[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C6%B0%C6%A1ng%20ph%C3%A1p%20arnoldi{\"limit\":5}":3,"_public_topic_byId_phương pháp arnoldi":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":19,"definition":23,"discipline":24,"references":25,"faqs":58,"createUser":68,"publishUser":72,"keywords":73,"keywordCount":84,"enrichTopicLink":85,"status":86,"createTime":87,"updateTime":88,"publishTime":89,"linkEnrichedTime":90,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":91,"relateTopics":92},"phương pháp arnoldi","Phương pháp Arnoldi là gì? Định nghĩa và ứng dụng số trị","Phương pháp Arnoldi là giải thuật không gian con Krylov giúp tìm trị riêng và thu gọn ma trận lớn về dạng Hessenberg trong đại số tuyến tính số trị.","\u003Cp>Phương pháp Arnoldi là một giải thuật lặp trong đại số tuyến tính số trị nhằm xây dựng cơ sở trực chuẩn cho không gian con Krylov và rút gọn ma trận vuông kích thước lớn về dạng ma trận Hessenberg bậc trên. Thuật toán này cho phép tính xấp xỉ hiệu quả một số giá trị riêng và vector riêng chọn lọc của các ma trận lớn, thưa và không đối xứng mà không đòi hỏi biến đổi toàn bộ ma trận gốc. Trong tính toán khoa học hiện đại, phương pháp Arnoldi đóng vai trò là nền tảng toán học cốt lõi cho các bộ giải hệ phương trình tuyến tính lớn và các phần mềm phân tích phổ ma trận.\u003C\u002Fp>\n\n\u003Ch2>Bản chất toán học và không gian con Krylov\u003C\u002Fh2>\n\u003Cp>Trong nhiều bài toán mô phỏng vật lý, động học chất lưu và {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20dao%20%C4%91%E1%BB%99ng%22%7D}} kết cấu, các ma trận xuất hiện thường có kích thước rất lớn với hàng triệu bậc tự do nhưng lại có cấu trúc thưa, nghĩa là đại đa số phần tử bằng 0. Việc áp dụng các thuật toán giải đầy đủ trên ma trận dày như giải thuật lặp QR hoặc thuật toán Jacobi đòi hỏi chi phí tính toán tỷ lệ với luỹ thừa bậc ba của kích thước ma trận và làm mất cấu trúc thưa, dẫn đến tràn bộ nhớ máy tính. Để khắc phục trở ngại này, các {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20chi%E1%BA%BFu%22%7D}} lên {{topic|%7B%22topic%22%3A%22kh%C3%B4ng%20gian%20con%22%7D}} Krylov trở thành công cụ chủ đạo.\u003C\u002Fp>\n\n\u003Cp>Xét ma trận vuông thực \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> có kích thước \u003Cscript type=\"math\u002Ftex\">n \\times n\u003C\u002Fscript> và một vector xuất phát khác không \u003Cscript type=\"math\u002Ftex\">v_1\u003C\u002Fscript> đã được chuẩn hoá sao cho chuẩn Euclid bằng 1. Đối với trường hợp {{topic|%7B%22topic%22%3A%22ma%20tr%E1%BA%ADn%20ph%E1%BB%A9c%22%7D}}, các phép chuyển vị đại số được thay thế tương ứng bằng liên hợp Hermite. Không gian con Krylov thứ \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> sinh bởi ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> và vector \u003Cscript type=\"math\u002Ftex\">v_1\u003C\u002Fscript>, ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\mathcal{K}_m(A, v_1)\u003C\u002Fscript>, được định nghĩa là không gian sinh bởi hệ vector gồm các luỹ thừa liên tiếp của \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> tác động lên \u003Cscript type=\"math\u002Ftex\">v_1\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathcal{K}_m(A, v_1) = \\operatorname{span}\\{v_1, A v_1, A^2 v_1, \\dots, A^{m-1} v_1\\}\u003C\u002Fscript>\n\n\u003Cp>Trong công thức trên, \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> là toán tử ma trận, \u003Cscript type=\"math\u002Ftex\">v_1\u003C\u002Fscript> là vector khởi tạo và \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> là số bước lặp với điều kiện \u003Cscript type=\"math\u002Ftex\">m \\ll n\u003C\u002Fscript>. Khi số bước tăng lên, hệ vector cơ sở luỹ thừa tự nhiên này sẽ nhanh chóng có xu hướng hội tụ về hướng của vector riêng tương ứng với {{topic|%7B%22topic%22%3A%22gi%C3%A1%20tr%E1%BB%8B%20ri%C3%AAng%22%7D}} có độ lớn tuyệt đối trội nhất. Do đó, các vector này gần như phụ thuộc tuyến tính trong biểu diễn số học thực tế, khiến cơ sở tự nhiên bị suy biến nghiêm trọng. Phương pháp Arnoldi khắc phục sự suy biến này trong tính toán lý thuyết bằng cách áp dụng quy trình trực giao hoá Gram-Schmidt cải tiến để liên tục xây dựng một hệ cơ sở trực chuẩn cho không gian con.\u003C\u002Fp>\n\n\u003Ch2>Hệ thức ma trận Arnoldi\u003C\u002Fh2>\n\u003Cp>Tại mỗi bước lặp thứ \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript>, thuật toán tính tích ma trận vector \u003Cscript type=\"math\u002Ftex\">w = A v_j\u003C\u002Fscript>, sau đó tiến hành trực giao hoá vector \u003Cscript type=\"math\u002Ftex\">w\u003C\u002Fscript> với tất cả các vector cơ sở đã xây dựng trước đó từ \u003Cscript type=\"math\u002Ftex\">v_1\u003C\u002Fscript> đến \u003Cscript type=\"math\u002Ftex\">v_j\u003C\u002Fscript>. Sau \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> bước lặp thành công, thuật toán sinh ra một tập hợp gồm \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> vector trực chuẩn ghép lại thành các cột của ma trận \u003Cscript type=\"math\u002Ftex\">V_m = [v_1, v_2, \\dots, v_m]\u003C\u002Fscript> kích thước \u003Cscript type=\"math\u002Ftex\">n \\times m\u003C\u002Fscript>, cùng với một ma trận Hessenberg bậc trên \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript> kích thước \u003Cscript type=\"math\u002Ftex\">m \\times m\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Cp>Mối quan hệ toán học cơ bản giữa các đại lượng này được thể hiện thông qua hệ thức thu gọn Arnoldi:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">A V_m = V_m H_m + h_{m+1, m} v_{m+1} e_m^T\u003C\u002Fscript>\n\n\u003Cp>Trong đó, \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> là ma trận ban đầu kích thước \u003Cscript type=\"math\u002Ftex\">n \\times n\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">V_m\u003C\u002Fscript> là ma trận chứa \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> vector cột trực chuẩn, \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript> là ma trận Hessenberg bậc trên chứa các hệ số chiếu hình học, \u003Cscript type=\"math\u002Ftex\">h_{m+1, m}\u003C\u002Fscript> là phần tử dưới đường chéo phụ thứ \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">v_{m+1}\u003C\u002Fscript> là vector trực chuẩn tiếp theo trực giao với toàn bộ không gian con hiện tại và \u003Cscript type=\"math\u002Ftex\">e_m\u003C\u002Fscript> là vector đơn vị chuẩn thứ \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> trong không gian số chiều nhỏ. Nếu biểu diễn bằng ma trận mở rộng \u003Cscript type=\"math\u002Ftex\">V_{m+1} = [V_m, v_{m+1}]\u003C\u002Fscript> và ma trận Hessenberg mở rộng \u003Cscript type=\"math\u002Ftex\">\\tilde{H}_m\u003C\u002Fscript> kích thước \u003Cscript type=\"math\u002Ftex\">(m+1) \\times m\u003C\u002Fscript>, hệ thức trên có dạng thu gọn:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">A V_m = V_{m+1} \\tilde{H}_m\u003C\u002Fscript>\n\n\u003Cp>Vì các cột của ma trận \u003Cscript type=\"math\u002Ftex\">V_m\u003C\u002Fscript> đôi một trực giao và có chuẩn bằng 1, ta có tính chất trực giao \u003Cscript type=\"math\u002Ftex\">V_m^T V_m = I_m\u003C\u002Fscript>, với \u003Cscript type=\"math\u002Ftex\">I_m\u003C\u002Fscript> là ma trận đơn vị cấp \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript>. Nhân cả hai vế của hệ thức Arnoldi từ phía bên trái với ma trận chuyển vị \u003Cscript type=\"math\u002Ftex\">V_m^T\u003C\u002Fscript>, ta thu được:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">H_m = V_m^T A V_m\u003C\u002Fscript>\n\n\u003Cp>Đẳng thức này khẳng định ma trận Hessenberg \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript> chính là hình chiếu trực giao Rayleigh-Ritz của toán tử ma trận kích thước lớn \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> lên không gian con Krylov \u003Cscript type=\"math\u002Ftex\">\\mathcal{K}_m(A, v_1)\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Quy trình thực hiện thuật toán Arnoldi\u003C\u002Fh2>\n\u003Cp>Thuật toán Arnoldi tiêu chuẩn sử dụng quy trình Gram-Schmidt cải tiến để đảm bảo độ ổn định số học. Quy trình được thực hiện tuần tự qua các bước sau:\u003C\u002Fp>\n\n\u003Col>\n\u003Cli>\u003Cstrong>Khởi tạo:\u003C\u002Fstrong> Chọn một vector xuất phát \u003Cscript type=\"math\u002Ftex\">v\u003C\u002Fscript> tuỳ ý, tính chuẩn Euclid của vector này và chuẩn hoá để được vector cơ sở đầu tiên \u003Cscript type=\"math\u002Ftex\">v_1 = v \u002F \\|v\\|_2\u003C\u002Fscript>.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Vòng lặp chính:\u003C\u002Fstrong> Với mỗi chỉ số bước lặp \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript> chạy từ 1 đến \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript>, thực hiện các thao tác:\n\u003Cul>\n\u003Cli>Tính vector trung gian thông qua tích ma trận vector: \u003Cscript type=\"math\u002Ftex\">w = A v_j\u003C\u002Fscript>.\u003C\u002Fli>\n\u003Cli>Với mỗi chỉ số \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> chạy từ 1 đến \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript>, tính hệ số hình chiếu \u003Cscript type=\"math\u002Ftex\">h_{i, j} = v_i^T w\u003C\u002Fscript> và cập nhật khử thành phần trực giao: \u003Cscript type=\"math\u002Ftex\">w = w - h_{i, j} v_i\u003C\u002Fscript>.\u003C\u002Fli>\n\u003Cli>Tính chuẩn của vector dư còn lại: \u003Cscript type=\"math\u002Ftex\">h_{j+1, j} = \\|w\\|_2\u003C\u002Fscript>.\u003C\u002Fli>\n\u003Cli>Nếu phần tử \u003Cscript type=\"math\u002Ftex\">h_{j+1, j}\u003C\u002Fscript> triệt tiêu hoặc nhỏ hơn ngưỡng sai số máy tính, không gian con Krylov trở thành không gian bất biến và thuật toán dừng sớm.\u003C\u002Fli>\n\u003Cli>Nếu phần tử khác không, xác định vector trực chuẩn tiếp theo: \u003Cscript type=\"math\u002Ftex\">v_{j+1} = w \u002F h_{j+1, j}\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Đầu ra:\u003C\u002Fstrong> Thu được ma trận cơ sở trực chuẩn \u003Cscript type=\"math\u002Ftex\">V_m\u003C\u002Fscript> và ma trận Hessenberg bậc trên \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Fol>\n\n\u003Ch2>Xấp xỉ trị riêng và vector riêng qua cặp Ritz\u003C\u002Fh2>\n\u003Cp>Mục đích nguyên bản của Walter Edwin Arnoldi khi công bố phương pháp vào năm 1951 là giải quyết bài toán trị riêng cho ma trận không đối xứng. Với ma trận ban đầu \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> có kích thước rất lớn, việc tìm trực tiếp các giá trị riêng thoả mãn phương trình đặc trưng là bất khả thi. Thay vào đó, phương pháp Arnoldi giải bài toán trị riêng trên ma trận chiếu Hessenberg \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript> có kích thước \u003Cscript type=\"math\u002Ftex\">m \\times m\u003C\u002Fscript> nhỏ hơn rất nhiều:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">H_m y = \\theta y\u003C\u002Fscript>\n\n\u003Cp>Trong phương trình này, giá trị vô hướng \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> là giá trị riêng của ma trận Hessenberg \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript>, được gọi là giá trị Ritz của ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> đối với không gian con \u003Cscript type=\"math\u002Ftex\">\\mathcal{K}_m(A, v_1)\u003C\u002Fscript>. Vector \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript> là vector riêng tương ứng của ma trận nhỏ \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript>. Khi đó, vector xấp xỉ trong không gian ban đầu được phục hồi theo công thức:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">u = V_m y\u003C\u002Fscript>\n\n\u003Cp>Vector \u003Cscript type=\"math\u002Ftex\">u\u003C\u002Fscript> được gọi là vector Ritz tương ứng với giá trị Ritz \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript>. Giả sử vector riêng \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript> của ma trận \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript> được chuẩn hoá thoả mãn \u003Cscript type=\"math\u002Ftex\">\\|y\\|_2 = 1\u003C\u002Fscript>, khi đó vector Ritz \u003Cscript type=\"math\u002Ftex\">u = V_m y\u003C\u002Fscript> cũng có chuẩn Euclid bằng 1. Độ chính xác của cặp xấp xỉ Ritz \u003Cscript type=\"math\u002Ftex\">(\\theta, u)\u003C\u002Fscript> đối với bài toán trị riêng ban đầu \u003Cscript type=\"math\u002Ftex\">A u \\approx \\theta u\u003C\u002Fscript> được định lượng thông qua chuẩn của vector phần dư:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\|A u - \\theta u\\|_2 = \\|(A V_m - V_m H_m) y\\|_2 = h_{m+1, m} |e_m^T y|\u003C\u002Fscript>\n\n\u003Cp>Công thức sai số tinh tế này chỉ ra một đặc tính quan trọng: chất lượng xấp xỉ của cặp Ritz có thể được đánh giá tức thời từ phần tử dưới đường chéo phụ \u003Cscript type=\"math\u002Ftex\">h_{m+1, m}\u003C\u002Fscript> và thành phần cuối cùng của vector riêng nhỏ \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript>, mà hoàn toàn không cần thực hiện thêm phép nhân ma trận vector kích thước lớn nào với \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>So sánh phương pháp Arnoldi và thuật toán Lanczos\u003C\u002Fh2>\n\u003Cp>Phương pháp Arnoldi và thuật toán Lanczos do Cornelius Lanczos đề xuất năm 1950 là hai nhánh phát triển chặt chẽ của các giải thuật không gian con Krylov. Sự khác biệt căn bản xuất phát từ tính chất đối xứng của toán tử ma trận.\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Tiêu chí so sánh\u003C\u002Fth>\n\u003Cth>Phương pháp Arnoldi\u003C\u002Fth>\n\u003Cth>Thuật toán Lanczos\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Loại ma trận áp dụng\u003C\u002Ftd>\n\u003Ctd>Ma trận vuông tổng quát, không đối xứng hoặc phức\u003C\u002Ftd>\n\u003Ctd>Ma trận đối xứng thực hoặc ma trận tự liên hợp Hermite\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Cấu trúc ma trận thu gọn\u003C\u002Ftd>\n\u003Ctd>Ma trận Hessenberg bậc trên đầy đủ phía trên đường chéo\u003C\u002Ftd>\n\u003Ctd>Ma trận ba đường chéo đối xứng thực\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Hệ thức hồi quy trực giao\u003C\u002Ftd>\n\u003Ctd>Hồi quy đầy đủ với tất cả các vector cơ sở quá khứ\u003C\u002Ftd>\n\u003Ctd>Hồi quy ngắn ba số hạng giữa các bước liên tiếp\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Yêu cầu lưu trữ bộ nhớ\u003C\u002Ftd>\n\u003Ctd>Tăng tuyến tính theo số bước lặp do phải lưu toàn bộ vector\u003C\u002Ftd>\n\u003Ctd>Cố định, chỉ cần lưu ba vector lặp gần nhất\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Độ phức tạp tính toán mỗi bước\u003C\u002Ftd>\n\u003Ctd>Tăng dần theo số bước lặp tỷ lệ thuận với số chiều không gian con\u003C\u002Ftd>\n\u003Ctd>Hằng số ở mỗi bước lặp đối với phép trực giao hoá\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Cp>Như được trình bày trong bảng so sánh, khi ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> đối xứng thực, ma trận chiếu \u003Cscript type=\"math\u002Ftex\">H_m = V_m^T A V_m\u003C\u002Fscript> cũng đối xứng. Do \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript> có dạng Hessenberg bậc trên, toàn bộ các phần tử nằm ngoài đường chéo chính và hai đường chéo phụ kề nó đều triệt tiêu. Khi đó, ma trận Hessenberg suy biến thành ma trận ba đường chéo đối xứng, và thuật toán Arnoldi tự động thoái biến thành thuật toán Lanczos với công thức hồi quy ba số hạng {{topic|%7B%22topic%22%3A%22ti%E1%BA%BFt%20ki%E1%BB%87m%20chi%20ph%C3%AD%22%7D}}.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong thuật toán giải hệ phương trình GMRES\u003C\u002Fh2>\n\u003Cp>Ngoài bài toán tìm giá trị riêng, ứng dụng nổi bật và phổ biến nhất của quá trình trực chuẩn hoá Arnoldi là thuật toán GMRES do Yousef Saad và Martin H. Schultz công bố năm 1986. Thuật toán này dùng để giải hệ phương trình {{topic|%7B%22topic%22%3A%22%C4%91%E1%BA%A1i%20s%E1%BB%91%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} kích thước lớn dạng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">A x = b\u003C\u002Fscript>\n\n\u003Cp>Với vector nghiệm ban đầu \u003Cscript type=\"math\u002Ftex\">x_0\u003C\u002Fscript>, thuật toán xác định vector phần dư ban đầu \u003Cscript type=\"math\u002Ftex\">r_0 = b - A x_0\u003C\u002Fscript> và đặt vector trực chuẩn đầu tiên là \u003Cscript type=\"math\u002Ftex\">v_1 = r_0 \u002F \\|r_0\\|_2\u003C\u002Fscript>. Nghiệm xấp xỉ thứ \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> được tìm kiếm trong không gian affine \u003Cscript type=\"math\u002Ftex\">x_m \\in x_0 + \\mathcal{K}_m(A, r_0)\u003C\u002Fscript> sao cho chuẩn Euclid của phần dư mới đạt giá trị cực tiểu:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\min_{x_m} \\|b - A x_m\\|_2\u003C\u002Fscript>\n\n\u003Cp>Bằng cách biểu diễn nghiệm hiệu chỉnh dưới dạng \u003Cscript type=\"math\u002Ftex\">x_m = x_0 + V_m y\u003C\u002Fscript>, {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}} hoá kích thước \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> ban đầu được biến đổi tương đương thành bài toán bình phương tối thiểu số chiều nhỏ với ma trận Hessenberg mở rộng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\min_y \\| \\|r_0\\|_2 e_1 - \\tilde{H}_m y \\|_2\u003C\u002Fscript>\n\n\u003Cp>Bài toán bình phương tối thiểu này có kích thước chỉ là \u003Cscript type=\"math\u002Ftex\">(m+1) \\times m\u003C\u002Fscript> và được giải quyết nhanh chóng bằng {{topic|%7B%22topic%22%3A%22ph%C3%A9p%20bi%E1%BA%BFn%20%C4%91%E1%BB%95i%22%7D}} quay Givens liên tiếp trên ma trận Hessenberg mà không cần giải hệ phương trình gốc.\u003C\u002Fp>\n\n\u003Ch2>Hạn chế số học và kỹ thuật khởi động lại\u003C\u002Fh2>\n\u003Cp>Mặc dù sở hữu nhiều ưu thế lý thuyết, phương pháp Arnoldi gặp phải hai hạn chế kỹ thuật đáng kể trong thực hành tính toán số:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Gia tăng bộ nhớ và chi phí trực giao:\u003C\u002Fstrong> Tại bước lặp thứ \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript>, thuật toán bắt buộc phải lưu trữ toàn bộ \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> vector cơ sở có kích thước \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> trong bộ nhớ RAM, đồng thời thực hiện phép chiếu trực giao với toàn bộ các vector này. Khi số bước \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> tăng cao, chi phí lưu trữ và số phép tính dấu phẩy động tăng nhanh, làm giảm hiệu năng của hệ thống tính toán.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mất tính trực giao do sai số làm tròn:\u003C\u002Fstrong> Trong môi trường số học máy tính với độ chính xác hữu hạn, quá trình Gram-Schmidt cải tiến dần dần làm mất tính trực giao giữa các vector cột của ma trận \u003Cscript type=\"math\u002Ftex\">V_m\u003C\u002Fscript>. Hiện tượng này dẫn đến việc xuất hiện các giá trị riêng giả mạo hoặc làm chậm {{topic|%7B%22topic%22%3A%22t%E1%BB%91c%20%C4%91%E1%BB%99%20h%E1%BB%99i%20t%E1%BB%A5%22%7D}} của thuật toán. Để giải quyết, người ta thường áp dụng kỹ thuật trực giao hoá lặp lại hai lần hoặc kỹ thuật trực giao hoá chọn lọc.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Để khắc phục sự bùng nổ bộ nhớ khi số bước lặp lớn, Dan C. Sorensen đã đề xuất phương pháp Arnoldi khởi động lại ngầm định vào năm 1992. Thay vì khởi động lại một cách tường minh làm mất thông tin phổ đã tích luỹ, phương pháp này áp dụng các phép dịch chuyển phổ đa thức thông qua thuật toán QR ngầm định trên ma trận Hessenberg \u003Cscript type=\"math\u002Ftex\">H_m\u003C\u002Fscript>. Kỹ thuật này nén không gian con từ số chiều lớn về số chiều nhỏ hơn trong khi vẫn giữ nguyên các vector riêng mong muốn và duy trì hệ thức Arnoldi chuẩn xác. Đây chính là thuật toán lõi của gói phần mềm ARPACK, làm nền tảng cho các hàm tính trị riêng thưa trong nhiều môi trường tính toán khoa học hiện đại.\u003C\u002Fp>","phương pháp Arnoldi","Arnoldi iteration",[20,21,22],"thuật toán Arnoldi","quá trình Arnoldi","phương pháp lặp Arnoldi","Phương pháp Arnoldi là một giải thuật lặp trong đại số tuyến tính số trị nhằm xây dựng cơ sở trực chuẩn cho không gian con Krylov và thu gọn ma trận vuông về dạng Hessenberg bậc trên.","NATURAL_SCIENCES",[26,34,42,50],{"citationText":27,"title":28,"authors":29,"source":30,"year":31,"doi":32,"url":33},"Arnoldi, W. E. (1951). The principle of minimized iterations in the solution of the matrix eigenvalue problem. Quarterly of Applied Mathematics, 9(1), 17–29.","The principle of minimized iterations in the solution of the matrix eigenvalue problem","Arnoldi","Quarterly of Applied Mathematics",1951,"10.1090\u002Fqam\u002F42792","https:\u002F\u002Fdoi.org\u002F10.1090\u002Fqam\u002F42792",{"citationText":35,"title":36,"authors":37,"source":38,"year":39,"doi":40,"url":41},"Saad, Y., & Schultz, M. H. (1986). GMRES: A generalized minimal residual algorithm for solving nonsymmetric linear systems. SIAM Journal on Scientific and Statistical Computing, 7(3), 856–869.","GMRES: A Generalized Minimal Residual Algorithm for Solving Nonsymmetric Linear Systems","Saad, Schultz","SIAM Journal on Scientific and Statistical Computing",1986,"10.1137\u002F0907058","https:\u002F\u002Fdoi.org\u002F10.1137\u002F0907058",{"citationText":43,"title":44,"authors":45,"source":46,"year":47,"doi":48,"url":49},"Sorensen, D. C. (1992). Implicit application of polynomial filters in a k-step Arnoldi method. SIAM Journal on Matrix Analysis and Applications, 13(1), 357–385.","Implicit Application of Polynomial Filters in a k-Step Arnoldi Method","Sorensen","SIAM Journal on Matrix Analysis and Applications",1992,"10.1137\u002F0613025","https:\u002F\u002Fdoi.org\u002F10.1137\u002F0613025",{"citationText":51,"title":52,"authors":53,"source":54,"year":55,"doi":56,"url":57},"Saad, Y. (2011). Numerical Methods for Large Eigenvalue Problems. Society for Industrial and Applied Mathematics.","Numerical Methods for Large Eigenvalue Problems","Saad","Society for Industrial and Applied Mathematics",2011,"10.1137\u002F1.9781611970739","https:\u002F\u002Fdoi.org\u002F10.1137\u002F1.9781611970739",[59,62,65],{"question":60,"answer":61},"Phương pháp Arnoldi được sử dụng chủ yếu để làm gì?","Phương pháp Arnoldi được sử dụng chủ yếu để xấp xỉ một số giá trị riêng và vector riêng chọn lọc của các ma trận vuông lớn, thưa và không đối xứng, cũng như làm thuật toán nền tảng cho bộ giải GMRES.",{"question":63,"answer":64},"Điểm khác biệt căn bản giữa phương pháp Arnoldi và thuật toán Lanczos là gì?","Phương pháp Arnoldi áp dụng cho ma trận không đối xứng tổng quát và thu gọn ma trận về dạng Hessenberg, trong khi thuật toán Lanczos chỉ áp dụng cho ma trận đối xứng thực hoặc Hermite và thu gọn về dạng ba đường chéo.",{"question":66,"answer":67},"Tại sao cần kỹ thuật khởi động lại ngầm định IRAM trong phương pháp Arnoldi?","Kỹ thuật khởi động lại ngầm định IRAM giúp kiểm soát sự bùng nổ dung lượng bộ nhớ và chi phí trực giao hoá khi số bước lặp tăng cao, bằng cách nén không gian con thông qua thuật toán dịch chuyển QR.",{"id":69,"researcherId":10,"name":70,"imageUrl":71},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":69,"researcherId":10,"name":70,"imageUrl":71},[74,75,76,77,78,79,80,81,82,83],"phân tích dao động","phương pháp chiếu","không gian con","ma trận phức","giá trị riêng","tiết kiệm chi phí","đại số tuyến tính","bài toán tối ưu","phép biến đổi","tốc độ hội tụ",10,true,"PUBLISHED","2025-12-01T09:43:09.810+00:00","2026-09-05T11:24:38.823+00:00","2026-09-05T10:18:03.408+00:00","2026-09-05T11:24:38.409+00:00",0,[93,96,99,102,105,108,111,114,117,126],{"id":94,"title":95,"term":94,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp đại số","Phương pháp đại số là gì? Các nghiên cứu khoa học liên quan",{"id":100,"title":101,"term":100,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phân compost","Phân compost là gì? Các nghiên cứu khoa học về Phân compost",{"id":103,"title":104,"term":103,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương trình chuyển động","Phương trình chuyển động là gì? Các bài nghiên cứu khoa học",{"id":106,"title":107,"term":106,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"điểm vas","Điểm VAS là gì? Các công bố khoa học về Điểm VAS",{"id":109,"title":110,"term":109,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu đoàn hệ","Nghiên cứu đoàn hệ là gì? Các công bố về Nghiên cứu đoàn hệ",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"động cơ dual fuel","Động cơ dual fuel là gì? Các nghiên cứu khoa học liên quan",{"id":115,"title":116,"term":115,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"optimization","Optimization là gì? Các nghiên cứu khoa học về Optimization",{"id":118,"title":119,"term":118,"englishTitle":120,"definition":121,"discipline":24,"disciplineCode":122,"disciplineLabel":123,"disciplineColor":124,"disciplineIcon":125},"phương trình parabol","Phương trình parabol là gì? Công thức chính tắc, đồ thị và ứng dụng phản xạ","Parabola Equation","Phương trình parabol là phương trình biểu diễn đường cong conic phẳng gồm tập hợp các điểm cách đều tiêu điểm và đường chuẩn, có dạng chính tắc y^2=2px hoặc dạng hàm bậc hai y=ax^2+bx+c.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":127,"title":128,"term":127,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thuật toán xấp xỉ","Thuật toán xấp xỉ là gì? Các bài nghiên cứu khoa học"]