R中大型稀疏矩阵的特征值

我有一些大的（对称实）稀疏矩阵，我想计算一些最大和最小的（数量级）特征值。我查看了犰狳，但它链接到了用Fortran编写的ARPACK库。作为一个Widnows用户，我手头没有Fortran编译器，所以我决定使用ARPACK R包，它是为Windows预编译的

我的矩阵是以MatrixMarket格式存储的，在R中，我阅读它如下：

库（矩阵）
f在使用rARPACK软件包后，很明显问题不在于矩阵转换为稠密，而在于LU分解必须显著改变稀疏矩阵的顺序，以避免数值问题，从而极大地填充矩阵

新版本的软件包将使用LDLT分解，它似乎不会遇到这个问题，并快速计算特征值

在新版本发布之前，您可以获取的副本并将其用于：

类CSS对称稀疏矩阵{
受保护的：
typedef Eigen:：SparseMatrix SpMat；
typedef Eigen:：SimplicialLDLT spltsolver；
常数大小；
SpMat m_mat；
SpLDLTSolver解算器；
公众：
CsSymmetricSparsematrix_InvProduct（常数cs*p_矩阵）
：m_mat（int（p_矩阵->m），int（p_矩阵->n）），n（p_矩阵->n）
{
//可以使用Eigen:：internal:：viewAsEigen（p_矩阵）；
_资产（p_矩阵->m==p_矩阵->n）；
//必须是正方形的
std：：载体三联体；
保留（p_矩阵->p[p_矩阵->n]）；
对于（尺寸i=0；ip[i]，e=p\u矩阵->p[i+1]；px[p]；
大小n行=p矩阵->i[p]，n列=i；
三元组。推回（本征：：三元组（int（n_行），int（n_列），f_val））；
}
}
//将CSparse矩阵展开为三元组
m_mat.setFromTriplets（triplets.begin（），triplets.end（））；
//填充特征矩阵
m_mat.makeCompressed（）；
//压缩特征矩阵
}
大小\u t行（）常量
{
返回n；
}
大小\u t cols（）常数
{
返回n；
}
无效集移位（双西格玛）
{
SpMat I（（int）n，（int）n）；
I.setIdentity（）；
solver.compute（m_mat-I*sigma）；//最好使用solver.setShift（-sigma，1.0）；
/*size_t n_fac_nnz=（（SpMat）solver.matrixL（））.nonZeros（）；//输入cast required，否则它将永远循环
fprintf（stderr，“debug:LDLT因式分解具有“PRIsize”非零\n”，n_fac_nnz）*/
}
//y_out=inv（A-西格玛*I）*x_in
无效执行操作（常数加倍*x\u输入，加倍*y\u输出）常数
{
本征：：映射x（x_in，n）；
本征：：映射y（y_out，n）；
y、 noalias（）=solver.solve（x）；
}
私人：
csSymmetricSparsematrix_InvProduct（const csSymmetricSparsematrix_InvProduct&r_other）；//无副本
csSymmetricSparseMatrix_InvProduct&operator=（const csSymmetricSparseMatrix_InvProduct&r_other）；//无副本
};
我可能错了，但如果没有数据，或者至少是一个最小的、可重复的例子，可能很难回答。@Pascal，你可能是对的。我已经链接了数据和脚本。上传可能需要一段时间……我只能跟踪R端发生的事情，而这不是特征值计算发生的地方。R本质上是执行计算的C++/fortran代码的前端。阅读源代码可以获得更多的洞察力@谢谢你，这实际上是一个非常简单的C++实现，这就是我在开始之前看到的，如果时间允许的话，当然要给R. Will一个机会。从第一眼看，似乎在反转和移位模式中使用了密集的LDLT分解，这将导致解算器很容易耗尽内存。