对称正定矩阵的Cholesky分解与图论优化实践

1. 对称正定矩阵的图论视角

在数值计算和科学计算领域，对称正定矩阵的分解与求解是许多核心算法的基础。作为一名长期从事高性能计算的工程师，我发现从图论的角度理解矩阵分解过程，往往能带来更直观的认知和更高效的实现方案。

对称正定矩阵的图表示本质上建立了线性代数与图论之间的桥梁。给定一个n×n的对称矩阵A，我们可以构造对应的无向图G(A)=(V,E)，其中顶点集V对应矩阵的行/列索引，边集E则由非零非对角元素决定。这种表示方法特别适合稀疏矩阵的场景，因为图的稀疏性直接反映了矩阵的稀疏性。

实际工程中，当矩阵维度超过10^4时，图表示的内存效率往往比传统二维数组高出2-3个数量级。这也是现代稀疏矩阵库普遍采用图结构存储的重要原因。

2. Cholesky分解的图论本质

2.1 填充现象的图论解释

Cholesky分解A=LLᵀ过程中最引人注目的现象就是填充(fill-in)的产生。从图论视角看，当消去顶点k时，会在其所有邻居之间建立新的连接边。这个过程可以用一个简单的例子说明：

考虑路径图1-2-3-4对应的矩阵：

code复制A = [ *  *  0  0 ]
    [ *  *  *  0 ]
    [ 0  *  *  * ]
    [ 0  0  *  * ]

按自然顺序消元时：

1. 消去顶点1：无填充
2. 消去顶点2：在邻居1和3之间产生新边
3. 消去顶点3：在邻居2和4之间产生新边
   最终填充图变为完全图K₄

2.2 弦图与最小填充

弦图(chordal graph)的概念在这里至关重要——这种图中所有长度≥4的环都至少含有一条弦(对角线)。Cholesky分解的填充图Gᶠ恰好就是包含原始图G(A)的最小弦图。这个性质带来了两个重要推论：

1. 当原始图已经是弦图时，存在消元顺序可以不产生任何填充
2. 对于非弦图，寻找最优消元顺序等价于寻找最小弦图完备化

在有限元分析中，二维网格对应的图通常是弦图，而三维网格则往往不是，这解释了为什么三维问题的分解通常会产生更多填充。

3. 消去树与并行分解

3.1 消去树的构建与应用

消去树(elimination tree)精妙地刻画了Cholesky分解中的依赖关系。对于n×n矩阵，其消去树是n个节点的有向森林，其中节点j的父节点