具有时滞的双曲型偏微分方程的子结构波形松弛算法的收敛性

《Journal of Computational and Applied Mathematics》:Convergence of substructuring waveform relaxation algorithms for hyperbolic PDEs with time delay

【字体: 大 中 小 】 时间:2026年10月22日 来源:Journal of Computational and Applied Mathematics 2.4

编辑推荐:

   摘要 本文研究了两种子结构波形松弛算法——Dirichlet-Neumann 波形松弛(DNWR)和 Neumann-Neumann 波形松弛(NNWR)在求解含时滞双曲偏微分方程(PDE)中的应用与分析。这些方程在许多物理和工程背景下具有重要意义,如波的传播、生物过程和控

  

摘要

本文研究了两种子结构波形松弛算法——Dirichlet-Neumann 波形松弛(DNWR)和 Neumann-Neumann 波形松弛(NNWR)在求解含时滞双曲偏微分方程(PDE)中的应用与分析。这些方程在许多物理和工程背景下具有重要意义,如波的传播、生物过程和控制系统等,其中系统动力学受过去状态的影响。本研究强调了这些非重叠区域分解方法在此类问题中的稳定性、收敛性和计算效率。具体而言,利用傅里叶变换和拉普拉斯变换在非对称区域分解下对 DNWR 和 NNWR 算法进行分析,以评估其处理双曲系统中延迟项的能力。利用傅里叶分析,我们建立了数值误差的线性收敛估计。拉普拉斯变换分析使得对有限步收敛性进行更深入的特征刻画成为可能。此外,我们推导了在非均匀空间域存在情况下实现有限步收敛所需的最佳参数。理论发现辅以数值实验,展示了这些方法在保持精度的同时降低计算复杂度的有效性。此外,本研究还探讨了将这些方法扩展到更复杂问题和多样应用的可能性。

引言

含时滞双曲偏微分方程是描述动态系统的基本数学模型,其中系统的演化同时受当前状态和先前状态的影响。这类方程广泛应用于广泛的科学与工程问题中,包括粘弹性材料中的波传播[1]、具有延迟反馈的控制系统[2],以及人口动力学和神经网络等生物过程[3]。时间延迟的引入增加了系统复杂性,使其分析和数值求解既具有挑战性又至关重要,对于理解现实世界现象而言不可或缺。

区域分解方法(DDMs)是求解大规模 PDE 的强大并行计算工具,通过将计算域划分为一系列更小的、更易管理的子域来实现[4]。DDMs 通常分为两类:重叠和非重叠。非重叠 DDMs 通常称为子结构方法。当应用于时间依赖问题时,这些方法被称为子结构波形松弛方法。其中,Dirichlet-Neumann 波形松弛(DNWR)和 Neumann-Neumann 波形松弛(NNWR)因其在线性和非线性时间依赖问题中的高效处理而受到广泛关注[5],[6]。这些方法通过在非重叠子域上施加适当的边界条件(如 Dirichlet 或 Neumann 条件)在界面上迭代求解子问题。尽管 DNWR 和 NNWR 在抛物型和双曲型 PDE 中已被广泛研究[7],[8],但它们在有时滞 PDE 中的应用仍然相对缺乏探索,尽管对延迟依赖系统的兴趣日益增长[9],[10]。

区域分解方法的另一种流行版本——Schwarz 波形松弛(SWR)方法[11],[12]及其优化版本[13],[14],近年来因其利用并行计算的能力而获得了大量关注。在涉及时间延迟的问题中,由于过去状态与未来状态之间的耦合,计算成本可能很高,而 SWR 方法允许将子问题分布到多个处理器上。这显著提高了计算效率,特别是对于具有显著延迟项的大规模系统。Kwok、Ong 和 Mandal[15]提供了关于 DNWR、NNWR 和 SWR 方法并行特性及其在大规模系统中可扩展性的见解。此外,Wu 等人[16]、Wu 和 Huang[17]的文章讨论了 SWR 应用于各种版本的延迟微分方程,并提供了收敛性分析。

目前,关于 NNWR 和 DNWR 在双曲延迟问题中的综合分析尚缺乏全面讨论。为弥补这一空白,本文作出以下主要贡献:

- 本研究调查了 DNWR 方法在含时滞双曲 PDE 的非对称区域分解下的行为表现。我们利用傅里叶分析建立了线性收敛界;拉普拉斯变换分析表明该方法实现了有限步收敛。
- 我们推导了在非均匀空间域存在情况下 DNWR 算法实现有限步收敛的最佳参数。
- NNWR 算法在 1D 和 2D 空间设置下多子域配置中的有限步收敛性得到了数学证明。

此外,该框架可以扩展到更复杂的设置,包括具有多重或分布式延迟的系统、非线性动力学以及耦合偏微分方程,这些构成了未来研究的有前景的方向[18],[19]。近年来,这些方法已被研究并应用于非均匀结构的各种问题,例如参见[6],[20],[21],[22]。据我们所知,这是首次对应用于延迟问题的 DNWR 和 NNWR 方法进行严格分析的工作。

本文主体结构安排如下:第2节和第3节提出了 DNWR 算法在含时滞双曲 PDE(包括非均匀情况)中的数学公式。第4节给出了 NNWR 方法在多子域设置下的收敛性分析。第5节探讨了 NNWR 方法在2D中的可能扩展。数值实验和其他计算结果列于第6节。在第6节中,我们还比较了 DNWR 和 NNWR 与经典 SWR 方法的表现,展示了所提方法卓越的迭代效率。特别地,DNWR 和 NNWR 不需要重叠即可收敛,这使得它们非常适合具有非均匀系数的情况,而经典的 Schwarz 方法通常需要重叠以确保收敛。通过本研究,我们旨在推进对含时滞双曲 PDE 区域分解方法的理解和应用,为计算数学及其应用领域的更广泛领域做出贡献。

对于我们的模型问题,我们研究了一个具有恒定时间延迟的线性波动方程,类似于 Rodríguez 等人[23]中讨论的公式:

$$u_{tt} = c^2 u_{xx} + \lambda u(x, t-\tau) + h(x,t), \quad t > \tau, \quad x \in \Omega \subset \mathbb{R}^d$$

初始条件为:

$$u(x,t) = \phi(x,t), \quad u_t(x,t) = \psi(x,t), \quad -\tau \leq t \leq 0, \quad x \in \Omega$$

Dirichlet 边界条件为:

$$u(x,t) = l(t), \quad t \geq 0, \quad x \in \partial\Omega$$

其中 $c$ 是波的传播速度,$\lambda$ 是一个自由参数。我们考察 DNWR 和 NNWR 方法在问题(1)中关于收敛性的行为表现。由于方程是线性的,我们专注于相应的误差方程,其中 $h(x,t) = l(t) = 0$,$\phi(x,t) = 0 = \psi(x,t)$。

章节摘要

**DNWR 的收敛性分析**

为在一维设置($d=1$)下对公式(1)实施 DNWR 方法,空间域 $\Omega = [-a, b]$ 被划分为两个不相交的子域,$\Omega_1 = [-a, 0]$ 和 $\Omega_2 = [0, b]$。迭代过程通过在界面处的初始猜测 $h_0(t)$ 进行初始化。每次迭代包含两个顺序步骤:首先,在 $\Omega_1$ 中求解一个 Dirichlet 边值问题,然后,在 $\Omega_2$ 中求解一个 Neumann 问题。在完成第 $k$ 次迭代($k \in \{1, 2, \ldots\}$)后,界面条件 $h_k(t)$ 被更新。

**DNWR 在非均匀介质中的收敛性**

我们研究了分段常数波速的问题,其中 $c(x,t) = c_1$ 在区域 $\Omega_1$ 中,$c(x,t) = c_2$ 在区域 $\Omega_2$ 中。DNWR 算法对应的误差方程如下:

Dirichlet 部分:

$$\begin{cases}
\partial_{tt} e_1^k - c_1^2 \partial_{xx} e_1 - \lambda e_1(x, t-\tau) = 0, & (x,t) \in \Omega_1 \times (0, T), \\
e_1^k(x,t) = 0, & (x,t) \in \Omega_1 \times [-\tau, 0], \\
\partial_t e_1^k(x,t) = 0, & (x,t) \in \Omega_1 \times [-\tau, 0], \\
e_1^k(-a, t) = 0, & t \in (0, T), \\
e_1^k(\Gamma, t) = h^{k-1}(t), & t \in (0, T).
\end{cases}$$

Neumann 部分:

$$\begin{cases}
\partial_{tt} e_2^k - c_2^2 \partial_{xx} e_2 - \lambda e_2(x, t-\tau) = 0, & (x,t) \in \Omega_2 \times (0, T), \\
e_2^k(x,t) = 0, & (x,t) \in \Omega_2 \times [-\tau, 0], \\
\partial_t e_2^k(x,t) = 0, & (x,t) \in \Omega_2 \times [-\tau, 0], \\
e_2^k(b, t) = 0, & t \in [0, T], \\
c_2^2 \partial_x e_2^k(\Gamma, t) = c_1^2 \partial_x e_1^k(\Gamma, t), & t \in (0, T).
\end{cases}$$

**NNWR 的多子域收敛性分析**

我们考察了 NNWR 在含时滞的一维波动方程、域 $\Omega = (0, D)$ 上的收敛性。通过在界面上施加连续性准则,空间域 $\Omega$ 被划分为 $N$ 个不相交的子域 $\Omega_i = (x_{i-1}, x_i)$。第 $i$ 个子域的长度表示为 $h_i = x_i - x_{i-1}$,而最小子域尺寸表示为 $h_{\min} = \min_{1 \leq i \leq N} h_i$。界面上解的初始猜测表示为 $\{g_i^0(t)\}_{i=1}^{N-1}$。我们假设齐次初始条件和边界条件。

**NNWR 在 2D 中的收敛性分析**

本节详细阐述了 NNWR 算法在含时滞二维波动方程中的公式和收敛性分析。为评估 NNWR 方法在公式(1)二维空间中的表现,我们在 $x$ 方向和 $y$ 方向均施加齐次边界条件,并设定零值历史函数,分析相应的误差方程。

在 NNWR 算法的公式中,空间域 $\Omega$ 被划分为一系列子域。

**数值示例**

在数值实验中,我们考虑模型问题(1)对应的误差方程。波动方程使用 Leapfrog 格式离散化,在空间和时间上均采用中心差分格式。我们对时间域进行离散化,使得延迟 $\tau$ 是时间步长 $\Delta t$ 的整数倍,即 $\tau = m \Delta t$。所得格式为:

$$u_i^{n+1} = 2u_i^n - u_i^{n-1} + r^2(u_{i+1}^n - 2u_i^n + u_{i-1}^n) + \Delta t^2 \lambda u_i^{n-m},$$

其中 $r = \frac{c \Delta t}{\Delta x}$ 满足 CFL 条件 $r \leq 1$。参数选择如下……

结论

本文利用傅里叶和拉普拉斯变换技术,对应用于含时滞波动方程的非对称区域分解的 DNWR 方法提供了严格的收敛性分析。DNWR 算法在非对称子域下的傅里叶分析建立了如下结论:对于松弛参数 $\theta = 1/2$,该方法表现出线性收敛。此外,利用拉普拉斯变换分析,我们推导出了有限步收敛性质。还获得了重要结果……

Bankim C. Mandal | Deeksha Tomer
印度奥里萨邦布巴内斯瓦尔理工学院基础科学系,752050,印度
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号