问题标签 [arpack]

我的问题很可能在这个论坛和类似的论坛上很容易回答和重复，但奇怪的是找不到快速简单的答案。这是我的问题：

我在C中使用ARPACK来计算模式3的广义特征值问题的特征值和特征向量，即所谓的移位和反转方法，其原理是将特征值的分布更改为更合适的分布，从而提供更好的收敛速度，但我不知道 ARPACK 的例程如 dseupd 返回的特征值是什么。现在有点解释会很好：

移位和反转：想要计算问题的最大特征* K x = \lambda M x 你把问题改成这样： inv[K-\sigma M] M x = \mu x 你在特征值之间有以下关系: \mu = 1/(\lambda - \sigma)

所以我的问题很简单，似乎函数作为 dseupd 返回第二个问题的 \mu 特征值，这对我来说似乎很奇怪，因为没有你想要的。如果有人从 ARPACK 的文档或那里有任何东西知识和经验，对我和路过的人都有帮助

谢谢

我在这里描述了同样的问题CVXPY Quadratic Programming；ArpackNoConvergence 错误。

我想尝试 pertubation/trasformation 解决方案，但我不知道如何执行它。

我有一个像这样的二次问题https://www.cvxpy.org/examples/basic/quadratic_program.html以及所有矩阵 P、q、G、h、A、b。

只要矩阵很小（例如 150 个项目），求解器就可以工作。但是对于更大的问题，我会遇到上述问题。

如果有人能解释我如何扰乱数据（使用 Python），我将不胜感激。

谢谢你。

这更像是一个普遍的问题，而不是一个问题。我需要在一个大矩阵上运行 ARNOLDI 迭代，为此我使用 C 代码中的 ARPACK 或带有 scipy.sparse.linalg.eigsh 的 python 中的 ARPACK ，我真的不需要 ARPACK 来收敛。我想让 ARPACK 像 ARNOLDI 迭代的一个周期一样运行，并发送回其结果，无论它是否已经收敛。

我不确定我应该如何进行：设置 maxiter = 1 但我应该给 ARPACK 什么 tol ？托尔 = 1 ? 不知道如果我这样做会发生什么？

有没有人知道那条战线？

谢谢

我正在尝试在 Java 中设置Smile机器学习库，但在使某些依赖项正常工作时遇到了一些问题。目前我在 Fedora 机器上，但我希望它可以在任何机器上工作，就像普通的 jar 一样。

下面是一些发生错误的示例代码：

现在 SpectralClustering 类使用了一些额外的依赖项。从我能找到的文档中（向下滚动到提到“某些算法依赖于 BLAS 和 LAPACK”的部分，我认为应该将这些依赖项添加到您的 pom.xml 中：

但是，这会导致以下 3 个错误：

1. java.library.path 中没有 jnijavacpp
2. java.library.path 中没有 jniopenblas_nolapack
3. java.library.path 中没有 openblas_nolapack

所以我做了更多的研究，我遇到了这些不同的依赖关系。（我不确定“-platform”有何不同。）当我用这 3 个新依赖项替换上面的内容时：

这次我们取得了一些进展（我希望）并得到一个新的错误：

谁能帮我完成最后一部分？我需要添加另一个依赖项还是需要使用“dnf install ...”在外部安装软件？也许 Smile 类需要特定版本的 dseupd_c 方法？

干杯

假设我有一个给定的固定输入矩阵。

scipy的稀疏 SVD对于我的机器（英特尔 macbook）上不同运行的相同输入svds 似乎是一致的。

svds每次从一个处理器/机器/版本到另一个处理器/机器/版本的输入相同，是否保证产生相同的输出？或者它是特定于运行时的，并且对于给定的输入，从一个实例到另一个实例仅大致或几乎相同？

这对我来说很重要，因为虽然在大多数情况下几乎或大致相同，但存在一个对偶解，它在某些算法中的每个 SVD 分解都指向正交相反的方向（并且它根据随机播种从运行切换到运行在内部求解器中），我想确保这不会发生......

- 但是 - 虽然我的测试似乎表明它具有一致的运行时输出，但 scipy 的文档清楚地表明，至少对于他们的 k-eigvals 稀疏 svd 算法，不能保证“特征值的顺序”。

这似乎意味着 SVD 解决方案的任一侧（正常或对偶）都可能由其底层求解器返回……但 K-eigvals/eigvecs 算法与完整解决方案相比，有不同的技术可供选择。

我正在使用大约 100000x100000 厄米特复杂 稀疏 矩阵，填充了大约 5% 的条目，并且想要计算特征值/特征向量。

到目前为止，我一直在使用Arpack.jl eigs(A)。但是，一旦我将大小调到高于 5000，这将无法正常工作。

对于基准测试，我一直在使用以下代码生成一些 TestMatrices：

对于 n ~ 3000，eigs()呼叫在我的机器上已经花费了 13 秒，对于更大的 n，它不会在任何“合理”时间内完成或直接退出。

有专门的包/方法吗？

任何帮助表示赞赏