+1<br />
hjk = 〈Aqk, qj〉 , se j = 1, . . . , k, (8.22)<br />
hk+1,k = qk+1 . (8.23)