A new preconditioner for elliptic PDE-constrained optimization problems
我们提出了一个预条件子来加速GMRES迭代法的收敛性,该迭代法用于求解线性方程组,该线性方程组是由应用于偏微分方程约束的最优控制问题的离散-优化方法得到的。讨论了预条件矩阵的特征值分布及其特征向量。数值结果的建议预处理器与几个现有的预处理器进行比较,以显示其效率。
2019-11-13 cs.NA math.NA
Finite element analysis for identifying the reaction coefficient in PDE from boundary observations
本文研究了椭圆型边值问题中由局部边界上的柯西数据确定反应系数的非线性反问题。然后,我们同时检查两个椭圆边值问题产生的柯西数据。输出最小二乘法与Tikhonov正则化被施加到寻找近似的系数。我们用分段线性有限元离散偏微分方程。这种技术的稳定性和收敛性,然后建立。一个数值实验来说明我们的理论研究结果。
2019-06-21 cs.NA math.NA math.OC
Higher-order moving mesh methods for PDE-constrained shape optimization
University of Oxford(牛津大学)
本文提出一种高阶移动网格方法,用于解决偏微分方程约束形状优化问题,该方法兼容高阶有限元离散化,并能实现任意光滑形状的高精度求解。
2017-06-09 cs.NA math.NA
Laplacian preconditioning of elliptic PDEs: Localization of the eigenvalues of the discretized operator
Institute of Computer Sciences, Czech Academy of Science(捷克科学院计算机科学研究所);Faculty of Mathematics and Physics, Charles University(查理大学数学物理学院);Department of Mathematics, University of Oslo(奥斯陆大学数学系);Department of Numerical Analysis and Scientific Computing, Simula Research Laboratory(Simula研究实验室数值分析与科学计算部);Faculty of Science and Technology, Norwegian University of Life Sciences(挪威生命科技大学理学院)
本文研究了使用拉普拉斯逆作为预处理器的椭圆偏微分方程的特征值局部化问题,证明了在不连续情况下,k(x)的图像与预处理算子的谱范围存在一一对应关系。
2018-09-11 cs.NA math.NA
Nitsche-XFEM for optimal control problems governed by elliptic PDEs with interfaces
School of Mathematics, Sichuan University(四川大学数学学院)
本文提出基于Hansbo的Nitsche-XFEM方法,用于求解具有界面的椭圆PDE最优控制问题,推导了状态、共轭状态和控制的最优误差估计,并验证了非均质界面条件的适用性。
2018-05-10 cs.NA math.NA math.OC
Improved penalty algorithm for Mixed Integer PDE Constrained Optimization Problems
包含偏微分方程(PDE)和整数约束的最优控制问题融合了整数规划的组合困难和离散化PDE所产生的与大规模系统相关的挑战。到目前为止,分支定界框架一直是此类问题最常见的解决策略。为了提供一种可供选择的解决方法,特别是在大规模的情况下,本文研究了惩罚技术。从一个著名的家庭现有的精确惩罚算法的启发,一个新的改进的惩罚算法,其关键成分是盆跳跃策略和内点方法,这两个都是专门为问题类。一个标准的平稳测试问题进行了彻底的数值研究。对流扩散以及非线性测试问题的扩展最终证明了该方法的多功能性。
2021-09-08 cs.NA math.NA math.OC
Optimal solvers for fourth-order PDEs discretized on unstructured grids
LSEC, Institute of Computational Mathematics and Scientific/Engineering Computing, Academy of Mathematics and System Sciences, Chinese Academy of Sciences(中国科学院数学与系统科学研究院计算数学与科学工程计算研究所);Center for Computational Mathematics and Applications, Department of Mathematics, The Pennsylvania State University(宾夕法尼亚州立大学数学系计算数学与应用中心)
本文针对任意多边形域上非结构化网格中四阶方程的直接有限元离散,首次提出可证明的O(N log N)算法,通过混合形式离散构造最优预条件子,并简化为求解多个离散泊松方程。
2012-03-03 cs.NA math.AP math.NA
Reliable Error Estimates for Optimal Control of Linear Elliptic PDEs with Random Inputs
针对带随机输入的线性椭圆型偏微分方程风险中性最优控制问题,提出蒙特卡洛采样结合有限元的离散化方法,建立了解的指数尾界,证明有限维解可可靠估计原问题解,并通过数值模拟验证理论。
2023-08-01 cs.NA math.NA math.OC
Interior Point Methods and Preconditioning for PDE-Constrained Optimization Problems Involving Sparsity Terms
The University of Edinburgh(爱丁堡大学);Università degli Studi di Firenze(佛罗伦萨大学);Technische Universität Chemnitz(开姆尼茨工业大学)
本文提出了一种内点法用于解决包含稀疏项的偏微分方程约束优化问题,通过引入高效的预处理技术,提高了求解效率和鲁棒性。
2019-02-11 cs.NA math.NA math.OC
PDE-Based Optimization for Advection Diffusion Equation in 2D Domain
在本文中,我们提出了一个基于偏微分方程的优化动机的微流体传热问题,以寻找最佳的不可压缩速度场在二维域。为了求解这个最优化模型,我们使用谱方法对模型进行离散化,得到一个基于常微分方程的最优化模型。这种方法大大降低了离散化最优化模型的复杂性,并给出了一个更精确的近似原始PDE的优化。得到了一些理论结果。
2022-08-07 cs.NA math.AP math.DS
A positivity-preserving unigrid method for elliptic PDEs
针对带正性约束的离散椭圆型PDE,本文提出基于多重网格单网格变体的迭代算法,使近似求解全过程保持非负,并通过一维、二维数值实验验证其有效性与计算权衡。
2023-06-05 cs.NA math.NA
Approximate Linearization of Fixed Point Iterations: Error Analysis of Tangent and Adjoint Problems Linearized about Non-Stationary Points
以前的论文已经显示了离散偏微分方程的部分收敛的切线和伴随线性化的准确性的影响。一系列论文建议将求解过程中使用的不动点迭代线性化,作为计算灵敏度的一种手段,而不是将离散PDE线性化,因为非线性问题的收敛性不足表明控制方程的离散化形式没有得到满足。这些工作表明,近似线性化的精度部分取决于非线性系统的收敛性。这项工作显示了一个误差分析的影响,近似线性化和收敛的非线性问题的切线和伴随模式,并提供了一系列的结果,一个精确的牛顿求解器,一个不精确的牛顿求解器,和一个低存储显式Runge-Kutta计划,以确认误差分析。
2022-02-23 cs.NA math.NA
An Optimal EDG Method for Distributed Control of Convection Diffusion PDEs
Sichuan University(四川大学);Missouri University of Science and Technology(密苏里科技大学)
本文提出了一种嵌入式不连续Galerkin方法来近似由对流扩散PDEs支配的分布式控制问题,并获得了状态、共轭状态、其通量及控制的最优先验误差估计。此外,证明了优化后离散(OD)和离散后优化(DO)方法是等价的。数值结果验证了理论结果。
2017-12-29 cs.NA math.NA
Variational method for multiple parameter identification in elliptic PDEs
University of Hamburg(汉堡大学);University of Goettingen(哥廷根大学)
本文研究了通过测量数据同时识别椭圆偏微分方程的扩散矩阵、源项、边界条件及状态的逆问题,采用基于能量函数的变分法结合Tikhonov正则化进行处理,并通过有限元方法离散PDE并分析收敛性与误差界。
2018-01-17 cs.NA math.NA
Error bounds for PDE-regularized learning
Freie Universität Berlin(柏林自由大学)
在这项工作中,我们考虑的监督学习问题的正则化偏微分方程(PDE),并获得误差界的PDE误差项和数据误差项的近似。假设目标函数满足未知PDE,PDE误差项量化了用于正则化的辅助PDE对该PDE的近似程度。它示出,如果提供更多的数据,这个误差项减小。数据误差项量化了给定数据的准确性。此外,偏微分方程正则化的学习问题的离散化广义伽辽金离散化解决相关的最小化问题的无限维函数空间的子集,这不一定是子空间。对于这样的离散误差界的PDE误差,数据误差,和最佳逼近误差。
2020-03-14 cs.LG cs.NA math.NA
A priori error estimates for the space-time finite element discretization of an optimal control problem governed by a coupled linear PDE-ODE system
本文研究了简化线性梯度增强损伤模型下的最优控制问题的时空Galerkin有限元离散的先验误差估计。该模型方程是一个特殊的结构,状态方程包括一个椭圆PDE,它必须在几乎所有的时间都满足耦合的ODE,必须在几乎所有的空间点成立。状态方程在时间上采用分段常数间断伽辽金法离散,在空间上采用协调线性有限元离散。对于控制的离散化,我们采用相同的离散化技术,这被证明是等价的变分离散化途径。我们提供的误差估计的最佳顺序的状态方程的离散化以及最优控制。数值实验证明了收敛速度。
2020-04-09 cs.NA math.NA math.OC
A low-rank tensor method for PDE-constrained optimization with isogeometric analysis
Technische Universität Chemnitz(开姆尼茨工业大学);University of Bath(巴斯大学)
本文提出了一种低秩张量方法,用于解决通过等几何分析离散化的PDE约束优化问题,通过将大规模质量矩阵和刚度矩阵表示为少量Kronecker积之和,从而减少计算时间和存储需求。
2018-11-23 cs.NA math.NA
Conditional gradients for total variation regularization with PDE constraints: a graph cuts approach
University of Twente(特文特大学)
该研究从凸几何视角研究带TV正则化的PDE约束最优控制极小化问题,推导了全变分单位球极值点相关理论,提出基于几何的高效求解算法并验证了离散解对连续极限解的逼近性。
2024-07-15 cs.NA math.AP math.NA
Optimal Interpolation Data for PDE-based Compression of Images with Noise
我们介绍和讨论基于形状的模型,找到最好的插值数据的压缩图像的噪声。我们的目标是重建丢失的区域,通过最小化的数据拟合项之间的$L^2$规范的图像和它们的重建的对应物使用时间相关的PDE修复。我们分析了所提出的模型的框架中的$Γ$ -收敛从两个不同的角度来看。首先,我们考虑一个连续的平稳偏微分方程模型,通过专注于离散化的时间相关偏微分方程的第一次迭代,并得到逐点信息的“相关性”的每个像素的拓扑渐近方法。其次,我们引入了一个有限维设置的连续模型的基础上“脂肪像素”(球具有正半径),我们研究了$Γ$ -收敛的渐近时,半径为零。数值计算证实了我们的理论研究结果的有用性,为非平稳偏微分方程为基础的图像压缩。
2022-02-22 cs.NA math.NA
Error estimates for fractional semilinear optimal control on Lipschitz polytopes
我们采用积分定义的分数拉普拉斯算子和分析解决方案的技巧,分数,半线性,椭圆最优控制问题的Lipschitz多面体。我们考虑两种策略的离散化:半离散计划的容许控制集不离散和全离散计划,这样的一组离散与分段常数函数。作为一个工具性的步骤,我们得到了分数阶半线性椭圆型偏微分方程(PDE)在拟均匀网格和梯度网格上的有限元离散的误差估计。有了这些估计在手,我们推导出误差界的半离散计划和改进的文献中提供的全离散计划。
2023-02-28 cs.NA math.NA math.OC
Multilevel quadrature formulae for the optimal control of random PDEs
本文提出用多层求积公式求解随机PDE约束最优控制问题,通过组合各层伴随变量得到控制近似,并以MLMC验证其相较标准Monte Carlo具有更优计算复杂度。
2025-05-16 cs.NA math.NA math.OC
Stochastic Galerkin Method and Hierarchical Preconditioning for PDE-constrained Optimization
Lehigh University(利哈伊大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文提出基于随机伽辽金方法的分层预条件器,用于解决偏微分方程约束优化中的大规模病态线性系统问题,提升迭代求解器的收敛效率。
2026-02-23 cs.NA math.AP math.NA
Box constraints and weighted sparsity regularization for identifying sources in elliptic PDEs
我们探讨使用边界数据来识别椭圆偏微分方程中的源的可能性。尽管相关的前向算子具有大的零空间,但事实证明,箱约束与加权稀疏正则化相结合,可以实现具有恒定幅度/强度的源的相当准确的恢复。此外,对于具有变化强度的源,逆解的支持将是真实源的支持的子集。我们提出了一个问题的分析和一系列的数值实验。我们的工作只解决离散问题。引入加权过程的原因是,标准(未加权)稀疏正则化不能提供足够的结果,本文考虑的源识别任务。这项调查也是出于应用的动机,例如,从重力场和逆散射的测量中恢复质量分布。我们发展的方法和分析方面的欧几里得空间,因此,我们的结果可以应用到许多问题。例如,结果同样适用于模型,包括筛选泊松方程的模型,使用亥姆霍兹方程,与大波数和小波数。
2023-03-03 cs.NA math.NA math.OC
Quasi-best approximation in optimization with PDE constraints
Technische Universität Dortmund(多特蒙德工业大学);Università degli Studi di Milano(米兰大学);Technische Universität Darmstadt(达姆施塔特工业大学)
本文研究了在有偏微分方程约束的二次优化问题中有限元解的准最佳逼近特性,通过构造合适的最优性系统,证明了变分离散化中状态和伴随状态的总误差被底层离散空间的最佳逼近误差所限制,并给出了与Tikhonov正则化参数相关的常数。
2019-04-15 cs.NA math.NA math.OC
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
Numerical Analysis for a Hyperbolic PDE-Constrained Optimization Problem in Acoustic Full Waveform Inversion
针对声学全波形反演中的非线性双曲PDE约束优化问题,提出全离散逼近方案,证明离散问题适定性、状态离散的稳定一致收敛性及离散局部极小值点对原问题局部极小值点的强收敛性。
2025-01-18 cs.NA math.NA math.OC
On the convergence rates of generalized conditional gradient method for fully discretized Mean Field Games
Graduate School of Mathematical Sciences, The University of Tokyo(东京大学大学院数理科学研究科)
本文研究了广义条件梯度方法在完全离散均场博弈中的收敛率,推导了离散误差估计并验证了理论结果。
2026-10-19 cs.NA math.NA
Randomized Reduced Basis Methods for Parameterized Fractional Elliptic PDEs
本文针对参数化分数阶椭圆型PDEs的重复模拟,提出一种结合Kato积分公式、MPGMRES-Sh求解器和随机化快照压缩的高效降阶基方法,兼顾计算与内存效率。
2023-06-29 cs.NA math.NA
Fractional semilinear optimal control: optimality conditions, convergence, and error analysis
采用分数阶Laplace算子的积分定义,分析了一类分数阶半线性椭圆型偏微分方程(PDE)的最优控制问题,并考虑了控制约束.我们建立了分数阶半线性椭圆偏微分方程的适定性,并分析了其正则性和合适的有限元离散。在我们的最优控制问题的设置,我们推导出最优解的存在性以及第一和第二阶最优性条件的最优变量的正则性估计也进行了分析。我们设计了一个完全离散的计划,近似控制变量与分段常数函数的状态和伴随方程离散连续分段线性有限元。我们分析了离散化的收敛性质,并推导出先验的误差估计。
2021-09-03 cs.NA math.NA math.OC
NeuFENet: Neural Finite Element Solutions with Theoretical Bounds for Parametric PDEs
Iowa State University(爱荷华州立大学);New York University(纽约大学)
我们考虑一个基于网格的方法来训练一个神经网络,以产生参数偏微分方程(PDE)的解决方案的现场预测。这种方法对比了当前的“神经PDE求解器”的方法,采用基于搭配的方法来逐点预测PDE的解决方案。这种方法的优点是自然地执行不同的边界条件,以及容易调用发达的PDE理论-包括数值稳定性和收敛性分析-以获得我们提出的神经网络在离散域的能力界限。我们探索我们的网格为基础的战略,称为NeuFENet,使用加权Galerkin损失函数的基础上的有限元法(FEM)的参数椭圆PDE。加权伽辽金损失(FEM损失)类似于能量泛函,其产生改进的解,满足先验网格收敛,并且可以模拟Dirichlet和Neumann边界条件。我们从理论上证明,并说明与实验,收敛结果类似网格收敛分析部署在有限元解偏微分方程。这些结果表明,基于网格的神经网络方法作为一个有前途的方法来解决参数偏微分方程的理论界。
2021-10-13 cs.LG cs.NA math.NA
Optimal experimental design under irreducible uncertainty for linear inverse problems governed by PDEs
我们提出了一种方法来计算A-最优传感器放置的无限维贝叶斯线性逆问题的偏微分方程与不可约的模型不确定性。这里,不可约不确定性是指除了反问题中的参数之外,还存在于模型中的不确定性,并且不能通过观察来减少。具体来说,给定模型不确定性的统计分布,我们计算使后验协方差迹线的期望值最小化的最优设计。期望值离散化使用蒙特卡洛导致一个目标函数组成的跟踪运营商和二进制诱导罚款的总和。这个目标的最小化需要在每一步中进行大量的PDE求解。为了使这个问题的计算容易处理,我们构建了一个复合低秩的基础上使用随机测距算法,以消除向前和伴随PDE解决方案。我们还提出了一种新的配方的A-最优设计目标,需要跟踪的操作员在观察,而不是参数空间。使用加权正则化$\ell_0$ -稀疏化方法来强制执行二进制结构。我们提出的数值结果推断的初始条件在地下流问题的固有的不确定性,在流场和初始时间。
2020-03-30 cs.NA math.NA math.OC
A narrow-band unfitted finite element method for elliptic PDEs posed on surfaces
University of Houston(休斯顿大学)
本文提出了一种用于在高维空间中解椭圆偏微分方程的窄带非贴合有限元方法,通过将表面隐式表示为水平集函数的零水平线,并在表面邻域内扩展表面方程,从而在与表面不贴合的网格上求解非退化的PDE,给出了误差估计和高阶有限元的收敛性条件。
2015-01-14 cs.NA math.NA
Deep Domain Decomposition Method: Elliptic Problems
本文提出了一种基于深度学习的区域分解方法(DeepDDM),该方法利用深度神经网络(DNN)将区域分解方法(DDM)划分的子问题离散化,用于求解偏微分方程(PDE)。使用DNN求解PDE是一个物理信息学习问题,目标涉及两个项,域项和边界项,它们分别使期望解满足PDE和相应的边界条件。DeepDDM将通过调整DNN解决每个子问题的边界项,在DDM中的接口上交换子问题信息。受益于DNN用于PDE的简单实现和无网格策略,DeepDDM将简化DDM的实现,并使DDM对于复杂PDE更加灵活,例如,那些在计算域中具有复杂接口的系统。本文将首先研究使用DeepDDM解决椭圆问题的性能,包括模型问题和接口问题。数值例子表明,DeepDDM表现出与传统DDM一致的行为:DeepDDM的迭代次数与网络结构无关,并随着重叠大小的增加而减少。DeepDDM在椭圆问题上的性能将鼓励我们进一步研究其在其他类型PDE上的性能,并可能为通过深度学习改进PDE求解器提供新的见解。
2020-04-10 cs.NA math.NA
State-based nested iteration solution of optimal control problems with PDE constraints
本文提出一个抽象框架,用时空有限元离散化求解受偏微分方程约束的最优控制问题,推导正则化与网格尺寸的最优关系,并设计基于状态的嵌套迭代以实现渐近最优复杂度求解。
2025-05-25 cs.NA math.NA
A Novel Preconditioning Framework for Solving Nonlinear PDEs based on Fenchel-Rockafellar Duality and Transformed Primal-Dual Techniques
University of California, Irvine(加州大学尔湾分校);Sichuan University(四川大学);The Chinese University of Hong Kong(香港中文大学)
本文提出DualTPD方法求解非线性偏微分方程,利用Fenchel-Rockafellar对偶解耦、变换原始-对偶动力学加速收敛及高效预处理器,实验显示网格无关的全局收敛和显著效率提升。
2025-10-17 cs.NA math.NA
Mitigating Numerical Stiffness in Least-Squares Formulations of Elliptic PDEs for Physics-Informed Neural Networks
Helmholtz-Zentrum Dresden-Rossendorf e.V.(亥姆霍兹德累斯顿-罗斯多夫中心);University of Wrocław(弗罗茨瓦夫大学)
研究物理驱动神经网络学习偏微分方程解时\(H^{-1}\)残差损失公式,分析椭圆型偏微分方程中\(H^{-1}\)范数离散化,证明其可平衡偏微分方程损失、改善条件并减轻刚性,通过实验验证。
2026-07-07 cs.NA math.NA
Carleman Linearization of Parabolic PDEs: Well-posedness, convergence, and efficient numerical methods
本研究将Carleman线性化拓展至无穷维希尔伯特空间的二次非线性动力系统,证明其适定性与收敛性,分析离散化误差分解,提出用结构感知数值方法缓解维数灾难,并通过实验验证,为抛物型PDE求解提供新方法支撑。
2025-10-01 cs.NA math.NA
Adjoint Monte Carlo Method
本综述系统梳理伴随蒙特卡洛方法,结合蒙特卡洛梯度估计与PDE约束优化,解决动力学方程高维优化问题,并给出辐射传输与玻尔兹曼方程的应用指南。
2024-05-22 cs.NA math.NA physics.comp-ph
Accelerating the convergence of Newton's method for nonlinear elliptic PDEs using Fourier neural operators
针对用牛顿法求解有限差分离散的非线性椭圆PDE时初始猜测不当导致收敛困难的问题,提出用结合数据项与物理项损失的FNO构建与网格分辨率无关的解近似作为初始猜测,可大幅加速收敛,在强非线性、各向异性问题及粗网格上效果更优。
2024-10-30 cs.NA math.NA
A PDE approach to fractional diffusion in general domains: a priori error analysis
University of Maryland(马里兰大学)
通过将分数阶算子实现为半无限圆柱上退化/奇异椭圆问题的Dirichlet-to-Neumann映射,提出截断和有限元离散方法,并给出加权Sobolev空间中的先验误差估计。
2013-02-04 cs.NA math.NA
PDE-constrained optimization for electroencephalographic source reconstruction
介绍了一种新的脑电逆问题的数值方法。我们提出的逆EEG问题作为一个最优控制(OC)问题的泊松方程。最优性条件导致变分系统的微分方程。它是直接在有限元空间离散导致一个线性方程组与稀疏的Karush-Kuhn-Tucker矩阵系统。该方法使用有限元离散化,因此可以处理几乎任意复杂的基于MRI的网格。它扩展了众所周知的混合准可逆性方法(mQRM),在逐点噪声数据明确出现在配方中,使不必要的繁琐的插值的噪声数据从电极到头皮表面。由此产生的代数问题有很大的不同,从混合准可逆性,但只是稍微大。该算法的一个有趣的特点是,它不需要形成的铅场矩阵。我们的测试,无论是球形和基于MRI的网格,表明该方法准确地重建皮质活动。
2022-04-13 cs.NA math.NA
An accelerated Poisson solver based on multidomain spectral discretization
Department of Applied Mathematics, University of Colorado at Boulder(科罗拉多大学博尔德分校应用数学系)
本文提出一种用于二维领域上变量系数椭圆型PDE的数值方法,采用高局部阶(30阶以上)多域谱摄动法求解,通过局部网格细化可获得高精度解,采用直接求解器实现O(N^1.5)的因子分解复杂度和O(N log N)的求解复杂度,适用于时间隐式离散的抛物问题椭圆求解。
2016-12-08 cs.NA math.NA
A variational interpretation of Restricted Additive Schwarz with impedance transmission condition for the Helmholtz problem
在本文中,我们重新审查的限制添加剂施瓦茨方法求解离散亥姆霍兹问题,使用阻抗边界条件的子域(有时称为ORAS)。我们提出了这种方法在其变分形式,并表明,它可以被看作是一个并行重叠的区域分解方法定义在PDE水平的有限元离散。在第四篇论文中,作者在一定的几何假设下,在偏微分方程水平上证明了该方法的误差传播算子的某些压缩性质。我们计算说明,这些属性也享有其有限元近似,即,ORAS方法。
2021-06-10 cs.NA math.NA
General Numerical Framework to Derive Structure Preserving Reduced Order Models for Thermodynamically Consistent Reversible-Irreversible PDEs
本文提出基于能量二次化(EQ)和广义Onsager原理的一般数值框架,为热力学一致的可逆-不可逆偏微分方程系统推导保结构降阶模型,并自动生成线性、易实现且唯一可解的保热力学定律数值算法。
2023-12-04 cs.NA math.NA
Coupling non-conforming discretizations of PDEs by spectral approximation of the Lagrange multiplier space
这项工作的重点是发展一个非协调的区域分解方法的近似偏微分方程的基础上施加的弱传输条件:连续性的整体解决方案是强制执行的离散数量的拉格朗日乘子定义在相邻子域的接口。该方法属于原始混合方法类,其中还包括著名的砂浆方法。从martar方法出发,我们采用谱近似离散界面上的基函数空间,而不依赖于两个相邻区域的离散,其中一个可能的选择是用Fourier基函数来近似界面变分空间。正如我们在数值模拟中所示,我们的方法非常适合于解决非协调网格或在每个子域中具有不同多项式次数的有限元基函数的问题。该方法的另一个仍需研究的应用是从其他不相容方法(如有限元法、谱元法或等几何分析)获得的解的耦合。
2018-02-21 cs.CE cs.NA math.NA
Adaptive SIPG method for approximations of boundary control problems governed by parabolic PDEs
本文针对带双边盒约束的抛物型Neumann边值控制问题,提出基于SIPG离散的自适应有限元方法,推导可靠且高效的残差型误差估计子,并通过数值实验证明自适应细化优于均匀细化。
2025-07-20 cs.NA math.NA
A high-order discontinuous Galerkin in time discretization for second-order hyperbolic equations
本文的目的是将高阶时间间断格式应用于二阶双曲型偏微分方程。我们首先在时间上离散偏微分方程,同时保持空间微分算子不离散。分析了该半离散格式的适定性,并在能量范数下给出了先验误差估计。然后,我们结合这个$hp$版本的不连续Galerkin方法的时间离散与$H^1$符合有限元近似的空间变量,构建一个完全离散的计划。在能量范数和$L^2$ -范数下得到了先验误差估计。数值实验验证了理论结果。
2021-11-29 cs.NA math.NA
Efficient numerical approximation of a non-regular Fokker--Planck equation associated with first-passage time distributions
在神经科学中,决策时间的分布是通过具有时间依赖边界和时空依赖漂移的一维福克-普朗克方程来建模的。需要对该方程的解进行有效的近似,例如,用于模型评估和参数拟合。然而,规定的边界条件会导致强奇异性,从而导致数值逼近收敛缓慢。本文通过对已知函数的变换和相减,证明了该解可与具有齐次初边值条件的矩形空间-时域上抛物型偏微分方程的解相联系。我们验证了新的偏微分方程的解决方案确实是更经常比原来的偏微分方程的解决方案,并继续离散新的偏微分方程使用时空最小残差方法。我们还表明,解决方案取决于分析确定的边界以及漂移的参数。这证明了使用稀疏张量积插值方法来近似各种参数范围的PDE解是合理的。数值模拟证实了最小残差法和插值方法的预测收敛速度。
2021-12-16 cs.NA math.NA
A combination technique for optimal control problems constrained by random PDEs
提出一种基于空间近似和随机变量求积公式混合差分的组合技术,高效求解受随机偏微分方程约束的最优控制问题,在保持精度的同时大幅降低计算成本并避免传统方法缺点。
2024-03-28 cs.NA math.NA
Convergence of the Two Point Flux Approximation and a novel fitted Two-Point Flux Approximation method for pricing options
本文研究了求解Black-Scholes偏微分方程的数值逼近方法。众所周知,这种PDE是退化的。空间离散采用经典的两点通量近似(TPFA)有限体积法和一种新的两点通量近似(TPFA)方法,其中两点通量近似(TPFA)是将两点通量近似方法与拟合有限体积方法相结合的方法。更精确地说,当股票价格趋近于零时,为了处理偏微分方程的退化问题,采用了有限体积法,而在剩余的空间域上采用了TPFA方法。这种组合产生我们的新的拟合TPFA计划。时间离散采用欧拉法。我们给出了这两个全离散格式的严格收敛性证明。提供了数值实验来支持我们的理论结果。
2019-12-29 cs.CE cs.NA math.NA
CROM: Continuous Reduced-Order Modeling of PDEs Using Implicit Neural Representations
Columbia University(哥伦比亚大学);Meta Reality Labs Research(Meta现实实验室);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);University of Toronto(多伦多大学)
高保真偏微分方程(PDE)求解器的长运行时间使其不适合时间关键型应用。我们建议使用降阶建模(ROM)来加速PDE求解器。虽然以前的ROM方法降低了离散向量场的维数,我们的连续降阶建模(CROM)方法建立了一个低维嵌入的连续向量场本身,而不是他们的离散化。我们表示这种减少流形使用连续可微神经领域,这可能训练上的任何和所有可用的连续系统的数值解,即使它们是使用不同的方法或离散化。我们验证了我们的方法在广泛的偏微分方程与训练数据从体素网格,网格和点云。与线性子空间本征正交分解(POD)和基于非线性流形神经网络的自编码器等依赖于离散化的ROM方法相比,CROM具有精度高、内存消耗少、分辨率动态自适应、适用于任意离散化等特点。对于相同的潜在空间维数,CROM表现出79 $\times$和49 $\times$更好的准确性,和39 $\times$和132 $\times$更小的内存占用,分别比POD和自动编码器的方法。实验表明,109 $\times$和89 $\times$挂钟加速比未减少模型的CPU和GPU上,分别。视频和代码可在项目页面上获得:https://crom-pde.github.io
2023-03-03 cs.CE cs.GR cs.LG