scipy.sparse.linalg.

splu#

scipy.sparse.linalg.splu(A, permc_spec=None, diag_pivot_thresh=None, relax=None, panel_size=None, options={})[源代码][源代码]#

计算稀疏方阵的LU分解。

参数:
A稀疏矩阵

要分解的稀疏矩阵。当以 CSC 格式提供时，效率最高。其他格式将在分解之前转换为 CSC。

permc_specstr, 可选

如何置换矩阵的列以保持稀疏性。（默认：’COLAMD’）

  • NATURAL: 自然排序。

  • MMD_ATA: 在 A^T A 结构上的最小度排序。

  • MMD_AT_PLUS_A: 在 A^T+A 结构上的最小度排序。

  • COLAMD: 近似最小度列排序

diag_pivot_threshfloat, 可选

用于判断对角线元素是否为可接受主元的阈值。详情请参见 SuperLU 用户指南 [1]。

放松int, 可选

自定义超节点放松程度的专家选项。详情请参见 SuperLU 用户指南 [1]。

panel_sizeint, 可选

自定义面板大小的专家选项。详情请参见 SuperLU 用户指南 [1]。

选项dict, 可选

包含要传递给 SuperLU 的额外专家选项的字典。更多详情请参见 SuperLU 用户指南 [1] （关于’Options’参数的第2.4节）。例如，您可以指定 options=dict(Equil=False, IterRefine='SINGLE')) 来关闭均衡并执行单次迭代细化。

返回:
invAscipy.sparse.linalg.SuperLU

对象，具有 solve 方法。

参见

spilu

不完全LU分解

注释

此函数使用 SuperLU 库。

参考文献

示例

>>> import numpy as np
>>> from scipy.sparse import csc_matrix
>>> from scipy.sparse.linalg import splu
>>> A = csc_matrix([[1., 0., 0.], [5., 0., 2.], [0., -1., 0.]], dtype=float)
>>> B = splu(A)
>>> x = np.array([1., 2., 3.], dtype=float)
>>> B.solve(x)
array([ 1. , -3. , -1.5])
>>> A.dot(B.solve(x))
array([ 1.,  2.,  3.])
>>> B.solve(A.dot(x))
array([ 1.,  2.,  3.])
On this page