Parareal algorithm via Chebyshev-Gauss spectral collocation method
本文提出 Parareal-CG 时间并行算法,以 Chebyshev-Gauss 谱配点法为精细传播子、向后 Euler 法为粗糙传播子,并通过 SPD 稳定函数分析和数值算例验证其收敛性、效率与精度。
2023-04-20 cs.NA math.NA
Stochastic parareal: an application of probabilistic methods to time-parallelisation
Parareal是一个研究得很好的算法,用于通过并行化时域来数值积分时间相关的微分方程系统。给定每个时间子区间的近似初始值,该算法使用预测-校正器在固定次数的迭代中定位解,一旦满足公差就停止。这种迭代过程结合了廉价(粗分辨率)和昂贵(精细分辨率)的数值积分器定位的解决方案。在本文中,我们介绍了一个随机parareal算法,旨在加快收敛的确定性parareal算法。代替向预测器-校正器提供确定性定位的初始值集合,随机算法从每个时间子间隔中动态变化的概率分布中采样初始值。然后,使用昂贵的积分器并行传播所有样本。产生跨连续子区间的最连续(最平滑)轨迹的采样初始值的集合被馈送到预测器-校正器中,以比具有给定概率的确定性算法更少的迭代收敛。随机算法的性能,实现使用各种概率分布,说明低维系统的常微分方程(ODE)。我们提供的数值证据表明,当采样的初始值的数量是足够大的,随机parareal收敛几乎肯定在更少的迭代比确定性算法,保持解决方案的精度。鉴于其随机性,我们还强调,多个模拟随机parareal返回一个分布的解决方案,可以代表一个衡量的不确定性的ODE解决方案。
2022-01-28 cs.NA math.NA stat.CO
Asynchronous parareal time discretization for partial differential equations
在高性能计算平台上,异步迭代越来越多地被用于扩展和容错目的。虽然到目前为止,他们已经专门应用于空间域分解框架,本文主张一个新的应用方向,针对时间分解的时间并行方法。具体地说,异步迭代模型推导出的Parareal计划,然后进行收敛性和加速比分析。事实证明,Parareal和Pararec Parareal具有非常接近的收敛条件,渐近等价,包括有限时间终止属性。基于一个计算成本模型,知道不稳定的通信延迟,我们的加速比分析显示了潜在的性能增益异步迭代,这是证实了一些实验情况下的热演化的同质超级计算机。这一主要工作清楚地表明了异步迭代可能带来的进一步好处。
2021-10-20 cs.DC cs.NA math.NA
A micro-macro parareal algorithm: application to singularly perturbed ordinary differential equations
École Nationale des Ponts et Chaussées(国立路桥学校);Université Paris-Est(巴黎东大学);INRIA Rocquencourt(法国国家信息与自动化研究所罗康库尔中心);KU Leuven(荷语鲁汶大学)
提出一种微宏观并行算法,通过粗传播器与细尺度传播器的迭代校正实现多尺度时间系统的并行积分,并针对奇异摄动常微分方程进行数值分析,证明耦合微观与宏观描述时需特殊处理以确保收敛。
2013-02-08 cs.NA math.NA
Parareal computation of stochastic differential equations with time-scale separation: a numerical study
已知并行算法通过在时间维度上并行化来允许显著减少挂钟时间以获得精确的数值解。我们提出并测试了一个微观-宏观版本的parareal,其中的精细传播是基于(高维,慢-快)随机微观模型,和粗传播是基于低维近似有效的动态慢时间尺度。在微观层面上,我们使用的Monte Carlo粒子的合奏,而近似粗糙的传播使用(确定性)福克-普朗克方程的慢自由度。系统的微观和宏观表示之间所需的耦合引入了几个设计选项,具体地说,关于如何生成与所需的宏观概率分布一致的微观概率分布以及如何以有意义的方式执行宏观概率分布的粗略级更新。我们数值研究这些设计方案如何影响算法的效率在一些情况下。粗级更新算子的选择对结果有很大影响,如果使用分位数函数(逆累积分布)的加法和减法,则具有更好的性能。如何生成微观状态具有不太明显的影响,只要使用合适的先前微观状态。
2019-12-19 cs.NA math.NA
A Combined Parallel-in-time Direct Inverse (ParaDIn)-Parareal Method for Nonlinear Differential Equations
针对ParaDIn方法的并行时间层数限制问题,提出ParaDIn与Parareal的组合方法,通过块雅可比预处理器与两层时间并行传播提升并行效率,在480核上对二维非线性方程最高实现124倍加速。
2025-06-12 cs.NA math.NA
A model order reduction based adaptive parareal method for time-dependent partial differential equations
Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学);China Pharmaceutical University(中国药科大学)
本文提出了一种基于模型降阶的自适应并行真实方法,用于高效求解时间依赖偏微分方程,通过自适应构建粗传播器提升长期演化问题的模拟性能。
2026-08-28 cs.NA math-ph math.MP
A New Parareal Algorithm for Problems with Discontinuous Sources
Parareal算法允许在时间上利用并行化来解决进化问题。在规则(光滑)输入的假设下,证明了它的收敛性和稳定性。本文提出并分析了一种新的Parareal算法,用于求解具有不连续右端的常微分方程。这种情况发生在各种应用中,当向电子设备提供脉宽调制信号时,我们的新Parareal算法使用一个光滑的输入,减少动力学的粗糙问题。我们得到的误差估计,显示如何减少输入影响的整体收敛速度的算法。我们支持我们的理论结果的数值实验,并测试我们的新Parareal算法在涡流仿真的感应电机。
2018-03-14 cs.NA math.NA
Parareal exponential $θ$-scheme for longtime simulation of stochastic Schrödinger equations with weak damping
LSEC, ICMSEC, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);School of Mathematical Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院);Department of Mathematics, College of Sciences, China University of Mining and Technology(中国矿业大学理学院)
本文提出一种基于指数θ方案的并行算法,用于弱阻尼随机薛定谔方程的长期模拟,通过分析不变分布证明其适合长期模拟,并建立非线性情况下的收敛条件,展示了隐式方案的优势。
2018-03-25 cs.NA math.NA
Parareal algorithm for coupled elliptic-parabolic problems
Public University of Navarre(纳瓦拉公立大学);University of Zaragoza(萨拉戈萨大学);University of Bergen(卑尔根大学)
本文提出了一种适用于退化微分代数系统的Parareal算法,通过三种粗化解算器设计实现了并行时间积分方法的收敛性分析,并在多物理场模拟中验证了其计算效率提升
2026-01-21 cs.NA math.NA
Micro-macro Parareal, from ODEs to SDEs and back again
Department of Computer Science(计算机系);Celestijnenlaan 200 A, box 2402, 3001 LEUVEN, Belgium(比利时鲁汶市塞莱斯蒂嫩兰200A号,2402信箱,邮编3001)
本文研究微-宏观Parareal初值问题仿真算法,完善了多尺度线性常微分方程下该方法的收敛性分析,并将标量随机微分方程的算法变体推广至高维情形。
2024-10-31 cs.NA math.NA stat.CO
A posteriori error analysis for a space-time parallel discretization of parabolic partial differential equations
将时间上的Parareal算法与空间上的重叠区域分解相耦合,构造了求解抛物型偏微分方程的时空并行方法。我们的目标是获得一个离散化组成的“本地”的问题,可以有效地解决并行计算机。然而,这引入了必须评估的重要误差源。将原Parareal算法转化为变分方法,并在空间上进行有限元离散,从而可以进行基于伴随的后验误差分析。通过适当选择伴随问题和残差,误差分析区分由于时间和空间离散化而产生的误差,以及由于不完整的Parareal迭代和区域分解求解器的不完整迭代而产生的误差。我们首先开发的Parareal方法应用于抛物型偏微分方程的误差分析,然后细化这种分析的情况下,相关的空间问题,使用重叠区域分解解决。这两种算法分别构成了我们的时间并行算法(TPA)和空时并行算法(STPA)。数值实验证明了这两种算法的估计和不同的误差分量之间的迭代的准确性。
2022-01-14 cs.NA math.NA
Convergence of the micro-macro Parareal Method for a Linear Scale-Separated Ornstein-Uhlenbeck SDE: extended version
本文提出并测试了用于随机微分方程的微宏观Parareal方法,分析了近似模型的模型误差对算法收敛性的影响,并通过数值实验验证了分析。
2025-01-31 cs.NA math.NA
Space-time parallel scaling of Parareal with a physics-informed Fourier Neural Operator coarse propagator applied to the Black-Scholes equation
本文提出将物理信息傅里叶神经算子作为Parareal的粗模型,用于双资产Black-Scholes方程的时间并行化,证明其收敛快且结合空间并行时加速比优于纯空间并行和数值粗模型。
2025-03-16 cs.NA math.NA
Impact of spatial coarsening on Parareal convergence for the linear advection equation
Hamburg University of Technology(汉堡工业大学)
针对双曲偏微分方程下空间粗化的Parareal时间并行积分收敛难预测问题,证明迭代矩阵2-范数不适用于收敛性预测,提出伪谱半径可可靠判断收敛类型并估计初始迭代收敛速率。
2025-10-10 cs.CE cs.NA math.NA
PARAOPT: A parareal algorithm for optimality systems
PDE约束优化中的最优性系统的时间并行求解可以通过简单地应用任何时间并行算法(如Parareal)来解决优化循环中的向前和向后演化问题来实现。本文提出了一种不同的策略,直接设计了一种新的并行算法,我们称之为ParaOpt,用于求解耦合的前向和后向非线性偏微分方程。ParaOpt的灵感来自于发展方程的Parareal算法,因此自动成为一个两级方法。我们提供了一个详细的收敛性分析的情况下,线性抛物偏微分方程的约束。我们用数值实验说明了ParaOpt在线性和非线性最优性系统中的性能。
2020-07-24 cs.NA math.AP math.NA
RandNet-Parareal: a time-parallel PDE solver using Random Neural Networks
提出RandNet-Parareal,用随机神经网络学习粗细解差异,实现时间并行求解偏微分方程,相比串行细求解器加速达125倍,显著提升可扩展性。
2024-11-09 cs.DC cs.NA math.NA
Parareal Algorithm Implementation and Simulation in Julia
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Dayton(代顿大学)
本文介绍了在Julia中实现并行算法的方法,该算法用于并行求解微分方程。研究采用Euler方法和Runge-Kutta方法作为积分器,并通过模拟探讨算法性能。
2018-12-13 cs.DC cs.MS cs.NA
Parallel-in-Time Solution of Allen-Cahn Equations by Integrating Operator Learning into the Parareal Method
University of South Carolina(南卡罗来纳大学);Oak Ridge National Laboratory(橡树岭国家实验室);Sandia National Laboratories(桑迪亚国家实验室)
本文提出将运算学习整合到Parareal方法中,用于高效求解Allen-Cahn方程,通过CNNs学习时间步进运算符,实现高精度和加速计算。
2025-11-24 cs.NA math.NA
Monte-Carlo/Moments micro-macro Parareal method for unimodal and bimodal scalar McKean-Vlasov SDEs
KU Leuven(荷语鲁汶大学)
本研究提出一种用于标量McKean-Vlasov SDE的微-宏观时间并行Parareal方法,以粒子系综蒙特卡洛模拟为精细传播子、矩ODE模型为粗传播子实现加速,对双峰SDE采用多ODE策略保障预测质量,可迭代收敛至真实分布且具备并行弱可扩展性。
2025-10-29 cs.NA math.NA physics.comp-ph
Parareal with a physics-informed neural network as coarse propagator
本文提出用物理信息神经网络(PINN)替代传统数值积分器作为 Parareal 算法的粗传播器,在 Black-Scholes 方程上验证了更好的加速比,并利用 GPU 与 CPU 的异构计算进一步提升了单节点性能。
2023-06-05 cs.CE cs.DC cs.NA
Parallel-in-time integration of the shallow water equations on the rotating sphere using Parareal and MGRIT
本研究探讨了在旋转球面浅水方程时间并行化中使用Parareal和MGRIT方法,结合IMEX和SL-SI-SETTLS方案,发现IMEX在粗离散层级下能提供更好的稳定性、收敛性和加速比权衡。
2023-10-26 cs.NA math.NA
A parallel solver for random input problems via Karhunen-Loève expansion and diagonalized coarse grid correction
School of Mathematics, Hunan University(湖南大学数学学院)
针对标准parareal算法求解随机初值问题收敛慢的问题,提出结合KL展开与粗网格校正的KLE-CGC混合并行算法,通过gPC代理模型提升初始迭代精度,在保持收敛阶的同时减少迭代、提升并行扩展性。
2025-10-30 cs.NA math.AP math.NA
PiTSBiCG: Parallel in Time Stable Bi-Conjugate Gradient Algorithm
提出了一种新的时间并行(PiT)数值模拟方法,用于求解不定常的偏/常微分方程。我们提出了一个可靠的替代方案,众所周知的parareal在时间算法,通过制定在时间上的并行代数问题,并解决它使用适应双共轭梯度稳定的方法。所提出的并行时间稳定双共轭算法(PiTSBiCG)在稳定各种问题的并行解决方面具有很大的潜力。在这项工作中,我们描述了新算法的数学方法,并提供了数值证据,表明其优越性的标准parareal方法。
2022-03-18 cs.NA math.NA math.OC
Prob-GParareal: A Probabilistic Numerical Parallel-in-Time Solver for Differential Equations
University of Warwick(华威大学);University of St. Gallen(圣加仑大学)
提出Prob-GParareal,通过高斯过程建模Parareal校正函数,为微分方程的并行时间求解提供不确定性量化,并在五个基准ODE系统上验证了精度和鲁棒性。
2026-08-25 cs.DC cs.NA math.NA
Explicit Parallel-in-time Integration of a Linear Acoustic-Advection System
Institute of Computational Science, Università della Svizzera italiana(计算科学研究所,瑞士意大利语大学)
本文研究了Parareal并行时间积分方案在求解线性二维双曲声-输运系统中的应用,采用改进的显式Parareal方法,通过有限差分法的空间离散化解决初始值问题,实现计算效率提升。
2015-10-08 cs.CE cs.DC cs.NA
Parallel in Time Simulation of Multiscale Stochastic Chemical Kinetics
Uppsala University(乌普萨拉大学)
提出并分析了一种时间并行算法parareal,用于化学动力学中的随机模型,通过宏观尺度快速预测与介观尺度随机模拟的结合,实现了非刚性和刚性问题的快速收敛,并建立了均质化解的收敛性。
2008-08-28 cs.NA math.NA
An Improved Iterative HDG Approach for Partial Differential Equations
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Wisconsin, Madison(威斯康星大学麦迪逊分校)
本文提出并分析了一种改进的迭代高阶混合间断有限元方法,解决了线性偏微分方程的收敛性问题,并展示了该方法在稳定性、收敛速度及并行扩展性方面的改进。
2017-11-14 cs.NA math.NA
Solving Backward Doubly Stochastic Differential Equations through Splitting Schemes
提出了一种求解倒向双重随机微分方程的分裂格式。其主要思想是将一个倒向双重随机微分方程分解为一个倒向随机微分方程和一个随机微分方程。然后用一阶差分格式逼近倒向随机微分方程和随机微分方程,得到了倒向双重随机微分方程的一阶差分格式.数值实验表明,该格式具有良好的收敛速度。
2021-03-15 cs.NA math.NA
Stability equivalence among stochastic differential equations and stochastic differential equations with piecewise continuous arguments and corresponding Euler-Maruyama methods
本文考虑了随机微分方程(SDEs)、分段连续变元随机微分方程(SDEPCA)的$p$阶矩指数稳定性与相应的Euler-Maruyama方法(EMSDEs和EMSDEPCA)的等价性.我们证明了如果SDEPCA、SDES、EMSDES和EMSDEPCA中的一个是$p$阶矩指数稳定的,那么在全局Lipschitz假设下,对于足够小的步长$h$和$τ$,它们中的任何一个都是$p$阶矩指数稳定的
2020-01-15 cs.NA math.NA
StPINNs - Deep learning framework for approximation of stochastic differential equations
AGH University of Krakow(克拉科夫AGH科技大学)
本文提出StPINNs框架,利用神经网络近似由莱维噪声驱动的随机微分方程解,提供数学方法解决此类问题。
2026-03-30 cs.NA math.NA
Three kinds of novel multi-symplectic methods for stochastic Hamiltonian partial differential equations
随机哈密顿偏微分方程是一类重要的、相当大的系统,具有多辛守恒律。多辛方法继承了随机Hamilton偏微分方程的几何特征,使数值逼近具有更好的数值稳定性,对获得正确的数值结果具有重要意义。基于局部径向基函数配置法、分裂技术和分块龙格-库塔法,提出了三种求解随机Hamilton偏微分方程的新的多辛方法.给出了非线性随机波动方程、随机非线性薛定谔方程、随机Korteweg-de Vries方程和随机Maxwell方程的具体数值方法。以随机波动方程为例进行了数值实验,验证了所提方法的有效性。
2022-01-20 cs.NA math.NA