An adaptive reduced basis collocation method based on PCM ANOVA decomposition for anisotropic stochastic PDEs
University of Maryland(马里兰大学)
本文提出一种基于PCM ANOVA分解的自适应降阶校准方法,用于求解高维参数化随机PDEs,通过两阶段适应性策略有效识别有效维度并优化参数空间,验证了该方法在求解各向异性随机对流-扩散方程中的有效性。
2017-09-25 cs.NA math.NA
Collocation approximation by deep neural ReLU networks for parametric elliptic PDEs with lognormal inputs
我们得到了深度ReLU神经网络对对数正态输入椭圆偏微分方程解的配置逼近的收敛速度,由非紧集$\mathbb{R}^\infty$的$\boldsymbol{y}$参数化。近似误差在Bochner空间$L_2(\mathbb{R}^\infty, V, γ)$的范数中测量,其中$γ$是$\mathbb{R}^\infty$上的无限张量积标准高斯概率测度,而$V$是能量空间。我们也得到了类似的结果的情况下,当对数正态输入参数化$\mathbb{R}^M$非常大的尺寸$M$,和近似误差测量的$\sqrt{g_M}$加权均匀范数的Bochner空间$L_\infty^{\sqrt{g}}(\mathbb{R}^M, V)$,其中$g_M$是密度函数的标准高斯概率测量$\mathbb{R}^M$。
2022-12-06 cs.NA math.NA
Gaussian radial basis functions collocation for fractional PDEs: methodology and error analysis
本文提出一种基于高斯径向基函数配点的无网格伪谱方法求解分数阶泊松方程,利用超几何函数表示分数阶拉普拉斯算子,并通过Toeplitz结构结合快速傅里叶变换实现高效计算,同时给出了严格的稳定性与误差分析。
2023-12-29 cs.NA math.NA
Convergence of meshfree collocation methods for fully nonlinear parabolic equations
该研究在粘性解框架下证明了全非线性抛物型偏微分方程终值问题的无网格配点法的收敛性,条件为终端条件与非线性项的基函数逼近在各时间步成立,并通过径向基函数数值实验验证了该结论。
2025-10-30 cs.NA math.NA
A stochastic collocation approach for parabolic PDEs with random domain deformations
Boston University(波士顿大学)
本文研究了如何通过随机置信法近似依赖于线性抛物型偏微分方程解的量的统计矩,其中几何形状被随机参数化,并通过等价的确定性域和随机系数进行重新映射,推导了随机矩的收敛率并与数值实验进行比较。
2019-05-28 cs.NA math.NA
Deep collocation method: A framework for solving PDEs using neural networks with error control
提出一种基于单隐层神经网络构建基函数的自适应深度配置法,通过配置最小二乘和渐进误差指示器求解偏微分方程,实现了高精度与鲁棒性。
2025-03-07 cs.NA math.NA
Kernel-based collocation methods for heat transport on evolving surfaces
本研究针对演化表面上的对流-扩散偏微分方程求解问题,提出两类基于核的无网格配点算法,分别适配参数方程定义和点云形式的演化表面,经验证可正确求解高曲率、不连续初值条件下的相关问题。
2019-06-04 cs.NA math.NA
Exponential Runge-Kutta methods of collocation type for parabolic equations with time-dependent delay
Beijing University of Technology(北京工业大学);University of Innsbruck(因斯布鲁克大学)
本文提出了一种适用于具有时间依赖延迟的抛物方程的指数型Runge-Kutta方法,并分析了其收敛性和超收敛性。
2025-10-20 cs.NA math.NA
Hybrid collocation perturbation for PDEs with random domains
本文提出了一种混合摄动法,用于求解随机域中线性椭圆PDE的统计量,通过稀疏网格随机摄动法处理大变化,通过随机摄动-摄动法处理小变化,并推导了QoI方差的收敛率,显著降低了随机问题的维度。
2017-03-29 cs.NA math.NA
Convergence of Sparse Collocation for Functions of Countably Many Gaussian Random Variables (with Application to Elliptic PDEs)
TU Chemnitz(Chemnitz工业大学);Istituto di Matematica Applicata e Tecnologie Informatiche “E. Magenes” del CNR(CNR应用数学与信息技术研究所“E. Magenes”)
本文证明了稀疏插值对依赖于可数多个高斯随机变量的Hilbert空间值函数的收敛性,并针对椭圆偏微分方程的对数正态扩散系数解进行了应用,建立了L²收敛理论并推导了代数收敛速率。
2017-03-28 cs.NA math.NA
Efficient and Fast Tensor-Product Multinode Shepard Collocation for Elliptic PDEs on Cartesian Grids
SMMADCSN Laboratory, FPL(SMMADCSN实验室,FPL);Abdelmalek Essaadi University(阿卜杜勒马利克·埃萨迪大学);Laboratory of Engineering Sciences(工程科学实验室);Ibn Zohr University(伊本·佐赫尔大学)
提出基于网格的多节点Shepard配置法,结合张量积Lagrange插值,用于矩形域上的二维椭圆边值问题,具有稀疏矩阵和良好条件数,数值实验验证了高精度和优于RBF方法的条件性。
2026-09-04 cs.NA math.NA
On Expansions and Nodes for Sparse Grid Collocation of Lognormal Elliptic PDEs
这项工作是一个后续行动,我们以前的贡献(“收敛的稀疏配置函数可数许多高斯随机变量(与应用椭圆偏微分方程)",SIAM J。肛门,2018),并包含使用稀疏网格求解对数正态扩散系数的椭圆偏微分方程的某些方面的进一步见解。具体地,我们首先关注单变量插值规则的选择,提倡使用由Narayan和Jakeman引入的高斯Leja点(“Adaptive Leja sparse grid constructions for stochastic collocation and high-dimensional approximation”,SIAM J. Sci.计算:2014),然后讨论用Lévy-Ciesielski展开代替扩散系数的标准Karhunen-Loève展开的可能的计算优势,其动机是Bachmayr、Cohen、DeVore和Migliorati的理论工作(“参数椭圆偏微分方程的稀疏多项式逼近.第二部分:对数正态系数”,ESAIM:M2 AN,2016)。我们的数值结果表明,对于所考虑的问题,高斯Leja配置点优于高斯-埃尔米特和Genz-Keister节点的稀疏网格近似和对数扩散系数的Karhunen-Loève展开比其Lévy-Ciesielski展开的稀疏网格配置的目的更合适。
2020-04-09 cs.NA math.NA math.PR
Multi-Index Stochastic Collocation for random PDEs
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Università di Pavia(帕维亚大学)
本文提出多索引随机摄动法(MISC)用于计算具有随机数据的PDE解的统计量,通过优化选择最有效的混合差分,提升方法效率,并分析了在最优情况下收敛率仅由确定性求解器处理一维问题的收敛率决定。
2016-07-21 cs.NA math.NA
IGA-based Multi-Index Stochastic Collocation for random PDEs on arbitrary domains
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Consiglio Nazionale delle Ricerche - Istituto di Matematica Applicata e Tecnologie Informatiche “E. Magenes” (CNR-IMATI)(意大利国家研究委员会应用数学与信息技术研究所);RWTH Aachen University(亚琛工业大学)
本文提出了一种扩展的多索引随机摄动法(MISC)方法,用于解决计算域形状不是立方体或正方形的不确定性量化问题,通过利用等几何分析(IGA)技术。将IGA求解器引入MISC算法是自然的,因为它们是张量基的PDE求解器,正是MISC机制所需。此外,MISC的组合技术公式允许直接重用现有的IGA求解器实现。我们通过数值结果展示了所提方法的有效性。
2019-03-19 cs.NA math.NA
Extreme learning machine collocation for the numerical solution of elliptic PDEs with sharp gradients
本文介绍了一种基于机器学习的数值方法,利用一组S形函数来近似求解椭圆型偏微分方程的配置问题。我们表明,一个前馈神经网络与一个单一的隐层与sigmoidal函数和固定的,随机的,内部的权重和偏见,可以用来准确地计算配置解决方案。固定内部权重和偏差的选择导致了所谓的极端学习机器网络。我们讨论了如何确定内部权重和偏差的范围,以获得一个良好的下划线近似空间,我们探讨了所需的配置点的数量。我们证明了所提出的方法的效率与几个一维扩散-平流-反应问题,表现出陡峭的行为,如边界层。边界条件直接作为配点方程施加。我们指出,没有必要训练网络,因为所提出的数值方法导致线性问题,可以很容易地使用最小二乘法解决。数值结果表明,该方法具有较好的精度.最后,我们比较了所提出的方法与有限差分,并指出显着的改进,在计算成本方面,从而避免了耗时的训练阶段。
2020-12-11 cs.NA math.NA
Analytic regularity and collocation approximation for elliptic PDEs with random domain deformations
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Ecole Politechnique Federale Lausanne(洛桑联邦理工学院)
本文研究了随机域变形下椭圆型PDE解的统计量近似问题,通过解析延拓和稀疏网格列点法计算均值和标准差,并分析收敛率。
2016-03-28 cs.NA math.NA
On Symmetric Kernel Collocation for Nonlinear PDEs
Saarland University(萨尔兰大学);University of Stuttgart(斯图加特大学)
研究非线性偏微分方程,将其转化为最优恢复广义插值问题,在RKHS中分析收敛性,提出残差贪婪策略选点,数值实验表明该策略能使偏微分方程残差更小。
2026-07-08 cs.NA math.NA
Error analysis of finite difference/collocation method for the nonlinear coupled parabolic free boundary problem modeling plaque growth in the artery
本文的主要目的是提出一种新的有效的方法来求解动脉粥样硬化的非线性自由边界数学模型。该模型由三个抛物方程、一个椭圆方程和一个常微分方程组成,它们耦合在一起并描述动脉中斑块的生长。我们首先用波前固定法来固定自由区域,并通过适当的变量变换将混合边界条件变为Neumann边界条件来简化模型。然后,通过对该模型采用非经典差分和配置法,证明了方法的稳定性和收敛性。最后,一些数值结果被认为是显示该方法的有效性。
2019-07-09 cs.NA math.NA
Multilevel sparse grids collocation for linear partial differential equations, with tensor product smooth basis functions
University of Leicester(莱斯特大学)
本文提出利用多级稀疏插值算法求解线性偏微分方程,采用张量积光滑基函数,实现高精度计算。
2017-10-19 cs.NA math.NA
A Bernoulli-barycentric rational matrix collocation method with preconditioning for a class of evolutionary PDEs
本文提出一种Bernoulli-重心有理矩阵配点法求解二维演化偏微分方程,结合时间与空间插值,证明理论精度并引入维数扩展预处理器加速线性系统求解,通过多个实际方程验证有效性。
2024-02-10 cs.NA math.NA
A kernel-based least-squares collocation method for surface diffusion
该研究将定常椭圆方程过测试的收敛理论推广到光滑闭曲面抛物型方程,提出采用空间配点与过测试的核基无网格线法求解曲面扩散问题,为非对称Kansa型配点法的抛物问题应用提供理论支撑。
2023-05-04 cs.NA math.NA
A direct solver with O(N) complexity for variable coefficient elliptic PDEs discretized via a high-order composite spectral collocation method
Dartmouth College(达特茅斯学院);University of Colorado at Boulder(科罗拉多大学博尔德分校)
本文提出了一种用于求解二维域上变系数椭圆偏微分方程的数值方法,采用高阶复合谱逼近,针对光滑解问题,使用具有O(N)复杂度的直接求解器,展示了在非振荡问题中高效求解的能力。
2013-07-10 cs.NA math.NA
Multi-index Stochastic Collocation convergence rates for random PDEs with parametric regularity
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Università di Pavia(帕维亚大学);CNR-IMATI(意大利国家研究委员会应用数学研究所)
本文研究了多索引随机格点法在随机PDEs中计算解统计量的收敛速率,通过分析解在物理域和参数域的联合正则性,结合贪心优化选择混合差分,展示了该方法在无限维设置中的有效性。
2016-07-21 cs.NA math.NA
Unisolvence of random Kansa collocation by Thin-Plate Splines for the Poisson equation
本文首次证明了在解析边界区域上随机选取离散点时,2D Poisson 方程的薄板样条非对称 Kansa 配置矩阵几乎必然非奇异,为解决 PDE 的 Kansa 配置唯一可解性充分条件存在性这一未解问题迈出了第一步。
2024-03-26 cs.NA math.NA
Residual-Christoffel Sampling for Random Feature Collocation of Linear PDEs
School of Mathematics and Statistics, Xidian University(西安电子科技大学数学与统计学院);Department of Mathematics, National University of Singapore(新加坡国立大学数学系)
研究线性偏微分方程随机特征配置问题,构建算子感知离散化,结合残差-克里斯托费尔密度等方法,通过实验表明该方法能产生条件数和迭代次数更小的满秩变换系统,为稳定随机特征配置提供有原则设计。
2026-07-16 cs.NA math.NA physics.comp-ph
Point collocation with mollified piecewise polynomial approximants for high-order partial differential equations
本研究利用磨光基函数的高阶与高光滑特性,通过点配置方法求解偏微分方程,采用最小二乘法处理超定系统,数值算例验证了其在Poisson、线弹性和双调和问题上的收敛性。
2024-06-28 cs.NA math.NA
The effect of time discretization on the solution of parabolic PDEs with ANNs
我们通过极限学习机(ELMs)神经网络研究抛物偏微分方程的分辨率,与深度学习神经网络相比,ELMs神经网络具有单个隐藏层,可以以适度的计算成本进行训练。我们的方法通过应用经典的常微分方程技术解决了时间演化问题,并使用基于ELM的配置来解决由此产生的固定椭圆问题。在这个框架下,$θ$ -方法和向后差分公式(BDF)技术被研究在一些线性抛物型偏微分方程的方法的稳定性和精度的挑战问题。数值实验的结果表明,ELM为基础的解决技术结合BDF方法可以提供高精度的解决方案的抛物型偏微分方程。
2022-06-01 cs.NA math.NA
A posteriori error estimates for parabolic PDEs on evolving surfaces
Paderborn University(帕德博恩大学)
研究封闭演化曲面上抛物型曲面偏微分方程,推导基于残差的后验误差估计,证明误差指标有效性与可靠性,扩展自适应方法,通过数值实验说明误差渐近行为及细化粗化有效性。
2026-07-21 cs.NA math.NA
A new reduced order model of linear parabolic PDEs
如何建立多维不定常偏微分方程(PDE)的精确降阶模型(ROM)是一个非常开放的问题。在本文中,我们提出了一个新的ROM的线性抛物型偏微分方程。我们证明了我们的新方法可以比标准求解器快几个数量级,而且内存密集度也要低得多。在对问题数据的一些假设下,我们证明了新方法的收敛速度与标准求解器相同。数值实验证实了我们的理论结果。
2022-09-27 cs.NA math.NA
A Least Squares Radial Basis Function Partition of Unity Method for Solving PDEs
Uppsala University(乌普萨拉大学);University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校)
本文提出一种基于最小二乘法的径向基函数分区整体方法,解决了节点布局敏感性和条件数问题,并通过数值实验验证了理论误差估计。
2017-02-23 cs.NA math.NA
Further results on a space-time FOSLS formulation of parabolic PDEs
在Führer& Karkulik的[2019,抛物型方程的时空最小二乘有限元,arXiv:1911.01942]中,证明了热方程的时空一阶系统最小二乘公式的适定性。在目前的工作中,这一结果被推广到一般的二阶抛物型偏微分方程可能不均匀的边界条件,和平原收敛的标准自适应有限元法驱动的最小二乘估计证明。后者的证明很容易扩展到一大类最小二乘公式。
2021-02-18 cs.NA math.NA
Adaptive Collocation Point Strategies For Physics Informed Neural Networks via the QR Discrete Empirical Interpolation Method
Rice University(里士大学);The University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心)
针对固定配置点采样难以捕捉高梯度区域的问题,提出基于QR-DEIM的两种自适应配置点选择策略,在基准PDE上提升PINN精度。
2025-08-07 cs.CE cs.LG cs.NA
A RBF partition of unity collocation method based on finite difference for initial-boundary value problems
Malayer University(马拉耶尔大学);University of Torino(都灵大学)
本文提出一种基于有限差分的RBF-PUM-Collocation方法,用于求解时间依赖型PDEs,通过减少传统RBF方法的病态问题,提高计算效率和精度。
2018-03-28 cs.NA math.NA
Applications of a space-time FOSLS formulation for parabolic PDEs
本研究验证了时空一阶系统最小二乘(FOSLS)公式及其推广形式,可高效求解二阶抛物型偏微分方程相关的参数依赖、最优控制及时变空间域三类问题。
2022-08-20 cs.NA math.NA
Numerical approximation of singular-degenerate parabolic stochastic PDEs
研究了一类广义奇异退化抛物型随机偏微分方程(SPDE),特别是随机多孔介质方程和随机快速扩散方程.我们提出了一个完全离散的数值逼近所考虑的SPDE的基础上非常弱的制定。通过利用单调性的建议制定我们证明的数值逼近的唯一解决方案。此外,我们构造了一个可实现的有限元方案的空间离散的非常弱的提法,并提供数值模拟,以证明所提出的离散的实用性。
2020-12-22 cs.NA math.NA
Efficient Adaptive Stochastic Collocation Strategies for Advection-Diffusion Problems with Uncertain Inputs
针对参数化对流扩散问题,提出一种结合随机配置与自适应时间步进的非侵入式自适应策略,利用分层估计器平衡参数误差和时间误差,构建随时间调整的多项式代理模型。
2023-05-12 cs.NA math.NA
Eigenvector decomposition to determine the existence, shape, and location of numerical oscillations in Parabolic PDEs
本文利用线性代数和泛函分析的方法,给出了线性和非线性抛物型偏微分方程无振荡解和稳定解的充要条件.我们将奇异值分解和傅里叶分析应用于各种有限差分格式,以提取特征函数(由特征向量采样)中的模式及其特征谱的形状。通过这些,我们确定了初始和边界条件如何影响数值振荡的频率和长期行为,以及对它们最敏感的解区域的位置。
2020-12-29 cs.NA math.NA
A reduced basis method for parabolic PDEs based on a space-time least squares formulation
University of Koblenz(科布伦茨大学)
本文提出了一种基于时空最小二乘法的降阶方法,用于求解参数依赖的抛物型PDEs,通过POD-greedy方法结合离线-在线分解,提供误差界认证。
2026-01-29 cs.NA math.NA
A compressive spectral collocation method for the diffusion equation under the restricted isometry property
Simon Fraser University(西蒙菲莎大学)
本文提出了一种压缩谱摄动法用于偏微分方程的数值近似,该方法基于谱Sturm-Liouville近似和在随机点上强形式的摄动,利用压缩感知原理。在扩散方程的情况下,证明了在合适假设下,压缩谱摄动法的矩阵满足压缩感知的限制等距性质,同时通过数值示例展示了其在降低计算成本的同时保持高精度的能力。
2018-10-16 cs.NA math.NA
An ensemble algorithm for numerical solutions to deterministic and random parabolic PDEs
Sichuan University(四川大学);University of Electronic Science and Technology of China(电子科技大学);University of South Carolina(南卡罗来纳大学)
本文提出一种基于集成的时间推进算法,用于高效求解一组线性二阶抛物型偏微分方程的数值解,通过引入扩散系数函数的集成平均和新的半隐式时间积分方法,提高了求解效率,并通过理论分析和数值实验验证了其有效性。
2017-10-17 cs.NA math.NA
Learning-guided Kansa collocation for forward and inverse PDEs beyond linearity
Department of Computer Science and Technology(计算机科学与技术系);Department of Applied Mathematics and Theoretical Physics(应用数学与理论物理系);University of Cambridge(剑桥大学)
本文提出基于学习的Kansa配点法,用于解决超越线性的正向和反向PDEs问题,通过扩展CNF框架并应用到耦合和非线性场景,实现高效求解与自调技术。
2026-03-03 cs.AI cs.CE cs.LG
Tensor Network Space-Time Spectral Collocation Method for Time Dependent Convection-Diffusion-Reaction Equations
针对非定常 CDR 方程,本文提出时空 TT Chebyshev 谱配点法,利用张量列降低四维系统复杂度,实现指数收敛、TB 到 KB 压缩及数万倍加速。
2024-02-28 cs.NA math.NA
Well-posedness and time stepping adaptivity for a class of collocation discretisations of time-fractional subdiffusion equations
Technische Universität Dresden(德累斯顿工业大学);University of Limerick(利默里克大学)
本文研究了时间分数亚扩散方程一类摄动离散化的well-posed性及时间步长自适应性,提出存在性和唯一性条件,并探讨其在误差估计与自适应算法中的应用。
2026-08-14 cs.NA math.NA
Galerkin-Bernstein Approximations of the System of Time Dependent Nonlinear Parabolic PDEs
本文提出基于修正Bernstein多项式的修正Galerkin加权残差法,结合后向差分与Picard迭代求解时间相关非线性抛物型偏微分方程组,并通过数值算例验证其适用性与效率。
2023-07-10 cs.NA math.NA
A priori error analysis of consistent PINNs for parabolic PDEs
本文对仅用点值数据的抛物型PDE配点方法提出新的先验分析,构造一致损失函数,在Besov正则性下证明近最优恢复率,并通过数值实验验证。
2025-06-21 cs.NA math.NA
Exponential B-spline Collocation Solutions to the Gardner Equation
Eskisehir Osmangazi University(埃斯基谢希尔奥斯曼加齐大学);Çankırı Karatekin University(昌基里卡雷特金大学)
本文提出基于指数B样条基函数的置信方法,用于求解Gardner方程的初值边界值问题,通过降阶得到耦合PDE系统,并采用Crank-Nicolson隐式方法进行时间积分,验证方法有效性。
2017-02-20 cs.NA math.NA
Second order finite volume IMEX Runge-Kutta schemes for two dimensional parabolic PDEs in finance
本文提出一种通用的二阶有限体积IMEX Runge-Kutta方法,用于求解带混合导数的二维金融抛物型偏微分方程,在非正则初始条件下仍保持二阶收敛,并能准确无振荡地计算Greeks。
2024-09-02 cs.NA math.NA
Interpolatory HDG Method for Parabolic Semilinear PDEs
University of Minnesota(明尼苏达大学);Missouri University of Science and Technology(密苏里科技大学)
本文提出了一种插值型混合不连续Galerkin方法,用于解决一类标量抛物半线性PDEs。该方法通过插值过程高效准确地近似非线性项,避免了标准非线性PDEs HDG方法中每个时间步每个迭代都需要进行的数值积分,从而降低了计算成本。此外,插值型HDG插值过程为非线性项和雅可比矩阵提供了简单的显式表达式,从而为多种非线性PDEs提供了一种简单的统一实现。对于全局Lipschitz非线性,我们证明插值型HDG方法不会降低收敛阶。通过2D和3D数值实验展示了该方法的性能。
2018-11-23 cs.NA math.NA
Efficient Sobolev approximation of linear parabolic PDEs in high dimensions
本文研究线性抛物型 PDE 解的一阶 Sobolev 范数近似误差,提出基于 Feynman--Kac 表示与 Euler 离散化的 Monte Carlo Euler 格式,证明其打破维度灾难,并推论神经网络在系数可高效近似时同样能无维度灾难地近似解。
2023-06-29 cs.NA math.NA
Solving and Learning Nonlinear PDEs with Gaussian Processes
我们介绍了一个简单的,严格的,统一的框架,解决非线性偏微分方程(PDE),并解决逆问题(IP)涉及的参数识别偏微分方程,使用高斯过程的框架。拟议办法:(1)为非线性偏微分方程和非线性规划问题提供了配置核方法的自然推广;(2)保证了一类非常一般的偏微分方程的收敛性,并配备了计算特定偏微分方程近似的误差界的路径;(3)继承了稠密核矩阵线性求解器的最新计算复杂性。我们的方法的主要思想是近似的解决方案,一个给定的偏微分方程的高斯过程的最大后验(MAP)估计解决偏微分方程在有限数量的配置点的条件。虽然这个最优化问题是无限维的,它可以减少到一个有限维的通过引入额外的变量对应的值的衍生物的解决方案在配置点,这推广了高斯过程回归中出现的表示定理。简化的最优化问题具有受非线性约束的二次目标函数的形式;它用高斯-牛顿法的变体来求解。所得到的算法(a)可以被解释为求解非线性PDE的连续线性化,并且(b)在实践中被发现对于广泛的PDE在少量迭代(2到10)中收敛。大多数传统的IP方法交错参数更新与PDE的数值解,我们的算法解决参数和PDE解决方案同时进行。非线性椭圆偏微分方程,伯格斯方程,正则化Eikonal方程,和IP渗透率识别达西流的实验说明了我们的框架的有效性和范围。
2021-08-10 cs.NA math.NA stat.ML
An investigation of global radial basis function collocation methods applied to Helmholtz problems
全局径向基函数(RBF)配置法是求解偏微分方程(PDE)的一类具有无限光滑基函数的方法,它适用于一般几何条件下,且对光滑解函数具有指数收敛性质.同时,对于大量的未知数和决定基函数平坦程度的形状参数的小值,出现的线性系是稠密的和严重病态的。我们以Helmholtz方程作为应用问题进行了理论分析和数值实验。我们分析和证明了收敛性作为未知数的函数和不同的形状参数范围。我们提供了理论结果的PDE解决方案的平坦极限和调查时,非对称配置矩阵成为奇异的。我们还提供了实用的策略选择的方法参数和评估结果亥姆霍兹问题在弯曲波导的几何形状。
2020-01-29 cs.NA math.NA
Accelerating stochastic collocation methods for partial differential equations with random input data
University of Tennessee(田纳西大学);Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出并分析了一种通用加速技术,用于降低使用随机置信方法求解具有随机输入数据的偏微分方程的计算复杂度,通过利用SC插值的构造加速确定性解集,提升迭代求解器的初始近似。
2015-05-04 cs.NA math.NA
FBSDE based Neural Network Algorithms for High-Dimensional Quasilinear Parabolic PDEs
本文提出了基于前向和后向随机微分方程(FBSDEs)的深度神经网络(DNN)学习算法,用于求解高维拟线性抛物型偏微分方程(PDE),并通过Pardoux-Peng理论将其与FBSDEs联系起来。该算法依赖于一个学习过程,通过最小化两个离散随机过程之间的路径差异,定义的时间离散化的FBSDES和DNN表示的PDE解决方案,分别。所提出的算法产生DNN解决方案的100维Black-Scholes-Barenblatt方程,在有限区域的解决方案空间中的准确,并具有类似的欧拉-丸山离散用于FBSDES的收敛速度。因此,在时间离散化上的Richardson外推技术可以用于提高DNN解决方案的准确性。对于时间振荡的解决方案,多尺度DNN示出,以提高高频率的FBADNN的性能。
2021-05-06 cs.NA math.NA
Gamblets for opening the complexity-bottleneck of implicit schemes for hyperbolic and parabolic ODEs/PDEs with rough coefficients
California Institute of Technology(加州理工学院);Shanghai Jiao Tong University(上海交通大学)
本文提出了一种扩展的赌局基函数,用于高效求解隐式方案中的线性系统,提供近线性复杂度和严谨的误差界。
2017-06-30 cs.NA math.NA stat.ML