Upload
liora
View
91
Download
1
Embed Size (px)
DESCRIPTION
В.Ю.Протасов (МГУ). Совместный спектральный радиус матриц: приложения и методы вычисления. Геометрический смысл:. Возьмём единичный шар в этой норме:. Геометрический смысл JSR. Приложения :. Rota, Strang ( теория нормированных алгебр ) - PowerPoint PPT Presentation
Citation preview
Совместный спектральный радиус матриц: приложения и методы вычисления.
В.Ю.Протасов (МГУ)
d1, , -- линейные операторы в mA A R
11
1/
1,..., {1,..., }
ˆ ( , , ) lim maxk
k
k
m d dk d d m
A A A A
Геометрический смысл:
ˆ 1 существует норма в
для которой 1 при всех 1 , ... ,
d
iA i m
g fR
Возьмём единичный шар в этой норме:
ˆ 1 существует центрально-симметричное выпуклое тело ,
для которого int , 1 , ... ,
d
i
M
A M M i m
g fR
M2A M
1A M
1 11ˆ inf { 0 | , , сжатия в некоторой норме}mA A
Геометрический смысл JSR
1
произвольная точка , 0,
( ) { , 1,2, 1, , } - орбита точки . k
d
k d d j
x x
O x A A x d j k x
dR
x
1A x 2A x
1( ) ,O x 2 ( ) ,O x 3( ) , ... O x
1 2Пусть 2. Предположим, что семейство , неприводимо. m A A
ˆmax | | | kku u O
1960 Rota, Strang (теория нормированных алгебр)1988-90 Барабанов, Козякин (динамическе системы с переключениями)1991 Daubechies, Lagarias, Cohen, Heil, …. (теория всплесков)1989-92 Micchelli, Prautzsch, Dyn, Dahmen, … (уточняющие схемы – теория приближений и
дизайн кривых и поверхностей)
Распределение случайных рядов (теория вероятностей), Асимптотика бинарной функции разбиения Эйлера (комбинаторика, теория чисел),Емкость кодов, оценка числа неперекрывающихся слов, теория графов, ....
Приложения:
Основные свойства
1/
1,...,ˆ1. Для одного оператора (A) = (A) = lim max | |
kkj
k j dm A
1Если операторы ,... , коммутируют, либо их матрицы симметричны,
либо их матрицы -- верхне (нижне) треугольные, то
mA A
1 1ˆ ( ,..., ) max ( ) ,..., ( )m mA A A A
1 1ˆВ общем случае, однако ( ,..., ) max ( ) ,..., ( )m mA A A A
Всплески с компактным носителем
1980-90: С.Малла, И.Мейер, И.Добеши, Ч.Чуи, А.Коэн, В.Дамен, и др.
, , 2
[0,1/ 2] [1/ 2,1]
/2,
{ } полная ортонормированная система (ПОНС) в ( ),
Система Х
аара (Haar, 1909), Пример 1. )
(
( ) 2 (2 )j k j k
j jj k
L
x
x x k
Z R
А.Хаар (1909), В.А. Котельников (1933), К.Э.Шеннон (1949),.
1, 1 1,0 1,1
I.Daubechies (1988) – всплески с компактным носителем.
. Теория функций, теория приближений
. Обработка сигналов
. Диф. Уравнения (Вейвлет-Галёркин метод, и др.)
Преимущества всплесков:
Локализация (компактные носители),Быстрые алгоритмы вычисления коэффициентов,Характеризация функциональных пространств
, ,,
, , ,
( ) ( ) ,
( , ) ( ) ( )
j k j kk j
j k j k j k
f x c x
c f f x x d x
Z
Для построения системы всплесков с компактным носителем нужно решить масштабирующие уравнение (refinement equation) – разностное функциональное уравнение со сжатием аргумента.
0 , , Nc c - последовательность комплексных коэффициентов.
( )x0 (2 )c x
1 (2 1)c x
.......
(2 )Nc x N
0
( ) (2 ) ,N
kk
x c x k
10
0
Когда мастабирующая функц
( ) ( 1
ия найдена, всплеск-функция
явно выписывается:
где - коффициенты масштабирующего уравнения
) (2 ),
. ., , ..
Nk
kk
N
x c x k
c c
Это – обычное разностное уравнение, но с двоичным сжатием аргумента.
Построение всплесков. Масштабирующие уравнения.
Примеры систем всплесков
1. Всплески Хаара (1909)
Масштабирующее уравнение: ( ) (2 ) (2 1)x x x
1 1
1
0
1 1
1
0
2. Всплески Шеннона-Котельникова (1933, 1949)
4. Всплески Добеши (1988) Второй всплеск Добеши. Масштабирующее уравнение:
1 3 3 3 3 3 1 3( ) (2 ) (2 1) (2 2) (2 3)
4 4 4 4x x x x x
2 30
2 3
0
3. Всплески Мейера (1986), Всплески Баттла-Лемарье (1987) Носитель некомпактен!
sin( )
xx
x
sin 2 sin
( )x x
xx
Носитель некомпактен!
0
2N
kk
c
Если есть решение с компактным носителем, и
0
( ) (2 ) ,N
kk
x c x k
Что известно о масштабирующих уравнениях ?
Обратно, если0
2N
kk
c
, то есть решение с компактным носителем. Оно единственно
с точностью о домножения на константу и сосредоточено на отрезке [0, N].
Но только в обобщённых функциях из
( )x
0 N
( ) 0x d x то
N C ( ) R
Масштабирующая функция не бывает бесконечно-гладкой
'( )S R
2
0
ˆ ˆ( ) ( / 2) ( / 2) ,1
( )2
Ni k
kk
mm c e
1
ˆ( ) ( 2 )j
j
m
Примеры 1.Тривиально:
0 1
Пример 2. 0 2
Пример 3.
0 3
Решение неустойчиво ! Малые изменения коэффициентов могут приводить к резким изменениям решения:
Пример 4. чисто сингулярно.
Tо же с примером
0 1 1c c
0 1 2
1 1, 1 ,
2 2c c c
0 1 2 3
1 3 3 1, , ,
4 4 4 4c c c c
0
1
2c
Примеры масштабирующих уравнений
1 1c 2
1
2c
чисто сингулярно. 0
1
4c 1
3
4c 2
3
4c 3
1
4c
( ) (2 ) (2 1)x x x
Cavaretta, Dahmen and Micchelli (1991) Описание всех масштабирующих сплайнов с целыми узлами.
Lawton, Lee and Sсhen (1995) Описание всех масштабирующих сплайнов.
Для любого N существует конечное число масштабирующих сплайнов порядка N
Berg and Plonka (2000), Hirn (2008)
Cклассификация всех кусочно-гладких масштабирующих функций.
Если существует 0 для которого гладкость
масштабирующей функции на интервале (0, ) превосходит ее
гладкость на , то -- масштабирующий
(
Теорема
сплайн
П. 2005).
с целыми узлам
и.
R
Все кусочно-гладкие масштабирующие функции -- сплайны.
Все они – линейные комбинации целых сдвигов B-сплайна.
“ Типичная ” масштабирующая функция и всплеск-функция
1 2 1 2( ) (2 ) (2 1) (2 2) (2 3)
3 3 3 3x x x x x Пример 5
0 3
( )x
sup 0 | | ( ) ( ) | for all ,x h x C h x h показатель гладкости (показатель Гельдера)
2log 1.5 0.58... Непрерывна, но не дифференцируема
Тем не менее, она дифференцируема почти всюду
( ) sup 0 | | ( ) ( ) |x x h x C h Локальная гладкость в точке x
2( ) log 2.25 1.17... Почти во всех точках Следовательно, п. '( 0 в) .xx
2( ) log 3 1.58...x (максимальная гладкость)
2( ) log 1.5 0.58...x (минимальная гладкость)
(изломы во всех двоично-
рациональных точках)
Фрактальная природа всплесков. Переменная локальная гладкость.
I.Daubechies, D.Lagarias, 1991
A.Cavaretta, W.Dahmen, C.Micchelli, 1991
C.Heil, D.Strang, 1994
0 1
2 0 1
ˆ( ) ( , ) 1
ˆБолее того, log ( , )
C T T
T T
R
11
1/
0 1, ,
ˆ ( , ) lim maxk
k
k
d dk d d
A A A A
2
0 1
1
, - матрицы (2-блочные тёплицевы матрицы),
( )i j k j k iT
T T
c
N N
0
2 1 00
4 3 2 1
4 3
0 0 0
0
0 0
c
c c cT
c c c c
c c
1 0
3 2 1 01
4 3 2
4
0 0
0
0 0 0
c c
c c c cT
c c c
c
0 1 2 3 4 4, , , , ,N c c c c cПример.
Как определить, будет ли масштабирующая функция непрерывной ?
( )x
0 N
Если только масштабирцующая функция ( ) -- не сплайн,
она имеет переменную локальную гладкость.
x
Максимальнаялокальная гладкость
Минимальная локальная гладкость
min 2ˆlog max 2log 0 2 0log
11
1/
0 1,..., {0,1}
ˆСовместный спектральный радиус ( , ) lim maxk
k
k
d dk d d
A A A A
11
1/
0 1,..., {0,1}
Нижний спектральный радиус ( , ) lim mink
k
k
d dk d d
A A A A
1
1
1/ 2
1/0 0 1
,..., {0,1}
Показатель Ляпунова ( , ) lim
k
k
k
kd d
kd d
A A A A
Гладкость почти всюду
min maxДля любого [0,1] имеем (Теорема. ) [ , ] . x x
min maxДля каждого [ , ] локальная гладкость = ( ) достигается
на всюду плотном множестве точек [0,1] .
x
x
0 2 0Для почти всех [0,1] имеем ( ) log .x x
Как вычислить или оценить JSR ?
Daubechies, Lagarias, Heil, Strang,
Эспоненциальная сложность. Heil, Strang (1994) для вычисления JSR специальных 2 2-матриц
с относит
е
ль
Перебором (
ной погрешнос
по определению)
тью = 0.05 переб
рали все произведения до длины 19.
G.Gripenberg (1996) - ``branch and bound'' алгоритм.
Разумный перебор. Часто очень эфективен. Но теоретически плох.
k
Сходимость к величине JSR при растущем к чрезвычайно медленная.
11
1/
,..., {1,..., }
d
Причина медленной сходимости:
ˆmax ,
Выбранная норма в может быть слишком далека
от той, в которой все операторы - сжимающие.
Скорость сходимости , где конс
kk
k
d dd d m
A
k
A k
C
dR
танта C - отношение двух норм.
Она может быть очень велика.
Blondel, Tsitsiclis (1997-2000). Задача приближённого вычисления JSR для рациональных матриц NP-сложна.
Задача определения: верно ли, что JSR строго меньше 1 (для рациональных неотрицательных матриц) алгоритмически неразрешима, начиная с размерноти d = 47.
Не существует алгоритма, полиномиального по размерности d и по точности для приближения JSR с относительной погрешностью
Тем не менее, существуют алгоритмы, полиномиальные
1(по отдельности) по d и по (уви .дим)
1
Отрицательные результаты о сложности задачи вычисления JSR:
Инвариантные нормы
Теорема 2 (A.Дранишников, С.Конягин, В.Протасов, 1996)
1
1a) Для неприводимого семейства операторов ,..., существует 0
и симметричное выпуклое тело ( ) такое, что
b) Для любо
го такого тела
( ,..., )def
m
mA A
M инвариантное тел
A M Conv A M
о
M A M
1ˆ ( ,..., ).mA A
1A M
2A M
M
1 ( ,... , )def
mA M Conv A M A M
Теорема 1 (Н. Барабанов, 1988)
1
1
1
a) Для неприводимого семейства операторов ,..., существует 0
и норма , для которой пр
A , ... , A =
и любом
ˆb) Для любой такой нормы имеем
max
( ,..., ).
m
m
d
m
A A
x
A A
x x x
R
Независимо был установлен ‘’двойственный’’ факт:
*
* *1
M = B (поляра к B), где B - единичный шар в Барабановской норме
для сопряженных операторов ,.. (F.Wirth, E.Plishk
Двойственность:
.,
e,
2005
)
mA A
1
21 2
1 2
Пример 1.
ˆ = ( ) max{
Матрицы де Рама.
1 2 0; , (0, 0.5)
0 1 2
При 0.25 имеем
При
1 2 , }.
10.25 имеем ˆ =
При всех им
( )
еем инвариантный шестиугольник
4 7 .
М( )2
.
A
A A
A A
2
0 1 1
12 2 матрицы , функции разбиения Эйлера (теория чисел).
Они состоят из 0 и 1.
Дл
Пример 2.
ˆ ˆ( ) я них при нечетных , и при четных .
Инвариантная норма строится для
( )
всех
n n
A nA A
A A
n
. 13n
1
Проблема ёмкости двоиных кодов, избегающих данных запрещенных разностей.
Для любого набора запрещённых разностей ёмкость равна JSR двух 0-1 матриц размерности 2 .
При малы
П
х m инвариан
ример 3.
тн
md ая норма явно строится и находится значение ёмкости.
X
Y
( )M
0
1 1 2 1 1
Берем произвольный начальный многогранник
центрально-симметричный относительно нуля,
последовательность { } определяется индуктивно:
( , ). Многогранник приближает
с о
d
k
k k k k
P
P
Q A P Conv A A P Q
R
1 1 1
(1 ) / 2
тносительной погрешностью : (1 )
и содержит не более вершин.
k k k
dd
Q P Q
N C
1Если положить , то многогранник может иметь до 2 вершин,
и сложность будет экспоненциальной.
Не нужно хранить все вершины , можно приближать, .
mk k m
m m m
P A P P
P P Q
После 10С итераций получим нужное приближение
1/ ˆ( ) mmdiam P
Общее число операций ( 1) / 20 1( , , ) dC d A A
Для d=2 число операций: 3/ 2C При 0.0001 требуется 610 операций.
При d > 2 непонятно как практически реализовывать
kP
1 kA P
m kA P
k kQ AP
(1 ) kQ
1kP
2kP
Для d =2 алгоритм был запрограммирован И.Шейпаком в 1998.
Алгоритм приближения инвариантной нормы многогранниками
Оценка JSR с помощью тензорных произведений матриц
Протасов (1997), Zhow (1998), Blondel, Nesterov (2005)
ˆАлгоритм - полиномиальный по размерности . Даёт грубые оценки на .d
- спектраьный радиус ( -радиус), [1, ]pL p p
1
1
1/
1, ,
ˆ( ,..., ) lim , m
k
pmp
kp m d d
kd d
A A m A A
Определен в 1995 независимо: Y.Wang (p = 1), R.Q.Jia (для всех p)
1/ˆ Для любог о p имеем: pp pm
p
1/ 2
2 12
1
Для целых четных 2 значение вычисляется как обычное собственное значение
1матрицы A =
Через A B обозначено тензорное (кронекер
( ,...
овское) пр е
, )
-
( ) .m
r r
kk
r mA A
p
Am
A
r
2 матриц A, B - матрица размера d
2 2 2 2
1
1Матрица имеет размерность матрица A = имеет размерность .
mr r r r
k kk
A d A dm
1/ 2 1/ 2 1/ 2ˆ Для любо ( )го r имеем: ( )r r rA m A
1/ 2 1/ 2Величина даёт приближени JSR с погрешностьln
( ) 12
ю r r mA m
r
2
1
2 2
1ˆДля двух матриц величина (A), где A = приближает с
Размерность матрицы A равна
Пример 1. =
2 1
(можно понизить до
41%
/ 2 )
m
kk
d d Am
d d
4
4
44
1
4
1ˆДля двух матриц величина (A), где A = приближает с
Размерность матрицы
П
равна (можно понизить до
р
/ 24)
имер 2. = 2 1 19
% m
kk
d d Am
A d d
Идея доказательства. p-инвариантные нормы.
1
1
( ) множество всех норм в . выпуклый невырожденный точечный конус.
Для еприводимого семейства матриц , ... , и для p [1, + ] рассмотрим оператор
1 : , ( | . | )[ ] | |
d d
m
mp
mj
N N N
A A
F N N F u A um
R R
1/
,
Для любой нормы | . | N функционал ( | . | ) также норма.
p
du
F
R
1
1
1p =1. ( | . | )[ ] | | ... | |
m
p = . ( | . | )[ ] max | | , ... , | |
При p = 2 оператор сохраняет евклидовы нормы
Примеры.
(единичный шар - эллипсоид).
m
m
F u A u A u
F u A u A u
F
N
F(N)
f
f
1Для неприводимого семейства { , ... , } и любого p [1, ] оператор
имеет ''собственный вектор'': существует норма | . | и > 0 , для которых
Теорема
.
(
mA A F
F
N
p 1Для любой такой нормы ''собственное значение
| . | )[ ]
'' рав
| | ,
но
.
( , ... , ).m
d
A A
u u u
R
1/ 2
22 2
При 2 (r - целое) имеет инвариантный конус
( , ) существует инвариантная норма ,
соответствующая вектору Перрона-Ф
Следст
робениуса опера
вие. r
rr j r
j
p r F
N x a x f N
1/ 2
2 1
22
1
тора .
1На конусе оператор задаётся матрицей
( ,..., ) ( ) .
A =
r
r
mr
r kk
mA A A
F
N F Am
N2r
F(N2r)
f
f
Алгоритм вычисления JSR поиском лучшей нормы в определенном семействе норм.
Идея: мы не можем найти инвариантную норму. Тогда приблизим её с помощью норм из определеннго конечномерного класса. (стандартный трюк в теории приближений)
1
min
subject to:
0
0 ,k
k
k d d
r
x
Ax r x A A A
1/ 1/ 1/ˆДля любого имеем Теорема. k k kk kk d r r
(V.Protasov, R.Jungers, and V.Blondel, 2010)
1,...,
Возьмём класс ``прямоугольных'' норм u max , > 0 .i d
ix
i
uu
x
(V.Blondel, Yu.Nesterov, J.Theys, 2005)
Рассмотрим сначала случай неотрицательных матриц
d
dR
x
xмногогранник с гранямиkm
1
min
subject to:
0
0 ,k
k
Tk d d
r
X
A X A r X A A A
Берём все ``эллипсоидные'' нормы u ( , ), где - положительно-определённая матрица.X
Xu u X
1/(2 ) 1/(2 ) 1/(2 )ˆДля любого имеем Теорема. k k kk kk d r r
Случай произвольных матриц
Решаем следующую задачу полуопределённого программирования
с одним (матричным) неизвестным и ограничениями. kX m
X
X
0 1
1
1
Общая задача полуопределённого программирования:
( ,..., ) min
,..., 0
( ,..., ) 0 , 1,...,
q
q
s q
l X X
X X
l X X s N
Эффективно решается методом внутренней точки. ЛП-задачи – частный случай.
Доказать больше иногда легче.
Джордж Пойа «Математика и правдоподобные рассуждения» (1954)
Если не получается хорошо приблизить JSR, можно попробовать …
вычислить его точно.
Если не получается что-то доказать, можно попробовать доказать больше.
ˆНорма . является экстремальной, если Опр еделение. , 1,... ., jA j m
ˆЕсли - единичный шар экстремальной нормы, то , 1,..., .jM A M M j m
Для экстремальной нормы сходимость осуществляется в один шаг:
M2A M
1A M
Понятие экстремальной нормы
11
1/
,..., {1,..., }ˆmax ,
kk
k
d dd d m
A A k
Как построить экстремальную норму ?
1
произвольная точка , 0,
( ) { , 1, 2, 1, , }
( ) , { } , ( ) , lim
- множество частичных пределов (точек накопления) орбиты.
Пусть ( ) ( ( ), ( ));
{ }
k
j j j
d
k d d j
dj j k m kj
x x
O x A A x d j k
x y k x O x x x
M x Conv x x
d
dN
R
R
тогда ( ) непусто,
dim ( ) и
x
M x d
1 2ˆПусть m =2. Нормируем матрицы так, чтобы ( , ) 1A A
1 2( ) ( ) ( )A x A x x 1 2 (свойство самоподобия )A K A K K
x
1A x 2A x
1( ) ,O x 2 ( ) ,O x 3( ) ,O x , ( )O x
( )xv
Будем строить единичный шар экстремальной нормы в качестве многогранника M .Оказывается, что такая норма существует для большинства семейств матриц.
Наблюдение 1. Для приводимого семейства задача вычисления JSR сводится кНескольким аналогичным задачам в меньших размерностях. Таким образом, предполагаем, что семейство неприводимо.
Наблюдение 2. Если произведение П максимальное, то его максимальный собственный вектор v должен быть крайней точкой множества M. Если M – многогранник, то v -- его вершина.
Итак, максимальные собственные векторы произведения П и всех его циклических перестановок -- вершины M.
Наблюдение 3. Критерий остановки:
*
Пусть ( ) = 1 и v* - максимальный
собственный вектор . Если существует другое
произведение Q, для которого (v*, Qv) > (v*, v),
то - м
Лемм
аксимальное
а.
.не
v
vQv
Qv
1
2
1
j 1
Берем максимальный собственный вектор of .
Полагаем v , 2, , .k
k j k
d d
d d
v A A
A A v j k
1v 2v
kv
1s jv A v
p i qv A v
Каждый раз проверяем, будет ли новая точка принадлежать выпуклой оболочке предыдущих точек (ЛП задача). Алгоритм завершается, когда не появилось ни одной новой вершины.
Инвариантный многогранник M – выпуклая оболочка всех точек, построенных алгоритмом
‘’Мертвые’’ ветви
3v…..
kdA
2dA
1dA
2kdA
1kdA
Алгоритм точного вычисления JSR (Н.Гуглиелми, В.Протасов, 2011)
1v 2v
kv
s j rv A v
p i qv A v
Для каждой очередной вершины применяем критерий остановки:
3v…..
* *
*
Пусть -- максимальный собственный вектор циклической перестановки
такой, что ( , )
не являет
=
ся
1,
мак
1, .
сималь
.., . То
ным Для некоторого {
гда:
1,
,
.
..
j j
j j j
m
v
j
v
v k
*} и некоторой вершины имеем |( , ) | 1. s j sv v v
*kv
*3v
*2v*
1v
* | ( , ) | , 1, ... , , Для каждой новой вершины все произведения
не должны превосходить 1. Иначе, -- не максимальн ы
й
s j sv v v j k
Пример 1. Задача о плотности единиц в ромбе Паскаля: (S.Finch, P.Sebah, and Z.-Q.Bai, 2008)
2 1 2 2 1 2ˆlog ( , ) log ( , )Плотность единиц в ромбе Паскаля порядка -- между и C , гдеA A A An C n n
1 2ˆИзвестно, что ( , ) = 2. A A
1/ 63 31 2 1 2( , ) 1.6376...A A A A
На самом деле,
(алгоритм работает несколько секунд)
1 2
1+ 5Относительно ( , ), выдвинута гипотеза, что он равен = 1.6180...
2A A
3 31 2Выбираем A A
1Инвариантный многогранник M имеет 8 вершин.
Бинарна (я фу ) -нкция - это разбиения Эй количество разложен йа илер db k
1 2 10 1 2 1 , где 2 2 2 {0,1, , 1}m
m jk d d d d d d
2Как мы знаем, ( ) 1. Для 3 нужно оценить рост ( ) при . db k d b k k
2 L.( E) u1 l er , 1( 8)2 7b k
3 (S te( ) rn, 1858( 1 ))b k s k
4 Klosinsky, Alexanderson, Hill( ) / man ( ), 19842 1b k k
Какова асимптотика величины ( ) при ?db k k
L.Euler (1728), A.Tanturri (1918), K.Mahler (1940), N.de Bruijn (1948) L.Carlitz (1965), D.Knuth (1966), R.Churchhouse (1969), B.Reznick (1990)
Асимптотика бинарной функции разбиениПример 2. я Эйл ера.
1 2
2 2
2 1
1 2 1 2 2 2 1 2
(B.Reznick, 1990)
( ) , где log
( ) , где
ˆ log ( , ), log ( , )
Ответ:
(V .
r
r
b k C k r
C k b k C k
A A A A
1 2, это ( 1) ( 1) матрицы из нулей и единиц:
если
иначе.
1, 2 2 1(
Protas
)
ov, 2000
0,
)
i j k
k j i
A A
d
d d
A
1
1 1 1 0
0 1 1 0
0 1 1 1
0 0 1 1
A
2
1 1 0 0
1 1 1 0
0 1 1 0
0 1 1 1
A
1 2 1 1 2 1
Алгоритм вычисляет точные значения для d 100.
Оказывается, что для всех d имеем
либо , либо: ˆ ˆ( ) , ( ) ( ) , ( )A A A A A A
Для размерности 50 программа работает 5 минут, для размерности 100 -- около 20 минут
Пример. При d = 5 :
Функция разбиения Эйлера для троичного разложения:
1 3Выбираем A A
3Экстремальный многогранник M имеет 16 вершин.
Пример 3. Асимптотика числа слов двоичного алфавита без перекрытий.
Задача сводится к вычислению JSR и LSR двух 20x20-матриц.
(Blerk, 2 1988 ,) (Koba2. ya226 shi, 1988)
Kfor
ˆ 2.584 Этот результат последовательно улучшался:
u (1988), Kobayashi (1988), Cassaigne (1993), Lepisto (1995)
1/11 1/ 2101 2 1 2ˆ( ) 2.41756... ; ( ) 2.51793... A A A A
Программа работает 8 минут
ˆ2.226 2.584
Вычисление JSR для случайных пар матриц
Вычисление JSR и LSR для случайных пар булевских матриц размерности d = 100.
Условия конечной сходимости алгоритма
1
1
Произведение называется доминирующим, если ( )=1,
и существует 1 такое, что ( ) < для всех остальных произведений ,
не являющихся степенями , или степ
Определение.
енями
е
k
n
d d
d d
A A
q q A A
го циклических перестановок.
Алгоритм сходится за конечное время тогда и только тогда
когда произведение доми
Теоре
нирую
ма
ще
1.
е.
максимальноедоминирующее
Спасибо!