Scipy带状特征求解器比标准特征求解器慢得多的原因问询

你的情况本质是带状求解器的算法适配性和稠密求解器的极致优化共同作用的结果，具体原因如下：

1. eig_banded 未针对块三对角结构优化 #

scipy.linalg.eig_banded 底层调用LAPACK的sbevd（对称带状）或gbevd（一般带状）接口，这类算法是为标量元素构成的带状矩阵设计的，完全没有利用你矩阵的块三对角结构。你的矩阵虽然在标量视角下是带状，但每个对角线是f×f的块，这种结构带来的计算局部性无法被通用带状求解器捕捉，反而因为算法的循环粒度不匹配，导致缓存命中率下降，计算效率降低。

2. 稠密对称特征值求解器的优化远超预期 #

你使用的稠密求解器（推测是scipy.linalg.eigh）调用的是LAPACK的syevd接口，MKL/OpenBLAS对该接口做了极致优化：

• 针对不同矩阵尺寸和CPU架构，实现了SIMD指令集加速、分块计算策略
• 多线程调度成熟，能高效利用多核资源，线程负载均衡更好
• 缓存友好的内存访问模式，大幅减少内存读写的开销

3. 大带宽下带状算法的复杂度优势消失 #

你的矩阵标量带宽为f，当f与N的比例较高时（比如N=4000，若f=100，带宽占N的2.5%），带状算法的理论复杂度O(N*bandwidth²)与稠密算法O(N³)的差距会被常数因子抵消。实际中，带状求解器的常数因子远高于稠密求解器，导致实际运行时间反而更长。

4. 带状求解器的并行化局限性 #

LAPACK中带状特征值求解器的多线程优化程度远低于稠密求解器，即使调整OMP_NUM_THREADS或MKL_NUM_THREADS，也无法有效提升并行效率。而稠密求解器能充分利用多核，进一步拉开性能差距。

建议 #

• 针对你的块三对角结构，可以实现专门的块特征值算法（如分块Lanczos、分块QR迭代），利用块结构减少计算量
• 若f固定，可将问题转化为块维度的特征值问题，直接对块矩阵进行操作
• 当带宽占矩阵尺寸的比例超过1%-5%时，优先选择稠密求解器，这是行业内的普遍经验

内容的提问来源于stack exchange，提问作者Marcel Ferrari