Алгебра матричных многочленов и матричные уравнения Ланкастера

Квадратичная задача на собственные значения (QEP)

Классическое уравнение свободных затухающих колебаний механической системы из n масс записывается как система дифференциальных уравнений второго порядка: M*x'' + C*x' + K*x = 0. Здесь M — матрица масс, C — матрица демпфирования (вязкого трения), а K — матрица жесткости (все размера n на n). Если мы ищем решение в экспоненциальном виде x(t) = v * e^(lambda*t), дифференцирование превращается в алгебру, и мы получаем Квадратичную задачу на собственные значения (Quadratic Eigenvalue Problem, QEP): (lambda^2 * M + lambda * C + K) * v = 0. Полином P(lambda) = lambda^2 * M + lambda * C + K и есть матричный многочлен. Его размерность n, но степень относительно лямбда равна 2. В отличие от стандартной спектральной задачи, QEP имеет ровно 2n собственных значений, которые могут вести себя крайне нелинейно.

Латентные корни и растворители (Solvents)

В алгебре матричных многочленов скалярные корни lambda называются латентными корнями, а соответствующие векторы v — латентными векторами. Но можно пойти еще дальше и задать вопрос: существует ли такая квадратная матрица X (размера n на n), которая при подстановке в матричный многочлен обнуляет его целиком: M * X^2 + C * X + K = 0? Такая матрица X называется растворителем (solvent) матричного многочлена. Нахождение растворителей позволяет факторизовать (разложить на множители) квадратичный матричный многочлен на линейные блоки, подобно теореме Безу для скаляров: M*lambda^2 + C*lambda + K = (lambda*M - Z_1) * (lambda*I - X_1). Анализ растворителей — это сложнейшая задача некоммутативной алгебры, так как матрицы X и M, C, K не обязаны коммутировать между собой.

Метод линеаризации фазового пространства

Решать квадратичную задачу (QEP) напрямую очень сложно. Стандартом в вычислительной линейной алгебре является метод линеаризации. Он заключается в том, что мы искусственно вводим новую переменную y = lambda*v (переходя от координат к импульсам в фазовое пространство). Это удваивает размерность задачи (до 2n на 2n), но зато превращает квадратичный многочлен в обобщенную линейную спектральную задачу: A * z = lambda * B * z, где вектор z объединяет v и y. Существуют десятки различных способов построить блочные матрицы A и B (называемых линеаризациями матричного многочлена). Главная математическая проблема заключается в том, чтобы выбрать такую линеаризацию, которая сохраняла бы физические симметрии исходных матриц M, C, K, иначе алгоритмы QZ-разложения найдут латентные корни с катастрофическими ошибками.

Алгоритмы в подпространствах: SOAR и Якоби-Дэвидсон

Когда матрицы масс и жесткости (M и K) имеют размер миллион на миллион (как при конечно-элементном расчете турбин гидроэлектростанций), линеаризация удваивает размер задачи до 2 миллионов, что требует колоссальных объемов памяти. Для решения гигантских QEP математики создали алгоритмы, которые работают напрямую с квадратичным многочленом, без явной линеаризации. Наиболее известными являются метод SOAR (Second-Order Arnoldi), который строит ортонормированный базис с учетом квадратичной природы векторов, и нелинейный метод Якоби-Дэвидсона. Эти алгоритмы итеративно проецируют огромный матричный многочлен на маленькое подпространство, формируя крошечный матричный многочлен. Его латентные корни находятся легко и служат идеальным приближением резонансных частот реальных физических мегаструктур.