Il metodo delle potenze è un metodo iterativo per stimare l’autovalore dominante di una matrice e il relativo autovettore. È uno degli algoritmi più semplici per problemi agli autovalori e resta importante quando la matrice è grande, sparsa e interessa solo il modo principale.
L’iterazione di base è:
La normalizzazione evita che il vettore cresca o decada senza controllo. A ogni passo si moltiplica per A, amplificando le componenti lungo gli autovettori associati agli autovalori di modulo maggiore.
Condizione di convergenza
Se A è diagonalizzabile e possiede un autovalore dominante \lambda_1 tale che:
e se il vettore iniziale x_0 ha componente non nulla nella direzione dell’autovettore dominante, allora x_k converge alla direzione di quell’autovettore. Scrivendo:
si ha:
Dividendo per la scala dominante, i termini con |\lambda_i/\lambda_1|<1 si attenuano. La velocità di convergenza dipende soprattutto dal rapporto:
Se questo rapporto è vicino a 1, la convergenza è lenta.
Stima dell’autovalore
L’autovalore si stima spesso con il quoziente di Rayleigh:
Per matrici simmetriche reali, il quoziente di Rayleigh ha un significato particolarmente forte e fornisce una stima stabile dell’autovalore associato alla direzione corrente. In implementazioni pratiche, se x_k è normalizzato con norma euclidea, la formula diventa semplicemente:
Un’altra stima, meno simmetrica ma spesso usata, consiste nel confrontare componenti di Ax_k e x_k, evitando componenti troppo piccole.
Perché è utile per matrici sparse
Il metodo richiede quasi solo prodotti matrice-vettore. Se A è sparsa, il costo di ogni iterazione è proporzionale al numero di elementi non nulli, non a n^2 in modo pieno. Non è necessario costruire decomposizioni complete né memorizzare tutti gli autovettori.
Questa caratteristica è importante in reti, grafi, problemi discretizzati, simulazioni agli elementi finiti, catene di Markov, PageRank, vibrazioni e analisi modale preliminare. Quando serve solo la direzione dominante, calcolare tutto lo spettro sarebbe uno spreco.
Segno e oscillazioni
Se l’autovalore dominante è negativo, le iterate possono alternare segno: x_k e -x_k rappresentano comunque la stessa direzione propria. Se esistono due autovalori con lo stesso modulo massimo, per esempio \lambda e -\lambda, la convergenza può fallire o produrre oscillazioni.
Se la matrice non è diagonalizzabile o se il vettore iniziale è quasi ortogonale alla direzione dominante, il comportamento può essere più delicato. In aritmetica finita, una componente dominante molto piccola può comunque emergere per arrotondamento, ma non è una garanzia su cui progettare l’algoritmo.
Varianti
Il metodo delle potenze inverse applica la stessa idea ad A^{-1}, permettendo di trovare autovalori piccoli in modulo, a patto di risolvere sistemi lineari. Con shift, si applica il metodo a (A-\sigma I)^{-1} per trovare autovalori vicini a \sigma. Queste varianti sono alla base di metodi più sofisticati per autovalori selettivi.
Per trovare più autovalori si usano deflazione, sottospazi di Krylov, metodo di Lanczos per matrici simmetriche o Arnoldi per matrici generali. Il metodo delle potenze resta il nucleo concettuale: ripetere l’azione della matrice per far emergere le componenti dominanti.
Criteri di arresto
Un criterio naturale è controllare il residuo:
Se \|r_k\| è piccola, la coppia (\lambda_k,x_k) soddisfa quasi l’equazione agli autovalori. Controllare solo la variazione tra iterate può essere fuorviante, specialmente in presenza di oscillazioni di segno o convergenza lenta.
Errori comuni
Il primo errore è usarlo senza verificare l’esistenza di un autovalore dominante separato. Il secondo è interpretare il vettore ottenuto come unico autovettore importante: il metodo trova il modo dominante rispetto al modulo, non necessariamente quello più rilevante per ogni problema fisico.
Il terzo errore è trascurare la normalizzazione e il condizionamento numerico. Senza normalizzazione, le iterate possono andare in overflow o underflow. Con matrici non normali, piccoli errori possono essere amplificati in modi non descritti solo dagli autovalori. Il metodo è semplice, ma va letto dentro la struttura spettrale della matrice.