Algorithmus von Samuelson-Berkowitz

Der Algorithmus von Samuelson-Berkowitz (nach Paul A. Samuelson und S. Berkowitz) ist ein Verfahren, das für beliebige quadratische Eingabematrizen $A \in R^{n \times n}$ die Koeffizienten des charakteristischen Polynoms von $A$ ermittelt, d. h. insbesondere auch die Determinante von $A$ . Im Gegensatz etwa zum Algorithmus von Faddejew-Leverrier sind die Voraussetzungen weniger restriktiv: Als Eingabe sind auch Matrizen $A$ zulässig, deren Einträge Elemente eines beliebigen kommutativen Rings $R$ mit Einselement sind, da das Verfahren völlig ohne Divisionen auskommt.

Notation und Idee des Verfahrens

Wir bezeichnen mit

$I_{r} \in R^{r \times r}$ die $r \times r$ -Einheitsmatrix
$A_{r} \in R^{r \times r}$ die $r \times r$ -Submatrix von $A$ bestehend aus den ersten $r$ Zeilen und Spalten
$p_{r} \in R [λ]$ das charakteristische Polynom von $A_{r}$ , wobei $p_{r} (λ) = \sum_{k = 0}^{r} c_{r - k} λ^{k}$
$R_{r} \in R^{r}$ der Zeilenvektor mit den Komponenten $a_{r + 1, j}$ mit $1 \leq j \leq r$
$S_{r} \in R^{r}$ der Spaltenvektor mit den Komponenten $a_{i, r + 1}$ mit $1 \leq i \leq r$

und betrachten folgende Partitionierung von $A_{r + 1}$ :

A_{r + 1} = [\begin{matrix} A_{r} & S_{r} \\ R_{r} & a_{r + 1, r + 1} \end{matrix}]

Die grundlegende Idee des Verfahrens besteht darin, das charakteristische Polynom von $A_{r + 1}$ rekursiv zu berechnen. Mit der obigen Notation gilt zunächst

det (A_{r + 1}) = a_{r + 1, r + 1} det (A_{r}) - R_{r} Adj (A_{r}) S_{r}

wobei $Adj (A_{r})$ die Adjunkte von $A_{r}$ bezeichnet (Begründung: Entwicklung nach letzter Zeile mittels Entwicklungssatz von Laplace, vgl.).

Wenn man dies auf die Matrix $λ I_{r + 1} - A_{r + 1}$ überträgt, dann erhält man speziell für das charakteristische Polynom von $A_{r + 1}$ :

\begin{matrix} p_{r + 1} (λ) & = det (λ I_{r + 1} - A_{r + 1}) \\ = (λ - a_{r + 1, r + 1}) p_{r} (λ) - R_{r} Adj (λ I_{r} - A_{r}) S_{r} (*) \end{matrix}

Außerdem kann man leicht zeigen, dass sich die Adjunkte in (*) folgendermaßen schreiben lässt (siehe z. B.):

\begin{matrix} Adj (λ I_{r} - A_{r}) & = \sum_{k = 1}^{r} (\sum_{j = 1}^{k} A_{r}^{j - 1} c_{k - j}) λ^{r - k} \\ = \sum_{k = 1}^{r} (A_{r}^{k - 1} c_{0} + \dots + A_{r}^{1} c_{k - 2} + I_{r} c_{k - 1}) λ^{r - k} (* *) \end{matrix}

Hierin sind $c_{0}, \dots, c_{r - 1}$ die Koeffizienten des charakteristischen Polynoms von $A_{r}$ .

Formel von Samuelson

Wir erhalten nun die gewünschte rekursive Darstellung für das charakteristische Polynom $p_{r + 1} (λ)$ von $A_{r + 1}$ (in der Literatur Formel von Samuelson genannt), indem wir die beiden obigen Beziehungen (*) und (**) zusammenfügen:

\begin{matrix} p_{r + 1} (λ) & = (λ - a_{r + 1, r + 1}) p_{r} (λ) - \sum_{k = 1}^{r} [\sum_{j = 1}^{k} (R_{r} A_{r}^{j - 1} S_{r}) c_{k - j}] λ^{r - k} \\ = (λ - a_{r + 1, r + 1}) p_{r} (λ) - \sum_{k = 1}^{r} [(R_{r} A_{r}^{k - 1} S_{r}) c_{0} + \dots + R_{r} A_{r}^{1} S_{r} c_{k - 2} + (R_{r} S_{r}) c_{k - 1}] λ^{r - k} \end{matrix}

Verfahren von Samuelson-Berkowitz

Matrix-Vektor Schreibweise

Um einen effektiven und leichter lesbaren Algorithmus formulieren zu können, transferieren wir nun die Formel von Samuelson in Matrix-Schreibweise. Dazu ordnen wir einem Polynom $ω$ vom Grad $d$

ω (λ) = \sum_{k = 0}^{d} α_{k} λ^{d - k}

den Koeffizientenvektor

\vec{ω} = [\begin{matrix} α_{0} \\ α_{1} \\ α_{2} \\ ⋮ \\ α_{d} \end{matrix}] \in R^{d + 1}

sowie die folgende Toeplitz-Matrix (die zugleich eine untere Dreiecksmatrix ist) zu:

Toep (ω) = [\begin{matrix} α_{0} & 0 & 0 & \dots & 0 \\ α_{1} & α_{0} & 0 & \dots & 0 \\ α_{2} & α_{1} & α_{0} & \dots & 0 \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ \\ \cdot & \cdot & \cdot & \dots & a_{0} \\ α_{d} & α_{d - 1} & α_{d - 2} & \dots & a_{1} \end{matrix}] \in R^{(d + 1) \times d}

Genauer ist also der Eintrag an der Position $(i, j)$ von $Toep (ω)$ gegeben durch

{[Toep (ω)]}_{i, j} = {\begin{matrix} α_{k} & falls i \geq j und i - j = k \\ 0 & falls i < j \end{matrix}

Definiert man nun noch das Polynom $q_{r + 1}$ durch

\begin{matrix} q_{r + 1} (λ) & = λ^{r + 1} - a_{r + 1, r + 1} λ^{r} - \sum_{k = 1}^{r} (R_{r} A_{r}^{k - 1} S_{r}) λ^{r - k} \\ = λ^{r + 1} - a_{r + 1, r + 1} λ^{r} - (R_{r} S_{r}) λ^{r - 1} - \dots - (R_{r} A_{r}^{r - 1} S_{r}) \end{matrix}

dann lässt sich die Formel von Samuelson in der folgenden kompakten Form darstellen (vgl. und ):

\vec{p_{r + 1}} = Toep (q_{r + 1}) \vec{p_{r}}

Algebraische Top-Level Formulierung

Durch sukzessives Anwenden dieses Prinzips erhält man folgende zentrale Aussage (siehe und ):

Mit $p_{1} (λ) = λ - a_{11}$ , also

\vec{p_{1}} = [\begin{matrix} 1 \\ - a_{11} \end{matrix}] = Toep (q_{1})

gilt:

Die Koeffizienten des charakteristischen Polynoms $p_{r} (λ)$ von $A_{r}$ für $1 \leq r \leq n$ sind gegeben durch:

\vec{p_{r}} = Toep (q_{r}) \cdot Toep (q_{r - 1}) \dots Toep (q_{1})

Insbesondere erhalten wir, falls $r = n$ , die Koeffizienten des charakteristischen Polynoms $p_{n} (λ)$ von $A$ durch:

\vec{p_{n}} = Toep (q_{n}) \cdot Toep (q_{n - 1}) \dots Toep (q_{1})

Algorithmus

Damit kann man nun folgenden Algorithmus formulieren (vgl.):

 $Eingabe: (n \times n) - Matrix A \in R^{n \times n}$

 $\vec{Vect} := [\begin{matrix} 1 \\ - a_{11} \end{matrix}]$ 
 $𝐅𝐨𝐫 r = 1, \dots, n - 1 berechne$ 
  *  ${- R_{r} A_{r}^{k - 1} S_{r}}_{k = 1}^{r} (Koeffizienten von q_{r + 1})$ 
  *  $\vec{Vect} := Toep (q_{r + 1}) \cdot \vec{Vect}$ 
 $𝐄𝐧𝐝 𝐅𝐨𝐫$

 $Ausgabe: \vec{p_{n}} = \vec{Vect} (Vektor der Koeffizienten des charakteristischen Polynoms)$

Der Algorithmus berechnet nicht nur die Koeffizienten des charakteristischen Polynoms von $A$ , sondern darüber hinaus auch in jedem Schleifendurchlauf für die Untermatrix $A_{r}$ .

Historisches

Die grundlegende Idee des Verfahrens wurde zuerst 1942 von Paul A. Samuelson beschrieben und publiziert. Der Algorithmus in der oben präsentierten und heute gebräuchlichen Form geht auf Berkowitz (parallele Version) und Abdeljaoued (Beschreibung als serielles Verfahren) zurück, weswegen man manchmal auch die Bezeichnung Samuelson-Berkowitz-Abdeljaoued-Algorithmus (SBA-Algorithmus) in der Literatur findet.

Korrektheit des Algorithmus

Da im oben formulierten Verfahren nur endliche Schleifen auftreten, ist klar, dass der Algorithmus terminiert. Die partielle Korrektheit folgt aus der Formel von Samuelson und der daraus abgeleiteten algebraischen Top-Level-Formulierung in Matrix-Vektor-Form (s. o., vgl. z. B.). Genauer gesprochen beruht die Korrektheit auf folgender Schleifeninvariante: Am Ende des $r$ -ten Schleifendurchlaufs enthält der Vektor $\vec{Vect}$ die Koeffizienten des charakteristischen Polynoms von $A_{r + 1}$ (Formulierung als Nachbedingung).

Aufwand, Effizienz und Parallelisierbarkeit

Man kann zeigen, dass der Aufwand (Zeitkomplexität) des Algorithmus die Größenordnung $𝒪 (n^{4})$ hat. Eine genauere Schranke ist gegeben durch die Anzahl der arithmetischen Operationen $\frac{1}{2} n^{4} - n^{3} + \frac{5}{2} n^{2}$ . Bei der Implementierung des Verfahrens kann man zudem ausnutzen, dass es für die Multiplikation von Toeplitz-Matrizen effektive Methoden gibt. Der Algorithmus lässt sich auch sehr gut parallelisieren, genaueres dazu findet man speziell in .

Numerisches Beispiel

Wir betrachten die Matrix

A = [\begin{matrix} 5 & 5 & - 3 & - 7 \\ 2 & 1 & 9 & 6 \\ 4 & 2 & - 6 & - 5 \\ 5 & - 8 & - 9 & 2 \end{matrix}]

Wir starten die Rekursion mit den charakteristischen Polynom der Matrix

A_{1} = [5]

, für das

p_{1} = λ - 5

gilt, d. h.

\vec{Vect} = [\begin{matrix} 1 \\ - 5 \end{matrix}]

$r = 1$ :

Wir berechnen nun

p_{2}

. Hierzu benötigen wir zunächst die Koeffizienten von

q_{2}

:

$k = 1$ :

- R_{1} S_{1} = - 2 * 5 = - 10

Also

\begin{matrix} q_{2} & = λ^{2} - a_{22} λ - R_{1} S_{1} \\ = λ^{2} - 1 λ - 10 \end{matrix}

Hieraus resultiert nun die Toeplitz-Matrix

Toep (q_{2}) = [\begin{matrix} 1 & 0 \\ - 1 & 1 \\ - 10 & - 1 \end{matrix}]

und damit

\begin{matrix} Toep (q_{2}) * \vec{p_{1}} & = \vec{Vect} \\ [\begin{matrix} 1 & 0 \\ - 1 & 1 \\ - 10 & - 1 \end{matrix}] * [\begin{matrix} 1 \\ - 5 \end{matrix}] & = [\begin{matrix} 1 \\ - 6 \\ - 5 \end{matrix}] \end{matrix}

Das charakteristische Polynom von

A_{2}

lautet also

p_{2} = λ^{2} - 6 λ - 5

$r = 2$ :

Wir ermitteln die Koeffizienten von

q_{3}

:

$k = 1$ :

- R_{2} A_{2}^{0} S_{2} = - [4 2] \cdot [\begin{matrix} - 3 \\ 9 \end{matrix}] = - 6

$k = 2$ :

- R_{2} A_{2}^{1} S_{2} = - [4 2] \cdot [\begin{matrix} 5 & 5 \\ 2 & 1 \end{matrix}] \cdot [\begin{matrix} - 3 \\ 9 \end{matrix}] = - 126

Also

\begin{matrix} q_{3} (λ) & = λ^{3} - a_{3, 3} λ^{2} - (R_{2} S_{2}) λ^{1} - (R_{2} A_{2}^{1} S_{2}) \\ = λ^{3} + 6 λ^{2} - 6 λ - 126 \end{matrix}

und

Toep (q_{3}) = [\begin{matrix} 1 & 0 & 0 \\ 6 & 1 & 0 \\ - 6 & 6 & 1 \\ - 126 & - 6 & 6 \end{matrix}]

Damit erhalten wir

\begin{matrix} Toep (q_{3}) * \vec{p_{2}} & = \vec{Vect} \\ [\begin{matrix} 1 & 0 & 0 \\ 6 & 1 & 0 \\ - 6 & 6 & 1 \\ - 126 & - 6 & 6 \end{matrix}] \cdot [\begin{matrix} 1 \\ - 6 \\ - 5 \end{matrix}] & = [\begin{matrix} 1 \\ 0 \\ - 47 \\ - 120 \end{matrix}] \end{matrix}

Das charakteristische Polynom von

A_{3}

lautet daher

p_{3} = λ^{3} - 47 λ - 120

$r = 3$ :

Wir ermitteln die Koeffizienten von

q_{4}

:

$k = 1$ :

- R_{3} A_{3}^{0} S_{3} = - [5 - 8 - 9] \cdot [\begin{matrix} - 7 \\ 6 \\ - 5 \end{matrix}] = 38

$k = 2$ :

- R_{3} A_{3}^{1} S_{3} = - [5 - 8 - 9] \cdot [\begin{matrix} 5 & 5 & - 3 \\ 2 & 1 & 9 \\ 4 & 2 & - 6 \end{matrix}] \cdot [\begin{matrix} - 7 \\ 6 \\ - 5 \end{matrix}] = - 348

$k = 3$ :

- R_{3} A_{3}^{2} S_{3} = - [5 - 8 - 9] \cdot {[\begin{matrix} 5 & 5 & - 3 \\ 2 & 1 & 9 \\ 4 & 2 & - 6 \end{matrix}]}^{2} \cdot [\begin{matrix} - 7 \\ 6 \\ - 5 \end{matrix}] = 679

Also

\begin{matrix} q_{4} (λ) & = λ^{4} - a_{4, 4} λ^{3} - (R_{3} S_{3}) λ^{2} - (R_{3} A_{2}^{1} S_{3}) λ - (R_{3} A_{2}^{2} S_{3}) \\ = λ^{4} - 2 λ^{3} + 38 λ^{2} - 348 λ + 679 \end{matrix}

und

Toep (q_{4}) = [\begin{matrix} 1 & 0 & 0 & 0 \\ - 2 & 1 & 0 & 0 \\ 38 & - 2 & 1 & 0 \\ - 348 & 38 & - 2 & 1 \\ 679 & - 348 & 38 & - 2 \end{matrix}]

Die finale Matrix-Vektor-Multiplikation liefert nun die Koeffizienten des gesuchten charakteristischen Polynoms der gesamten Matrix

A = A_{4}

:

\begin{matrix} Toep (q_{4}) * \vec{p_{3}} & = \vec{Vect} \\ [\begin{matrix} 1 & 0 & 0 & 0 \\ - 2 & 1 & 0 & 0 \\ 38 & - 2 & 1 & 0 \\ - 348 & 38 & - 2 & 1 \\ 679 & - 348 & 38 & - 2 \end{matrix}] \cdot [\begin{matrix} 1 \\ 0 \\ - 47 \\ - 120 \end{matrix}] & = [\begin{matrix} 1 \\ - 2 \\ - 9 \\ - 374 \\ - 867 \end{matrix}] \end{matrix}

Hieraus liest man das gesuchte Endergebnis ab:

p_{4} = λ^{4} - 2 λ^{3} - 9 λ^{2} - 374 λ - 867

Insbesondere erhält man also für die Determinante von

A

p_{4} (0) = det (- A) = (- 1)^{4} \cdot det (A) = - 867 \Rightarrow det (A) = - 867

Literatur

J. Abdeljaoued, The Berkowitz algorithm, Maple and computing the characteristic polynomial in an arbitrary commutative ring, MapleTech Vol. 4, No. 3, pp. 21-32, Birkhäuser Boston Basel Berlin, 1997
Stuart J. Berkowitz: On computing the determinant in small parallel time using a small number of processors, Information Processing Letters, 18, pp. 147-150, 1985, doi:10.1016/0020-0190(84)90018-8
G. Nakos and Robert M. Williams: A Fast Computation of the Characteristic polynomial, Mathematica in Education and Research, Vol. 9, No. 1, 2000
Paul A. Samuelson: A method for determining explicitly the characteristic equation, Annals of Mathematical Statistics, 13, pp. 424-429, 1942, doi:10.1214/aoms/1177731540
Günter Rote: Division-free algorithms for the determinant and the Pfaffian: algebraic and combinatorial approaches , in: Computational Discrete Mathematics, Editor: Helmut Alt, Lecture Notes in Computer Science 2122, Springer-Verlag, 2001, pp. 119-135, Online-Version (PDF; 250 kB)
Michael Soltys: Berkowitz's Algorithm and Clow Sequences, The Electronic Journal of Linear Algebra (ELA), ISSN 1081-3810, Volume 9, pp. 42-54, April 2002, Online-Version (PDF; 168 kB)

Einzelnachweise

1 2 3 Michael Soltys: Berkowitz's Algorithm and Clow Sequences, The Electronic Journal of Linear Algebra (ELA), ISSN 1081-3810, Volume 9, pp. 42-54, April 2002, Online-Version (PDF; 168 kB)
1 2 3 4 J. Abdeljaoued, The Berkowitz algorithm, Maple and computing the characteristic polynomial in an arbitrary commutative ring, MapleTech Vol. 4, No. 3, pp. 21-32, Birkhäuser Boston Basel Berlin, 1997
1 2 3 4 Stuart J. Berkowitz: On computing the determinant in small parallel time using a small number of processors, Information Processing Letters, 18, pp. 147-150, 1985, doi:10.1016/0020-0190(84)90018-8
1 2 G. Nakos and Robert M. Williams: A Fast Computation of the Characteristic polynomial, Mathematica in Education and Research, Vol. 9, No. 1, 2000
↑ Paul A. Samuelson: A method for determining explicitly the characteristic equation, Annals of Mathematical Statistics, 13, S. 424–429, 1942, doi:10.1214/aoms/1177731540

[ms42-54-1] 1 2 3 Michael Soltys: Berkowitz's Algorithm and Clow Sequences, The Electronic Journal of Linear Algebra (ELA), ISSN 1081-3810, Volume 9, pp. 42-54, April 2002, Online-Version (PDF; 168 kB)

[ja21-32-2] 1 2 3 4 J. Abdeljaoued, The Berkowitz algorithm, Maple and computing the characteristic polynomial in an arbitrary commutative ring, MapleTech Vol. 4, No. 3, pp. 21-32, Birkhäuser Boston Basel Berlin, 1997

[sjb147-150-3] 1 2 3 4 Stuart J. Berkowitz: On computing the determinant in small parallel time using a small number of processors, Information Processing Letters, 18, pp. 147-150, 1985, doi:10.1016/0020-0190(84)90018-8

[gnrw-4] 1 2 G. Nakos and Robert M. Williams: A Fast Computation of the Characteristic polynomial, Mathematica in Education and Research, Vol. 9, No. 1, 2000

[5] Paul A. Samuelson: A method for determining explicitly the characteristic equation, Annals of Mathematical Statistics, 13, S. 424–429, 1942, doi:10.1214/aoms/1177731540