Lanczosova metoda
Vlastní čísla se stanoví přímo. Tímto algoritmem lze obvykle dosáhnout rychlé konvergence. Tato metoda je vhodná pro standardní modely, a proto je přednastavena.
Více informací: https://en.wikipedia.org/wiki/Lanczos_algorithm
Kořeny charakteristického polynomu
Tato metoda je také založena na přímé metodě. U větších systémů může být tato metoda rychlejší než Lanczosova metoda. Hlavní výhodou je přesnost výpočtu vyšších vlastních čísel.
Více informací: https://en.wikipedia.org/wiki/Characteristic_polynomial
Metoda iterace podprostoru
Všechna vlastní čísla se stanoví v jednom kroku. Šířka pásma matice tuhosti má velký vliv na dobu výpočtu. Vzhledem k tomu, že matice tuhosti se ukládá v paměti, není tato metoda vhodná pro složité systémy. Kromě toho mohou vyjít záporné součinitele kritického zatížení.
Více informací: http://de.wikipedia.org/wiki/Krylow-Unterraum-Verfahren
Metoda sdružených gradientů
Metoda sdružených gradientů vyžaduje málo paměti. Vzhledem k tomu, že se vlastní čísla určují postupně, vyžaduje pro menší až středně velké systémy větší výpočetní čas než přímá metoda. Šířka pásma nemá žádný vliv na dobu výpočtu. Metoda sdružených gradientů je vhodná pro analýzu velkých systémů s několika vlastními čísly. Tato metoda nedává žádné záporné součinitele kritického zatížení.
Více informací: https://en.wikipedia.org/wiki/Conjugate_gradient_method
.png?mw=512&hash=2ea2d75c8cefc95c99fdc10fb7cbba7281797970)
.png?mw=350&hash=de20352ceb3e0ef733255a4abfab6ad78dacd723)
.png?mw=600&hash=49b6a289915d28aa461360f7308b092631b1446e)
