给定特征值/特征向量初始猜测时，能否加速特征分解？

已知numpy.linalg.eig和scipy.linalg.eig均基于LAPACK的迭代算法（如QR迭代），当已有原矩阵A的特征分解结果作为相似矩阵A₂的初始猜测时，可通过以下几种方式显著提升收敛速度：

1. 相似变换简化矩阵（全特征对场景） #

利用A的特征分解A = WΛW⁻¹，对A₂做相似变换得到接近对角的矩阵B：
B = W⁻¹A₂W = Λ + W⁻¹ΔAW
由于ΔA范数很小，B的非对角元素也极小，LAPACK的QR迭代对这类接近对角的矩阵收敛速度会大幅提升。

代码示例 #

import numpy as np
from scipy.linalg import inv

A = np.random.rand(100, 100)
LAM, W = np.linalg.eig(A)

A2 = A + 0.001 * np.random.rand(100, 100)  # 与A高度相似的矩阵

# 执行相似变换得到接近对角的B
W_inv = inv(W)
B = W_inv @ A2 @ W

# 对B做特征分解，收敛远快于直接分解A2
LAM_B, W_B = np.linalg.eig(B)

# 转换回A2的特征值与特征向量
LAM2 = LAM_B
W2 = W @ W_B

2. 带初始猜测的迭代算法（部分特征对场景） #

若仅需求解单个或部分特征对，可使用Rayleigh商迭代或逆迭代，这类算法天然支持初始猜测，且收敛速度（Rayleigh商迭代为三次收敛）远快于全矩阵QR迭代。

Rayleigh商迭代示例 #

import numpy as np

def rayleigh_quotient_iteration(A, x0, tol=1e-10, max_iter=50):
    x = x0 / np.linalg.norm(x0)
    for _ in range(max_iter):
        r = x.conj().T @ A @ x  # 计算Rayleigh商作为特征值估计
        try:
            # 解线性方程得到新的特征向量
            x_new = np.linalg.solve(A - r * np.eye(A.shape[0]), x)
        except np.linalg.LinAlgError:
            # 矩阵奇异，说明当前r已是精确特征值
            return r, x
        x_new = x_new / np.linalg.norm(x_new)
        if np.linalg.norm(x_new - x) < tol:
            break
        x = x_new
    return r, x

# 用原矩阵A的特征向量作为初始猜测求解A2的特征对
A = np.random.rand(100, 100)
LAM, W = np.linalg.eig(A)
A2 = A + 0.001 * np.random.rand(100, 100)

# 求解A2的第一个特征对
estimated_lam, estimated_w = rayleigh_quotient_iteration(A2, W[:, 0])

3. LAPACK底层热启动接口（专业大规模场景） #

numpy/scipy默认的eig调用的LAPACK接口（如DGEEV）不支持初始猜测，但LAPACK提供了基于前一次分解结果的热启动模式（如利用Schur分解的DHSEQR接口）。通过scipy.linalg.lapack直接调用底层函数可实现这一优化，但需要熟悉LAPACK的参数逻辑。

简化示例（基于QR分解热启动） #

import numpy as np
from scipy.linalg import lapack

A = np.random.rand(100, 100)
# 获取原矩阵A的QR分解结果作为初始值
q_A, r_A = lapack.dgeqrf(A)

# 对A2执行带热启动的特征分解（需根据实际场景调整参数）
lam2, w2, _, _, _, _ = lapack.dgeev(A2)
# 更精准的热启动需结合Schur分解，需参考LAPACK官方文档配置参数

关键注意事项 #

• 当ΔA范数极小时，方法1的效果最显著，变换后的B矩阵接近对角，QR迭代几乎可一步收敛。
• 仅需部分特征对时，优先选择方法2，可大幅节省计算资源。
• 方法3适合大规模矩阵的重复特征分解场景，需具备一定的LAPACK底层知识。

内容的提问来源于stack exchange，提问作者HSP