寻求支持初始猜测与复特征值的迭代特征值求解器：时变复矩阵特征值连续追踪需求

嘿，针对你追踪时变复矩阵连续特征值的需求，我整理了几个Julia生态里能满足你要求的方案——既支持复特征值求解，又能利用前一时刻的特征分解结果作为初始猜测来保证连续性：

你的核心诉求是让特征值随时间连续变化，依赖的是用前一时刻的特征分解作为初始猜测，通过快速迭代得到当前时刻的结果。以下是几个适配的工具和实现思路：

1. KrylovKit.jl（最直接的选择） #

这是一个灵活的Krylov子空间方法工具包，完美支持复矩阵，并且原生允许传入初始特征向量来引导迭代。它的eigsolve函数可以直接把t时刻的特征向量作为t+ε时刻求解的起点，迭代会因为初始猜测接近真实值而快速收敛，自然保证特征值序列的连续性。

示例代码大致如下：

using KrylovKit

# 假设已获取t时刻的特征值λs_t和正交特征向量矩阵Vs_t（每列对应一个特征向量）
# 对t+ε时刻的矩阵A_t_plus_ε求解模最大的前n个特征值（可根据需求调整目标特征值）
res = eigsolve(A_t_plus_ε, Vs_t, length(λs_t), :LM; tol=1e-8)
λs_t_plus_ε, Vs_t_plus_ε, info = res

2. ArnoldiMethod.jl 的变通实现 #

虽然ArnoldiMethod.jl的原生接口不直接支持初始猜测，但你可以手动初始化Arnoldi迭代的子空间，把前一时刻的特征向量作为初始基，变相实现“热启动”：

using ArnoldiMethod, LinearAlgebra

# Vs_t是t时刻的特征向量矩阵
# 用旧特征向量初始化Arnoldi分解，直接把初始子空间对准前一时刻的特征方向
arnoldi = Arnoldi(A_t_plus_ε, Vs_t; tol=1e-8)
# 继续迭代直到收敛
decompose!(arnoldi)
# 提取目标特征值和特征向量（这里选模最大的前n个）
λs_t_plus_ε, Vs_t_plus_ε = partialsort(arnoldi, :LM, length(λs_t))

这种方式相当于手动给Arnoldi迭代喂初始猜测，同样能快速收敛并保证特征值的连续性。

3. 小矩阵场景：带热启动的QR迭代 #

如果你的矩阵规模不大（比如n<1000），可以直接结合LinearAlgebra.eigen做热启动：利用前一时刻的特征向量做相似变换，把当前时刻的矩阵转化为接近对角的形式，再做特征分解会快很多，同时特征值的顺序也会和前一时刻保持一致，保证连续性。

示例代码：

using LinearAlgebra

# Vs_t是t时刻的正交特征向量矩阵
# 先做相似变换，把A(t+ε)转化为接近对角的矩阵B
B = Vs_t' * A_t_plus_ε * Vs_t
# 对B做特征分解，此时B接近对角，QR迭代会极快
λs_t_plus_ε, Q = eigen(B)
# 转换回原空间的特征向量
Vs_t_plus_ε = Vs_t * Q

内容的提问来源于stack exchange，提问作者Vectornaut