Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Matrices dispersas

Matrices dispersas elementales, algoritmos de reordenación, métodos iterativos, álgebra lineal dispersa

Las matrices dispersas proporcionan un almacenamiento eficiente de datos double o logical que tienen un gran porcentaje de ceros. Mientras que las matrices completas (o densas) almacenan cada uno de los elementos en la memoria independientemente del valor, las matrices dispersas almacenan solo los elementos distintos de cero y sus índices de filas. Por este motivo, con el uso de matrices dispersas es posible reducir de manera significativa la cantidad de memoria que se necesita para almacenar datos.

Todas las operaciones aritméticas, lógicas y de indexación integradas de MATLAB® se pueden aplicar a matrices dispersas, o a mezclas de matrices dispersas y completas. Las operaciones en matrices dispersas arrojan como resultado matrices dispersas y, por su parte, las operaciones en matrices completas devuelven matrices completas. Para obtener más información, consulte Ventajas computacionales de matrices dispersas y Construcción de matrices dispersas.

Funciones

expandir todo

spallocAllocate space for sparse matrix
spdiagsExtract nonzero diagonals and create sparse band and diagonal matrices
speyeSparse identity matrix
sprandSparse uniformly distributed random matrix
sprandnSparse normally distributed random matrix
sprandsymSparse symmetric random matrix
sparseCreate sparse matrix
spconvertImport from sparse matrix external format
issparseDetermine whether input is sparse
nnzNumber of nonzero matrix elements
nonzerosNonzero matrix elements
nzmaxAmount of storage allocated for nonzero matrix elements
spfunApply function to nonzero sparse matrix elements
sponesReplace nonzero sparse matrix elements with ones
spparmsSet parameters for sparse matrix routines
spyVisualize sparsity pattern of matrix
findBuscar índices y valores de elementos no nulos
fullConvert sparse matrix to full storage
dissectNested dissection permutation
amdApproximate minimum degree permutation
colamdColumn approximate minimum degree permutation
colpermSparse column permutation based on nonzero count
dmpermDulmage-Mendelsohn decomposition
randpermRandom permutation of integers
symamdSymmetric approximate minimum degree permutation
symrcmSparse reverse Cuthill-McKee ordering
pcgPreconditioned conjugate gradients method
minresMinimum residual method
symmlqSymmetric LQ method
gmresGeneralized minimum residual method (with restarts)
bicgBiconjugate gradients method
bicgstabBiconjugate gradients stabilized method
bicgstablBiconjugate gradients stabilized (l) method
cgsConjugate gradients squared method
qmrQuasi-minimal residual method
tfqmrTranspose-free quasi-minimal residual method
lsqrLSQR method
equilibrateMatrix scaling for improved conditioning
ichol Incomplete Cholesky factorization
iluIncomplete LU factorization
eigsSubset of eigenvalues and eigenvectors
svdsSubset of singular values and vectors
normest2-norm estimate
condest1-norm condition number estimate
sprankStructural rank
etreeElimination tree
symbfactSymbolic factorization analysis
spaugmentForm least-squares augmented system
dmpermDulmage-Mendelsohn decomposition
etreeplotPlot elimination tree
treelayoutLay out tree or forest
treeplotPlot picture of tree
gplotPlot nodes and edges in adjacency matrix
unmeshConvert edge matrix to coordinate and Laplacian matrices

Temas

Construcción de matrices dispersas

Almacenar datos dispersos como una matriz.

Ventajas computacionales de matrices dispersas

Ventajas de matrices dispersas sobre matrices completas.

Acceso a matrices dispersas

Indexación y visualización de datos dispersos.

Operaciones de matriz dispersa

Reordenación, factorización y computación con matrices dispersas.

Reordenación de matrices dispersas

Este ejemplo muestra cómo reordenar las filas y columnas de una matriz dispersa puede influir en los requisitos de velocidad y almacenamiento de una operación matricial.

Gráficos y matrices

Este ejemplo muestra una aplicación de matrices dispersas y explica la relación entre gráficos y matrices.

Ejemplos destacados