scipy.sparse.linalg.bicg¶
- scipy.sparse.linalg.bicg(A, b, x0=None, tol=1e-05, maxiter=None, M=None, callback=None, atol=None)¶
用BI型共轭梯度迭代法求解
Ax = b。- 参数
- A{稀疏矩阵，ndarray，LinearOperator}
线性系统的实数或复数的N乘N矩阵。或者，
A可以是线性运算符，它可以产生Ax和A^T x使用，例如，scipy.sparse.linalg.LinearOperator。- bndarray
线性系统的右侧。具有形状(N，)或(N，1)。
- 退货
- xndarray
收敛的解。
- info整数
- 提供融合信息：
0：成功退出>0：未达到容差收敛，迭代次数<0：非法输入或故障
- 其他参数
- x0ndarray
开始猜测解决方案。
- TOL，ATOL浮动，可选
收敛容差，
norm(residual) <= max(tol*norm(b), atol)。的默认设置atol是'legacy'，它模拟不同的传统行为。警告
的默认值 atol 将在将来的版本中进行更改。为了将来的兼容性，请指定 atol 明确地说。
- maxiter整数
最大迭代次数。即使未达到指定的公差，迭代也将在最大步长后停止。
- M{稀疏矩阵，ndarray，LinearOperator}
A的预条件。预条件应该近似于A的逆。有效的预处理显著地提高了收敛速度，这意味着达到给定的误差容限所需的迭代次数更少。
- callback功能
每次迭代后要调用的用户提供的函数。它被称为回调(Xk)，其中xk是当前的解向量。
示例
>>> from scipy.sparse import csc_matrix >>> from scipy.sparse.linalg import bicg >>> A = csc_matrix([[3, 2, 0], [1, -1, 0], [0, 5, 1]], dtype=float) >>> b = np.array([2, 4, -1], dtype=float) >>> x, exitCode = bicg(A, b) >>> print(exitCode) # 0 indicates successful convergence 0 >>> np.allclose(A.dot(x), b) True