ScholarGate
دستیار
Machine learningKrylov Subspace Iterative

GMRES

GMRES یک پایه متعامد از بردارها را می‌سازد که فضای کرایلف (فضای ریاضی ساخته شده از ضرب‌های ماتریس-بردار متوالی) را پوشش می‌دهد. در هر تکرار، ترکیب خطی بردارهای پایه را پیدا می‌کند که نرم باقیمانده را حداقل می‌کند. این تعامد حریصانه، کاهش یکنواخت باقیمانده را تضمین می‌کند، اگرچه حافظه و هزینه با تعداد تکرارها افزایش می‌یابد و استفاده عملی از آن نیازمند راه‌اندازی مجدد دوره‌ای است.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیدریافت اسلایدها

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

نقشهٔ روش

همسایگی روش‌های مرتبط — برای کاوش، یک گره را برگزینید.

منابع

  1. Saad, Y., & Schultz, M. H. (1986). GMRES: A generalized minimal residual algorithm for solving nonsymmetric linear systems. SIAM Journal on Scientific and Statistical Computing, 7(3), 856–869. DOI: 10.1137/0907058
  2. Walker, H. F. (1988). Implementation of the GMRES method using Householder reflections. SIAM Journal on Scientific and Statistical Computing, 9(1), 152–163. DOI: 10.1137/0909010
  3. Saad, Y. (2003). Iterative Methods for Sparse Linear Systems (2nd ed.). SIAM. DOI: 10.1137/1.9780898718003

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Generalized Minimal Residual Method. ScholarGate. https://scholargate.app/fa/numerical-methods/gmres

کدام روش؟

این روش را در کنار نزدیک‌ترین روش‌های خویشاوندش بگذارید و آن‌ها را کنار هم بخوانید — کتابخانه کتاب‌ها را روی میز می‌گشاید؛ انتخاب با شماست.

مقایسهٔ کنار هم

ارجاع‌شده در

ScholarGateGMRES (Generalized Minimal Residual Method). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/numerical-methods/gmres · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026