1.简介
Schwarz型交替方法已经成为区域分解技术中求解边值问题(BVP)的一些最重要的方法。这些方法基于将BVP域分解为重叠子域。将原边值问题简化为若干子域上的一组较小边值问题,这些子域在重叠区域的内边界上具有适当的界面条件,其解通过一些迭代格式耦合,从而得到原边值方程解的近似值。众所周知[1]、[6],在一定条件下,子问题的解序列收敛于原问题的解。
本研究的目标之一是研究一类界面条件参数化的Schwarz交替方法(SAM),并估计加速这些方法对一类BVP收敛的参数值。在椭圆BVP的上下文中,最常用的接口条件是Dirichlet类型。对于这类数值SAM,有一些关于收敛性的研究,包括[10],[12],[15],[16],[13],[2],[11],[17]。许多研究人员已经考虑了参数化混合界面条件的影响[3],[14],[5],[18]。其中,Tang提出了广义Schwarz分裂[18]。他求解边值问题的主要方法是使用混合边界条件,即Robin条件,
在人工边界上。在[5]中,建立了一个多参数SAM,其中混合边界条件
第i个重叠区域由一个不同的参数ωi控制。傅里叶分析用于确定使SAM收敛因子为零的ωi参数值。
在[7]中,有人在矩阵水平上制定了多参数SAM,其中参数αi用于施加混合界面条件。参数αi和ωi之间的关系如下所示
(参见[7]),其中h是网格大小。其中一个通过分析确定了一维(1-dim)边值问题的αi’s的最佳值,该边值问题最小化了与SAM矩阵相关的块Jacobi迭代矩阵的谱半径。
对于二维(2-dim)边值问题[8],我们对子域第i个界面的每个第j个网格点使用了不同的多参数αi,j以获得最佳收敛性,而在前面的论文[7]中,我们沿子域的第i个接口使用了固定参数αi。
在本文中,我们考虑三维问题。在这里,我们还对子域第i界面的每个(j,k)-网格点使用不同的多参数αi,j,k,以成功地获得最佳收敛性。
在第2节中,我们总结了文献[7]中提出的关于一维问题的多参数SAM的结果,这对于下一节中的符号来说是必要的。在第3节中,我们构造了三维多参数SAM问题,其中我们在子域界面上的每个网格点上施加不同的参数。我们证明了三维情形可以简化为一维情形,并获得了使与三维问题的SAM矩阵相关的块Jacobi迭代矩阵的谱半径最小的多参数的最优值。
2.一维问题的多参数Schwarz分裂
我们考虑两点边值问题:
q≥0为常数。我们将基于问题域的κ-路分解(即子域的数量为κ)来制定SAM的数值实例。图1描述了κ-路分解的示例。
图1。一维边值问题域的κ-路分解的一个例子(4)。
设Tj(x,y,z)是一个j×j三对角矩阵,使得
然后让
如果我们用网格尺寸一致的二阶中心差分格式离散问题(4),我们将得到一个线性系统
其中A=Tn(β),β=2+qh2。
如果我们考虑3路(κ=3)分解,那么Ax=f有三个重叠的对角块,如下所示。
其中,(5)中的Tj=Tj(β,β,β),m和l分别是每个子域和重叠区域中的节点数,因此,在(8)中,除了最右边顶部位置的1之外,矩阵E到处都有零元素,除了最左边底部位置的1以外,矩阵F到处都有零元素。因此,矩阵E和F具有与以下形式兼容的大小。
问题(4)的SAM[17]的数值版本等效于称为Schwarz增强矩阵方程的新线性系统的块高斯-塞德尔迭代过程,
哪里
Ã(β)意味着\195;是β的函数。注意,(7)的溶液x是从(10)的溶液中获得的,反之亦然。在[18]中,我们证明了选择一个好的Tl分裂可以显著提高SAM的收敛性。应用(11)中的一些Tl分裂到Ã中,我们得到了一个新的方程
具有
其中,Bi,C′i,i=1,2是一些矩阵,使得(Bi−C′i)是非奇异的,并且
注意,两个线性系统(10)和(12)在具有相同解的意义上是等价的。如果选择C′i和Ci,使得它们是l×l矩阵,除αi分别位于(1,1)和(l,l)位置外,其余均为零,如下所示:,
得到的矩阵A′如下所示
其中,Tm(x,y,z)’s是(5)中定义的m×m矩阵,E′i’s是到处都是零元素的m×m矩阵,除了
和Fi′s是到处都是零元素的m×m矩阵,除了
如果子结构域κ的数量大于3,矩阵A′是一个形式的块κ×κ矩阵
其中a=(α0,α1,α2,···,ακ),其中α0=ακ=0,Gi’s定义为
我们称矩阵A′为多参数增强矩阵
如果a=(α0,α1,α2,··,ακ),那么我们可以将多参数增强矩阵a′写成
这称为多参数Schwarz分裂(MPSS)。
MPSS的收敛性取决于以下分块雅可比矩阵的谱半径
注意,J是参数αi的函数,分别对应于混合界面条件(2)中的参数ωi。通过控制这些参数αi,可以优化SAM的收敛速度。在[7]中,确定了使(21)中的块雅可比矩阵J的谱半径为零的多参数αi的最佳值。以下定理给出了[7]的结果。
定理2.1。设β=2+qh2,p∈{1,2,··,κ−1}
如果值αi,i=0,1,··,κ由下式给出
则(21)中的块雅可比矩阵J的谱半径为零。
3.三维问题的多参数Schwarz分裂
考虑三维边值问题
其中,Γ是Ω≡(0,1)×(0,1)×(01,1)的边界,q≥0是一个常数。我们基于域Ω的κ-路分裂来制定SAM,即我们沿着x1轴将域分解为κ重叠子域Ωi,并对立方体域Ω进行条带型分解(例如,见图2)。接下来,我们将界面条件应用于子域Ωi和Ωi+1之间的两个内部边界。设▽为x1方向上重叠的长度,η为同一方向上每个子域的长度。图2描述了单位立方体Ω的三向分裂。
图2。单位立方体Ω的三向分裂。
在开始分析时,我们使用了一个7点有限差分离散格式,在所有x1、x2和x3轴上具有统一网格尺寸,并对(22)中的BVP进行离散,以获得如下形式的线性系统
采用节点的自然排序,从原点开始,先沿x3方向排序,然后依次沿x2和x1方向排序,从而将得到的矩阵A划分为对应于子域的块矩阵。使用张量积表示法(参见[4]和[9],其中引入了与BVP有关的张量积),(23)中的矩阵B可以写成
式中,Tj(x)在(6)中定义,β=2+qh2。
定义n=κm−l(κ−1),问题(22)的SAM的数值版本等效于新线性系统的块高斯-赛德尔迭代过程,称为施瓦兹增强矩阵方程,
具有
其中Iκm是κm×κm单位矩阵,Ã(β)是(11)中定义的κ×κ块矩阵,即κ=3的情况。注意,(β)中的每个对角块都是m×m矩阵。
设Xn是n×n正交矩阵,其列是矩阵Tn(2)的特征向量。由于矩阵Tn(2)的特征值已知,我们可以写
设X=Iκm在Xn中,其逆函数由以下公式给出
如果P是映射的置换矩阵
对于i=1,2···,κm,j=1,2,··,n,k=1,2
注意,线性系统(25)的解是通过求解线性系统得到的
其中,在(25)中。
同样,使用Y=In⊗IκmXn,我们有
如果Q是映射的置换矩阵
对于i=1,2···,κm,j=1,2,··,n,k=1,2
其中ζj,k=β+γj+γk,当j=1,2,···,n和k=1,2,···,n和
它表示条目s(j,k)的对角矩阵的对角矩阵。
注意,线性系统(29)的解是通过求解线性系统得到的
哪里
带有in(29),因此
在(25)中。最后,通过以下公式计算in(25)
(32)中包含。
从(30)和(32)中,我们知道三维问题(25)简化为n2个一维问题
其中是的对应子向量。
in(30)的多参数Schwarz增强矩阵定义为
其中A′(x,A)在(17)中定义。如果我们让
其中M(x,a)和N(x,a)在(19)中定义,那么我们可以将(33)中的多参数增强矩阵B′写成
这称为多参数Schwarz分裂(MPSS)。MPSS的收敛性取决于以下分块雅可比矩阵的谱半径
哪里
对于j=1,2,··,n和k=1,2。
在[7]中,人们未能确定一个参数向量a,使得(36)中的块雅可比矩阵J的谱半径为零,因为不可能找到这样一个参数矢量a,该参数向量a使(36)的对角块Lj、k(a)的所有谱半径同时为零。
因此,对于每个对角线块,我们不采用固定参数a,而是采用多参数向量aj,k,如下所示
哪里
对于j=1,2,··,n和k=1,2··,n.注意,多参数αi,j,k中的这些三重指数(i,j
作为第i界面边界上的混合界面条件。
现在,利用这些三诱导多参数αi,j,k,我们得到了(35)中三维多参数Schwarz分裂B′=M−N的以下定理。
定理3.1。对于j=1,2,··,n和k=1,2
如果每个j=1,2,··,n的值αi,j,k和每个k=1,2,·,n和每个i=0,1,··
则(37)中的块雅可比矩阵J的谱半径为零。
4.数值实验
在本节中,我们提供了一个数值实验来证明前一节的结果。我们将比较多参数SAM(MPSAM)和经典SAM的结果。考虑以下模型问题
其中Γ是Ω的边界,有解
在所有实验中,向量及其所有分量0.0被用作解向量的初始猜测。相对残差rκ计算为κ迭代后相应方程组残差的∏2-范数之比,即:。,
表1显示了每个子域数(κ=2,4,8)和局部网格数(m=8)以及最小重叠和半重叠(l=1,4)在κ迭代后计算的SAM相对残差。表2显示了相同条件下MPSAM的性能。它显示了最优收敛性。事实上,对于κ子域的情况,在κ迭代后,MPSAM的相对残差小于5.02×10−15。
表1。经典SAM应用于BVP(39)。
表2。MPSAM适用于BVP(39)。
收敛速度对计算出的参数αi,j,k的最佳值非常敏感,并且对称选择它们(即定理(3.1)中的取p=[κ/2])减少了计算参数αi、j,k最佳值时的误差传播。