标签：比较 class ESS 数值 基本 无法 时间 lambda 技术
目录
在工程中，很多的问题都可以归结为求解一组偏微分方程组。描述如下：在某一个区域\(\Omega\)中，物理量\(u={u_1,u_2,\cdots,u_n}\)满足一组控制方程，并且在边界上满足若干的边界条件：
控制方程利用两个微分算子来表示\(A(u),B(u)\)。
\[
A(u)=\begin{cases}
A_1(u)& =0 \A_2(u)& =0 \&\vdots
\end{cases}
\in \Omega
\]
\[ B(u)=\begin{cases} B_1(u)& =0 \B_2(u)& =0 \&\vdots \end{cases} \in \partial \Omega \]
以上的问题，只有在求解域比较简单，控制方程形式比较特殊的时候才能求出解析表达，一般情况下，工程中的问题求解域是比较复杂的，控制方程往往是高阶非线性的，这个时候，只能借助于数值求解。偏微分方程的数值解法，常见的有有限元法，有限差分法，有限体积法等。这些数值解法的基本思想是用有限的自由度插值逼近真实解。不管哪一种数值方式，偏微分方程系统离散之后，形成的是常微分方程组或者代数方程组。
在工程中，对于时间维度往往是特别对待的，还有时间项的问题成为非定常问题，也叫瞬态问题，这类问题在空间离散之后，形成的是关于时间的常微分方程，然后利用一些推进求解的方法，将时间维度离散，转换成纯粹的带式方程。而控制方程不含时间项的问题成为问题问题，对于问题问题，将控制方程在空间离散之后，形成代数方程组。
可见，不论是那种问题，最后求解的是代数方程组。因此，如何准确高效的求解代数方程组就显得至关重要。这一部分的内容在数值分析里面有详细的介绍，对于工程师来说，一般不比去了解里面艰深的理论，但是，每一种求解方法的适用范围，求解速度，收敛性等重要特征，最好还是要了解。这样才能在使用的时候不至迷茫。
代数方程组可以简记为如下的形式：
\[
F(u)=b
\]
还可以表示成为矢量的形式：
\[
Au=b
\]
当系数矩阵A与变量u的取值没有关系时，问题时线性的，否在，时非线性问题。众所周知，非线性问题的求解时困难的！！
常用的线性方程组求解方法有：
常用的非线性方程组的求解方法有：
这里主要介绍牛顿法的一些特性。
对于单变量的牛顿法，大家已经很熟悉了，这里做一点简要的回顾。
方程
\[
f(x)=b
\]
给定初值\(x^0\)，利用迭代关系式:
\[
x^{k+1}=x^k-\frac{f(x)-b}{f‘(x)}
\]
经过一定次数的迭代，就可以收敛到其精确值\(x^*\)。
牛顿法存在两个问题：
对与多变量牛顿法，其形式可以利用泰勒公式来推导。有\(F(u)=0\)，假设其精确解为\(u^*\)，则有：
\[
F(u^*)=0
\]
将F(u)在精确解处展开，如下：
\[
F(u^*)=F(u)+\nabla F(u)(u^*-u)
\]
\[ [\nabla F(u)]^{-1}F(u)=u-u^* \]
因为精确解是不知道的，所以，利用一个初值代替：
\[
u^{k+1}=u^k-[\nabla F(u^k)]^{-1}F(u^k)
\]
对于方程(10)所示的迭代式，影响其收敛性的一个重要指标是其Hesse矩阵。Hesse矩阵定义如下：
\[
G(u)=\nabla_u^2F(u)
\]
对于多变量牛顿法，\(G(u)\)满足Lipschitz条件：
\[
||G(y)-G(z)|| <= \beta||y-z||
\]
且\(G(u^*)\)正定，当\(u^0\)充分接近\(u^*\)时，迭代是收敛的，切实二阶收敛。
牛顿法的优点：收敛速度快
缺点：计算量大，收敛条件严格。
牛顿法具有收敛速度快的特点，但是其缺点也很明显：一是牛顿法计算量很大，每次都要计算Hesse矩阵和\(F(x)\)，并且Hessen矩阵有时计算较为困难。二是要求迭代初值在精确解附近，不然很难收敛。针对上面的问题，有一些改进的牛顿法。这里最为常用的是简化牛顿法（又称平行弦法）和牛顿下山法。
迭代式为：
\[
\begin{equation}
\begin{cases}
x^{k+1} & =\phi(x^k) \\phi(x^k)& =x^k-Cf(x^k)
\end{cases}
\end{equation}
\]
其中，\(C=\frac{1}{f‘(x_0)}\) 。该方法要求迭代式的一阶导数范数小于1才是局部收敛，且是线性收敛。
在迭代过程中，满足单调递减的要求的迭代方法称作下山法。即要求迭代过程中，始终有：
\[
||f(x^{k+1})||<||f(x^k)||
\]
迭代式：
\[
\begin{equation}
\begin{cases}
x^{k+1} & =\phi(x^k) \\phi(x^k)& =x^k-\lambda\frac{f(x^k)}{f‘(x^k)}
\end{cases}
\end{equation}
\]
其中，\(\lambda(0<\lambda \le 1)\)称为下山因子。选择下山因子的时候，从\(\lambda=1\)开始，逐次减半进行试算，直到下降条件（14）成立为止。
标签：比较 class ESS 数值 基本 无法 时间 lambda 技术
原文地址：https://www.cnblogs.com/baowee/p/9575408.html
