]> gitweb.michael.orlitzky.com - sage.d.git/commitdiff
mjo/ldlt.py: refactor into user-(un)friendly portions.
authorMichael Orlitzky <michael@orlitzky.com>
Sun, 4 Oct 2020 16:37:08 +0000 (12:37 -0400)
committerMichael Orlitzky <michael@orlitzky.com>
Sun, 4 Oct 2020 16:37:08 +0000 (12:37 -0400)
mjo/ldlt.py

index 6f3a6280a6fa30d2a47d57baad01ccb5dba77b29..682eecf2c44a5f9a6bb7855d7b1ce6e88e631af3 100644 (file)
@@ -26,166 +26,27 @@ def is_positive_semidefinite_naive(A):
     return A.is_hermitian() and all( v >= 0 for v in A.eigenvalues() )
 
 
-def block_ldlt(A):
+def _block_ldlt(A):
     r"""
-    Perform a block-`LDL^{T}` factorization of the Hermitian
-    matrix `A`.
-
-    The standard `LDL^{T}` factorization of a positive-definite matrix
-    `A` factors it as `A = LDL^{T}` where `L` is unit-lower-triangular
-    and `D` is diagonal. If one allows row/column swaps via a
-    permutation matrix `P`, then this factorization can be extended to
-    some positive-semidefinite matrices `A` via the factorization
-    `P^{T}AP = LDL^{T}` that places the zeros at the bottom of `D` to
-    avoid division by zero. These factorizations extend easily to
-    complex Hermitian matrices when one replaces the transpose by the
-    conjugate-transpose.
-
-    However, we can go one step further. If, in addition, we allow `D`
-    to potentially contain `2 \times 2` blocks on its diagonal, then
-    every real or complex Hermitian matrix `A` can be factored as `A =
-    PLDL^{*}P^{T}`. When the row/column swaps are made intelligently,
-    this process is numerically stable over inexact rings like ``RDF``.
-    Bunch and Kaufman describe such a "pivot" scheme that is suitable
-    for the solution of Hermitian systems, and that is how we choose
-    our row and column swaps.
-
-    OUTPUT:
-
-    If the input matrix is Hermitian, we return a triple `(P,L,D)`
-    such that `A = PLDL^{*}P^{T}` and
-
-      * `P` is a permutation matrix,
-      * `L` is unit lower-triangular,
-      * `D` is a block-diagonal matrix whose blocks are of size
-        one or two.
-
-    If the input matrix is not Hermitian, the output from this function
-    is undefined.
-
-    SETUP::
-
-        sage: from mjo.ldlt import block_ldlt
-
-    EXAMPLES:
-
-    This three-by-three real symmetric matrix has one positive, one
-    negative, and one zero eigenvalue -- so it is not any flavor of
-    (semi)definite, yet we can still factor it::
-
-        sage: A =  matrix(QQ, [[0, 1, 0],
-        ....:                  [1, 1, 2],
-        ....:                  [0, 2, 0]])
-        sage: P,L,D = block_ldlt(A)
-        sage: P
-        [0 0 1]
-        [1 0 0]
-        [0 1 0]
-        sage: L
-        [  1   0   0]
-        [  2   1   0]
-        [  1 1/2   1]
-        sage: D
-        [ 1| 0| 0]
-        [--+--+--]
-        [ 0|-4| 0]
-        [--+--+--]
-        [ 0| 0| 0]
-        sage: P.transpose()*A*P == L*D*L.transpose()
-        True
-
-    This two-by-two matrix has no standard factorization, but it
-    constitutes its own block-factorization::
-
-        sage: A = matrix(QQ, [ [0,1],
-        ....:                  [1,0] ])
-        sage: block_ldlt(A)
-        (
-        [1 0]  [1 0]  [0 1]
-        [0 1], [0 1], [1 0]
-        )
-
-    The same is true of the following complex Hermitian matrix::
-
-        sage: A = matrix(QQbar, [ [ 0,I],
-        ....:                     [-I,0] ])
-        sage: block_ldlt(A)
-        (
-        [1 0]  [1 0]  [ 0  I]
-        [0 1], [0 1], [-I  0]
-        )
-
-    TESTS:
-
-    All three factors should be the identity when the original matrix is::
-
-        sage: set_random_seed()
-        sage: n = ZZ.random_element(6)
-        sage: I = matrix.identity(QQ,n)
-        sage: P,L,D = block_ldlt(I)
-        sage: P == I and L == I and D == I
-        True
-
-    Ensure that a "random" real symmetric matrix is factored correctly::
-
-        sage: set_random_seed()
-        sage: n = ZZ.random_element(6)
-        sage: A = matrix.random(QQ, n)
-        sage: A = A + A.transpose()
-        sage: P,L,D = block_ldlt(A)
-        sage: A == P*L*D*L.transpose()*P.transpose()
-        True
-
-    Ensure that a "random" complex Hermitian matrix is factored correctly::
-
-        sage: set_random_seed()
-        sage: n = ZZ.random_element(6)
-        sage: F = NumberField(x^2 +1, 'I')
-        sage: A = matrix.random(F, n)
-        sage: A = A + A.conjugate_transpose()
-        sage: P,L,D = block_ldlt(A)
-        sage: A == P*L*D*L.conjugate_transpose()*P.conjugate_transpose()
-        True
-
-    Ensure that a "random" complex positive-semidefinite matrix is
-    factored correctly and that the resulting block-diagonal matrix is
-    in fact diagonal::
-
-        sage: set_random_seed()
-        sage: n = ZZ.random_element(6)
-        sage: F = NumberField(x^2 +1, 'I')
-        sage: A = matrix.random(F, n)
-        sage: A = A*A.conjugate_transpose()
-        sage: P,L,D = block_ldlt(A)
-        sage: A == P*L*D*L.conjugate_transpose()*P.conjugate_transpose()
-        True
-        sage: diagonal_matrix(D.diagonal()) == D
-        True
-
-    The factorization should be a no-op on diagonal matrices::
-
-        sage: set_random_seed()
-        sage: n = ZZ.random_element(6)
-        sage: A = matrix.diagonal(random_vector(QQ, n))
-        sage: I = matrix.identity(QQ,n)
-        sage: P,L,D = block_ldlt(A)
-        sage: P == I and L == I and A == D
-        True
-
+    Perform a user-unfriendly block-`LDL^{T}` factorization of the
+    Hermitian matrix `A`
+
+    This function is used internally to compute the factorization for
+    the user-friendly ``block_ldlt`` function. Whereas that function
+    returns three nice matrices, this one returns
+
+      * A list ``p`` of the first ``n`` natural numbers, permuted.
+      * A matrix whose lower-triangular portion is ``L``, but whose
+      * (strict) upper-triangular portion is junk.
+      * A list of the block-diagonal entries of ``D``
+
+    This is mainly useful to avoid havinf to "undo" the construction
+    of the matrix ``D`` when we don't need it. For example, it's much
+    easier to compute the inertia of a matrix from the list of blocks
+    than it is from the block-diagonal matrix itself, because given a
+    block-diagonal matrix, you first have to figure out where the
+    blocks are!
     """
-
-    # We have to make at least one copy of the input matrix so that we
-    # can change the base ring to its fraction field. Both "L" and the
-    # intermediate Schur complements will potentially have entries in
-    # the fraction field. However, we don't need to make *two* copies.
-    # We can't store the entries of "D" and "L" in the same matrix if
-    # "D" will contain any 2x2 blocks; but we can still store the
-    # entries of "L" in the copy of "A" that we're going to make.
-    # Contrast this with the non-block LDL^T factorization where the
-    # entries of both "L" and "D" overwrite the lower-left half of "A".
-    #
-    # This grants us an additional speedup, since we don't have to
-    # permute the rows/columns of "L" *and* "A" at each iteration.
     ring = A.base_ring().fraction_field()
     A = A.change_ring(ring)
     MS = A.matrix_space()
@@ -381,7 +242,175 @@ def block_ldlt(A):
 
         k += 2
 
-    MS = A.matrix_space()
+    for i in range(n):
+        # We skipped this during the main loop, but it's necessary for
+        # correctness.
+        A[i,i] = 1
+
+    return (p,A,d)
+
+def block_ldlt(A):
+    r"""
+    Perform a block-`LDL^{T}` factorization of the Hermitian
+    matrix `A`.
+
+    The standard `LDL^{T}` factorization of a positive-definite matrix
+    `A` factors it as `A = LDL^{T}` where `L` is unit-lower-triangular
+    and `D` is diagonal. If one allows row/column swaps via a
+    permutation matrix `P`, then this factorization can be extended to
+    some positive-semidefinite matrices `A` via the factorization
+    `P^{T}AP = LDL^{T}` that places the zeros at the bottom of `D` to
+    avoid division by zero. These factorizations extend easily to
+    complex Hermitian matrices when one replaces the transpose by the
+    conjugate-transpose.
+
+    However, we can go one step further. If, in addition, we allow `D`
+    to potentially contain `2 \times 2` blocks on its diagonal, then
+    every real or complex Hermitian matrix `A` can be factored as `A =
+    PLDL^{*}P^{T}`. When the row/column swaps are made intelligently,
+    this process is numerically stable over inexact rings like ``RDF``.
+    Bunch and Kaufman describe such a "pivot" scheme that is suitable
+    for the solution of Hermitian systems, and that is how we choose
+    our row and column swaps.
+
+    OUTPUT:
+
+    If the input matrix is Hermitian, we return a triple `(P,L,D)`
+    such that `A = PLDL^{*}P^{T}` and
+
+      * `P` is a permutation matrix,
+      * `L` is unit lower-triangular,
+      * `D` is a block-diagonal matrix whose blocks are of size
+        one or two.
+
+    If the input matrix is not Hermitian, the output from this function
+    is undefined.
+
+    SETUP::
+
+        sage: from mjo.ldlt import block_ldlt
+
+    EXAMPLES:
+
+    This three-by-three real symmetric matrix has one positive, one
+    negative, and one zero eigenvalue -- so it is not any flavor of
+    (semi)definite, yet we can still factor it::
+
+        sage: A =  matrix(QQ, [[0, 1, 0],
+        ....:                  [1, 1, 2],
+        ....:                  [0, 2, 0]])
+        sage: P,L,D = block_ldlt(A)
+        sage: P
+        [0 0 1]
+        [1 0 0]
+        [0 1 0]
+        sage: L
+        [  1   0   0]
+        [  2   1   0]
+        [  1 1/2   1]
+        sage: D
+        [ 1| 0| 0]
+        [--+--+--]
+        [ 0|-4| 0]
+        [--+--+--]
+        [ 0| 0| 0]
+        sage: P.transpose()*A*P == L*D*L.transpose()
+        True
+
+    This two-by-two matrix has no standard factorization, but it
+    constitutes its own block-factorization::
+
+        sage: A = matrix(QQ, [ [0,1],
+        ....:                  [1,0] ])
+        sage: block_ldlt(A)
+        (
+        [1 0]  [1 0]  [0 1]
+        [0 1], [0 1], [1 0]
+        )
+
+    The same is true of the following complex Hermitian matrix::
+
+        sage: A = matrix(QQbar, [ [ 0,I],
+        ....:                     [-I,0] ])
+        sage: block_ldlt(A)
+        (
+        [1 0]  [1 0]  [ 0  I]
+        [0 1], [0 1], [-I  0]
+        )
+
+    TESTS:
+
+    All three factors should be the identity when the original matrix is::
+
+        sage: set_random_seed()
+        sage: n = ZZ.random_element(6)
+        sage: I = matrix.identity(QQ,n)
+        sage: P,L,D = block_ldlt(I)
+        sage: P == I and L == I and D == I
+        True
+
+    Ensure that a "random" real symmetric matrix is factored correctly::
+
+        sage: set_random_seed()
+        sage: n = ZZ.random_element(6)
+        sage: A = matrix.random(QQ, n)
+        sage: A = A + A.transpose()
+        sage: P,L,D = block_ldlt(A)
+        sage: A == P*L*D*L.transpose()*P.transpose()
+        True
+
+    Ensure that a "random" complex Hermitian matrix is factored correctly::
+
+        sage: set_random_seed()
+        sage: n = ZZ.random_element(6)
+        sage: F = NumberField(x^2 +1, 'I')
+        sage: A = matrix.random(F, n)
+        sage: A = A + A.conjugate_transpose()
+        sage: P,L,D = block_ldlt(A)
+        sage: A == P*L*D*L.conjugate_transpose()*P.conjugate_transpose()
+        True
+
+    Ensure that a "random" complex positive-semidefinite matrix is
+    factored correctly and that the resulting block-diagonal matrix is
+    in fact diagonal::
+
+        sage: set_random_seed()
+        sage: n = ZZ.random_element(6)
+        sage: F = NumberField(x^2 +1, 'I')
+        sage: A = matrix.random(F, n)
+        sage: A = A*A.conjugate_transpose()
+        sage: P,L,D = block_ldlt(A)
+        sage: A == P*L*D*L.conjugate_transpose()*P.conjugate_transpose()
+        True
+        sage: diagonal_matrix(D.diagonal()) == D
+        True
+
+    The factorization should be a no-op on diagonal matrices::
+
+        sage: set_random_seed()
+        sage: n = ZZ.random_element(6)
+        sage: A = matrix.diagonal(random_vector(QQ, n))
+        sage: I = matrix.identity(QQ,n)
+        sage: P,L,D = block_ldlt(A)
+        sage: P == I and L == I and A == D
+        True
+
+    """
+
+    # We have to make at least one copy of the input matrix so that we
+    # can change the base ring to its fraction field. Both "L" and the
+    # intermediate Schur complements will potentially have entries in
+    # the fraction field. However, we don't need to make *two* copies.
+    # We can't store the entries of "D" and "L" in the same matrix if
+    # "D" will contain any 2x2 blocks; but we can still store the
+    # entries of "L" in the copy of "A" that we're going to make.
+    # Contrast this with the non-block LDL^T factorization where the
+    # entries of both "L" and "D" overwrite the lower-left half of "A".
+    #
+    # This grants us an additional speedup, since we don't have to
+    # permute the rows/columns of "L" *and* "A" at each iteration.
+    p,L,d = _block_ldlt(A)
+    MS = L.matrix_space()
     P = MS.matrix(lambda i,j: p[j] == i)
 
     # Warning: when n == 0, this works, but returns a matrix
@@ -389,12 +418,11 @@ def block_ldlt(A):
     # the base ring of P and L.
     D = block_diagonal_matrix(d)
 
-    # Overwrite the diagonal and upper-right half of "A",
-    # since we're about to return it as the unit-lower-
-    # triangular "L".
+    # Overwrite the (strict) upper-triangular part of "L", since a
+    # priori it contains the same entries as "A" did after _block_ldlt().
+    n = L.nrows()
     for i in range(n):
-        A[i,i] = 1
         for j in range(i+1,n):
-            A[i,j] = 0
+            L[i,j] = 0
 
-    return (P,A,D)
+    return (P,L,D)