[论文解读] Exact computation of joint spectral characteristics of linear operators

Nicola Guglielmi, Vladimir Yu. Protasov|arXiv (Cornell University)|Jun 19, 2011

Matrix Theory and Algorithms被引用 7

一句话总结

本论文提出了首个用于计算矩阵族联合谱半径（JSR）和下谱半径（LSR）的精确算法，采用极值范数与对偶范数的方法。该方法通过迭代生成顶点构造多面体范数，在适当条件下实现有限时间收敛，并在收敛非即时的情况下提供紧致的上下界。

ABSTRACT

We address the problem of the exact computation of two joint spectral characteristics of a family of linear operators, the joint spectral radius (in short JSR) and the lower spectral radius (in short LSR), which are well-known different generalizations to a set of operators of the usual spectral radius of a linear operator. In this article we develop a method which - under suitable assumptions - allows to compute the JSR and the LSR of a finite family of matrices exactly. We remark that so far no algorithm was available in the literature to compute the LSR exactly. The paper presents necessary theoretical results on extremal norms (and on extremal antinorms) of linear operators, which constitute the basic tools of our procedures, and a detailed description of the corresponding algorithms for the computation of the JSR and LSR (the last one restricted to families sharing an invariant cone). The algorithms are easily implemented and their descriptions are short. If the algorithms terminate in finite time, then they construct an extremal norm (in the JSR case) or antinorm (in the LSR case) and find their exact values; otherwise they provide upper and lower bounds that both converge to the exact values. A theoretical criterion for termination in finite time is also derived. According to numerical experiments, the algorithm for the JSR finds the exact value for the vast majority of matrix families in dimensions less than 20. For nonnegative matrices it works faster and finds JSR in dimensions of order 100 within a few iterations; the same is observed for the algorithm computing the LSR. To illustrate the efficiency of the new method we are able to apply it in order to give answers to several conjectures which have been recently stated in combinatorics, number theory, and the theory of formal languages.

研究动机与目标

• 开发首个用于计算下谱半径（LSR）的精确算法，因此前文献中尚无LSR的精确计算方法。
• 将极值范数理论拓展至有限矩阵族，以实现联合谱半径（JSR）的精确计算。
• 提供一种计算高效的算法，通过在多面体上迭代生成顶点，构造极值范数（用于JSR）与极值对偶范数（用于LSR）。
• 建立理论条件，确保算法在有限步内终止，从而实现精确计算。
• 将该方法应用于解决组合数学、数论与形式语言中的若干开放猜想，展示其实际应用价值。

提出的方法

• 通过矩阵作用于初始向量，迭代生成多面体顶点，构造极值范数（用于JSR）或极值对偶范数（用于LSR）。
• 利用极值范数的概念——即在矩阵族作用下保持不变（仅缩放因子等于JSR）的范数。
• 对于LSR，该方法适用于共享一个不变锥的矩阵族，使用满足次乘性且在族作用下不变的极值对偶范数。
• 通过将矩阵作用于当前顶点并添加新顶点，生成一系列多面体，逐步逼近极值范数或对偶范数。
• 通过在每次迭代中更新JSR与LSR的上下界来监控收敛性，这些界最终收敛至精确值。
• 基于矩阵作用下存在有限不变多面体的条件，推导出有限时间终止的理论判据。

实验结果

研究问题

• RQ1 在缺乏先前精确算法的前提下，能否对有限矩阵族的下谱半径（LSR）实现精确计算？
• RQ2 在何种条件下，极值范数或对偶范数的迭代构造过程可在有限步内终止？
• RQ3 如何高效构造高维矩阵族的极值范数与对偶范数，以实现JSR与LSR的计算？
• RQ4 所提出的算法能否解决涉及谱半径的组合数学、数论与形式语言领域中的若干开放猜想？
• RQ5 该算法在实际应用中的计算效率如何，特别是在非负矩阵与高维情形下的表现？

主要发现

• 该算法对维度高达20的绝大多数矩阵族，可精确计算联合谱半径（JSR）。
• 对于非负矩阵，JSR计算收敛迅速，即使在维度高达100时，也仅需数次迭代即可获得精确结果。
• 对于共享不变锥的矩阵族，LSR计算是精确的；当有限收敛不成立时，该方法仍能提供紧致的上下界。
• 该方法成功解决了组合数学、数论与形式语言领域中的多个开放猜想，提供了精确的谱半径值。
• 推导出有限时间终止的理论条件，数值实验进一步验证了上下界收敛至精确的JSR与LSR值。
• 对某对矩阵构造出一个极值无穷多面体，确认了精确JSR为特定乘积矩阵谱半径的11次方根。