Numerical solution of optimal control of atherosclerosis using direct and indirect methods with shooting/collocation approach
我们提出了一个直接的数值方法的解决方案的最优控制问题控制的LDL,HDL和斑块的增长。最优控制问题是由三个抛物方程、一个椭圆方程和一个常微分方程组成的耦合非线性自由边界和混合边界偏微分方程组约束的。第一步,将原问题从自由边界问题转化为固定边界问题,从混合边界条件转化为Neumann边界条件。然后,利用不动点配置法求解了该最优控制问题.在不动点迭代的每一步中,将问题转化为线性问题,然后用配置法求解方程组,得到一个NLP,用序列二次规划求解。然后,所得到的解决方案进行了验证,使用间接的方法源于一阶最优性条件。数值结果被认为是说明方法的有效性。
2022-03-05 cs.NA math.NA math.OC
Convergence of the shooting algorithm for singular optimal control problems
Imperial College of London(伦敦帝国学院)
本文提出一种用于线性控制变量部分的最优控制问题的射击算法,通过二次充分条件证明算法局部二次收敛,并通过数值示例验证。
2013-06-29 cs.NA math.NA math.OC
Shooting method for solving two-point boundary value problems in ODEs numerically
本文探讨使用打靶技术数值求解高阶常微分方程两点边值问题,将线性打靶推导为线性代数应用,并用Newton-Kantorovich定理描述非线性打靶,讨论了快速收敛的条件并通过实例验证。
2022-08-28 cs.NA math.NA nlin.PS
Hamilton-Green solver for the forward and adjoint problems in photoacoustic tomography
在光声层析成像(PAT)中的声学问题的大多数求解器依赖于波动方程的完全解,这使得它们不太适合于只有部分数据可用的实时和动态应用。这与其他断层摄影模态(例如X射线断层摄影)形成对比,在其他断层摄影模态中,部分数据意味着应用前向算子和伴随算子的部分成本。在这项工作中,我们提出了一种新的求解器的前向和伴随波方程的声学问题的PAT。我们提出的求解器汉密尔顿-格林,因为它近似的基本解,以相应的波动方程的哈密顿系统的轨迹从高频渐近波动方程。这种方法是快速和可扩展的,因为它允许以全波解决方案的一小部分成本独立地计算每个传感器的解决方案。我们的方法的理论基础是植根于地震学和海洋声学的结果。我们目前的结果与异质声速的2D数值幻影,我们对全波解决方案进行评估与伪谱方法在k-Wave工具箱中实现。
2021-06-19 cs.NA math.NA
Generalization of partitioned Runge--Kutta methods for adjoint systems
本研究计算常微分方程数值解的函数相对于初始条件的梯度。伴随方法通过数值求解相应的伴随系统来近似计算梯度。在这种情况下,Sanz-Serna [SIAM Rev.,58(2016),pp. 3- 33]表明,当用Runge-Kutta(RK)方法求解初值问题时,通过将适当的RK方法应用于伴随系统,可以精确地计算梯度。本文针对用分块RK(RK)方法求解初值问题的情形,给出了一种能给出精确梯度的伴随系统的数值方法,它可以看作是RK(RK)方法的推广.
2020-04-06 cs.NA math.NA
Neural network guided adjoint computations in dual weighted residual error estimation
在这项工作中,我们关注的是神经网络引导的面向目标的后验误差估计和使用双加权残差方法的自适应性。用经典的Galerkin有限元求解原问题。伴随问题的解决,在强的形式与前馈神经网络使用两个或三个隐藏层。我们的方法的主要目标是探索解决伴随问题的替代方案,具有更大的数值成本降低的潜力。该算法是基于一般的面向目标的误差估计定理,包括线性和非线性静态偏微分方程和目标泛函。我们的发展证实了一些数值实验,包括神经网络计算的伴随和经典的有限元解决方案的伴随比较。在编程软件中,开源库deal.II成功地与PyTorch C++应用编程接口LibTorch耦合。
2021-02-24 cs.NA math.NA
Time-fractional porous medium equation: Erdélyi-Kober integral equations, compactly supported solutions, and numerical methods
时间分数阶多孔介质方程是许多水文、物理和化学流动的重要模型。我们研究了它的自相似解,它构成了许多重要的实验测量情况的轮廓。证明了在一维情形下一般初边值问题存在唯一解。当补充边界条件的物理模型,该问题表现出自相似的解决方案描述的Erdélyi-Kober分数算子的使用。使用向后打靶法,我们表明,存在一个唯一的解决方案,我们的问题。打靶法不仅在推导理论结果时有用。我们利用它来设计一个有效的数值方案来解决管理问题,以及两种方法离散的Erdélyi-Kober分数阶导数。由于后者是一个非局部算子,它的数值实现必须包括一些截断。我们找到正确的截断制度,并证明了几个误差估计。此外,还可以用后向打靶法来求解主问题,并给出了收敛性证明。主要困难在于扩散系数的简并性。我们通过一些正则化来克服它。我们的研究结果补充了数值模拟,验证了理论研究结果。
2023-03-03 cs.NA math.AP 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
Differentiate the Solver, Not the Equation: Reverse-Sweep Adjoints for Block Implicit Simulation
Stanford University(斯坦福大学);University of California, Los Angeles(加州大学洛杉矶分校);LightSpeed Studios, Tencent America(腾讯美国光速工作室);The University of Utah(犹他大学)
该研究提出求解器级微分方法,针对块隐式模拟设计反向扫描伴随求解器,在精度匹配的前提下,比现有方法更快、内存占用更少,可扩展至大规模可微弹性动力学模拟。
2026-08-11 cs.GR cs.LG cs.NA
Overlapping Schwarz methods with GenEO coarse spaces for indefinite and non-self-adjoint problems
本文将GenEO粗空间方法从自伴正定问题推广到非自伴且不定的对流-扩散-反应问题,证明了预条件GMRES迭代次数对扩散系数变化具有鲁棒性,并验证了其并行求解效率。
2022-03-26 cs.NA math.NA
Monte Carlo Gradient in Optimization Constrained by Radiative Transport Equation
Monte Carlo(MC)求解器能否直接用于求解偏微分方程约束最优化问题的基于梯度的方法?在这些问题中,损失函数的梯度通常表示为两个PDE解的乘积,一个用于向前方程,另一个用于伴随方程。当使用MC求解器时,数值解是Dirac测度。因此,人们立即面临着解释两个测度相乘的困难。这表明MC求解器与PDE约束下的基于梯度的优化自然不兼容。在本文中,我们研究了两种不同的策略来克服困难。一种是采用离散优化技术,对代数系统进行全优化,避开了Dirac测度。第二种策略是先优化后离散化。我们提出了一个相关的模拟,而不是使用MC求解器分别为正向和伴随的问题,我们回收样本的正向模拟中的伴随求解器。这框架的伴随解决方案作为一个检验函数,因此允许严格的收敛性分析。研究是通过透镜的辐射传输方程,无论是在逆设置从光学成像或在最优控制框架。我们详细的算法开发,收敛性分析,和复杂性成本。还提供了数字证据来证明索赔。
2022-09-25 cs.NA math.NA
Goal-oriented error analysis of iterative Galerkin discretizations for nonlinear problems including linearization and algebraic errors
考虑非线性偏微分方程线性化迭代解的目标定向误差估计。对于伴随问题和迭代求解器,我们认为,而不是原始问题的微分,一个合适的线性化,保证伴随的数值方案的一致性。我们推导出误差估计,并开发了一种有效的自适应算法,该算法平衡了离散化和使用迭代求解器所产生的误差。数值算例表明了该算法的有效性。
2023-01-23 cs.NA math.NA
The adjoint double layer potential on smooth surfaces in $\mathbb{R}^3$ and the Neumann problem
本文通过曲线坐标展开与参数化 Green 函数正则化处理伴随双层位势的奇异性,并将其用于求解三维内部 Neumann 问题,实现约 $O(h^4)$ 收敛。
2023-09-29 cs.NA math.NA
An $r$-adaptive finite element method using neural networks for parametric self-adjoint elliptic problem
Faculty of Engineering, Pontificia Universidad Católica de Chile(智利天主教大学工程学院);Institute for Mathematical and Computational Engineering (IMC), Pontificia Universidad Católica de Chile(智利天主教大学数学与计算工程研究所);University of the Basque Country (UPV/EHU)(巴斯克地区大学);Basque Center for Applied Mathematics (BCAM)(巴斯克应用数学中心)
本文提出一种基于神经网络的r-自适应有限元方法,以Ritz能量泛函为损失函数优化网格节点位置,用于求解参数化自伴随椭圆问题,并在参数化Poisson问题上验证了有效性。
2025-06-29 cs.NA math.NA
The Iterative Transformation Method
在变换方法中,通过求解一个或多个相关的初值问题来获得给定边值问题的数值解。因此,变换方法,如打靶法,是初始值方法。变换法与打靶法的主要区别在于变换法是从标度不变性理论出发的。本文讨论了迭代变换法在边界层理论中几个问题中的应用。迭代法是T{}pfer的非迭代算法的扩展,作为解决著名的Blasius问题的一种简单方法。这种迭代法为解的存在性和唯一性提供了一个简单的数值检验。在这里,我们展示了如何的方法可以应用到一个齐次边界条件在无穷远的问题,特别是我们解决了Sakiadis问题的边界层理论。此外,我们展示了如何耦合我们的方法与牛顿的寻根。所得的数值结果与文献中的结果进行了比较。这里的主要目的是,任何方法开发的Blasius,或Sakiadis,问题可能会扩展到更具有挑战性或有趣的问题。在这种情况下,迭代变换方法最近已被应用于计算法克纳-斯坎模型的正常和反向流Stewartson的解决方案[COMPUT。\& Fluids,{ \bf 73}(2013)pp. 202-209]。
2020-03-14 cs.NA math.NA
Finite element method to solve the spectral problem for arbitrary self-adjoint extensions of the Laplace-Beltrami operator on manifolds with a boundary
Univ. Carlos III de Madrid(马德里卡洛斯三世大学);INFN, Sezione di Napoli(意大利国家核物理研究所那不勒斯分部)
本文提出一种计算带边界的 manifold 上大规模自共轭扩展拉普拉斯-贝尔特里算子谱的数值方案,基于其关联二次型特征,证明了算法收敛性,并通过二维实现与数值例子展示其统一处理多种边界条件的能力。
2017-06-28 cs.NA math-ph math.MP
A high-order partitioned solver for general multiphysics problems and its applications in optimization
Stanford University(斯坦福大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of California, Berkeley(加州大学伯克利分校);University of Notre Dame(圣母大学)
本文提出了一种高阶准确的伴随优化框架,用于瞬态多物理场问题,通过高阶、线性稳定的分区求解器进行离散化,用于求解耦合的半离散常微分方程,并应用于梯度基PDE约束优化问题。
2018-12-27 cs.NA math.NA
Reversible random number generation for adjoint Monte Carlo simulation of the heat equation
针对PDE约束优化中伴随蒙特卡洛模拟需复用粒子轨迹但内存不足的问题,提出PCG伪随机数生成器的可逆扩展,通过重算热方程反向路径解决内存限制问题。
2023-12-24 cs.NA math.NA
On the convergence analysis of one-shot inversion methods
本文分析一次性反演方法(内层迭代不完整)的收敛性,建立下降步长充分条件,并通过数值实验证明少量内迭代即可保证良好收敛。
2024-04-11 cs.NA math.NA
The extended adjoint state and nonlinearity in correlation-based passive imaging
Max Planck Institute for Solar Systems Research(马克斯·普朗克太阳系统研究所)
本文研究了基于物理的被动成像问题,通过环境噪声和噪声信号的相关性推断未知介质。提出了一种通用的反向传播框架,适用于任意椭圆型PDE,并减少了一半的PDE求解次数。分析了相关模型的非线性,揭示了类似切向锥条件的结构,推动了被动成像正则化重建的收敛保证。
2026-02-10 cs.NA math.NA
Adjoint Lattice Boltzmann for Topology Optimization on multi-GPU architecture
Warsaw University of Technology(华沙理工大学)
本文提出了一种适用于广泛流体设计问题的拓扑优化技术,并提出了适用于多种格子玻尔兹曼方法的离散伴随公式,用于计算LBM解对多种参数的敏感性,实现了高效的并行化。
2015-01-20 cs.CE cs.NA math.NA
Optimal Control for Chemotaxis Systems and Adjoint-Based Optimization with Multiple-Relaxation-Time Lattice Boltzmann Models
研究一类重要的非线性耦合各向异性对流扩散趋化系统(NCACDCS)的最优控制问题的连续和离散伴随优化方法。这项研究的动机是考虑复杂的系统(具有复杂的几何形状)出现在不同的生物化学,生物和生物社会犯罪学问题。为了数值求解相应的非线性最优化问题,将原问题NCACDCS用耦合格子Boltzmann方法离散,并引入广义多重弛豫碰撞算子(MRT),而将伴随问题引入伴随多重弛豫格子Boltzmann模型(AMRT).首先,利用灵敏度和伴随微积分建立了最优控制问题的一阶必要最优性条件。所产生的问题离散的耦合MRT和AMRT模型,并通过梯度下降法解决。首先,一个有效的和稳定的改进的MRT模型NCACDCS的发展,并通过Chapman-Enskog分析,我们表明,NCACDCS可以正确地恢复从建议的MRT模型。对于伴随问题,离散化策略是基于AMRT模型,这被发现是简单的MRT模型,也是高效的并行性质。在此基础上,详细推导了AMRT模型的推导过程和离散成本函数梯度。所得到的方法是可靠的,高效的,实用的实施,可以很容易地纳入任何现有的MRT代码。
2019-08-11 cs.NA math.NA math.OC
Adjoint DSMC for nonlinear Boltzmann equation constrained optimization
动力学方程的应用,如最优设计和反问题,往往涉及到通过基于梯度的优化算法找到未知参数。基于伴随态方法,我们得到了两种不同的框架来近似由非线性玻尔兹曼方程约束的目标泛函的梯度。虽然正问题可以用DSMC方法求解,但用“优化-离散”方法得到的高维连续伴随方程很难有效求解。这一挑战促使我们提出了一个伴随DSMC方法的“离散化,然后优化”的方法Boltzmann约束优化。我们还分析了这两个框架的属性及其连接。几个数值例子来证明其精度和效率。
2021-05-10 cs.NA math-ph math.MP
Chambolle-Pock's Primal-Dual Method with Mismatched Adjoint
Chambolle和Pock的原始-对偶方法是一种广泛使用的求解各种最优化问题的算法,这些问题被写成凸-凹鞍点问题。每个更新步骤涉及前向线性算子及其伴随算子的应用。然而,在实际应用中,如计算机断层扫描,它往往是计算上有利的,以取代伴随算子的计算更有效的近似。这导致算法中的伴随失配。在强凸情形下,本文分析了Chambolle-Pock原对偶方法在非匹配伴随存在下的收敛性。我们提出了一个上界的原始解的错误,并推导出步长和温和的条件下,收敛到一个不动点仍然是有保证的。此外,我们显示线性收敛类似的Chambolle-Pock的原始-对偶方法的结果没有伴随失配。此外,我们说明了我们的研究结果的学术和现实世界的启发应用。
2022-10-12 cs.NA math.NA math.OC
The adjoint state method for parametric definable optimization without smoothness or uniqueness
Toulouse School of Economics(图卢兹经济学院);Toulouse Capitole University(图卢兹第一大学)
本文提出一种无需光滑性或解唯一性的参数可定义优化方法,通过伴随状态公式构造保守场,为价值函数提供可计算的一阶对象,适用于非凸问题及非唯一解的情况。
2026-04-22 cs.NA math.NA math.OC
Solving Parameter Estimation Problems with Discrete Adjoint Exponential Integrators
在变分设置中的反问题的解决方案通过最小化惩罚模型输出和观测之间的失配的费用函数来找到模型参数的最佳估计。使用伴随模型计算数值优化过程所需的梯度。指数积分器是发展偏微分方程的一类很有前途的时间离散方法。为了允许使用这些离散化的背景下,反问题的伴随指数积分器是必需的。本文导出了Runge-Kutta型W型指数传播迭代法(EPIRK-W)的离散伴随公式。这些方法允许雅可比矩阵的任意近似,同时保持前向积分的整体精度。不依赖于模型状态的雅可比近似矩阵的使用避免了离散伴随公式中Hessian的复杂计算,并且允许经由算法微分的有效伴随代码生成。我们使用离散EPIRK-W伴随求解逆问题与Lorenz-96模型和计算磁学基准测试。数值结果验证了我们的理论推导。
2017-04-09 cs.NA math.NA math.OC
Non-linear Topology Optimization of District Heating Networks: A benchmark of Mixed-Integer and Adjoint Approaches
针对区域供热网络设计缺乏可扩展优化方法的问题,对比混合整数法与伴随法两种非线性拓扑优化方法,发现二者计算成本增长特性不同,且在单/多热源案例中表现各有优劣,指出初始化策略对求解该问题的重要性。
2023-02-28 cs.NA math.NA math.OC
Adjoint-based optimization of two-dimensional Stefan problems
一系列的优化情况下的二维Stefan问题,解决了使用跟踪型成本功能,提出。水平集方法用于捕获液相和固相之间的界面,浸没边界(切割单元)方法与隐式时间推进方案耦合来求解热方程。一个保守的隐-显格式,然后用于解决水平集输运方程。所得到的数值框架进行了验证与现有的解析解的正向Stefan问题。然后采用基于伴随的算法来有效地计算优化算法(L-BFGS)中使用的梯度。该算法遵循一个连续的伴随框架,伴随方程正式推导出使用形状演算和运输定理。广泛的控制目标,结果表明,使用参数化边界驱动导致有效的控制策略,以抑制界面不稳定性或保持所需的晶体形状。
2022-06-24 cs.NA math-ph math.MP
Efficient computation of states and sensitivities for compound structural optimisation problems using a Linear Dependency Aware Solver (LDAS)
现实世界的结构优化问题涉及多个载荷条件和设计约束,响应通常取决于离散控制方程的状态。通常,人们使用基于梯度的嵌套分析和设计方法来解决这些问题。在这里,解决物理和伴随问题占主导地位的整体计算工作。虽然不常检测到,但现实世界的问题可能包含遇到的物理和伴随负载之间的线性依赖关系。随着设计问题越来越多地涉及,手动跟踪此类依赖关系变得乏味。为了检测和利用这种依赖关系,这项工作提出了使用线性依赖感知求解器(LDAS),它能够有效地检测所有负载之间的线性依赖关系,以完全自动地避免不必要的求解。说明性的例子,证明使用LDAS的需要和好处,包括运行时的实验。
2022-02-22 cs.CE cs.NA math.AP