lsqr

선형 연립방정식 풀기 — 최소제곱법

구문

x = lsqr(A,b)

x = lsqr(A,b,tol)

x = lsqr(A,b,tol,maxit)

x = lsqr(A,b,tol,maxit,M)

x = lsqr(A,b,tol,maxit,M1,M2)

x = lsqr(A,b,tol,maxit,M1,M2,x0)

[x,flag] = lsqr(___)

[x,flag,relres] = lsqr(___)

[x,flag,relres,iter] = lsqr(___)

[x,flag,relres,iter,resvec] = lsqr(___)

[x,flag,relres,iter,resvec,lsvec] = lsqr(___)

설명

x = lsqr(A,b)는 최소제곱법 방법을 사용하여 x에 대한 선형 연립방정식 A*x = b를 풉니다. lsqr은 norm(b-A*x)를 최소화하는 x의 최소제곱해를 구합니다. A가 해를 가질 경우 최소제곱해가 바로 선형 시스템의 해가 됩니다. 시도가 성공한 경우 lsqr은 수렴을 확인하는 메시지를 표시합니다. 최대 반복 횟수 이후에도 lsqr이 수렴하지 않거나 어떠한 이유로든 중단될 경우 상대 잔차 norm(b-A*x)/norm(b)와, 이 계산이 중지된 반복 횟수가 포함된 진단 메시지가 표시됩니다.

x = lsqr(A,b,tol)은 이 방법의 허용오차를 지정합니다. 디폴트 허용오차는 1e-6입니다.

x = lsqr(A,b,tol,maxit)는 적용할 최대 반복 횟수를 지정합니다. maxit회의 반복 내에서 수렴하지 않을 경우 lsqr은 진단 메시지를 표시합니다.

x = lsqr(A,b,tol,maxit,M)은 선조건자 행렬 M을 지정하고 y에 대해 시스템 $$A{M}^{-1}y=b$$를 풀어 x를 계산합니다. 여기서 $$y=Mx$$입니다. 선조건자 행렬을 사용하면 문제의 수치적 속성과 계산 효율성을 개선할 수 있습니다.

x = lsqr(A,b,tol,maxit,M1,M2)는 M = M1*M2가 되도록 선조건자 행렬 M의 인수를 지정합니다.

x = lsqr(A,b,tol,maxit,M1,M2,x0)은 해 벡터 x에 대한 초기 추측값을 지정합니다. 디폴트 값은 0으로 구성된 벡터입니다.

[x,flag] = lsqr(___)는 알고리즘이 성공적으로 수렴하는지 여부를 지정하는 플래그를 반환합니다. flag = 0이면 수렴이 성공한 것입니다. 이 출력 구문은 위에 열거된 구문에 나와 있는 입력 인수를 원하는 대로 조합하여 사용할 수 있습니다. flag 출력값을 지정할 경우 lsqr은 진단 메시지를 표시하지 않습니다.

[x,flag,relres] = lsqr(___)은 계산된 해 x의 잔차 오차도 반환합니다. flag가 0이면 x는 norm(b-A*x)를 최소화하는 최소제곱해입니다. relres가 norm(b-A*x)/norm(b)를 뜻하므로, relres가 작으면 x는 모순 없는 해이기도 합니다.

[x,flag,relres,iter] = lsqr(___)은 x가 계산된 반복 횟수 iter도 반환합니다.

[x,flag,relres,iter,resvec] = lsqr(___)은 첫 번째 잔차 norm(b-A*x0)을 포함하여 각 반복에서 잔차 노름으로 구성된 벡터도 반환합니다.

[x,flag,relres,iter,resvec,lsvec] = lsqr(___)은 각 반복에서의 스케일링된 정규 방정식 오차 추정값인 lsvec도 반환합니다.

예제

선형 시스템의 반복 해

디폴트 설정으로 lsqr을 사용하여 사각 선형 시스템을 풀고 풀이 과정에 사용된 허용오차 및 반복 횟수를 조정합니다.

50%의 밀도를 갖는 희소 형식의 확률 행렬 A를 만듭니다. $\mathrm{Ax}=\mathit{b}$의 우변에 해당하는 확률 벡터 b도 만듭니다.

rng default
A = sprand(400,300,.5);
b = rand(400,1);

lsqr을 사용하여 $\mathrm{Ax}=\mathit{b}$를 풉니다. 출력 표시에는 상대 잔차 오차 $\frac{\Vert \mathit{b}-\mathrm{Ax}\Vert }{\Vert \mathit{b}\Vert }$의 값이 포함됩니다.

x = lsqr(A,b);

lsqr stopped at iteration 20 without converging to the desired tolerance 1e-06
because the maximum number of iterations was reached.
The iterate returned (number 20) has relative residual 0.26.

기본적으로 lsqr은 20회 반복과 1e-6의 허용오차를 사용하지만 이 알고리즘으로는 이 행렬에 대해 20회의 반복 내에 수렴할 수 없습니다. 잔차는 아직 큽니다. 이는 더 많은 반복(또는 선조건자 행렬)이 필요함을 알려줍니다. 알고리즘이 쉽게 수렴할 수 있도록 큰 허용오차를 사용할 수도 있습니다.

1e-4의 허용오차와 70회의 반복으로 시스템을 다시 풉니다. 계산된 해의 상대 잔차 relres, 잔차 내역 resvec 및 최소제곱 잔차 내역 lsvec를 반환하도록 6개의 출력값을 지정합니다.

[x,flag,relres,iter,resvec,lsvec] = lsqr(A,b,1e-4,70);
flag

flag = 0

flag가 0이므로 알고리즘은 지정된 반복 횟수 내에 기대한 허용오차를 충족할 수 있었습니다. 이 방식으로 허용오차와 반복 횟수를 함께 조정하여 속도와 정밀도 간의 상호 절충 관계를 조정할 수 있습니다.

계산된 해의 상대 잔차와 최소제곱 잔차를 검토합니다.

relres

relres = 0.2625

lsres = lsvec(end)

lsres = 2.7640e-04

잔차 노름을 보면 relres가 지정된 허용오차 1e-4보다 작지 않으므로 x가 최소제곱해임을 알 수 있습니다. 선형 시스템의 모순 없는 해가 존재하지 않으므로 솔버가 할 수 있는 최선은 최소제곱 잔차가 허용오차를 충족하도록 하는 것입니다.

잔차 내역을 플로팅합니다. 상대 잔차 resvec는 빠르게 최솟값에 도달하고 이후 진전이 없는 반면 최소제곱 잔차 lsvec는 후속 반복에서 계속해서 최소화됩니다.

N = length(resvec);
semilogy(0:N-1,lsvec,'--o',0:N-1,resvec,'-o')
legend("Least-squares residual","Relative residual")

lsqr에 선조건자 사용하기

lsqr에 선조건자 행렬을 사용하여 선형 시스템을 푸는 효과를 검토합니다.

479×479 실수 비대칭 희소 행렬인 west0479를 불러옵니다.

load west0479
A = west0479;

$\mathrm{Ax}=\mathit{b}$의 참(True) 해가 1로만 구성된 벡터가 되도록 b를 정의합니다.

b = sum(A,2);

허용오차와 최대 반복 횟수를 설정합니다.

tol = 1e-12;
maxit = 20;

lsqr을 사용하여 요청된 허용오차와 반복 횟수로 해를 구합니다. 풀이 과정에 대한 정보를 반환하는 6개의 출력값을 지정합니다.

• x는 A*x = b의 계산된 해입니다.

• fl은 알고리즘의 수렴 여부를 나타내는 플래그입니다.

• rr은 계산된 답 x의 상대 잔차입니다.

• it는 x가 계산된 반복 횟수입니다.

• rv는 $\Vert \mathit{b}-\mathrm{Ax}\Vert$의 잔차 내역으로 구성된 벡터입니다.

• lsrv는 최소제곱 잔차 내역으로 구성된 벡터입니다.

[x,fl,rr,it,rv,lsrv] = lsqr(A,b,tol,maxit);
fl

fl = 1

rr

rr = 0.0017

it

it = 20

fl = 1이므로 알고리즘이 최대 반복 횟수 내에 지정된 허용오차로 수렴하지 않았습니다.

이러한 느린 수렴을 개선할 수 있도록 선조건자 행렬을 지정할 수 있습니다. A는 비대칭 행렬이므로 ilu를 사용하여 선조건자 $\mathit{M}=\mathit{L}\mathit{U}$를 분해된 형식으로 생성합니다. 대각선상에 있지 않으면서 값이 1e-6보다 작은 요소는 무시하도록 기각 허용오차를 지정합니다. L과 U를 lsqr에 대한 M1 및 M2 입력값으로 지정하여 선조건이 적용된 시스템 ${\mathrm{AM}}^{-1}\left(\mathit{M}\mathit{x}\right)=\mathit{b}$를 $\mathit{y}=\mathrm{Mx}$에 대해 풉니다.

setup = struct('type','ilutp','droptol',1e-6);
[L,U] = ilu(A,setup);
[x1,fl1,rr1,it1,rv1,lsrv1] = lsqr(A,b,tol,maxit,L,U);
fl1

fl1 = 0

rr1

rr1 = 7.0954e-14

it1

it1 = 13

ilu 선조건자를 사용한 결과 13번째 반복에서 미리 정해진 허용오차 1e-12보다 작은 상대 잔차가 생성됩니다. 출력값 rv1(1)은 norm(b)가 되고, 출력값 rv1(end)는 norm(b-A*x1)이 됩니다.

각 반복마다 상대 잔차를 플로팅하면 lsqr의 진행률을 추적할 수 있습니다. 각 해의 잔차 내역을 플로팅하고, 지정된 허용오차에 대한 선을 추가합니다.

semilogy(0:length(rv)-1,rv/norm(b),'-o')
hold on
semilogy(0:length(rv1)-1,rv1/norm(b),'-o')
yline(tol,'r--');
legend('No preconditioner','ILU preconditioner','Tolerance','Location','East')
xlabel('Iteration number')
ylabel('Relative residual')

초기 추측값 제공하기

lsqr에 해의 초기 추측값을 제공하는 효과를 검토합니다.

희소 형식의 확률 사각 행렬을 만듭니다. $\mathit{x}$의 예상 해가 1로 구성된 벡터가 되도록 각 행의 합을 $\mathrm{Ax}=\mathit{b}$의 우변에 대한 벡터로 사용합니다.

A = sprand(700,900,0.1);
b = sum(A,2);

lsqr을 사용하여 $\mathrm{Ax}=\mathit{b}$를 두 번 풉니다. 한 번은 디폴트 초기 추측값을 사용하여 풀고, 다른 한 번은 해에 대한 양호한 초기 추측값을 사용하여 풉니다. 두 해 모두에 대해 75회의 반복과 디폴트 허용오차를 사용합니다. 두 번째 해의 초기 추측값을 모든 요소가 0.99인 벡터로 지정합니다.

maxit = 75;
x1 = lsqr(A,b,[],maxit);

lsqr converged at iteration 64 to a solution with relative residual 8.7e-07.

x0 = 0.99*ones(size(A,2),1);
x2 = lsqr(A,b,[],maxit,[],[],x0);

lsqr converged at iteration 26 to a solution with relative residual 9.6e-07.

예상 해에 가까운 초기 추측값을 사용하면 lsqr이 더 적은 반복 내에 수렴할 수 있습니다.

중간 결과 반환하기

for 루프에서 lsqr을 호출하여 중간 결과를 얻는 데도 초기 추측값을 사용할 수 있습니다. 솔버에 대한 각 호출은 몇 회의 반복을 수행한 후 계산된 해를 저장합니다. 그런 다음 저장된 해를 다음 반복 배치의 초기 벡터로 사용합니다.

예를 들어, 다음 코드는 100회의 반복을 4번 수행하며, for 루프를 통과한 후 매번 해 벡터를 저장합니다.

x0 = zeros(size(A,2),1);
tol = 1e-8;
maxit = 100;
for k = 1:4
    [x,flag,relres] = lsqr(A,b,tol,maxit,[],[],x0);
    X(:,k) = x;
    R(k) = relres;
    x0 = x;
end

X(:,k)는 for 루프의 반복 k회에서 계산된 해 벡터이고, R(k)는 이 해의 상대 잔차입니다.

숫자형 행렬 대신 함수 핸들 사용하기

lsqr에 계수 행렬 A 대신 A*x와 A'*x를 계산하는 함수 핸들을 제공하여 선형 시스템을 풉니다.

비대칭 삼중대각 행렬 행렬을 만듭니다. 행렬을 미리 봅니다.

A = gallery('wilk',21) + diag(ones(20,1),1)

A = 21×21

    10     2     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0
     1     9     2     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0
     0     1     8     2     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0
     0     0     1     7     2     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0
     0     0     0     1     6     2     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     1     5     2     0     0     0     0     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     0     1     4     2     0     0     0     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     0     0     1     3     2     0     0     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     0     0     0     1     2     2     0     0     0     0     0     0     0     0     0     0     0
     0     0     0     0     0     0     0     0     1     1     2     0     0     0     0     0     0     0     0     0     0
      ⋮

이 삼중대각 행렬은 특수한 구조를 갖고 있으므로 연산 A*x를 함수 핸들로 나타낼 수 있습니다. A에 벡터를 곱할 때 결과 벡터의 대부분의 요소는 0입니다. 결과에 있는 0이 아닌 요소는 A의 0이 아닌 삼중대각선 요소에 해당합니다.

표현식 $\mathit{A}\mathit{x}$는 다음과 같이 표현됩니다.

$\mathit{A}\mathit{x}=\left[\begin{array}{ccccccc}10& 2& 0& \cdots & & \cdots & 0\\ 1& 9& 2& 0& & & ⋮\\ 0& 1& \ddots & 2& 0& & \\ ⋮& 0& 1& 0& \ddots & \ddots & ⋮\\ & & 0& \ddots & 1& \ddots & 0\\ ⋮& & & \ddots & \ddots & \ddots & 2\\ 0& \cdots & & \cdots & 0& 1& 10\end{array}\right]\left[\begin{array}{c}{\mathit{x}}_1\\ {\mathit{x}}_2\\ {\mathit{x}}_3\\ ⋮\\ ⋮\\ {\mathit{x}}_{21}\end{array}\right]=\left[\begin{array}{c}{10\mathit{x}}_1+2{\mathit{x}}_2\\ {\mathit{x}}_1+9{\mathit{x}}_2+2{\mathit{x}}_3\\ ⋮\\ ⋮\\ {\mathit{x}}_{19}+9{\mathit{x}}_{20}+2{\mathit{x}}_{21}\\ {\mathit{x}}_{20}+10{\mathit{x}}_{21}\end{array}\right]$.

결과 벡터는 다음과 같이 세 벡터의 합으로 작성할 수 있습니다.

$\mathit{A}\mathit{x}=\left[\begin{array}{c}{10\mathit{x}}_1+2{\mathit{x}}_2\\ {\mathit{x}}_1+9{\mathit{x}}_2+2{\mathit{x}}_3\\ ⋮\\ ⋮\\ {\mathit{x}}_{19}+9{\mathit{x}}_{20}+2{\mathit{x}}_{21}\\ {\mathit{x}}_{20}+10{\mathit{x}}_{21}\end{array}\right]$=$\left[\begin{array}{c}0\\ {\mathit{x}}_1\\ {\mathit{x}}_2\\ ⋮\\ {\mathit{x}}_{20}\end{array}\right]+\left[\begin{array}{c}{10\mathit{x}}_1\\ {9\mathit{x}}_2\\ ⋮\\ 9{\mathit{x}}_{20}\\ 10{\mathit{x}}_{21}\end{array}\right]+2\cdot \left[\begin{array}{c}{\mathit{x}}_2\\ {\mathit{x}}_3\\ ⋮\\ {\mathit{x}}_{21}\\ 0\end{array}\right]$.

마찬가지로, 표현식 ${\mathit{A}}^{\mathit{T}}\mathit{x}$는 다음과 같이 표현됩니다.

${\mathit{A}}^{\mathit{T}}\mathit{x}=\left[\begin{array}{ccccccc}10& 1& 0& \cdots & & \cdots & 0\\ 2& 9& 1& 0& & & ⋮\\ 0& 2& \ddots & 1& 0& & \\ ⋮& 0& 2& 0& \ddots & \ddots & ⋮\\ & & 0& \ddots & 1& \ddots & 0\\ ⋮& & & \ddots & \ddots & \ddots & 1\\ 0& \cdots & & \cdots & 0& 2& 10\end{array}\right]\left[\begin{array}{c}{\mathit{x}}_1\\ {\mathit{x}}_2\\ {\mathit{x}}_3\\ ⋮\\ ⋮\\ {\mathit{x}}_{21}\end{array}\right]=\left[\begin{array}{c}{10\mathit{x}}_1+{\mathit{x}}_2\\ {2\mathit{x}}_1+9{\mathit{x}}_2+{\mathit{x}}_3\\ ⋮\\ ⋮\\ {2\mathit{x}}_{19}+9{\mathit{x}}_{20}+{\mathit{x}}_{21}\\ {2\mathit{x}}_{20}+10{\mathit{x}}_{21}\end{array}\right]$.

${\mathit{A}}^{\mathit{T}}\mathit{x}=\left[\begin{array}{c}{10\mathit{x}}_1+{\mathit{x}}_2\\ {2\mathit{x}}_1+9{\mathit{x}}_2+{\mathit{x}}_3\\ ⋮\\ ⋮\\ {2\mathit{x}}_{19}+9{\mathit{x}}_{20}+{\mathit{x}}_{21}\\ {2\mathit{x}}_{20}+10{\mathit{x}}_{21}\end{array}\right]=2\cdot \left[\begin{array}{c}0\\ {\mathit{x}}_1\\ {\mathit{x}}_2\\ ⋮\\ {\mathit{x}}_{20}\end{array}\right]+\left[\begin{array}{c}{10\mathit{x}}_1\\ {9\mathit{x}}_2\\ ⋮\\ 9{\mathit{x}}_{20}\\ 10{\mathit{x}}_{21}\end{array}\right]+\left[\begin{array}{c}{\mathit{x}}_2\\ {\mathit{x}}_3\\ ⋮\\ {\mathit{x}}_{21}\\ 0\end{array}\right]$.

MATLAB®에서 이러한 벡터를 만들어서 더하여 플래그 입력값에 따라 A*x 또는 A'*x의 값을 제공하는 함수를 작성합니다.

function y = afun(x,flag)
if strcmp(flag,'notransp') % Compute A*x
    y = [0; x(1:20)] ...
        + [(10:-1:0)'; (1:10)'].*x ...
        + 2*[x(2:end); 0];
elseif strcmp(flag,'transp') % Compute A'*x
    y = 2*[0; x(1:20)] ...
        + [(10:-1:0)'; (1:10)'].*x ...
        + [x(2:end); 0];
end
end

(이 함수는 예제 끝에 로컬 함수로 저장되어 있습니다.)

이번에는 lsqr에 A*x와 A'*x를 계산하는 함수 핸들을 제공하여 선형 시스템 $\mathrm{Ax}=\mathit{b}$를 풉니다. 허용오차 1e-6 및 25회 반복을 사용합니다. $\mathit{x}$의 참(True) 해가 1로 구성된 벡터가 되도록 $\mathit{b}$를 $\mathit{A}$의 행 합으로 지정합니다.

b = full(sum(A,2));
tol = 1e-6;  
maxit = 25;
x1 = lsqr(@afun,b,tol,maxit)

lsqr converged at iteration 21 to a solution with relative residual 5.4e-13.

x1 = 21×1

    1.0000
    1.0000
    1.0000
    1.0000
    1.0000
    1.0000
    1.0000
    1.0000
    1.0000
    1.0000
      ⋮

로컬 함수(Local Function)

function y = afun(x,flag)
if strcmp(flag,'notransp') % Compute A*x
    y = [0; x(1:20)] ...
        + [(10:-1:0)'; (1:10)'].*x ...
        + 2*[x(2:end); 0];
elseif strcmp(flag,'transp') % Compute A'*x
    y = 2*[0; x(1:20)] ...
        + [(10:-1:0)'; (1:10)'].*x ...
        + [x(2:end); 0];
end
end

입력 인수

A — 계수 행렬

행렬 | 함수 핸들

계수 행렬로, 행렬 또는 함수 핸들로 지정됩니다. 이 행렬은 선형 시스템 A*x = b의 계수 행렬입니다. 일반적으로 A는 큰 희소 행렬이거나 큰 희소 행렬과 열 벡터의 곱을 반환하는 함수 핸들입니다.

A를 함수 핸들로 지정

선택적으로 계수 행렬을 행렬이 아닌 함수 핸들로 지정할 수도 있습니다. 함수 핸들은 전체 계수 행렬을 구성하는 대신 행렬-벡터 곱을 반환하여 계산을 보다 효율적으로 만듭니다.

함수 핸들을 사용하려면 함수 시그니처 function y = afun(x,opt)를 사용하십시오. 함수를 파라미터화하기에서는 필요한 경우 함수 afun에 추가 파라미터를 제공하는 방법을 설명합니다. 함수 afun은 다음 조건을 충족해야 합니다.

• afun(x,'notransp')는 곱 A*x를 반환합니다.

• afun(x,'transp')는 곱 A'*x를 반환합니다.

허용되는 함수의 예는 다음과 같습니다.

function y = afun(x,opt,B,C,n)
if strcmp(opt,'notransp')
    y = [B*x(n+1:end); C*x(1:n)];
else
    y = [C'*x(n+1:end); B'*x(1:n)];
end

함수 afun은 전체 행렬을 실제로 구성하지 않고 B와 C의 값을 사용하여 A*x 또는 A'*x를 계산합니다(지정된 플래그에 따라 달라짐).

데이터형: double | function_handle
복소수 지원 여부: 예

b — 선형 방정식의 우변

열 벡터

선형 방정식의 우변으로, 열 벡터로 지정됩니다. b의 길이는 size(A,1)이어야 합니다.

데이터형: double
복소수 지원 여부: 예

tol — 방법에 대한 허용오차

[] 또는 1e-6 (디폴트 값) | 양의 스칼라

방법에 대한 허용오차로, 양의 스칼라로 지정됩니다. 이 입력값을 사용하여 계산에서 정확도와 런타임 간의 상호 절충 관계를 조정할 수 있습니다. lsqr 함수가 성공하려면 허용된 반복 횟수 내에서 허용오차를 충족해야 합니다. tol 값이 작을수록 계산을 완료하려면 답이 더 정밀해야 합니다.

데이터형: double

maxit — 최대 반복 횟수

[] 또는 min(size(A,1),20) (디폴트 값) | 양의 정수 스칼라

최대 반복 횟수로, 양의 정수 스칼라로 지정됩니다. lsqr 함수가 더 많은 반복을 거쳐 허용오차 tol을 충족할 수 있도록 하려면 maxit의 값을 늘리십시오. 일반적으로 tol의 값이 작을수록 계산이 성공하려면 더 많은 반복이 필요합니다.

M, M1, M2 — 선조건자 행렬(개별 인수)

eye(size(A)) (디폴트 값) | 행렬 | 함수 핸들

선조건자 행렬로, 행렬 또는 함수 핸들의 개별 인수로 지정됩니다. 선조건자 행렬 M 또는 그 행렬 계수 M = M1*M2를 지정하여 선형 시스템의 수치적 특성을 개선하고 lsqr 함수가 빠르게 수렴하도록 할 수 있습니다. 정사각 계수 행렬의 경우, 불완전 행렬 분해 함수 ilu와 ichol을 사용하여 선조건자 행렬을 생성할 수 있습니다. 분해 전에 equilibrate를 사용하여 계수 행렬의 조건수를 개선할 수도 있습니다. 선조건자에 대한 자세한 내용은 선형 시스템을 위한 반복법 항목을 참조하십시오.

lsqr 함수는 지정되지 않은 선조건자를 단위 행렬로 처리합니다.

M을 함수 핸들로 지정

선택적으로 M, M1 또는 M2를 행렬이 아닌 함수 핸들로 지정할 수도 있습니다. 함수 핸들은 전체 선조건자 행렬을 구성하는 대신 함수-벡터 연산을 수행하여 계산을 보다 효율적으로 만듭니다.

함수 핸들을 사용하려면 먼저 시그니처 function y = mfun(x,opt)를 사용하여 함수를 만드십시오. 함수를 파라미터화하기에서는 함수 mfun에 필요한 경우 추가 파라미터를 제공하는 방법을 설명합니다. 함수 mfun은 다음 조건을 충족해야 합니다.

• mfun(x,'notransp')는 M\x 또는 M2\(M1\x)의 값을 반환합니다.

• mfun(x,'transp')는 M'\x 또는 M1'\(M2'\x)의 값을 반환합니다.

허용되는 함수의 예는 다음과 같습니다.

function y = mfun(x,opt,a,b)  
if strcmp(opt,'notransp')
    y = x.*a;
else
    y = x.*b;
end
end

이 예제에서 함수 mfun은 전체 행렬 M을 실제로 구성하지 않고 a와 b를 사용하여 M\x = x*a 또는 M'\x = x*b를 계산합니다(지정된 플래그에 따라 달라짐).

데이터형: double | function_handle
복소수 지원 여부: 예

x0 — 초기 추측값

[] 또는 0으로 구성된 열 벡터 (디폴트 값) | 열 벡터

초기 추측값으로, 길이가 size(A,2)인 열 벡터로 지정됩니다. lsqr에 디폴트 값인 0으로 구성된 벡터보다 더 합리적인 초기 추측값 x0을 제공할 수 있는 경우 이 초기 추측값은 계산 시간을 절약하고 알고리즘이 더 빨리 수렴하도록 할 수 있습니다.

데이터형: double
복소수 지원 여부: 예

출력 인수

x — 선형 시스템 해

열 벡터

선형 시스템 해로, 열 벡터로 반환됩니다. 이 출력값은 선형 시스템 A*x = b에 대한 근사해를 제공합니다.

• flag가 0이고 relres <= tol이면 x는 A*x = b의 모순 없는 해입니다.

• flag가 0이지만 relres > tol이면 x는 norm(b-A*x)를 최소화하는 최소제곱해입니다. 이 경우에는 lsvec 출력이 x의 스케일링된 정규 방정식 오차를 포함합니다.

계산이 성공하지 않은 경우(flag ~= 0), lsqr 함수가 반환하는 해 x는 모든 반복에 대해 계산된 최소 잔차 노름을 갖는 해입니다.

flag — 수렴 플래그

스칼라

수렴 플래그로, 다음 표에 있는 스칼라 값 중 하나로 반환됩니다. 수렴 플래그는 계산의 성공 여부를 나타내며 여러 가지 형태의 실패를 구분합니다.

플래그 값	수렴
0	성공 — lsqr 함수가 maxit 반복 횟수 내에, 기대한 허용오차 tol로 수렴되었습니다.
1	실패 — lsqr 함수가 maxit회만큼 반복되었지만 수렴되지 않았습니다.
2	실패 — 선조건자 행렬 M 또는 M = M1*M2의 조건이 나쁩니다.
3	실패 — 연속된 2회의 반복이 동일한 결과를 반환한 후 lsqr 함수가 정체되었습니다.
4	실패 — lsqr 알고리즘으로 계산된 스칼라 수량 중 하나가 너무 작아지거나 커져 계산을 계속할 수 없습니다.

relres — 상대 잔차 오차

스칼라

상대 잔차 오차로, 스칼라로 반환됩니다. 상대 잔차 오차는 반환된 해 x의 정확도를 나타내는 척도입니다. lsqr은 풀이 과정의 각 반복에서 상대 잔차와 최소제곱 잔차를 추적하며, 두 잔차 중 하나라도 지정된 허용오차 tol을 충족하면 알고리즘이 수렴합니다. relres 출력값은 상대 잔차와 최소제곱 잔차 중 수렴된 잔차의 값을 포함합니다.

• 상대 잔차 오차는 norm(b-A*x)/norm(b)이며, 일반적으로 lsqr이 수렴할 때 허용오차 tol을 충족하는 잔차입니다. resvec 출력값은 모든 반복에 대해 이 잔차의 내역을 추적합니다.

• 최소제곱 잔차 오차는 norm((A*inv(M))'*(B-A*X))/norm(A*inv(M),'fro')입니다. 이 잔차에 의한 lsqr의 수렴은 상대 잔차에 의한 수렴보다 덜 빈번하게 발생합니다. lsvec 출력값은 모든 반복에 대해 이 잔차의 내역을 추적합니다.

iter — 반복 횟수

스칼라

반복 횟수로, 스칼라로 반환됩니다. 이 출력값은 x의 답이 계산된 반복 횟수를 나타냅니다.

데이터형: double

resvec — 잔차 오차

벡터

잔차 오차로, 벡터로 반환됩니다. 잔차 오차 norm(b-A*x)는 알고리즘이 주어진 x 값에 얼마나 가깝게 수렴하는지를 나타냅니다. resvec 내 요소 개수는 반복 횟수와 동일합니다. resvec의 내용을 검사하여 tol 또는 maxit의 값을 변경할지 여부를 결정할 수 있습니다.

데이터형: double

lsvec — 스케일링된 정규 방정식 오차

벡터

스케일링된 정규 방정식 오차로, 벡터로 반환됩니다. 각 반복에 대해 lsvec는 스케일링된 정규 방정식 오차 norm((A*inv(M))'*(B-A*X))/norm(A*inv(M),'fro')의 추정값을 포함합니다. lsvec 내 요소 개수는 반복 횟수와 동일합니다.

세부 정보

최소제곱법

최소제곱(LSQR) 알고리즘은 사각 행렬에 맞게 켤레 기울기(CG) 방법을 적용한 것입니다. 해석적으로, A*x = b에 대한 LSQR은 정규 방정식 A'*A*x = A'*b에 대한 CG와 동일한 잔차를 생성하지만, LSQR이 더 유용한 수치적 속성을 갖고 있으므로 일반적으로 더 신뢰할 수 있습니다[1].

최소제곱법은 사각 행렬과 모순 있는 계수 행렬을 처리할 수 있는 유일한 반복 선형 시스템 솔버입니다.

팁

• 대부분의 반복법의 수렴 여부는 계수 행렬의 조건수 cond(A)에 따라 결정됩니다. A가 정사각 행렬인 경우 equilibrate를 사용하여 이 행렬의 조건수를 개선할 수 있으며, 이로 인해 대부분의 반복 솔버의 수렴이 보다 쉬워집니다. equilibrate를 사용하면 이후 equilibrate가 적용된 행렬 B = R*P*A*C를 분해할 때 더 나은 품질의 선조건자 행렬을 만들 수도 있습니다.

• 계수 행렬을 인수 분해할 때 dissect 및 symrcm과 같은 행렬 재정렬 함수를 사용하여 계수 행렬의 행과 열을 치환하고 0이 아닌 요소의 개수를 최소화하여 선조건자를 생성할 수 있습니다. 이렇게 하면 이후 선조건이 적용된 선형 시스템을 푸는 데 필요한 메모리와 시간을 절약할 수 있습니다.

참고 문헌

[1] Barrett, R., M. Berry, T. F. Chan, et al., Templates for the Solution of Linear Systems: Building Blocks for Iterative Methods, SIAM, Philadelphia, 1994.

[2] Paige, C. C. and M. A. Saunders, "LSQR: An Algorithm for Sparse Linear Equations And Sparse Least Squares," ACM Trans. Math. Soft., Vol.8, 1982, pp. 43-71.

확장 기능

스레드 기반 환경

MATLAB®의 backgroundPool을 사용해 백그라운드에서 코드를 실행하거나 Parallel Computing Toolbox™의 ThreadPool을 사용해 코드 실행 속도를 높일 수 있습니다.

이 함수는 스레드 기반 환경을 완전히 지원합니다. 자세한 내용은 스레드 기반 환경에서 MATLAB 함수 실행하기 항목을 참조하십시오.

GPU 배열

Parallel Computing Toolbox™를 사용해 GPU(그래픽스 처리 장치)에서 실행하여 코드 실행 속도를 높일 수 있습니다.

사용법 관련 참고 및 제한 사항:

• b는 비희소 열 벡터여야 합니다.

• 여섯 번째 반환 값으로서의 최소제곱 추정값 출력값은 지원되지 않습니다.

자세한 내용은 GPU에서 MATLAB 함수 실행하기 (Parallel Computing Toolbox) 항목을 참조하십시오.

분산 배열

Parallel Computing Toolbox™를 사용하여 대규모 배열을 클러스터의 결합된 메모리에 걸쳐 분할할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• M1이 함수이면 이는 각 행에 독립적으로 적용됩니다.

자세한 내용은 분산 배열을 사용하여 MATLAB 함수 실행 (Parallel Computing Toolbox) 항목을 참조하십시오.

버전 내역

R2006a 이전에 개발됨

참고 항목

cgs | gmres | minres | norm | pcg | qmr | symmlq

도움말 항목

• 선형 시스템을 위한 반복법

×

예제 열기

이 예제의 수정된 버전이 있습니다. 사용자가 편집한 내용을 반영하여 이 예제를 여시겠습니까?

아니요, 수정된 버전을 덮어씁니다. 예