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
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
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
ARDO: A Weak Formulation Deep Neural Network Method for Elliptic and Parabolic PDEs Based on Random Differences of Test Functions
Dept. of Mathematics, Southern Methodist University, Dallas, TX 75275(数学系,南方 Methodist 大学,德克萨斯州达拉斯市)
本研究提出ARDO深度学习方法,通过将随机差分算子转移至测试函数的弱对抗形式,实现对解神经网络无需求导,可高效求解Fokker-Planck型二阶椭圆与抛物型偏微分方程。
2025-09-03 cs.AI 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
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
A PDE approach to space-time fractional parabolic problems
University of Maryland(马里兰大学);George Mason University(乔治梅森大学);University of Tennessee(田纳西大学)
本文研究了具有分数扩散和Caputo分数时间导数的抛物型方程的求解技术,提出并分析了隐式全离散方案,证明了该方案的稳定性和误差估计。
2015-03-04 cs.NA math.NA
Full-Projection explicit FBSDE scheme for parabolic PDEs with superlinear nonlinearities
University of Edinburgh(爱丁堡大学);The Alan Turing Institute(艾伦·图灵研究所)
本文提出一种全投影显式时间离散化方案,用于近似具有多项式增长非全局Lipschitz驱动项的FBSDE及抛物型非线性PDE,证明其收敛性并保持连续时间动态的稳定性特性。
2017-08-10 cs.NA math.NA
Asymptotic expansion regularization for inverse source problems in two-dimensional singularly perturbed nonlinear parabolic PDEs
本文对二维非线性、非定常奇摄动偏微分方程(PDE)的源反问题提出了一种渐近展开正则化(AER)方法。这种方法的关键思想是使用的渐近展开理论,它使我们能够确定的条件下,一个解决方案的存在性和唯一性的一个给定的偏微分方程的尖锐的过渡层。作为一个副产品,我们推导出一个更简单的连接方程之间的源函数和一阶渐近近似的可测量的量,并基于该方程,我们提出了一个有效的反演算法,AER,反源问题。我们证明了这种简化不会降低反演结果的精度,特别是对于有噪声数据的反演问题。各种数值例子来证明我们的新方法的效率。
2022-10-13 cs.NA math.NA
On parareal algorithms for semilinear parabolic Stochastic PDEs
Univ Lyon, CNRS, Université Claude Bernard Lyon 1, UMR5208, Institut Camille Jordan(里昂大学);Department of Mathematics, Purdue University(普渡大学)
本文研究了半线性抛物型随机偏微分方程的并行算法,分析了粗格子求解器的选择、噪声正则性以及并行迭代次数对算法性能的影响,并通过理论分析和数值实验进行了探讨。
2019-02-14 cs.NA math.NA
A New Block Preconditioner for Implicit Runge-Kutta Methods for Parabolic PDE Problems
针对抛物型偏微分方程隐式龙格-库塔时间积分中出现的大型结构化系统,提出了一种新的基于块$LDU$分解和代数多重网格子解的预条件子.该预条件子在条件数和特征值分布方面进行了比较,并在数值实验中与文献中的其他预条件子进行了比较:块Jacobi,块Gauss-Seidel,以及Staff,Mardal和Nilssen [{ \em Modeling,Identification and Control},27(2006),pp. 109-123]。实验上运行的两个测试问题,$2D$热方程和模型对流扩散问题,使用隐式龙格-库塔法与二至七个阶段。我们发现,新的预条件优于其他的,与空间离散化的改进变得更加明显,时间顺序的增加。
2021-01-14 cs.NA math.NA
Aubin--Nitsche-type estimates for space-time FOSLS for parabolic PDEs
本文针对求解热传导方程的FOSLS发展了Aubin-Nitsche型估计,证明了在特定条件下标量场变量$L^2$误差具有更高收敛速度,并展示了高阶守恒性质与弱范数拟最优性。
2024-12-05 cs.NA math.NA
Quasi-optimal time-space discretizations for a class of nonlinear parabolic PDEs
Ulm University(乌尔姆大学);University of Amsterdam(阿姆斯特丹大学)
本文提出了一类非线性抛物型PDEs的准最优时间-空间离散化方法,通过引入额外变量构造等价系统,并利用Galerkin离散化与近似Uzawa算法求解,同时发展了后验条件以确保准最优性。
2026-01-19 cs.NA math.NA
Multi-fidelity Learning of Reduced Order Models for Parabolic PDE Constrained Optimization
本文提出一种分层信赖域算法,通过主动学习构建多保真降阶模型层次,用于高效求解抛物型偏微分方程约束优化问题,并利用误差估计器自适应更新模型。
2025-03-27 cs.NA math.NA math.OC
Difference-quadrature schemes for nonlinear degenerate parabolic integro-PDE
ETH(苏黎世联邦理工学院);Norwegian University of Science and Technology(挪威科技大学);University of Oslo(奥斯陆大学)
针对受控Levy(跳-扩散)过程的Bellman方程,提出并分析了单调差分-求积格式,该方程是完全非线性、退化抛物型积分-偏微分方程,在粘性解意义下理解;通过新的“直接”离散非局部部分处理奇异Levy测度,并发展了积分-偏微分方程近似解误差估计的新一般理论。
2009-06-08 cs.NA math.AP math.NA
Random domain decomposition for parabolic PDEs on graphs
本文针对图上抛物型PDE计算成本高的问题,提出PDE层面的RBM非重叠随机区域分解格式,证明其一阶均方一致收敛性,并通过实验验证显著节省内存与计算时间。
2025-08-29 cs.NA math.AP math.NA
Deep splitting method for parabolic PDEs
ETH Zurich(苏黎世联邦理工学院);University of Münster(明斯特大学);Nanyang Technological University(南洋理工大学)
在本文中,我们介绍了一种结合算子分裂和深度学习的非线性抛物型偏微分方程的数值方法。它将偏微分方程近似问题分解为一系列独立的学习问题。由于每个子问题的计算图相对较小,该方法可以处理极高维的偏微分方程。我们从物理,随机控制和数学金融不同的例子测试的方法。在所有情况下,它都能在最多10,000个维度上以较短的运行时间产生非常好的结果。
2021-06-21 cs.LG cs.NA math.NA
Monotone Schemes for Fully Nonlinear Parabolic Path Dependent PDEs
University of Southern California(南加州大学)
本文扩展了Barles和Souganidis的开创性工作到路径依赖情况,基于路径依赖PDE的粘性理论,证明了单调方案收敛于唯一粘性解,并提出一个例子,且在解足够光滑时获得收敛速率。
2014-02-17 cs.NA math.AP math.NA
On rate of convergence of finite difference scheme for degenerate parabolic-hyperbolic PDE with Levy noise
本文针对带Lévy噪声的退化抛物-双曲型PDE,提出半离散有限差分格式,通过有界变差估计和Kružkov变量加倍变体,证明熵解与近似解$L^1$差期望以$(Δx)^{1/7}$速率收敛。
2023-12-21 cs.NA math.AP math.NA
Parabolic PDE-constrained optimal control under uncertainty with entropic risk measure using quasi-Monte Carlo integration
本文针对带随机热扩散系数和抛物型PDE约束的最优控制问题,提出定制化拟蒙特卡洛方法以高效计算期望值与熵风险度量中的高维积分,并证明其误差率与随机维度无关且优于普通蒙特卡洛方法。
2024-03-27 cs.NA math.NA math.OC
External optimal control of fractional parabolic PDEs
George Mason University(乔治梅森大学);University of Puerto Rico (Rio Piedras Campus), College of Natural Sciences(波多黎各大学(里奥皮埃拉斯校区)自然科学学院)
本文提出了一种新的最优控制概念,用于解决分数抛物型PDEs作为约束的反问题,允许在PDE所满足的领域外放置源或控制。本文讨论了Dirichlet、Neumann和Robin情况。对于分数椭圆型PDEs,这一概念最近由作者在文献中进行了研究。这些新最优控制概念的必要性源于经典PDE模型只能在边界或PDE所满足的内部放置源或控制,而分数算子的非局部行为现在允许在外部放置控制。本文引入了抛物型Dirichlet问题的弱解和非常弱解的概念,并提出了一种通过抛物型Robin解近似抛物型Dirichlet解的方法(并讨论了收敛速率)。对Dirichlet和Robin最优控制问题进行了完整分析。数值实验验证了我们的理论发现,并进一步展示了非局部模型相对于局部模型的潜在优势。
2019-04-11 cs.NA math.AP math.NA
The tangential cone condition for some coefficient identification model problems in parabolic PDEs
切向条件在[Hanke et al.,95]作为解不适定问题的Landweber迭代收敛的充分条件。在本文中,我们提出了一系列的不定常基准反问题,我们可以验证这个条件。
2021-08-05 cs.NA math.AP math.DS
Existence & Regularity of Weak Solutions of Degenerate Parabolic PDE Models for the Pricing of Security Derivatives
University of Phoenix(凤凰城大学);University of NC at Charlotte(北卡罗来纳大学夏洛特分校)
针对亚洲期权定价中出现的退化抛物型偏微分方程,通过有限差分数值格式证明边界退化模型的广义可解性,并研究解的正则性。
2009-02-11 cs.NA math.AP math.NA
Stabilization of Parabolic Time-Varying PDEs using Certified Reduced-Order Receding Horizon Control
University of Konstanz(康斯坦茨大学)
针对线性时变抛物型PDE,提出基于降阶模型的有限维滚动时域控制方法,证明指数稳定性与次优性,并引入Galerkin模型降阶与后验误差分析,实现自适应控制与可计算性能界。
2026-05-26 cs.NA math.NA math.OC
Besov regularity of non-linear parabolic PDEs on non-convex polyhedral domains
该文研究非凸域上半线性抛物方程的Besov空间正则性,证明其正则性足够支撑自适应算法应用,证明基于Schauder不动点定理。
2025-03-21 cs.NA math.AP math.NA
Multilevel Picard algorithm for general semilinear parabolic PDEs with gradient-dependent nonlinearities
针对系数非常数且非线性依赖梯度的一般半线性抛物型 PDE,提出多层 Picard 逼近算法,并借助 SFPE 证明解与梯度的表示、收敛性及复杂度,辅以 300 维数值验证。
2025-02-18 cs.NA math.AP math.NA
Asymptotic Stability of POD based Model Predictive Control for a semilinear parabolic PDE
University of Hamburg(汉堡大学);University of Konstanz(康斯坦茨大学)
本文利用非线性模型预测控制方法,结合POD降阶策略,对半线性抛物型PDE进行稳定反馈控制设计,并通过数值实验验证了算法的渐近稳定性。
2014-09-27 cs.NA math.AP math.NA
Numerical null controllability of parabolic PDEs using Lagrangian methods
本文提出基于拉格朗日与增广拉格朗日方法并结合无界时间权重的数值框架,求解多维抛物型方程在小子集分布控制下的零能控性问题,并通过2D和3D数值实验验证其有效性。
2024-11-21 cs.NA math.AP math.NA
Shape turnpike for linear parabolic PDE models
本文从最优控制的观点出发,介绍并研究了时变形状的收费公路性质。在这里,我们专注于二阶线性抛物型方程的形状作为一个源项,我们寻求最佳的时变形状,最大限度地减少了二次标准。我们首先在适当的充分条件下证明了最优解的存在性。然后,我们提供了必要条件的最优性的伴随方程,并使用严格耗散的概念,我们证明了状态和伴随满足测量收费公路属性,这意味着极值时变解仍然基本上接近相关的静态问题的最优解。我们发现,最佳形状享有指数收费公路财产的Hausdorff距离的迈耶二次成本。我们用几个数值模拟来说明最佳形状设计中的收费公路现象。
2020-06-22 cs.NA math.AP math.NA
A learning scheme by sparse grids and Picard approximations for semilinear parabolic PDEs
基于倒向随机微分方程(BSDEs)与非线性抛物型偏微分方程(PDEs)之间的经典联系,提出了一种求解高维半线性抛物型偏微分方程的新的概率学习方法.该方案受到来自机器学习的方法的启发,并使用Han等人的深度神经网络开发[32]。我们的算法是基于皮卡德迭代计划,其中一系列的线性二次优化问题是通过随机梯度下降(SGD)算法解决。在近似空间的线性规范的框架下,我们设法证明了我们的计划的收敛结果,在一定的小条件。在实践中,为了能够处理高维的例子,我们采用稀疏网格近似空间。在周期系数和使用预小波基函数的情况下,我们得到了我们的方法的全局复杂性的上界。它特别表明,灾难的维数是驯服的意义上,为了实现一个均方根误差的顺序$ε$,对于一个规定的精度$ε$,皮卡德算法的复杂性多项式增长$ε^{-1}$到一些对数因子$ |log(ε)| $,它线性增长的PDE尺寸。给出了各种数值结果来验证我们的方法的性能,并将其与Han等人[20]和Huré等人[37]中提出的一些最近的机器学习方案进行比较。
2021-02-24 cs.NA math.NA math.PR