Robin 型离散Schwarz 波形松弛算法的收敛性分析.pdfVIP

中国科学: 数学 2013 年 第43 卷 第3 期: 211 234 自然科学基金项目进展专栏 型离散 波形松弛算法 的收敛性分析 吴树林 四川理工学院理学院, 自贡643000 E-mail: wushulin ylp@163.com 收稿日期: 2012-05-11; 接受日期: 2012-11-20 国家自然科学基金(批准号: 、四川省人工智能重点实验室基金(批准号: 2011RZY04) 和四川理工学院基金 (批准号: 2012RC24 和 2012KY06) 资助项目 摘要 Schwarz 波形松弛(Schwarz waveform relaxation, SWR) 是一种新型区域分解算法, 是当今并行 计算研究领域的焦点之一, 但针对该算法的收敛性分析基本上都停留在时空连续层面. 从实际计算角 度看, 分析离散 SWR 算法的收敛性更重要. 本文考虑 SWR 研究领域中非常流行的 Robin 型人工边 界条件, 分析时空离散参数∆ 和∆ 、模型参数等因素对算法收敛速度的影响. Robin 型人工边界条 件中含有一个自由参数 , 可以用来优化算法的收敛速度, 但最优参数的选取却需要求解一个非常复 杂的极小- 极大问题. 本文对该极小- 极大问题进行深入分析, 给出最优参数的计算方法. 本文给出 的数值实验结果表明所获最优参数具有以下优点: (1) 相比连续情形下所获最优参数, 利用离散情形下获得的参数可以进一步提高 Robin 型 SWR 算法在实际计算中的收敛速度, 当固定∆ 或 ∆ 而令另一个趋于零时, 利用离散情形下所获参数可 以使算法的收敛速度具有鲁棒性(即收敛速度不随离散参数的减小而持续变慢). (2) 相比连续情形下所获收敛速度估计, 离散情形下获得的收敛速度估计可以更加准确地预测算 法的实际收敛速度. 关键词 Schwarz 波形松弛 Robin 边界条件 极小- 极大问题 并行计算 数值离散 MSC (2010) 主题分类 65M55, 35K55, 35L65 引言 用 Schwarz 区域分解算法求解抛物型偏微分方程的传统步骤是, 首先对时间变量进行离散 (一般 采用隐式数值方法) 得到椭圆型方程, 然后将整个空间区域分解成若干个相互重叠的子区域, 并在每个 子区域上对得到的椭圆型方程进行并行求解 (参见文献 [1–5]). 这种计算模式的局限性在于, 由于先对 时间变量进行了离散, 无法根据问题背景灵活调整离散方法, 即在不同区域上采用不同时间离散方法 和离散步长. 20 世纪末, Gander [6, 7] 与Giladi 和Keller [8] 分别独立提出了新的Schwarz 区域分解算 法: 通过施用适当的人工边界条件直接在时空连续层面进行区域分解, 再通过迭代不断更新人工边界 处的信息并使各子区域上形成可以独立求解的子问题. 由于该算法是在时空连续层面上定义的, 每次 英文引用格式 Wu S L. Convergence analysis for discrete Schwarz waveform relaxation algorithm of Robin type (in Chinese). Sci Sin Math, 2013, 43: 211–234, doi: 10.1360/012012-270 吴树林: Robin 型离散 Schwarz 波形松弛算法的收敛性分析 迭代产生的解都是一组时空连续函数, 因此又具有波形松弛迭代算法的特点[9–14], 因此被称为Schwarz 波形松弛 (Schwarz waveform relaxation, SWR) 算法. 对于抛物型方程, 传统波形松弛迭代算法需要先 进行空间离散得到一组常微分方程, 然后对该常微分方程组进行系统并行化处理, 因此它是一种 “系 统并行” 型算法 (更多内容可参见文献 [9]). 相比传统的 Schwarz 区域分解算法, SWR 算法显然更具 灵活性; 相比波形松弛迭代算法, SWR 算法的收敛速度更快[15, 16]. 我们以如下形式的反应扩散方程介绍SWR 算法及其研究进展:  + 