11、浮点正交化的分段LLL约化算法解析

浮点正交化的分段LLL约化算法解析

1. 稳定性证明与Householder反射

在向量处理中，通过缩放和尺寸约化，对于 $j \neq 2$ 有如下关系：
$|b_s^j|^2 \leq \frac{1}{4} \sum_{i = 1}^{j - 1} |\tilde{b} s^i|^2 + |\tilde{b}_s^j|^2 \leq \frac{j + 3}{4} \max {i \leq j} |\tilde{b} s^i|^2 \leq j \min {i \leq j} |\tilde{b}_s^i|^2$

由此可得 $|b_s^1, \ldots, b_s^j| F = (\sum {i = 1}^{j} |b_s^i|^2)^{\frac{1}{2}} \leq \sqrt{j} \max_{i \leq j} |b_s^i| \leq j |\tilde{b}_s^i|$，进而 $\frac{|b_s^1, \ldots, b_s^j|_F}{|\tilde{b}_s^i|} \leq j$ （$i = 1, \ldots, j$）。

当 $j \leq n = d = 216$ 且 $\eta = 2^{-53}$ 时，$\epsilon \leq 6n^3\eta \leq 0.19$ 且 $\frac{\epsilon}{1 - \epsilon} \leq 0.24$。这表明在维度达到 216 时，Householder 反射能为基 $b_s^1, \ldots, b_s^n$ 提供足够精确的 Gram - Schmidt 系数。

2. 缩放与尺寸约化的正交