dc.contributor.advisor | Tůma, Miroslav | |
dc.creator | Outrata, Michal | |
dc.date.accessioned | 2018-09-26T09:58:16Z | |
dc.date.available | 2018-09-26T09:58:16Z | |
dc.date.issued | 2018 | |
dc.identifier.uri | http://hdl.handle.net/20.500.11956/101046 | |
dc.description.abstract | Consider the problem of solving a large system of linear algebraic equations, using the Krylov subspace methods. In order to find the solution efficiently, the system often needs to be preconditioned, i.e., transformed prior to the iterative scheme. A feature of the system that often enables fast solution with efficient preconditioners is the structural sparsity of the corresponding matrix. A recent development brought another and a slightly different phe- nomenon called the data sparsity. In contrast to the classical (structural) sparsity, the data sparsity refers to an uneven distribution of extractable information inside the matrix. In practice, the data sparsity of a matrix ty- pically means that its blocks can be successfully approximated by matrices of low rank. Naturally, this may significantly change the character of the numerical computations involving the matrix. The thesis focuses on finding ways to construct Cholesky-based preconditioners for the conjugate gradi- ent method to solve systems with symmetric and positive definite matrices, exploiting a combination of the data and structural sparsity. Methods to exploit the data sparsity are evolving very fast, influencing not only iterative solvers but direct solvers as well. Hierarchical schemes based on the data sparsity concepts can be derived... | en_US |
dc.description.abstract | Metody Krylovovských podprostorů představují jeden z běžně používaných přístupů k řešení soustav lineárních algebraických rovnic. K dosažení efek- tivní metody je často zapotřebí tzv. předpodmínění celé soustavy, tedy trans- formace daného problému před aplikací samotné iterační metody. Jednou z vlastností původní soustavy, která často umožňuje konstrukci efektivních předpodmínění, je strukturální řídkost matice systému. Vývoj a výzkum po- sledních let přinesl nový, související fenomén tzv. datovou řídkost matice. Na rozdíl od strukturální řídkosti, datová řídkost odkazuje na nevyváže- nost informací, které jsou při výpočtu využitelné. U většiny problémů toto odpovídá tomu, že bloky dané matice jsou dobře aproximovatelné maticemi nízkých hodností. Úprava klasických metod tak, aby využívaly tohoto speci- fického rysu výrazně mění jejich charakter. Tato práce se zaobírá možnostmi, jak navrhnout a zkonstruovat předpodmínění pro metodu sdružených gradi- entů pro problémy se symetrickou a pozitivně definitní matice, založené na Choleského faktorizaci pro datově řídké matice. Metody využívající datovou řídkost se vyvíjejí velmi rychle a ovlivňují nikoliv pouze oblast iterativních metod a jejich předpodmínění. Hierarchické maticové formáty založené právě na datové řídkosti mohou být odvozeny jak na základě... | cs_CZ |
dc.language | English | cs_CZ |
dc.language.iso | en_US | |
dc.publisher | Univerzita Karlova, Matematicko-fyzikální fakulta | cs_CZ |
dc.subject | low-rank matrix approximations | en_US |
dc.subject | sparse matrices | en_US |
dc.subject | iterative methods for solving large linear algebraic equations | en_US |
dc.subject | preconditioning | en_US |
dc.subject | aproximace maticemi nízké hodnosti | cs_CZ |
dc.subject | řídké matice | cs_CZ |
dc.subject | iterační metody pro řešení rozsáhlých soustav algebraických rovnic | cs_CZ |
dc.subject | předpodmínění | cs_CZ |
dc.title | Approximations by low-rank matrices and their applications | en_US |
dc.type | diplomová práce | cs_CZ |
dcterms.created | 2018 | |
dcterms.dateAccepted | 2018-09-05 | |
dc.description.department | Department of Numerical Mathematics | en_US |
dc.description.department | Katedra numerické matematiky | cs_CZ |
dc.description.faculty | Matematicko-fyzikální fakulta | cs_CZ |
dc.description.faculty | Faculty of Mathematics and Physics | en_US |
dc.identifier.repId | 193118 | |
dc.title.translated | Aproximace maticemi malé hodnosti a jejich aplikace | cs_CZ |
dc.contributor.referee | Rozložník, Miroslav | |
thesis.degree.name | Mgr. | |
thesis.degree.level | navazující magisterské | cs_CZ |
thesis.degree.discipline | Numerical and computational mathematics | en_US |
thesis.degree.discipline | Numerická a výpočtová matematika | cs_CZ |
thesis.degree.program | Mathematics | en_US |
thesis.degree.program | Matematika | cs_CZ |
uk.thesis.type | diplomová práce | cs_CZ |
uk.taxonomy.organization-cs | Matematicko-fyzikální fakulta::Katedra numerické matematiky | cs_CZ |
uk.taxonomy.organization-en | Faculty of Mathematics and Physics::Department of Numerical Mathematics | en_US |
uk.faculty-name.cs | Matematicko-fyzikální fakulta | cs_CZ |
uk.faculty-name.en | Faculty of Mathematics and Physics | en_US |
uk.faculty-abbr.cs | MFF | cs_CZ |
uk.degree-discipline.cs | Numerická a výpočtová matematika | cs_CZ |
uk.degree-discipline.en | Numerical and computational mathematics | en_US |
uk.degree-program.cs | Matematika | cs_CZ |
uk.degree-program.en | Mathematics | en_US |
thesis.grade.cs | Výborně | cs_CZ |
thesis.grade.en | Excellent | en_US |
uk.abstract.cs | Metody Krylovovských podprostorů představují jeden z běžně používaných přístupů k řešení soustav lineárních algebraických rovnic. K dosažení efek- tivní metody je často zapotřebí tzv. předpodmínění celé soustavy, tedy trans- formace daného problému před aplikací samotné iterační metody. Jednou z vlastností původní soustavy, která často umožňuje konstrukci efektivních předpodmínění, je strukturální řídkost matice systému. Vývoj a výzkum po- sledních let přinesl nový, související fenomén tzv. datovou řídkost matice. Na rozdíl od strukturální řídkosti, datová řídkost odkazuje na nevyváže- nost informací, které jsou při výpočtu využitelné. U většiny problémů toto odpovídá tomu, že bloky dané matice jsou dobře aproximovatelné maticemi nízkých hodností. Úprava klasických metod tak, aby využívaly tohoto speci- fického rysu výrazně mění jejich charakter. Tato práce se zaobírá možnostmi, jak navrhnout a zkonstruovat předpodmínění pro metodu sdružených gradi- entů pro problémy se symetrickou a pozitivně definitní matice, založené na Choleského faktorizaci pro datově řídké matice. Metody využívající datovou řídkost se vyvíjejí velmi rychle a ovlivňují nikoliv pouze oblast iterativních metod a jejich předpodmínění. Hierarchické maticové formáty založené právě na datové řídkosti mohou být odvozeny jak na základě... | cs_CZ |
uk.abstract.en | Consider the problem of solving a large system of linear algebraic equations, using the Krylov subspace methods. In order to find the solution efficiently, the system often needs to be preconditioned, i.e., transformed prior to the iterative scheme. A feature of the system that often enables fast solution with efficient preconditioners is the structural sparsity of the corresponding matrix. A recent development brought another and a slightly different phe- nomenon called the data sparsity. In contrast to the classical (structural) sparsity, the data sparsity refers to an uneven distribution of extractable information inside the matrix. In practice, the data sparsity of a matrix ty- pically means that its blocks can be successfully approximated by matrices of low rank. Naturally, this may significantly change the character of the numerical computations involving the matrix. The thesis focuses on finding ways to construct Cholesky-based preconditioners for the conjugate gradi- ent method to solve systems with symmetric and positive definite matrices, exploiting a combination of the data and structural sparsity. Methods to exploit the data sparsity are evolving very fast, influencing not only iterative solvers but direct solvers as well. Hierarchical schemes based on the data sparsity concepts can be derived... | en_US |
uk.file-availability | V | |
uk.publication.place | Praha | cs_CZ |
uk.grantor | Univerzita Karlova, Matematicko-fyzikální fakulta, Katedra numerické matematiky | cs_CZ |
thesis.grade.code | 1 | |