numerical convergence
數值收斂。數值遞推過程,全域誤差趨近零,答案精準。
中文譯作「收斂」,原意應是「合流」。
數值收斂的數學定理的進化過程:
(1) problem: series convergence
algorithm: Cauchy condensation test
convergence: monotone convergence theorem
(if monotone, then bounded = convergent)
(2) problem: equation solving
algorithm: fixed point iteration
convergence: Banach fixed-point theorem
(if contractive, then convergent)
(3) problem: differential equation solving
algorithm: Euler method
convergence: fundamental theorem of numerical analysis
(if consistent, then stable = convergent)
問題:級數收斂
演算法:柯西收縮測試
收斂性:單調收斂定理(單調時,受限即收斂。)
問題:方程式求解
演算法:不動點遞推法
收斂性:巴拿赫不動點定理(收縮則收歛。)
問題:微分方程式求解
演算法:歐拉法
收斂性:數值分析基本定理(一致時,穩定即收斂。)
fundamental theorem of numerical analysis
「數值分析基本定理」。
if consistent, then stable = convergent
拆成兩句話。第一句話是本文主角。第二句話顯而易見。
(1) consistent & stable => consistent & convergent
(2) consistent & convergent => consistent & stable (trivial)
這三個詞彙的中文翻譯:
adjective 形容詞丨 noun 名詞
------------一一一丨-------------一一一
consistent 一致的丨 consistency 一致性
stable 穩定的丨 stability 穩定性
convergent 收斂的丨 convergence 收斂性
這三個詞彙的原始意義:
consistency: 1. theorems have no contradiction.
2. an equation have a unique solution.
3. symbol and numeral are approximately equal.
stability: two sequence are bounded by a certain distance
that is depending on initial distance
|aₙ - bₙ| < ε when |a₀ - b₀| < δ
where ε and δ are constants
convergence: a sequence leads to a constant.
aₙ → C when n → ∞
where C is a constant
一致性:定理無矛盾。等式有唯一解。符號與數值相符。表裡如一。
穩定性:兩串數列,對應項差距範圍受限。牽繩遛狗。
收斂性:一串數列,數字趨近定值。閒逛到家。
這三個詞彙在數值模擬當中的用法:
(我沒有照抄文獻裡的句子。我不確定我的理解是否正確。)
differential equation
L(f(t,x)) = 0
symbolic solution
f(t,x)
consistency: difference of the functional equation and
its discretization approaches zero.
L(f(t,x)) - L̂(f(t,x)) → 0 when Δt→0, Δx→0
where L(f(t,x)) = (d/dt f(t,x)) - F(f(t,x))
big-O notation is used somehow.
L(f(t,x)) = L̂(f(t,x)) + O((Δt)ᵖ + (Δx)𐞥)
where p>0, q>0
stability: distance of corresponding iteration of
two numeric solutions with
different initial conditions is bounded.
‖f̂⁽ⁿ⁾ - ĝ⁽ⁿ⁾‖ ≤ ‖f̂⁽⁰⁾ - ĝ⁽⁰⁾‖ when n≥0
with consistency,
distance of corresponding iteration of
a symbolic solution and a numeric solution with
same initial condition is bounded.
‖f⁽ⁿ⁾ - f̂⁽ⁿ⁾‖ ≤ ‖f⁽⁰⁾ - f̂⁽⁰⁾‖ when n≥0
convergence: distance of corresponding iteration of
two numeric solutions with
different initial conditions leads to zero.
‖f̂⁽ⁿ⁾ - ĝ⁽ⁿ⁾‖ → 0 when n→∞
with consistency,
distance of corresponding iteration of
a symbolic solution and a numeric solution with
same initial condition leads to zero.
‖f⁽ⁿ⁾ - f̂⁽ⁿ⁾‖ → 0 when n≥0
一致性:函數方程式、其離散化(遞迴公式),兩者趨近相等。
穩定性:兩組數值解(初始條件不同),各回合距離受限。
一致性且穩定性:符號解、數值解,各回合距離受限。
收斂性:兩組數值解(初始條件不同),最終趨近相等。
一致性且收斂性:符號解、數值解,各回合趨近相等。
一致性:截斷誤差趨近零。
一致性且穩定性:全域誤差受限。
一致性且收斂性:全域誤差趨近零。
大部分文獻又進一步修改定義,將f(t,x)改成d/dt f(t,x)再改成微分方程式的右式F(f(t,x))。我推測原因是避免在Δt→0的情況下乘以除以Δt,並且確保時間變化空間變化可以分離成左式右式。
如此一來,穩定性宛如平緩函數Lipschitz function,數值分析基本定理宛如不動點定理Banach fixed-point theorem。平緩函數套用不動點遞推法收斂至不動點。請見本站文件「fixed point 」。
differential equation
d/dt f(t,x) = F(f(t,x))
symbolic solution
f(t,x)
consistency
F(f(t,x)) - F̂(f(t,x)) → 0 when Δt→0, Δx→0
stability with consistency
‖F(f⁽ⁿ⁾) - F(f̂⁽ⁿ⁾)‖ ≤ ‖f⁽⁰⁾ - f̂⁽⁰⁾‖ when n≥0
convergence with consistency
‖F(f⁽ⁿ⁾) - F(f̂⁽ⁿ⁾)‖ → 0 when n≥0
時間變化空間變化可以分離成左式右式,遞迴公式不受時間影響,每回合一律使用相同泛函數F̂(f(t,x)),事情比較簡單。時間變化空間變化無法分離成左式右式,遞迴公式受時間影響,每回合都要微調泛函數F̂ₜ(f(t,x)),事情更加棘手,我沒有研究。
數值分析基本定理的證明,我還沒有學會。等我學完泛函分析不知何年何月。關鍵字也許是Banach space、uniform boundedness principle、dominated convergence theorem。
https://math.stackexchange.com/questions/4460567/
https://www.colorado.edu/amath/sites/default/files/attached-files/lax_equivalence_theorem.pdf
https://users.soe.ucsc.edu/~hongwang/AM213B/Notes/Lecture02.pdf
https://users.soe.ucsc.edu/~hongwang/AM213B/Notes/Lecture03.pdf
補充說明一下。不動點定理當中,平緩函數只能是小於。數值分析基本定理當中,穩定性可以追加等於。第零回合,令數值解趨近符號解、令初始距離趨近零;往後回合,即便距離不變也無妨。一開始就夾緊,往後保持夾緊,依然收斂。
補充說明一下。數值分析基本定理當中,只有設置初始條件,沒有設置邊界條件。符號解和數值解,左右延伸至無限遠。
總之,當一致性和穩定性同時成立,就能保證數值收斂。
接下來分別介紹一致性和穩定性。
consistency與consistency error
「一致性」。符號轉數值,符號與數值相符。分為兩點討論。
一、數字大小相符。
二、運算結果相符。加減乘除微積求值代入。
「一致性誤差」。符號轉數值導致的誤差。分為兩點討論。
round-off error:四捨五入誤差。實數四則運算從符號轉數值導致的誤差。
truncation error:截斷誤差。函數微分運算從符號轉數值導致的誤差。
實數四則運算從符號轉數值,一般採用浮點數運算。四捨五入誤差,一般是指浮點數運算誤差。請見本站文件「bit 」。
函數微分運算從符號轉數值,一般採用泰勒近似。截斷誤差,一般是指泰勒近似誤差。請見本站文件「approximation 」。
floating-point arithmetic與round-off error
「浮點數運算」。離散化實數之四則運算。
實數資料結構採用浮點數,實施四則運算。
「四捨五入誤差」。浮點數運算總是消滅多餘的低位數。
本節不是本文重點。細節請自行上網搜尋講義。
finite difference與truncation error
「有限差分」。離散化實函數之微分運算。
實函數資料結構採用regular discretization,或者其他資料結構,實施微分運算。
「截斷誤差」。泰勒近似總是消滅多餘的高次方項。
一次微分的差分公式。細分成左邊、右邊、中央三種版本。
Taylor approximation
(1) f(x+Δx) = f(x) + f′(x)Δx + ½f″(x)(Δx)² + ⅙f‴(x)(Δx)³ + ...
(2) f(x-Δx) = f(x) - f′(x)Δx + ½f″(x)(Δx)² - ⅙f‴(x)(Δx)³ + ...
first-order backward difference
f(x-Δx) = f(x) - f′(x)Δx + O((Δx)²)
f(x) - f(x-Δx) = f′(x)Δx + O((Δx)²)
(f(x) - f(x-Δx)) / Δx = f′(x) + O(Δx)
f′(x) = (f(x) - f(x-Δx)) / Δx + O(Δx)
f′[i] = (f[i] - f[i-1]) / Δx + O(Δx)
first-order forward difference
f(x+Δx) = f(x) + f′(x)Δx + O((Δx)²)
f(x+Δx) - f(x) = f′(x)Δx + O((Δx)²)
(f(x+Δx) - f(x)) / Δx = f′(x) + O(Δx)
f′(x) = (f(x+Δx) - f(x)) / Δx + O(Δx)
f′[i] = (f[i+1] - f[i]) / Δx + O(Δx)
second-order central difference
⎰ f(x+Δx) = f(x) + f′(x)Δx + ½f″(x)(Δx)² + O((Δx)³)
⎱ f(x-Δx) = f(x) - f′(x)Δx + ½f″(x)(Δx)² + O((Δx)³)
f(x+Δx) - f(x-Δx) = 2 f′(x)Δx + O((Δx)³)
(f(x+Δx) - f(x-Δx)) / (2 Δx) = f′(x) + O((Δx)²)
f′(x) = (f(x+Δx) - f(x-Δx)) / (2 Δx) + O((Δx)²)
f′[x] = (f[i+1] - f[i-1]) / (2 Δx) + O((Δx)²)
大家習慣使用大O符號呈現截斷誤差。大家習慣用Δx次方值作為截斷誤差的數量級。n階差分的n就是截斷誤差的數量級。
Δx趨近於零、Δx遠小於一。Δx次方越高,截斷誤差越小。泰勒展開低次方項保留越多,截斷誤差越小。
想讓截斷誤差趨近零,一種方式是採用平滑函數。如此一來,泰勒展開高次方項通通存在、而且通通趨近零。
想讓截斷誤差趨近零,也可以採用其他函數。找到截斷誤差的數學式子,證明其趨近零。比較麻煩就是了。
負面詞彙「誤差error」、正面詞彙「精度accuracy」,兩者概念相同,都有人用。
二次微分的差分公式。
second-order central difference of second derivative
⎰ f(x+Δx) = f(x) + f′(x)Δx + ½f″(x)(Δx)² + ⅙f‴(x)(Δx)³ + O((Δx)⁴)
⎱ f(x-Δx) = f(x) - f′(x)Δx + ½f″(x)(Δx)² - ⅙f‴(x)(Δx)³ + O((Δx)⁴)
f(x+Δx) + f(x-Δx) = 2 f(x) + f″(x)(Δx)² + O((Δx)⁴)
f(x+Δx) - 2 f(x) + f(x-Δx) = f″(x)(Δx)² + O((Δx)⁴)
(f(x+Δx) - 2 f(x) + f(x-Δx)) / (Δx)² = f″(x) + O((Δx)²)
f″(x) = (f(x+Δx) - 2 f(x) + f(x-Δx)) / (Δx)² + O((Δx)²)
f″[i] = (f[i+1] - 2 f[i] + f[i-1]) / (Δx)² + O((Δx)²)
一次微分的差分公式,增加點數以增加精度。我沒有研究。
4th-order central difference
f′[x] = (- f[i+2] + 8 f[i+1] - 8 f[i-1] + f[i-2]) / (12 Δx)
+ O((Δx)⁴)
https://en.wikipedia.org/wiki/Finite_difference_coefficient
一些特殊技巧。我沒有研究。
compact finite difference:用更少的點數達到更高的精度。
degraded finite difference:達到更低的精度。自虐。
https://en.wikipedia.org/wiki/Compact_finite_difference
https://people.bath.ac.uk/ensdasr/COMPACT/dasr.compact.pdf
想要迅速獲得中央差分公式,除了泰勒展開以外,也可以使用Lagrange interpolation然後微分。想要簡化差分公式並且維持精度,可以使用Padé approximation。我沒有研究。
consistency of numerical simulation
數值模擬當中的一致性:當取樣間隔Δx趨近零,原本函數(微分方程式)、離散化函數(遞迴公式),兩者相符。
注意到,數學家只有討論「Δx趨近零則趨近相符」,並未討論「Δx越微小則越相符」。不太務實就是了。
舉例來說,下述微分方程式:
d
—— f(t) = f(t)
dt
微分方程式重新整理成泛函數的模樣,才能相減得到差距。
differential equation:
d/dt f(t) = f(t)
d/dt f(t) - f(t) = 0
discretization:
(f(t) - f(t - Δt)) / Δt + O((Δt)ᵖ) = f(t)
(f(t) - f(t - Δt)) / Δt - f(t) = O((Δt)ᵖ)
functional:
let L(f(t)) = d/dt f(t) - f(t)
let L̂(f(t)) = (f(t) - f(t - Δt)) / Δt - f(t)
consistency:
L(f(t)) = lim L̂(f(t))
Δt→0
lim { L(f(t)) - L̂(f(t)) } = 0
Δt→0
truncation error:
L(f(t)) - L̂(f(t)) = O((Δt)ᵖ)
數學家只有考慮截斷誤差,並未考慮四捨五入誤差。馬馬虎虎就是了。
微分方程式的各個微分運算的截斷誤差,組成了局部誤差。截斷誤差趨近零,那麼局部誤差也趨近零。想讓截斷誤差趨近零,一種方式是符號解f(t)採用平滑函數。
順帶一提,截斷誤差同時考慮時間變數與空間變數的步進,局部誤差只考慮時間變數的步進。有些文獻誤將截斷誤差與局部誤差視為相同,誤將O((Δt)ᵖ + (Δx)𐞥)與‖f⁽¹⁾ - f̂⁽¹⁾‖視為相同。
時間變數的步進,最簡單的方式是採用一階右邊差分,p = 1。有些文獻因而省略時間變數的步進,並將截斷誤差與局部誤差視為相同,將O((Δx)𐞥)與‖f⁽¹⁾ - f̂⁽¹⁾‖視為相同。
stability
「穩定性」。兩個數列距離受限。
穩定性細分為許多類型。
Lyapunov stability:內部穩定性。距離小於等於定值,定值取決於最初距離。
asymptotic stability:漸進穩定性。距離收斂至零。
exponential stability:指數穩定性。距離指數衰減。
https://en.wikipedia.org/wiki/Lyapunov_stability
stability of numerical simulation
數值模擬當中的穩定性:數值解距離受限。
穩定性細分為許多類型。
bounded stability:受限穩定性。距離小於等於定值。
Lipschitz stability:平緩穩定性。距離小於等於最初距離的特定倍率。
contractive stability:收縮穩定性。距離小於等於最初距離。
https://en.wikipedia.org/wiki/Contraction_mapping
數值分析基本定理,理論上是受限穩定性,實務上是收縮穩定性。受限穩定性很難判斷,大家換成更強更嚴格的收縮穩定性。
順帶一提,收縮穩定性得以消滅或抑制數值誤差。數值解變小或不變,數值誤差也隨之變小或不變。
contractive stability
「收縮穩定性」。數值解距離小於等於最初距離。
‖f̂⁽ⁿ⁾ - ĝ⁽ⁿ⁾‖ ≤ ‖f̂⁽⁰⁾ - ĝ⁽⁰⁾‖ contractive stability
當遞迴公式不因時刻而變,收縮穩定性變成:數值解每回合距離變小或不變。
‖f̂⁽ⁿ⁺¹⁾ - ĝ⁽ⁿ⁺¹⁾‖ ≤ ‖f̂⁽ⁿ⁾ - ĝ⁽ⁿ⁾‖ time-invariant
當遞迴公式恰是線性遞迴函數,兩種數值解相加減仍是數值解。收縮穩定性變成:數值解每回合範數變小或不變。
‖f̂⁽ⁿ⁺¹⁾‖ ≤ ‖f̂⁽ⁿ⁾‖ linearity
exponential stability
「指數穩定性」。數值解距離指數衰減。
‖f̂⁽ⁿ⁾ - ĝ⁽ⁿ⁾‖ ≤ exp(-c n) ‖f̂⁽⁰⁾ - ĝ⁽⁰⁾‖ exponential stability
c is a constant and 0 ≤ exp(-c n) ≤ 1
當遞迴公式不因時刻而變,指數穩定性變成:數值解每回合距離乘上固定倍率,小於等於1。
‖f̂⁽ⁿ⁺¹⁾ - ĝ⁽ⁿ⁺¹⁾‖ ≤ k ‖f̂⁽ⁿ⁾ - ĝ⁽ⁿ⁾‖ time-invariant
k is a constant and 0 ≤ k ≤ 1
當遞迴公式恰是線性遞迴函數,兩種數值解相加減仍是數值解。指數穩定性變成:數值解每回合範數乘上固定倍率,小於等於1。
‖f̂⁽ⁿ⁺¹⁾‖ ≤ k ‖f̂⁽ⁿ⁾‖ linearity
k is a constant and 0 ≤ k ≤ 1
stability analysis with matrix
當遞迴公式恰是線性遞迴函數,收縮穩定性改寫成矩陣運算。
實際範例請見本站文件「linear recurrence 」。
‖f̂⁽ⁿ⁺¹⁾‖ = ‖Af̂⁽ⁿ⁾‖ ≤ ‖f̂⁽ⁿ⁾‖ contractive stability
當遞迴公式恰是線性遞迴函數,指數穩定性改寫成矩陣運算。
‖f̂⁽ⁿ⁺¹⁾‖ = ‖Af̂⁽ⁿ⁾‖ ≤ k ‖f̂⁽ⁿ⁾‖ exponential stability
k is a constant and 0 ≤ k ≤ 1
另一方面,根據範數的性質,得到不等式。
‖Af̂⁽ⁿ⁾‖ ≤ ‖A‖ ‖f̂⁽ⁿ⁾‖ sub-multiplicative
根據不等式,收縮穩定性等價於矩陣範數小於等於1。
矩陣範數視作倍率k。收縮穩定性等價於指數穩定性!
不斷乘以一個小於等於1的倍率,顯然指數衰減。倍率從數字換成矩陣,依然指數衰減。就這樣。
‖f̂⁽ⁿ⁺¹⁾‖ = ‖Af̂⁽ⁿ⁾‖ ≤ ‖A‖ ‖f̂⁽ⁿ⁾‖ sub-multiplicative
‖f̂⁽ⁿ⁺¹⁾‖ ≤ ‖f̂⁽ⁿ⁾‖ contractive stability
‖A‖ ≤ 1 exponential stability
常見的範數類型是L₂-norm。矩陣範數採用譜範數:特徵值絕對值最大者。向量範數採用平方範數:元素平方和開根號。
‖f̂⁽ⁿ⁺¹⁾‖₂ = ‖Af̂⁽ⁿ⁾‖₂ ≤ ‖A‖₂ ‖f̂⁽ⁿ⁾‖₂ sub-multiplicative
‖f̂⁽ⁿ⁺¹⁾‖₂ ≤ ‖f̂⁽ⁿ⁾‖₂ contractive stability
‖A‖₂ ≤ 1 exponential stability
矩陣特徵值絕對值最大者小於等於1。矩陣特徵值皆介於±1(若是實數)。
‖A‖₂ = max(abs(eigval(A))) ≤ 1 spectral norm
0 ≤ abs(eigval(A)) ≤ 1 inside the unit circle
-1 ≤ eigval(A) ≤ 1 if eigval(A) are real
想要檢查指數穩定性,只需將線性遞迴公式改寫成矩陣,然後檢查所有特徵值絕對值皆小於等於1。
0 ≤ abs(eigval(A)) ≤ 1 exponential stability
順帶一提,指數穩定性顯然滿足收斂性,畢竟指數衰減至零。大可不必煩惱數值分析基本定理。
absolute stability
數值分析基本定理,要求Δt與Δx趨近零。然而浮點數位數有限,況且陣列大小有限,因此Δt與Δx不可能趨近零。實務上必須檢查特定大小的Δt與Δx是否滿足穩定性。嚴謹起見,數學家另造一詞,稱作絕對穩定性。簡單起見,大家還是稱作穩定性。
穩定性細分許多類型。
relative stability:相對穩定性。當Δt與Δx趨近零,滿足穩定性。
absolute stability:絕對穩定性。特定大小的Δt與Δx,滿足穩定性。
stiff stability:剛硬穩定性。滿足絕對穩定性,而且,
當Δt與Δx趨近無限大,
則收斂速度趨近無限大(指數趨近負無限大)。
stiffness
「剛硬性」。微分方程式的造型太過特殊,選擇很小很小的Δt與Δx才能滿足穩定性,需要很多很多的遞推回合才能到達指定時刻,導致很久很久的執行時間才能跑完數值模擬。硬篤、歹舞。
剛硬穩定性得以避免上述困擾。剛硬穩定性一點都不剛硬。
interval of absolute stability
當遞迴公式恰是線性遞迴函數,特徵方程式的根皆介於±1,才會滿足指數穩定性。以此推導Δt與Δx的適當範圍。
舉例來說,下述微分方程式:
d
—— f(t) = f(t)
dt
套用backward Euler method,選擇適當的Δt,就會穩定。
(f(t) - f(t - Δt)) / Δt = f(t) backward difference
(f[i] - f[i-1] ) / Δt = f[i] implicit method
f[i] = f[i-1] / (1 - Δt) recurrence
f[i] = a f[i-1] where a = 1 / (1 - Δt)
a numerical scheme is stable iff |a| ≤ 1
this numerical scheme is stable iff Δt ≤ 0 and Δt ≥ 2
this numerical scheme is stable when Δt ≥ 2
套用forward Euler method,無論如何不可能穩定。
(f(t + Δt) - f(t)) / Δt = f(t) forward difference
(f[i+1] - f[i]) / Δt = f[i] explicit method
f[i+1] = f[i] (1 + Δt) recurrence
f[i+1] = a f[i] where a = (1 + Δt)
a numerical scheme is stable iff |a| ≤ 1
this numerical scheme is stable iff Δt ≥ -2 and Δt ≤ 0
this numerical scheme is unstable since Δt > 0
function of absolute stability
數學家將a改寫成函數,叫做function of absolute stability,簡稱stability function。
舉例來說,下述微分方程式:
d
—— f(t) = f(t)
dt
套用backward Euler method,將數值a換成函數ϕ(Δt)。
f[i+1] = a f[i] where a = 1 / (1 - Δt)
f[i+1] = ϕ(Δt) f[i] where ϕ(Δt) = 1 / (1 - Δt)
數學家甚至追加變數。微分方程式/遞迴公式的係數是變數,判斷各種係數的穩定性。
舉例來說,下述微分方程式:
d
—— f(t) = k f(t) k is a coefficient
dt
套用backward Euler method,將數值a換成函數ϕ(k Δt)。
f[i+1] = a f[i] where a = 1 / (1 - k Δt)
f[i+1] = ϕ(k Δt) f[i] where ϕ(k Δt) = 1 / (1 - k Δt)
k可以是複數,形成複數函數ϕ(z)。函數輸入是z = k Δt。
ϕ(z) = 1 / (1 - z)
數學家描述等高線,習慣使用符號ϕ。我也採用符號ϕ。
region of absolute stability
有些教科書喜歡畫一種圖,叫做region of absolute stability,簡稱stable region。此圖毫無實際用處,只是想讓讀者轉換心情。
舉例來說,下述微分方程式:
d
—— f(t) = k f(t) k is a coefficient
dt
套用backward Euler method,得到左圖。
套用forward Euler method,得到右圖。
穩定區域|a| ≤ 1即是|ϕ(k Δt)| ≤ 1畫在複數平面。座標軸是(k Δt)的實部虛部。
【圖片尚待修正】
k可能是複數,於是畫在複數平面、視作二維向量。Δt只能是實數,於是視作向量縮放倍率。穩定區域|a| ≤ 1與射線k的交點,觀察縮放倍率,得到適當的Δt。
數學家利用ϕ(z)定義穩定性。此例當中:
relative stability:穩定區域包含原點。
absolute stability:原點放射線可以碰到穩定區域、且不是碰到原點。
stiff stability:承上,當ϕ(z)趨近零,z趨近負無限大。
stability analysis with Fourier transform (von Neumann stability analysis)
專著《Computational Aerodynamics》。
舉例來說,下述微分方程式:
d d
—— f(t,x) + k —— f(t,x) = 0 k is a coefficient
dt dx
遞迴公式:
f[i+1][j] = f[i][j] - ½ C (f[i][j+1] - f[i][j-1])
where C = k Δt / Δx is Courant number
forward difference of t
central difference of x
傅立葉轉換:
𝓕(f[i+1]) = 𝓕(f[i]) - ½ C (𝓕(f[i]) exp(+𝑖wΔx) - 𝓕(f[i]) exp(-𝑖wΔx))
𝓕(f[i+1]) = (1 - ½ C (exp(+𝑖wΔx) + exp(-𝑖wΔx)) 𝓕(f[i])
無論如何不可能穩定。
g(w) = 1 - ½ C (exp(𝑖wΔx) - exp(-𝑖wΔx)) amplification factor
g(w) = 1 - C 𝑖 sin(wΔx) amplification factor
a numerical scheme is stable iff |g(w)| ≤ 1
this numerical scheme is unstable since |g(w)| > 1
修改遞迴公式,採用Lax–Friedrichs method,就有機會穩定。
f[i+1][j] = ½ (f[i][j+1] + f[i][j-1])
- ½ C (f[i][j+1] - f[i][j-1])
g(w) = ½ (exp(𝑖wΔx) + exp(-𝑖wΔx)) - ½ C (exp(𝑖wΔx) - exp(-𝑖wΔx))
g(w) = cos(wΔx) - C 𝑖 sin(wΔx)
let |C| ≤ 1 is CFL condition
thus |g(w)|² = cos²(wΔx) + C² sin²(wΔx)
≤ cos²(wΔx) + sin²(wΔx)
= 1
a numerical scheme is stable iff |g(w)| ≤ 1
this numerical scheme is stable under CFL condition |C| ≤ 1
Courant–Friedrichs–Lewy condition
物理學之連續方程式,一個線性方案,一旦滿足指數穩定性,也會連帶滿足某些特殊性質。此處要談的特殊性質是「CFL條件」。
for linear numerical scheme of continuity equation,
contractive stability => CFL condition
連續方程式請見後面章節。連續方程式的某些衍生版本(例如波動方程式、熱傳導方程式)符合這個結論,但是無法保證各種衍生版本都符合這個結論。這個結論不是推理而得,而是觀察而得。因此這個結論不被認為是數學定理。
CFL條件的數學式子:波動方程式是v Δt / Δx ≤ 1。熱傳導方程式是2 v ∆t / (∆x)² ≤ 1。其中v是速度。
證明請見講義:
【待補範例】
CFL條件的幾何意義:移動距離v Δt不得超過取樣距離Δx,否則空間離散化會抓錯樣本。
空間離散化必須抓到相鄰樣本。當移動距離太大,則空間離散化誤抓到從遠處跨越鄰居而來的樣本。
CFL 條件是必要條件:滿足收縮穩定性,導致滿足CFL條件。CFL條件不是充分條件:滿足CFL條件,可能穩定、可能不穩定。
for linear numerical scheme of continuity equation,
contractive stability ⇍ CFL condition
CFL條件的主要功用是快篩試劑。逆否命題:不滿足CFL條件,導致不滿足收縮穩定性。
https://scicomp.stackexchange.com/questions/2927/
https://scicomp.stackexchange.com/questions/25398
https://people.maths.ox.ac.uk/trefethen/pdetext.html
A-stability
專著《Numerical Methods for Ordinary Differential Equations》 。
先前只有考慮遞迴公式暨數值解的穩定性,現在還要考慮微分方程式暨符號解的穩定性。
微分方程式暨符號解的數學性質、遞迴公式暨數值解的數學性質,兩邊必須一致,包含穩定性。
B-stability:B穩定性。B是作者Butcher。
一旦微分方程式暨符號解滿足單調遞減性(等價於收縮穩定性),
那麼遞迴公式暨數值解必須滿足收縮穩定性。
A-stability:A穩定性。A是角度angle。
一旦微分方程式暨符號解滿足穩定性,
那麼遞迴公式暨數值解必須滿足絕對穩定性。
L-stability:L穩定性。L是左邊left。
一旦微分方程式暨符號解滿足穩定性,
那麼遞迴公式暨數值解必須滿足剛硬穩定性。
甚至深入觀察經典的數值方法的穩定性。
AN-stability:滿足B穩定性的情況下,
multistage method的數學性質。
G-stability:滿足A穩定性的情況下,
multistep method的數學性質。
algebraic stability:滿足A穩定性的情況下,
multistage method的數學性質。
https://encyclopediaofmath.org/wiki/Non-linear_stability_of_numerical_methods
https://www.jstor.org/stable/2156562
https://www.jstor.org/stable/2156895
http://cds.cern.ch/record/1069162
function of absolute stability
舉例來說,下述微分方程式:
d
—— f(t) = k f(t) k is a coefficient
dt
符號解:exp(k t)收斂至零或受限,(k t)是負數或零,才會滿足穩定性。
f(t) = f(0) exp(k t)
數值解:特定的數值方案,得到特定的ϕ(z)。
f[i+1] = ϕ(z) f[i] let z = k Δt
數學家利用ϕ(z)定義穩定性。此例當中:
absolute stability: |ϕ(z)| ≤ 1
A-stability:|ϕ(z)| ≤ 1 for all Re[z] ≤ 0
A-stability:{z : Re[z] ≤ 0} ⊆ {z : |ϕ(z)| ≤ 1}
L-stability:A-stability and ϕ(z)→0 as z→∞
針對A穩定性,t和Δt都是非負數,Re[k t] ≤ 0和Re[k] ≤ 0和Re[k Δt] ≤ 0意義相同。針對L穩定性,Δt → ∞和(k Δt) → ∞意義相同。為了讓數學式子變漂亮,數學家一律採用z = k Δt。
stability analysis with characteristic equation (Dahlquist stability analysis)
關鍵字linear difference equation。
遞迴公式:
f[i] = c₁ f[i-1] + ... + cₘ f[i-m]
特徵方程式:
λᵐ = c₁ λᵐ⁻¹ + ... + cₘ λᵐ⁻ᵐ
移項整理,左式是特徵多項式:
λᵐ - c₁ λᵐ⁻¹ - ... - cₘ λᵐ⁻ᵐ = 0
特徵多項式分解:
(x - λ₁)...(x - λₘ) = 0
遞迴公式改寫成一般公式:
f[i] = c₁ λ₁ⁱ + ... + cₘ λₘⁱ
想要檢查指數穩定性,只需將遞迴公式改寫成特徵方程式,然後檢查所有根絕對值皆小於等於1。
characteristic polynomial of absolute stability
針對multistep method。數學家將遞迴公式改寫成特徵方程式,叫做characteristic polynomial of absolute stability,簡稱stability polynomial。
舉例來說,下述微分方程式:
微分方程式 d/dt f(t) = k f(t)
符號解 x = f(0) exp(k t)
多步法遞迴公式 (a₀ f[i] + ... + aₘ f[i-m])
= k Δt (b₀ f[i] + ... + bₘ f[i-m])
where a₀ = 1
特徵方程式 a(λ) = k Δt b(λ)
特徵方程式 a(λ) - k Δt b(λ) = 0
特徵方程式 k Δt = a(λ) / b(λ)
特徵多項式 π(λ, z) = a(λ) - z b(λ) where z = k Δt
特徵多項式分解 π(λ, z) = (x - λ₁)...(x - λₖ)
特徵多項式的根 r(z) = {λ : π(λ, z) = 0} = {λ₁, ..., λₖ}
數值解穩定性 |r(z)| ≤ 1
符號解穩定性 Re[z] ≤ 0
數學家利用r(z)定義穩定性。此例當中:
absolute stability:|r(z)| ≤ 1
A-stability:|r(z)| ≤ 1 for all Re[z] ≤ 0
L-stability:A-stability and r(z) → 0 as z → ∞
absolute stability:特徵多項式的根全部小於等於一。
A-stability:特徵多項式的根完全位於複數平面左半部。
L-stability:承上,當z趨近負無限大,則特徵多項式的根趨近零。
https://users.soe.ucsc.edu/~hongwang/AM213B/Notes/Lecture06.pdf
https://www.youtube.com/watch?v=fdbZpKyhpU0
https://www.math.unipd.it/~alvise/AN_2017/LETTURE/DAHLQUIST_STAB.pdf
https://link.springer.com/article/10.1007/BF01934126
此穩定性分析衍生許多定理。有興趣的讀者請自行研究。
Dahlquist's stability theorem
Dahlquist's order barrier theorem
Dahlquist's equivalence theorem
專論《Dahlquist's classical papers on stability theory》。
stability analysis
穩定性分析。使用數學工具推導穩定性。業已介紹,茲此總結。
穩定性有三種層次。總之都是收縮。
relative stability:考慮遞迴公式暨數值解的穩定性,當Δt與Δx趨近零。
absolute stability:考慮遞迴公式暨數值解的穩定性,針對特定大小的Δt與Δx。
A-stability:同時考慮微分方程式暨符號解的穩定性。
https://sites.math.rutgers.edu/~falk/math573/lecture21.pdf
http://minitorn.tlu.ee/~jaagup/uk/dynsys/ds2/num/Absolute/Absolute.html
https://www.google.com.tw/books?id=wbCjEAAAQBAJ&pg=PA404
穩定性分析有三種手法。總之都是頻譜。
(1) stability analysis with matrix
線性遞迴公式,改寫成矩陣,特徵值絕對值皆小於等於1。
(2) stability analysis with Fourier transform
(von Neumann stability analysis)
遞迴公式,改寫成弦波,振幅絕對值皆小於等於1。
(3) stability analysis with characteristic equation
(Dahlquist stability analysis)
遞迴公式,改寫成特徵方程式,根絕對值皆小於等於1。
特徵值/振幅/根的數學性質。總之都是單位圓裡面。
weak stability:弱穩定性。特徵值/振幅/根絕對值等於1至少兩個(重根)。
zero-stability:零穩定性。特徵值/振幅/根絕對值等於1至多一個。
strong stability:強穩定性。特徵值/振幅/根絕對值等於1恰好一個(簡單根)。
https://sites.math.rutgers.edu/~falk/math573/lecture21.pdf
fundamental theorem of numerical analysis特殊版本
數值分析基本定理的特殊版本,針對相對穩定性:
(1) Lax–Richtmyer equivalence theorem
IVP初始值問題、線性微分方程式、平滑解
線性方案、L₂遞減穩定性、L₂收斂性
(2) Dahlquist's equivalence theorem
IVP初始值問題、非線性微分方程式、平滑解
multistep method、零穩定性、L₂收斂性
(3) Lax–Wendroff consistency theorem & [DiPerna 1983]
IVP初始值問題、物理學之連續方程式/數學之守恆律、弱解
守恆型、L∞ 暨total variation受限穩定性、L₁收斂性
數值分析基本定理的特殊版本,針對絕對穩定性:
(1) Courant–Friedrichs–Lewy condition:
IVP初始值問題、物理學之連續方程式/數學之守恆律、平滑解
某些線性方案、CFL condition
(2) strong-stability preserving property:
IVP初始值問題、物理學之連續方程式/數學之守恆律、平滑解
Euler method家族、CFL condition
數值分析基本定理的符號版本。兩邊必須一致,包含收斂性。
(1) Cauchy—Lipschitz theorem
常微分方程ODE、初始值問題IVP,若是收縮函數,則存在唯一解。
(2) Cauchy—Kovalevskaya theorem
偏微分方程PDE、初始值問題IVP,若是收縮函數,則存在唯一解。
Lax–Richtmyer equivalence theorem參考資料:
Hyperbolic partial differential equations
Peter D. Lax
線性遞迴公式,數值解,冪級數不超過一
Difference methods for initial-value problems
Robert D. Richtmyer, K. W. Morton.
線性遞迴公式,數值解,頻譜強度不超過一
應該就是Von Neumann Stability Analysis
Numerical Solution of Partial Differential Equations: An Introduction
K. W. Morton, D. F. Mayers
線性遞迴公式,數值解距離,冪級數收斂
An Introduction to Numerical Analysis
Endre Süli, David F. Mayers
一般遞迴公式,數值解距離,冪級數收斂
Numerical solution of partial differential equations: finite difference methods
Gordon D. Smith
線性遞迴公式,數值解,最大的奇異值不超過一
Lax–Wendroff consistency theorem參考資料:
描述 [Shu 1987] https://www.ams.org/journals/mcom/1987-49-179/S0025-5718-1987-0890256-5/S0025-5718-1987-0890256-5.pdf
證明 [LeVeque 1992] theorem 15.2
補充 https://math.stackexchange.com/questions/1529156/
numerical scheme
數值方案。面對各式各樣的微分方程式,想方設法調整遞迴公式,滿足一致性、滿足穩定性,導致收斂性。
具體來說有四個項目。目前沒有專有名詞。
(1) type of solution
(2) property of solution
(3) design of numerical method
(4) choice of numerical solver
一、觀察微分方程式/符號解的類型。
二、調整遞迴公式/數值解的數學性質。
三、設計遞迴公式。
四、解遞迴公式。
type of solution
微分方程式分為兩類。
(1) linear differential equation:一次。函數微分視作變數,形成一次函數。
(2) nonlinear differential equation:非一次。函數微分視作變數,形成非一次函數。
微分方程式的常見數學性質。
(a) quasilinear equation:擬一次。形如一次函數,惟係數不是常數函數。
(b) homogeneous equation:齊次。沒有常數項。導致符號解可以是零函數。
符號解分為四類。
(1) smooth solution:平滑解。無窮次可微函數。
(2) differentiable solution:可微解。可微函數。
(3) weak solution:弱解。也可以是不可微函數。
(4) multivalued solution:多值解。也可以不是函數。
線性微分方程式,初始條件是可微函數,符號解亦是可微函數。初始條件是不可微函數,符號解亦是不可微函數。
非線性微分方程式,初始條件是可微函數,符號解可能是可微函數、不可微函數、不是函數。
數值解沒有微分的概念。
https://math.stackexchange.com/questions/3649691/
smooth solution
「平滑解」。微分方程式的符號解,設定為平滑函數。
數學家從微積分基本定理出發,利用指數函數、三角函數,求得微分方程式的符號解。利用平滑函數,自然而然得到平滑解。
數學家從數值分析基本定理出發,利用微分運算的泰勒近似,求得微分方程式的數值解。數值解是近似解。全域誤差是近似誤差。想讓全域誤差趨近零,一種方式是採用平滑解。
differentiable solution
「可微解」。微分方程式的符號解,必須是可微函數。
詳細來說,內含N次微分的微分方程式的符號解,必須是N次可微函數。顯而易見的廢話。
理論上來說,可微解可以是平滑函數(處處無窮次可微),也可以是分段函數(銜接處N次可微)。然而目前無人討論分段函數。
weak solution
「弱解」。微分方程式的符號解,推廣為不可微函數。
原式乘上平滑函數、積分,得到新式。提升平滑程度。
針對各種平滑函數,新式一律出現的解,定義為原式的弱解。
balabala huluhulu
現實世界經常出現弱解。架空世界流行可微函數,現實世界流行不可微函數。藉由架空世界的可微的微分方程式,強行模擬現實世界的不可微的符號解。
知名範例是初始條件不是可微函數,導致解不是可微函數。
multivalued solution(set-valued solution)
「多值解」。非線性微分方程式的符號解,可能變得不是函數。
微分方程式的解,本來是函數;從某個時刻開始,變得不是函數,形成曲面,一個位置擁有多個函數值。
smooth approximation
不連續函數強行變成連續函數(弱解強行變成平滑解)。
數值解是不連續函數,導致Runge phenomenon。事先平滑化,成為可微函數。
初始值、邊界值是不連續函數。脈衝初始條件、對稱邊界條件。
conservative formulation
非函數強行變成函數(多值解強行變成單值解)。
垂直方向切上一刀,左右凹凸面積相等。
知名範例是交通車流問題。車輛不會互相穿越,整個過程都是函數。
實際範例是衝擊波shock wave。衝擊波不會互相交疊,整個過程都是函數。
property of solution
遞迴公式分為兩類。
(1) linear numerical scheme
遞迴公式是線性遞迴函數
(線性微分方程式+線性差分)
(2) nonlinear numerical scheme
遞迴公式是非線性遞迴函數
遞迴公式暨數值解的常見數學性質。
(1) diminishing
遞減。數值解範數每回合變小或不變。
(2) local extremum diminishing
局部極值遞減。
遞迴公式的變數是自己和所有鄰居、係數是凸組合。
數值解極值數量不增加、極值大小不變廣。
(3) monotonicity preserving
保單調。數值解每回合維持單調。
(4) conservative
守恆。數值解每回合某種物理量總和維持定值。
微分方程式暨符號解的數學性質,遞迴公式暨數值解的數學性質,兩邊必須一致。簡單起見,此處只談後者。
diminishing(non-increasing)
「遞減」。數值解範數每回合變小或不變。
L∞ -diminishing max |f̂⁽ⁿ⁺¹⁾| ≤ max |f̂⁽ⁿ⁾|
L₁-diminishing ‖f̂⁽ⁿ⁺¹⁾‖₁ ≤ ‖f̂⁽ⁿ⁾‖₁
Lₚ-diminishing ‖f̂⁽ⁿ⁺¹⁾‖ₚ ≤ ‖f̂⁽ⁿ⁾‖ₚ
知名範例是微分不動點。【尚待檢查accuracy】
彈簧振動、琴弦振動、鼓膜振動的符號解,可以寫成複數的實部。儘管實部乍看反覆變大變小,但是複數其實保持變小或不變,滿足指數穩定性。【尚待確認】
d
—— f(t) = k f(t) k is a coefficient
dt
某些特殊情況下,收縮即是遞減。當微分方程式/遞迴公式沒有常數項,則符號解/數值解可以是零。此時收縮即是遞減(零作為減數)。
homogeneous & contractive => diminishing
diminishing的衍生性質。針對線性遞迴公式。
linear & contractive => diminishing => exponential decay
收縮即是遞減即是指數衰減。
local extremum diminishing(range diminishing)
專著《Computational Aerodynamics》
「局部極值遞減」。數值解同時滿足下述三點。
(1) nonincreasing local maximum 數值解局部極大值減少或不變
(2) nondecreasing local minimum 數值解局部極小值增加或不變
(3) no new extremum 數值解局部極值數量減少或不變
遞迴公式,變數是自己和所有鄰居,係數是凸組合。
一維空間是三點。二維空間是十字五點。
1D
{ fᵢ⁽ⁿ⁺¹⁾ = cᵢ₋₁ fᵢ₋₁⁽ⁿ⁾ + cᵢ fᵢ⁽ⁿ⁾ + cᵢ₊₁ fᵢ₊₁⁽ⁿ⁾
{ cᵢ₋₁ + cᵢ + cᵢ₊₁ = 1
{ cᵢ₋₁ , cᵢ , cᵢ₊₁ ≥ 0
2D
{ fᵢ,ⱼ⁽ⁿ⁺¹⁾ = cᵢ,ⱼ fᵢ,ⱼ⁽ⁿ⁾
{ + cᵢ₋₁,ⱼ fᵢ₋₁,ⱼ⁽ⁿ⁾ + cᵢ₊₁,ⱼ fᵢ₊₁,ⱼ⁽ⁿ⁾
{ + cᵢ,ⱼ₋₁ fᵢ,ⱼ₋₁⁽ⁿ⁾ + cᵢ,ⱼ₊₁ fᵢ,ⱼ₊₁⁽ⁿ⁾
{ cᵢ,ⱼ + cᵢ₋₁,ⱼ + cᵢ₊₁,ⱼ + cᵢ,ⱼ₋₁ + cᵢ,ⱼ₊₁ = 1
{ cᵢ,ⱼ , cᵢ₋₁,ⱼ , cᵢ₊₁,ⱼ , cᵢ,ⱼ₋₁ , cᵢ,ⱼ₊₁ ≥ 0
知名範例是Laplacian運算。【尚待檢查accuracy】
1D heat equation
∂ ∂²
—— f(t,x) = ——— f(t,x)
∂t ∂x²
forward Euler method
fᵢ⁽ⁿ⁺¹⁾ - fᵢ⁽ⁿ⁾ (fᵢ₋₁⁽ⁿ⁾ - fᵢ⁽ⁿ⁾) + (fᵢ₊₁⁽ⁿ⁾ - fᵢ⁽ⁿ⁾)
——————————————— = —————————————————————————————————————
Δt 2 Δx
forward Euler method
fᵢ⁽ⁿ⁺¹⁾ = (1 - C) fᵢ⁽ⁿ⁾ + ½ C fᵢ₋₁⁽ⁿ⁾ + ½ C fᵢ₊₁⁽ⁿ⁾
where C = Δt/Δx
LED的衍生性質。針對線性遞迴公式、擬線性遞迴公式。
local extremum diminishing (LED)
遞迴公式的變數是自己和所有鄰居、係數是凸組合
一、數值解局部極大值每回合減少或不變
二、數值解局部極小值每回合增加或不變
三、數值解局部極值數量每回合變少或不變
{ fᵢ⁽ⁿ⁺¹⁾ = sumⱼ cᵢⱼ fⱼ⁽ⁿ⁾
{ sumⱼ cᵢⱼ = 1
{ cᵢⱼ ≥ 0
{ cᵢⱼ = 0 , if j ∉ neighbor(i)
=> convex combination
遞迴公式的係數是凸組合
{ fᵢ⁽ⁿ⁺¹⁾ = sumⱼ cᵢⱼ fⱼ⁽ⁿ⁾
{ sumⱼ cᵢⱼ = 1
{ cᵢⱼ ≥ 0
=> positive combination (positivity)
遞迴公式的係數皆是正值
{ fᵢ⁽ⁿ⁺¹⁾ = sumⱼ cᵢⱼ fⱼ⁽ⁿ⁾
{ cᵢⱼ ≥ 0
=> order preserving (monotone)
遞迴公式是單調遞增函數(任一變數皆如此)
兩個數值解每回合維持高低關係
{ fᵢ⁽ⁿ⁺¹⁾ = Fᵢ(fⱼ₀⁽ⁿ⁾, fⱼ₁⁽ⁿ⁾, ..., fⱼₖ⁽ⁿ⁾)
{ fⱼₗ⁽ⁿ⁾ ≤ gⱼₗ⁽ⁿ⁾ => fᵢ⁽ⁿ⁺¹⁾ ≤ gᵢ⁽ⁿ⁺¹⁾ for all 0 ≤ l ≤ k
f̂⁽ⁿ⁾ ≤ ĝ⁽ⁿ⁾ => f̂⁽ⁿ⁺¹⁾ ≤ ĝ⁽ⁿ⁺¹⁾
[Harten 1983] [Osher 1985] [Jameson 1995]
LED能夠抑制振盪、漸趨平緩。此性質稱作maximum principle,源自convex combination。
振盪程度可以具體表示成數值大小L∞ -norm與total variation。此性質稱作L∞ -diminishing與total variation diminishing。
local extremum diminishing (LED)
=> convex combination
=> maximum principle
數值解下回合數值介於遞迴公式的變數極值之間
min {fⱼ⁽ⁿ⁾ | cᵢⱼ > 0} ≤ fᵢ⁽ⁿ⁺¹⁾ ≤ max {fⱼ⁽ⁿ⁾ | cᵢⱼ > 0}
=> L∞ -diminishing
數值解每回合振幅減少或不變
‖f̂⁽ⁿ⁾‖∞ ≤ ‖f̂⁽ⁿ⁺¹⁾‖∞
where ‖f‖∞ = maxᵢ |fᵢ|
local extremum diminishing (LED)
=> convex combination & neighborhood
=> maximum principle & neighborhood
數值解下回合數值介於本回合自己與鄰居的極值之間
(當邊界條件是指定數值,數值解最終回合介於邊界極值之間。)
min {fⱼ⁽ⁿ⁾ | j ∈ neighbor(i)} ≤ fᵢ⁽ⁿ⁺¹⁾ ≤ max {fⱼ⁽ⁿ⁾ | j ∈ neighbor(i)}
=> total variation diminishing (TVD)
數值解每回合總差值減少或不變
‖f̂⁽ⁿ⁾‖ᴛᴠ ≤ ‖f̂⁽ⁿ⁺¹⁾‖ᴛᴠ
where ‖f‖ᴛᴠ = sumᵢ |fᵢ₊₁ - fᵢ|
monotonicity preserving
「保單調」。數值解每回合維持單調。不會新增局部極值。
遞迴公式,自己和左右鄰居的中位數。然而數值解整體保持不變,僅極值被削平。
fᵢ⁽ⁿ⁺¹⁾ = median(fᵢ₋₁⁽ⁿ⁾, fᵢ⁽ⁿ⁾, fᵢ₊₁⁽ⁿ⁾)
我有找到一種做法是中位數。但是我沒有學會。
median(x,y,0) = minmod(x,y) = ½ (sgn(x) + sgn(y)) min(x,y)
median(x,y,z) = x + minmod(y-x, z-x)
vUL = vj + alpha * (vj - vj-1) vUL is upper bound of vj+1
where alpha ≥ 2 is slope 實務上≥4以避振
vUL - vj-1 ≤ (1 + alpha)(vj - vj-1)
vj+1/2 belongs [vj,vj+1]
w = vj - lambda * (Vj+l/2 - vj-l/2) Euler method
lambda ≤ 1/(1+alpha) 如此才能讓 w belongs [vj-1,vj]
v_mp = vj + minmod(vj+1 - vj, alpha*(vj - vj-1))
vj+1/2 = median(vj+1/2, vj, v_mp) monotoncity preserving scheme
[Suresh–Huynh 1997]
早期的數學家,將保單調遞迴公式硬是用於非單調數值解。數值解拆解成單調段落與局部極值段落,單調段落可以保持單調,局部極值段落則可能發生任何事情,例如振盪。調整係數以便緩解振盪。
保單調的衍生性質。針對線性遞迴公式。【尚待確認】
for linear numerical scheme,
monotonicity preserving => order preserving (monotone)
for linear numerical scheme with 3 nearest points,
monotonicity preserving => local extremum diminishing (LED)
One-dimensional Quasilinear Hyperbolic Systems of Conservation Laws and Their Applications
https://books.google.com.tw/books?id=AAqMDwAAQBAJ&pg=PA257
額外介紹一個我認為大家都搞錯的定理。
注意到,前者沒有設置邊界條件(數值解左右延伸至無限遠),後者卻設置邊界條件(數值解兩端固定),無法一路衍生。
L₁-contraction
=> total variation diminishing
=> monotonicity preserving ✘
[Harten 1983]
我認為正確的定理是這樣:
Dirichlet boundary condition & total variation diminishing (TVD)
數值解兩端固定&數值解總差值縮小或不變(事實上只能保持不變)
{ f̂ᵢ⁽ⁿ⁾ = f̂ᵢ⁽ⁿ⁺¹⁾ for all i at boundary
{ ‖f̂⁽ⁿ⁾‖ᴛᴠ ≤ ‖f̂⁽ⁿ⁺¹⁾‖ᴛᴠ
=> monotonicity preserving
數值解每回合維持單調
(f̂⁽ⁿ⁾ is monotone => f̂⁽ⁿ⁺¹⁾ is monotone)
f is monotone:
min(fᵢ₋₁, fᵢ₊₁) ≤ fᵢ ≤ max(fᵢ₋₁, fᵢ₊₁) for all i
[Harten 1983]
conservative
「守恆」。數值解每回合某種物理量總和維持定值。
物理學已經建立許多守恆定律,例如質量守恆、動量守恆、能量守恆。各種微分方程式,擁有各種守恆數學式子。
最簡單的情況:數值解每一項總和是定值。
sumᵢ f̂ᵢ⁽ⁿ⁾ = sumᵢ f̂ᵢ⁽ⁿ⁺¹⁾
design of numerical method
遞迴公式的設計方式。
(1) finite difference method:有限差分法。求平滑解。使用原本的微分方程式。
(2) finite volume method:有限體積法。求弱解。改成通量(體積流速)。對空間積分、對時間平均。
(3) level set method:等高線法。求多值解。改成勢。
finite difference method
「有限差分法」。大家分開討論時間與空間。
temporal discretization:對時間變數偏微分(左式)的離散化
spatial discretization:對空間變數偏微分(右式)的離散化
temporal discretization:左式離散化。
(1) 取左方斜率、取右方斜率。
(2) multistep method:取多處斜率。
(3) multistage method:求多次斜率。
(4) multiderivative method:取多階微分。
多步法遞迴公式
f[i] = (a₁ f[i-1] + ... + aₘ f[i-m]) + k Δt (b₀ f[i] + ... + bₘ f[i-m])
Adams method: Maclaurin series
https://mathworld.wolfram.com/AdamsMethod.html
Richardson extrapolation
https://en.wikipedia.org/wiki/Richardson_extrapolation
圖表稱作Butcher tableau。數學家已經發明許多種計算公式,各有利弊。
spatial discretization:右式離散化。
(1) 決定數值。
(1a) implicit method:取新值。
(1b) explicit method:取舊值。
(1c) implicit–explicit method:有些取新值、有些取舊值。
(1d) Crank–Nicolson method:新值加舊值然後除以二。雞肋。
(2) operator splitting:分割步驟。
(3) semi-implicit method (symplectic method):更動步驟。
implicit。取新值。需要移項整理,甚至需要一次方程組求解。
d/dt f(t) = f(t) + 1 ---> (f[i] - f[i-1]) / Δt = f[i] + 1
^^^^
explicit。取舊值。
d/dt f(t) = f(t) + 1 ---> (f[i] - f[i-1]) / Δt = f[i-1] + 1
^^^^^^
operator splitting。項次太多,逐步更新。
d/dt f(t) = f(t) + g(t) ---> 1. (f[i] - f[i-1]) / Δt = f[i]
2. (f[i] - f[i-1]) / Δt = g[i]
semi-implicit。式子太多,設定順序。
d/dt f(t) = f(t) + g(t) ---> 1. (f[i] - f[i-1]) / Δt = g[i]
2. (f[i] - f[i-1]) / Δt = f[i]
圖表稱作stencil。數學家已經發明許多種計算公式,各有利弊。為了應付非線性微分方程式,花招百出。
【尚待確認】
多步、多階段、多導數,主要有兩個功用。
一、暗中縮短Δt與Δx。一階差分重複n回合,其實就是n階差分、n倍Δt與Δx。反過來說,n階差分讓Δt與Δx變成1/n倍、一口氣做n次差分。
二、微調答案。取大量斜率的加權平均,讓數值解更符合符號解。直接來說,就是修改係數、通靈答案。缺乏科學根據。
取左方斜率,無論是一處或多處,無論是遞增或遞推,無論是顯式或隱式,只要強行展開數學式子,多階段就會變成單階段,缺乏討論意義。取右方斜率,才有討論意義。
重新歸納為左右兩種。宛如差分。
Euler method:取當地斜率。參考先前當前函數點。
multistep method:取左方斜率。參考先前幾個函數點。優點是快。
multistage method:取右方斜率。預測之後幾個函數點。優點是準。
Shu–Osher strong-stability preserving theorem
專著《Strong Stability Preserving Runge–Kutta and Multistep Time Discretizations》。
時間離散化可以推廣為多步多階段。
「保強穩定性定理」。如果一個數值方案,時間離散化採用forward Euler method,一旦滿足CFL condition,並且導致收縮穩定性,那麼該數值方案,時間離散化推廣為多步多階段顯式隱式,其係數是凸組合,一旦滿足CFL condition乘上適當倍率,也會導致收縮穩定性。
實務上會仔細調整時間離散化的係數,使得適當倍率是1,如同普通的CFL condition。
實務上將時間離散化推廣為Runge–Kutta method,形成strong-stability preserving Runge–Kutta method (SSPRK)。
「保強穩定性定理」原理簡單。foward Euler method只取一處斜率。多步多階段則是取多處斜率的加權平均數。視作多個foward Euler method各自加權,而多個CFL condition也跟著加權。多個CFL condition不等式聯立,簡化成最緊的那一個不等式。
此處僅證明一步多階段顯式線性遞迴公式,可以推廣到多步多階段隱式一般遞迴公式。
differential equation
d/dt f(t,x) = F(f(t,x))
forward euler method
fⁿ⁺¹ = fⁿ + Δt F(fⁿ) skip subscript
contractive stability of linear scheme
‖fⁿ⁺¹‖ = ‖fⁿ + Δt F(fⁿ)‖ ≤ ‖fⁿ‖ for simplicity
explicit multistage method
⎧ f⁽⁰⁾ = fⁿ skip subscript
⎨ f⁽ⁱ⁾ = sum { aᵢⱼ f⁽ʲ⁾ + Δt bᵢⱼ F(f⁽ʲ⁾) } 1 step
⎪ j=1⋯i-1 already expanded
⎩ fⁿ⁺¹ = f⁽ᵐ⁾ m stages
convex combination property of each stages
⎧ aᵢⱼ ≥ 0 for all i and j
⎨ bᵢⱼ ≥ 0 for all i and j
⎪ sum aᵢⱼ = 1 for all i
⎩ ʲ
strong-stability preserving property:
if forward euler method reaches contractive stability
under CFL condition Δt ≤ ΔtCFL ,
then explicit multistage method reaches contractive stability
under CFL condition Δt ≤ min (aᵢⱼ/bᵢⱼ) ΔtCFL
ⁱʲ
when a and b are non-negative
and a satisfies convex combination property.
proof:
‖f⁽ⁱ⁾‖
= ‖sum { aᵢⱼ f⁽ʲ⁾ + Δt bᵢⱼ F(f⁽ʲ⁾) }‖ ith stage
≤ ‖aᵢⱼ‖ ‖sum { f⁽ʲ⁾ + Δt (bᵢⱼ/aᵢⱼ) F(f⁽ʲ⁾) }‖ 三角不等式
= aᵢⱼ ‖sum { f⁽ʲ⁾ + Δt (bᵢⱼ/aᵢⱼ) F(f⁽ʲ⁾) }‖ aᵢⱼ ≥ 0
≤ aᵢⱼ sum ‖ f⁽ʲ⁾ + Δt (bᵢⱼ/aᵢⱼ) F(f⁽ʲ⁾) ‖ 正負抵銷
≤ aᵢⱼ sum ‖f⁽ʲ⁾‖ 原因如後
≤ max ‖f⁽ʲ⁾‖ 凸組合
⎧ ‖f⁽¹⁾‖ ≤ max(‖f⁽⁰⁾‖) = ‖f⁽⁰⁾‖
⎨ ‖f⁽²⁾‖ ≤ max(‖f⁽⁰⁾‖, ‖f⁽¹⁾‖) ≤ ‖f⁽⁰⁾‖
⎪ : :
⎩ ‖f⁽ᵐ⁾‖ ≤ max(‖f⁽⁰⁾‖, ‖f⁽¹⁾‖, ..., ‖f⁽ᵐ⁻¹⁾‖) ≤ ‖f⁽⁰⁾‖
‖fⁿ⁺¹‖ = ‖f⁽ᵐ⁾‖ ≤ ‖f⁽⁰⁾‖ = ‖fⁿ‖
for each j,
forward Euler method reaches contractive stability
‖f⁽ʲ⁾ + Δt (bᵢⱼ/aᵢⱼ) F(f⁽ʲ⁾)‖ ≤ ‖f⁽ʲ⁾‖
under CFL condition Δt (bᵢⱼ/aᵢⱼ) ≤ ΔtCFL
「保強穩定性定理」名稱很雲。此概念既非強穩定性、亦非保X變換。此概念是將時間離散化從一階泰勒展開推廣成多步多階段顯式隱式,並且考慮CFL condition。
「保強穩定性定理」內容很雲。CFL condition只是必要條件,此定理卻以充分條件作為前提。前提是一件未必成立的事情。
因此,實務上需要確認前提是否成立。穩定性分析,確認收縮穩定性等價於CFL condition。一旦前提成立,SSPRK所向無敵。
Godunov's order barrier theorem
空間離散化的截斷誤差受到侷限。
「階數屏障定理」。具備特殊性質的遞迴公式暨數值解,局部誤差的Δx的次方值有上限。誤差不可能更小了、精度不可能更高了。
階數屏障定理有各種版本,這裡記載其中三種。Godunov首開先例。
for linear numerical scheme
of one-dimensional scalar differential function,
(1) LED scheme is at most second-order accurate.
(since stencil has 3 nearest points)
[?]
(2) monotoncity preserving scheme is at most first-order accurate.
(since stencil has 2 nearest points)
[Godunov 1954]
(3) multistep method is at most second order accurate.
[Dahlquist 1978]
https://hal.science/hal-01620642
https://en.wikipedia.org/wiki/Godunov's_theorem
https://www.jstor.org/stable/2008046
Dahlquist's stability theorem
時間離散化的穩定性受到侷限。
「穩定性定理」。特殊的遞迴公式暨數值解,可能不穩定。
Dahlquist的書沒有給出證明。嗚嗚。
(1) implicit multistep method is A-stable
under balabala....
(2) explicit multistep method is not A-stable.
一、隱式左側遞迴公式,指數穩定性變成:特徵方程式分式是負數或零(實部為負或零)
二、顯式左側遞迴公式,無論如何不可能穩定。
https://www.math.unipd.it/~alvise/AN_2017/LETTURE/DAHLQUIST_STAB.pdf
one-dimensional scalar hyperbolic conservation law
專著《Computational Gasdynamics》。
各種連續方程式擁有各種守恆解。數學家正在探索當中。此處只談最簡單的情況:物理學之連續方程式/數學之雙曲線偏微分方程式。一維、純量。
shock fitting method:衝擊波斜切,凹凸面積相等,變成函數。
shock capturing method:衝擊波縱切,凹凸面積相等,滿足jump condition。
one-dimensional scalar hyperbolic conservation law: finite difference method
有限差分法。
此處只談最簡單的情況:物理學之連續方程式/數學之雙曲線偏微分方程式。一維(單變數)、純量(單變量)。
Lax–Friedrichs method: 1st order
uᵢ⁽ⁿ⁺¹⁾ = uᵢ⁽ⁿ⁾ - C (f(uᵢ₊₁)⁽ⁿ⁾ - f(uᵢ₋₁)⁽ⁿ⁾) / 2
uᵢ⁽ⁿ⁺¹⁾ = (uᵢ₊₁⁽ⁿ⁾ - uᵢ₋₁⁽ⁿ⁾) / 2
- C (f(uᵢ₊₁)⁽ⁿ⁾ - f(uᵢ₋₁)⁽ⁿ⁾) / 2
Lax–Wendroff method: 2nd order
uᵢ⁽ⁿ⁺¹⁾ = uᵢ⁽ⁿ⁾
- C (f(uᵢ₊₁)⁽ⁿ⁾ - f(uᵢ₋₁)⁽ⁿ⁾) / 2
+ C² f′(uᵢ₊₁⸝₂ ; f(uᵢ₊₁⁽ⁿ⁾) - f(uᵢ⁽ⁿ⁾)) / 2
- C² f′(uᵢ₋₁⸝₂ ; f(uᵢ⁽ⁿ⁾) - f(uᵢ₋₁⁽ⁿ⁾)) / 2
flux averaging 凸加權平均 一階二階
flux limited fⁿ = f⁽¹⁾ + w (f⁽²⁾ - f⁽¹⁾)
flux corrected fⁿ = f⁽¹⁾ + diff(f⁽²⁾, f⁽¹⁾)
flux splitting: increasing + decreasing
flux splitting uⁿ = u⁽¹⁾ + C (f⁺ - f⁻)
speed splitting
upwind method: conditional function,確保形成凸組合。
uᵢ⁽ⁿ⁺¹⁾ = { uᵢ⁽ⁿ⁾ - C a (uᵢ⁽ⁿ⁾ - uᵢ₋₁⁽ⁿ⁾) , if a > 0
{ uᵢ⁽ⁿ⁾ - C a (uᵢ₊₁⁽ⁿ⁾ - uᵢ⁽ⁿ⁾) , if a < 0
upwind method
uᵢ⁽ⁿ⁺¹⁾ = uᵢ⁽ⁿ⁾ - C a⁺ (uᵢ⁽ⁿ⁾ - uᵢ₋₁⁽ⁿ⁾)
- C a⁻ (uᵢ₊₁⁽ⁿ⁾ - uᵢ⁽ⁿ⁾)
where a⁺ = max(a,0)
a⁻ = min(a,0)
|a| = a⁺ - a⁻
one-dimensional scalar hyperbolic conservation law: finite volume method
conservation law:此處只談最簡單的情況:物理學之連續方程式/數學之雙曲線偏微分方程式。一維、純量。
d/dt u = d/dx f(u)
「有限體積法」。
時間變化對空間積分=空間變化對時間積分。
weak solution of conservation law:「守恆律的弱解」。方便起見,以下簡稱為「守恆解」。針對連續方程式,滿足物理量守恆的解。
守恆解是不連續函數。守恆解可以視作弱解。數學家一律使用弱解來解釋守恆解。數學家不採用守恆解這個名詞。
conservation form:守恆型。前綴和的相鄰差,必須等於原本數值。flux滿足一致性。
前綴和可以調整大小。衍生各式各樣的flux limiter。
順帶一提,例如最短路徑演算法Johnson's algorithm的調整路徑手法,把邊權重調整為無負環。也許這種手法也可以把流場調整為無旋場。然而我們對調整函數知之甚少。等你發表論文。
uᵢ⁽ⁿ⁺¹⁾ = uᵢ⁽ⁿ⁾ - C (f(uᵢ₊₁⸝₂)⁽ⁿ⁾ - f(uᵢ₋₁⸝₂)⁽ⁿ⁾)
where C = Δt / Δx
uᵢ⁽ⁿ⁺¹⁾ = uᵢ⁽ⁿ⁾ - C (fᵢ₊₁⸝₂⁽ⁿ⁾ - fᵢ₋₁⸝₂⁽ⁿ⁾)
discretization method
(1) vertex-centered finite volume scheme
(2) cell-centered finite volume scheme
numerical method:前面小節的數值方案,通通可以改寫成守恆型,而且通通收斂至守恆解。然而,通通是單調函數,通通是一階精準。因此數學家又發明了高精度的數值方案,。
semi-Lagrangian method
(1) reconstruction:一個格子,重新設定水面形狀。分段內插(加權平均)。
(2) advection:根據各格速度,挪動各格水面。不可超過一格,即是CFL condition。
(3) remapping:重新統計每個格子獲得多少水(加權平均)。
Godunov method: upwind method推廣成守恆型與連續函數
(1) reconstruction: Godunov flux
(2) advection + remapping = recurrence
uᵢ⁽ⁿ⁺¹⁾ = uᵢ⁽ⁿ⁾ - C (fᵢ₊₁⸝₂⁽ⁿ⁾ - fᵢ₋₁⸝₂⁽ⁿ⁾)
fᵢ₊₁⸝₂⁽ⁿ⁾ = Godunov_flux(uᵢ⁽ⁿ⁾, uᵢ₊₁⁽ⁿ⁾)
= { min { f(u*) | uᵢ⁽ⁿ⁾ ≤ u* ≤ uᵢ₊₁⁽ⁿ⁾ }, if uᵢ⁽ⁿ⁾ < uᵢ₊₁⁽ⁿ⁾
{ max { f(u*) | uᵢ₊₁⁽ⁿ⁾ ≤ u* ≤ uᵢ⁽ⁿ⁾ }, if uᵢ⁽ⁿ⁾ > uᵢ₊₁⁽ⁿ⁾
for linear advection equation,
Godunov method = upwind method
monotonic upstream-centered scheme for conservation laws (MUSCL)
(1) reconstruction
(1-1) flux limiter curve between f(uᵢ₋₁⸝₂) and f(uᵢ₊₁⸝₂)
(1-2) Riemann solver fᵢ₊₁⸝₂⁽ⁿ⁾
(2) advection + remapping = recurrence
(2-2) temporal discretization
essentially non-oscillatory (ENO)
‖f̂⁽ⁿ⁾‖ᴛᴠ ≤ ‖f̂⁽⁰⁾‖ᴛᴠ + O((Δx)𐞥)
數值解總差值減少量受限
[Harten–Engquist–Osher–Chakravarthy 1987]
https://www.researchgate.net/publication/223605523
TVD-MUSCL flux splitting,得以套用TVD。
WENO 內插改成特殊權重的ENO。
flux reconstruction:一個格子,重新設定水面形狀。計算公式稱作通量限制器flux limiter,數量眾多,各有利弊。
constant flux limiter:水平面(常數函數)
van Leer flux limiter:斜平面(一次函數)
加權平均,數值是左鄰差、右鄰差,
權重是左鄰差絕對值、右鄰差絕對值。
https://amrvac.org/md_doc_limiter.html
https://en.wikipedia.org/wiki/Flux_limiter
local Riemann problem:局部黎曼問題。兩個相鄰格子,給定兩個高度、兩個速度,求出分界處通量。計算公式稱作黎曼求解器Riemann solver,數量眾多,各有利弊。
Roe:
HLLE:
HLLC:
https://princetonuniversity.github.io/Athena-Cversion/AthenaDocsUGRiemann.html
http://www.prague-sum.com/download/2012/Toro_2-HLLC-RiemannSolver.pdf
one-dimensional scalar hyperbolic conservation law: shock wave
專著《Computational Gasdynamics》。
1D linear advection equation
df df
-- + a -- = 0
dt dx
initial condition f(x,0) = f₀(x)
solution f(x,t) = f₀(x - at)
waveform f(x,t) at certain t
wave speed a
rightward a > 0
leftward a < 0
static a = 0
wavefront x - at = constant
characterics dx/dt = a
expansion a f(x,t) ≤ a f(y,t)
compression a f(x,t) ≥ a f(y,t)
for bʟ(t) ≤ x ≤ y ≤ bʀ(t)
one-dimensional scalar hyperbolic PDE
df dφ(f)
-- + ----- = 0
dt dx
chain rule
df dφ df df df
-- + -- -- = 0 => -- + φ′(f) -- = 0
dt df dx dt dx
initial condition f(x,0) = f₀(x)
solution f(x,t) = f₀(x - φ′(f(x,t)) t)
waveform f(x,t) at certain t
wave speed φ′(f(x,t))
rightward φ′(f(x,t)) > 0
leftward φ′(f(x,t)) < 0
static φ′(f) = 0
wavefront x - φ′(f)t = constant
characterics dx/dt = φ′(f)
expansion φ(f(x,t)) ≤ φ(f(y,t))
compression φ(f(x,t)) ≥ φ(f(y,t))
for bʟ(t) ≤ x ≤ y ≤ bʀ(t)
one-dimensional scalar hyperbolic PDE
d/dt f = - d/dx φ(f) where φ(x) is known
solution
f(t,x)
discontinuous position of solution
p(t)
move speed of discontinuous position
s(t) = p′(t)
function value of discontinuous position of solution
f⁻(t) = lim f(t,x)
x→p(t)⁻
f⁺(t) = lim f(t,x)
x→p(t)⁺
compression
φ(f⁻) ≥ φ(f⁺) at t
Rankine–Hugoniot jump condition
左側溢出等於右側溢出。物理量守恆。
φ(f⁻) - s f⁻ = φ(f⁺) - s f⁺ for all t
Rankine–Hugoniot jump condition
改寫數學式子,宛如平緩函數。斷點函數值變化,符合斷點位置變化。
φ(f⁻) - φ(f⁺)
------------- = s for all t
f⁻ - f⁺
Oleinik admissibility condition
左側斷點收縮率總是大於(小於)右側斷點收縮率。
φ(f⁻) - φ(f) φ(f) - φ(f⁺) for all t
------------ ≥ s ≥ ------------ for all f
f⁻ - f f - f⁺ that f⁻ > f > f⁺
Lax admissibility condition
f恰是凸函數的情況。
φ′(f⁻) > s > φ′(f⁺) for all t
Riemann initial condition
方便教學的簡易範例。不連續處只有一個,函數值是兩個常數。
f(0,x) = { f⁻(0) if x ≤ p(0)
{ f⁺(0) if x > p(0)
one-dimensional scalar hyperbolic PDE
weak solution existence <=> Rankine–Hugoniot jump condition
(conservative solution)
weak solution uniqueness <=> Rankine–Hugoniot jump condition
(shock wave) & Oleinik admissibility condition
weak solution uniqueness <=> Rankine–Hugoniot jump condition
(shock wave) & Lax admissibility condition
when φ is convex
Riemann problem: Rankine–Hugoniot jump condition
& Lax admissibility condition
& Riemann initial condition
(1) 稀疏波rarefaction wave:初始條件左速小於右速φ(f⁻) < φ(f⁺)
(2) 衝擊波shock wave :初始條件左速大於右速φ(f⁻) > φ(f⁺)
https://web.stanford.edu/class/math220a/handouts/conservation.pdf
https://www.researchgate.net/publication/230676056
entropy pair (η,q)
η(u) is entropy. η″(u) > 0 (strictly convex)
q(u) is entropy flux. q′(u) = f′(u) η′(u)
entropy inequality
d/dt η(u) + d/dx q(u) ≤ 0 for all entropy pairs
所有凸函數皆使得不等式成立。
admissible solution (entropy solution)
d/dt η(u)ϕ + d/dx q(u)ϕ ≥ 0 for all test function ϕ ≥ 0
弱解的其中一個特例:很純的衝擊波
Kruzhkov entropy inequality = Oleinik admissibility condition
{ d/dt η(u) + d/dx q(u) ≤ 0
{ η(u, k) = |u - k|
{ q(u, k) = (f(u) - f(k)) sgn(u - k)
其中一種凸函數。導致L₁-contraction。
(用來證明可容解是唯一解。)
Lₚ entropy
η(u) = |u|ᵖ / p
其中一種凸函數。導致Lₚ-contraction。
admissible solution => Lₚ-diminishing & total variation diminishing (TVD)
可容解具備Lₚ-diminishing和TVD。
畢竟守恆律沒有常數項。
[DiPerna 1983]
一、當任何一個凸函數使得不等式成立,而且總變差受限,就保證符號解L∞ norm受限。
二、當符號解L∞ norm受限、總變差受限,就保證符號解L₁ norm收斂。(穩定即收斂)
single entropy inequality & bounded variation
{ d/dt η(u) + d/dx q(u) ≤ 0 for any (η,q)
{ ‖u⁽ⁿ⁾‖ᴛᴠ ≤ B when n≥0
=> bounded L∞ norm & bounded variation
符號解每回合振幅/總差值絕對值受限
{ ‖u⁽ⁿ⁾‖∞ ≤ M when n≥0
{ ‖u⁽ⁿ⁾‖ᴛᴠ ≤ B when n≥0
=> L₁-convergence
符號解絕對值總和收斂至零
‖u⁽ⁿ⁾‖₁ → 0 when n→∞
[DiPerna 1983]
https://ntrs.nasa.gov/api/citations/19840010891/downloads/19840010891.pdf
https://ocw.mit.edu/courses/16-920j-numerical-methods-for-partial-differential-equations-sma-5212-spring-2003/b83f5998bf019571a250acd9acb7aa46_lec11_notes.pdf
https://math.stackexchange.com/questions/4083618/
https://math.stackexchange.com/questions/18395/
https://math.stackexchange.com/questions/271658/
https://math.stackexchange.com/questions/782558/
https://math.stackexchange.com/questions/1529156/
bounded L1 => bounded L2
L2 convergence => L1 convergence
注意到上述定理無法直接推廣為多變數(高維)/多變量(向量)/多式聯立(方程組)、無法直接引入散度/旋度/梯散、無法推廣為不規則網格/特殊邊界條件。每種連續方程式都必須特地檢查符號解的存在性/唯一性/穩定性/收斂性,是數學界的大難題。
Convergence of approximate solutions of conservation laws
https://www.igpm.rwth-aachen.de/Download/reports/pdf/IGPM217.pdf
one-dimensional scalar hyperbolic conservation law: discrete shock wave
專著《Numerical Methods for Conservation Laws
and Related Equation》。
consistency:三個條件。第三個條件只是純粹撞名。古人考慮不周,成為歷史共業。
flux averaging
1 ⌠ xᵢ₊₁⸝₂
f̂ᵢ = —— ⎮ f(tₙ,x) dx when Δx→0
Δx ⌡ xᵢ₋₁⸝₂
consistency φ̂(f̂ᵢ,f̂ᵢ,...,f̂ᵢ) = φ(f̂ᵢ)
conservation sumᵢ f̂ᵢ⁽ⁿ⁾ = sumᵢ f̂ᵢ⁽ⁿ⁺¹⁾
uniqueness:
conservation form
uᵢ⁽ⁿ⁺¹⁾ = uᵢ⁽ⁿ⁾ - C (Fᵢ₊₁⸝₂⁽ⁿ⁾ - Fuᵢ₋₁⸝₂⁽ⁿ⁾)
where C = Δt / Δx
F(u,u) = φ(u)
Fᵢ₊₁⸝₂ = F(uᵢ,uᵢ₊₁)
discrete entropy inequality [Tadmor 1984]
η(uᵢ⁽ⁿ⁺¹⁾) ≤ η(uᵢ⁽ⁿ⁾) - C (Qᵢ₊₁⸝₂⁽ⁿ⁾ - Qᵢ₋₁⸝₂⁽ⁿ⁾)
where entropy pair (η,q)
Q(u,u) = q(u)
Qᵢ₊₁⸝₂ = Q(uᵢ,uᵢ₊₁)
數值方案一旦符合此式,就是可容解。
entropy satisfying scheme
目前有三種滿足discrete entropy inequality的方法
1. monotone scheme:僅滿足其中一種凸函數,達成L₁收斂性。至多一階精準。
2. Osher's E scheme:滿足所有凸函數,達成所有收斂性。至多一階精準。
3. 人工黏性項。
[Tadmor 1984]
upwind Lax–Friedrichs method符合此式,得到可容解。
[Osher 1985]
Godunov method符合此式,得到可容解。
incremental form(單調三點)符合此式,得到可容解。
MUSCL符合此式,得到可容解。
不過證明的是semi-discrete........
https://www.math.umd.edu/~tadmor/references/files/Tadmor%20entropy%20stable%20schemes-r%20handbook2016.pdf
https://ocw.mit.edu/courses/16-920j-numerical-methods-for-partial-differential-equations-sma-5212-spring-2003/bafff8bb84c0ee8ac362cea89c5fea38_lec12_notes.pdf
stability:單調遞增函數追加條件,得到穩定性。各種範數。
主角是單調遞增函數,原因是非線性。
conservation容易聯想到L₁範數。
consistent & conservative & monotone & 3pt
=> discrete entropy condition
=> Lₚ-diminishing (1 ≤ p < ∞)
consistent & monotone
=> maximum principle
=> L∞ -diminishing & total variation diminishing (TVD)
conservative & monotone
=> Kruzhkov entropy inequality
=> L₁-contraction
=> total variation diminishing (TVD)
[Harten–Hyman–Lax–Keyfitz 1976] [Crandall–Majda 1980]
一、f ≤ max(f,g) => F(f) ≤ F(max(f,g))
二、數值解相減,結果有正有負,拆開正負,分開累計。
[Harten 1983]
數值解相減,令被減數是減數往右移位,硬是湊成相鄰差。
https://www.researchgate.net/publication/285599438
https://www.researchgate.net/publication/230676056
E scheme => TVD
conservative TVD => weak solution
convergence:單調遞增函數配合守恆律,導致可容條件成立、L₁收縮穩定性成立,進一步導致數值分析基本定理成立。守恆型一致性、L₁收縮穩定性、L₁收斂性。
consistent & conservative & monotone => converge
[Lax 1971] 台大圖書館沒有,要通靈了
https://www.sciencedirect.com/science/article/abs/pii/B9780127758503500182
守恆型一致姓 & L₁收縮穩定性 => L₁收斂性
符號版本:兩邊必須一致。
專著《Hyperbolic Systems of Conservation Laws and the Mathematical Theory of Shock Waves》。
symbolic solution | numerical solution
----------------------------+----------------------------------
Lax admissibility condition | order preserving (monotone)
Lax entropy inequality | discrete entropy inequality
tame oscillation condition | total variation diminishing (TVD)
time continuity estimate | L₁-contraction
https://bpb-us-e1.wpmucdn.com/sites.psu.edu/dist/d/80666/files/2019/09/clawtut4-Oxford.pdf
level set method
我還沒有學會。關鍵字也許是capturing multivalued solution。Hamilton–Jacobi Equations。
Stanley Osher
https://link.springer.com/book/10.1007/b98879
James Sethian
https://math.berkeley.edu/~sethian/2006/Publications/Book/book.html
Hailiang Liu
https://faculty.sites.iastate.edu/hliu/
Ken Museth
https://ken.museth.org/Publications.html
Multi-Valued Solution and Level Set Methods in Computational High Frequency Wave Propagation
https://faculty.sites.iastate.edu/hliu/files/inline-files/Liu-osher-tsai-CICP06_1.pdf
Front Tracking for Hyperbolic Conservation Laws
https://www.uio.no/studier/emner/matnat/math/MAT4380/v15/pensumliste/chapter3.pdf
A Level Set Method for the Computation of Multivalued Solutions to Quasi-Linear Hyperbolic PDEs and Hamilton-Jacobi Equations
choice of numerical solver
遞迴公式的求解方式。
(1) finite element method:有限元素法。取樣擇鄰:隨機點/網格/基底內插。
(本站稱為函數資料結構mesh discretization。)
(2) meshfree method:無網格法。隨機點/半徑範圍/基底內插。
(本站稱為函數資料結構meshfree discretization。)
(3) spectral method:頻域法。空域轉頻域。
(4) multigrid method:多格法。矩陣求解採用scaling method。
https://en.wikipedia.org/wiki/Numerical_methods_for_partial_differential_equations