author Michael Orlitzky Wed, 20 Mar 2013 04:57:16 +0000 (00:57 -0400) committer Michael Orlitzky Wed, 20 Mar 2013 04:57:16 +0000 (00:57 -0400)
Implement conjugate_gradient_method() in terms of the preconditioned CGM.
Add the slow, simple preconditioned CGM as simple_preconditioned_cgm().

 optimization/conjugate_gradient_method.m patch | blob | history optimization/simple_preconditioned_cgm.m [new file with mode: 0644] patch | blob optimization/vanilla_cgm.m [new file with mode: 0644] patch | blob

index 2c94487a65508e876903343abf457cda853bb929..a6401e5ec21ff963883368576deb59ff0e1b36d0 100644 (file)
@@ -8,8 +8,7 @@ function [x, k] = conjugate_gradient_method(A, b, x0, tolerance, max_iterations)
%
%   min [phi(x) = (1/2)*<Ax,x> + <b,x>]
%
%
%   min [phi(x) = (1/2)*<Ax,x> + <b,x>]
%
-  % using the conjugate_gradient_method (Algorithm 5.2 in Nocedal and
-  % Wright).
%
% INPUT:
%
%
% INPUT:
%
@@ -36,28 +35,15 @@ function [x, k] = conjugate_gradient_method(A, b, x0, tolerance, max_iterations)
%
% All vectors are assumed to be *column* vectors.
%
%
% All vectors are assumed to be *column* vectors.
%
-  zero_vector = zeros(length(x0), 1);
+  n = length(x0);
+  M = eye(n);

-  k = 0;
-  x = x0; % Eschew the 'k' suffix on 'x' for simplicity.
-  rk = A*x - b; % The first residual must be computed the hard way.
-  pk = -rk;
-
-  for k = [ 0 : max_iterations ]
-    if (norm(rk) < tolerance)
-       % Success.
-       return;
-    end
-
-    alpha_k = step_length_cgm(rk, A, pk);
-    x_next = x + alpha_k*pk;
-    r_next = rk + alpha_k*A*pk;
-    beta_next = (r_next' * r_next)/(rk' * rk);
-    p_next = -r_next + beta_next*pk;
-
-    k = k + 1;
-    x = x_next;
-    rk = r_next;
-    pk = p_next;
-  end
+  % The standard CGM is equivalent to the preconditioned CGM is you
+  % use the identity matrix as your preconditioner.
+                                                   M,
+                                                   b,
+                                                   x0,
+                                                   tolerance,
+                                                   max_iterations);
end
end
diff --git a/optimization/simple_preconditioned_cgm.m b/optimization/simple_preconditioned_cgm.m
new file mode 100644 (file)
index 0000000..31e0225
--- /dev/null
@@ -0,0 +1,71 @@
+function [x, k] = simple_preconditioned_cgm(Q,
+                                           M,
+                                           b,
+                                           x0,
+                                           tolerance,
+                                           max_iterations)
+  %
+  % Solve,
+  %
+  %   Qx = b
+  %
+  % or equivalently,
+  %
+  %   min [phi(x) = (1/2)*<Qx,x> + <b,x>]
+  %
+  % using the preconditioned conjugate gradient method (14.54 in
+  % Guler).
+  %
+  % INPUT:
+  %
+  %   - Q -- The coefficient matrix of the system to solve. Must
+  %     be positive definite.
+  %
+  %   - M -- The preconditioning matrix. If the actual matrix used
+  %     to precondition Q is called C, i.e. C^(-1) * Q *
+  %     C^(-T) == \bar{Q}, then M=CC^T. Must be symmetric positive-
+  %     definite. See for example Golub and Van Loan.
+  %
+  %   - b -- The right-hand-side of the system to solve.
+  %
+  %   - x0 -- The starting point for the search.
+  %
+  %   - tolerance -- How close Qx has to be to b (in
+  %     magnitude) before we stop.
+  %
+  %   - max_iterations -- The maximum number of iterations to
+  %     perform.
+  %
+  % OUTPUT:
+  %
+  %   - x - The solution to Qx=b.
+  %
+  %   - k - The ending value of k; that is, the number of
+  %   iterations that were performed.
+  %
+  % NOTES:
+  %
+  % All vectors are assumed to be *column* vectors.
+  %
+  % REFERENCES:
+  %
+  %   1. Guler, Osman. Foundations of Optimization. New York, Springer,
+  %   2010.
+  %
+
+  % This isn't great in practice, since the CGM is usually used on
+  % huge sparse systems.
+  Ct = chol(M);
+  C = Ct';
+  C_inv = inv(C);
+  Ct_inv = inv(Ct);
+
+  Q_bar = C_inv * Q * Ct_inv;
+  b_bar = C_inv * b;
+
+  % But it sure is easy.
+  [x_bar, k] = vanilla_cgm(Q_bar, b_bar, x0, tolerance, max_iterations);
+
+  % The solution to Q_bar*x_bar == b_bar is x_bar = Ct*x.
+  x = Ct_inv * x_bar;
+end
diff --git a/optimization/vanilla_cgm.m b/optimization/vanilla_cgm.m
new file mode 100644 (file)
index 0000000..2c94487
--- /dev/null
@@ -0,0 +1,63 @@
+function [x, k] = conjugate_gradient_method(A, b, x0, tolerance, max_iterations)
+  %
+  % Solve,
+  %
+  %   Ax = b
+  %
+  % or equivalently,
+  %
+  %   min [phi(x) = (1/2)*<Ax,x> + <b,x>]
+  %
+  % using the conjugate_gradient_method (Algorithm 5.2 in Nocedal and
+  % Wright).
+  %
+  % INPUT:
+  %
+  %   - A -- The coefficient matrix of the system to solve. Must
+  %     be positive definite.
+  %
+  %   - b -- The right-hand-side of the system to solve.
+  %
+  %   - x0 -- The starting point for the search.
+  %
+  %   - tolerance -- How close Ax has to be to b (in
+  %     magnitude) before we stop.
+  %
+  %   - max_iterations -- The maximum number of iterations to perform.
+  %
+  % OUTPUT:
+  %
+  %   - x - The solution to Ax=b.
+  %
+  %   - k - The ending value of k; that is, the number of iterations that
+  %     were performed.
+  %
+  % NOTES:
+  %
+  % All vectors are assumed to be *column* vectors.
+  %
+  zero_vector = zeros(length(x0), 1);
+
+  k = 0;
+  x = x0; % Eschew the 'k' suffix on 'x' for simplicity.
+  rk = A*x - b; % The first residual must be computed the hard way.
+  pk = -rk;
+
+  for k = [ 0 : max_iterations ]
+    if (norm(rk) < tolerance)
+       % Success.
+       return;
+    end
+
+    alpha_k = step_length_cgm(rk, A, pk);
+    x_next = x + alpha_k*pk;
+    r_next = rk + alpha_k*A*pk;
+    beta_next = (r_next' * r_next)/(rk' * rk);
+    p_next = -r_next + beta_next*pk;
+
+    k = k + 1;
+    x = x_next;
+    rk = r_next;
+    pk = p_next;
+  end
+end