关于隐式对称QR步骤与对称QR在小矩阵中应用的疑问

一、隐式对称QR步骤在3×3对称矩阵上的应用 #

隐式对称QR方法的核心是先将对称矩阵约化为三对角形式，再通过带位移的QR步骤逐步分离特征值，针对3×3矩阵的具体流程如下：

1. 三对角化预处理
   对原始3×3对称矩阵 ( A )，构造Householder变换 ( H_1 )，消去第一列中除前两个元素外的非零项，同时右乘 ( H_1^T )（对称矩阵下 ( H_1^T = H_1 )），得到三对角矩阵 ( T = H_1 A H_1 )，形式为：

   [a₁₁  a₁₂   0  ]
   [a₁₂  a₂₂  a₂₃ ]
   [0    a₂₃  a₃₃ ]
   

2. 带Wilkinson位移的隐式QR步骤
   • 取Wilkinson位移 ( \mu )：选择矩阵右下角2×2子矩阵的特征值中更接近 ( a_{33} ) 的那个值。
   • 构造 ( T - \mu I )，从第一列开始用Householder变换执行隐式QR操作，将 ( T - \mu I ) 正交相似变换回三对角矩阵，同时让次对角元素 ( a_{23} ) 逐步缩小。当 ( a_{23} ) 小到可忽略时，即可分离出 ( a_{33} ) 作为一个近似特征值，再对剩下的2×2子矩阵重复上述步骤。

二、2×2矩阵与不可约Hessenberg矩阵的关系 #

是的，所有2×2矩阵都可被视为不可约Hessenberg矩阵：

• 不可约Hessenberg矩阵的定义是次对角线上所有元素非零（以上Hessenberg矩阵为例）。
• 对2×2矩阵而言，次对角线仅有一个元素：若该元素非零，显然符合不可约定义；若该元素为零，矩阵退化为对角矩阵（可约），但在QR方法的实际应用场景中，我们处理的2×2子矩阵通常都是不可约的——否则可直接分离特征值，无需额外处理。

三、算法8.3.2（带Wilkinson位移的隐式对称QR步骤）在2×2矩阵上的应用 #

Golub & Van Loan的算法8.3.2针对对称三对角矩阵，应用在2×2对称矩阵上时步骤大幅简化，假设目标矩阵为：

[a  b]
[b  c]

具体操作如下：

1. 计算Wilkinson位移 ( \mu )
   位移取矩阵本身更接近 ( c ) 的特征值，计算公式为：
   ( d = \frac{a - c}{2} )
   ( \mu = c - \frac{b^2}{d + \text{sign}(d) \sqrt{d^2 + b^2}} )
   若 ( d=0 )，则 ( \mu = c - |b| )。
2. 构造Householder变换
   计算向量 ( x = [a - \mu, b]^T )，构造Householder矩阵 ( H )，使得 ( Hx = [\sigma, 0]^T )（( \sigma = \pm |x|_2 )，符号选择以保证数值稳定性）。
3. 执行相似变换
   计算 ( A' = H A H )，此时 ( A' ) 会成为对角矩阵（或次对角元可忽略的矩阵），其对角元素即为近似特征值。

内容的提问来源于stack exchange，提问作者reogeo