Einleitung
In der VO ‘Anwendungsgebiete der Technischen Mathematik’ wird
Numerik von Differentialgleichungen
Einführung und Überblick
Winfried Auzinger
Institut für Analysis and Scientific Computing
www.math.tuwien.ac.at/∼winfried
‘Anwendungsgebiete der Mathematik’, SS 2010
1 / 36
Einleitung
Die mathematische Modellierung dient der Simulation eines realen
Vorganges auf einem Computer – z.B. um Vorhersagen über das
Verhalten eines Systems zu gewinnen (wann ist die nächste
Sonnenfinsternis?) oder aufwendige bzw. undurchführbare
Experimente (1000 verschiedene Crashtests mit einem
Testfahrzeug – ?!) virtuell durchführen zu können.
Die Entwicklung auf dem Informatiksektor erlaubt immer
komplexere Simulationen – und die Numerik von
Differentialgleichungen liefert eine der zentralen mathematischen
Grundlagen, die diese erst ermöglichen.
In den Medien liest und hört man meist nur von Prozessoren und
Taktfrequenzen und coolen Grafiken etc. – die Mathematik
dahinter wird kaum wahrgenommen.
3 / 36
an vielen Stellen auf mathematische Modelle Bezug genommen, die
auf gewöhnliche oder partielle Differentialgleichungen (DGL)
führen.
Zugrunde liegt immer ein Modellierungsprozess; dieser führt
(außer in Trivialfällen) nicht direkt zur Problemlösung, sondern
‘nur’ auf eine zu lösende Gleichung.
Wenn z.B. die unabhängige Variable der Zeit t entspricht, so
erhält man eine Differentialgleichung immer dann, wenn die
(zeitliche) Änderung eines Zustandes vom Zustand selbst abhängt,
so dass Ableitungen (Geschwindigkeit, Beschleunigung, . . . ) in den
Gleichungen auftreten
(im Gegensatz zu algebraischen Gleichungen).
2 / 36
Einleitung
Notation
Einfachste Standardform einer gewöhnlichen DGL (ODE):
y  (t) = f (t, y (t))
für eine gesuchte Funktion y (t) (y  = dy /dt).
• t . . . unabhängige Variable (in Anwendungen oft die Zeit,
oder z.B. räumliche Koordinate)
• f (t, y ) . . . gegebene Datenfunktion (ergibt sich aus zugrunde
liegenden Modell)
Gleiche Schreibweise für Systeme von DGL:
• mehrere DGL für mehrere gesuchte Funktionen
y1 (t), . . . , yn (t) simultan gegeben
• Gleichungen untereinander verkoppelt
• Hier: y = (y1 , . . . , yn ) und f = (f1 , . . . , fn ) . . . vektoriell
4 / 36
Beispiel: Pendel Beispiel: Pendel
Das mathematische Modell Die Differentialgleichung

Mathematisches Modell für

• Pendelschwingung unter Einwirkung der Gravitation
• ‘Punktmasse’ am Ende konzentriert (Modellvereinfachung!)
• Grundlage: 2. Newtonsches Gesetz
( Kraft = Masse × Beschleunigung )
• Variablen: Zeit t (z.B. in s), Auslenkungswinkel ϕ(t)
•  DGL. 2. Ordnung (Notation: ϕ̇ = Ableitung nach t)
ϕ̈(t) = − ω 2 sin(ϕ(t))
 werden.
ω := g /l (g . . . Erdbeschleunigung, l . . . Pendellänge)
5 / 36
• DGL ist nichtlinear in ϕ(t), Ordnung=2 (ϕ̈ tritt auf)
• Konkrete Lösung durch zusätzliche Vorgabe eines konkreten
Anfangszustandes (Auslenkung ϕ(0), Winkelgeschwindigkeit
ϕ̇(0) zum Zeitpunkt t = 0)
• Oft wird die Ableitung ψ(t) := ϕ̇(t) als eigenständige
Zustandsvariable betrachtet.
 äquivalentes DGL-System 1. Ordnung:
ϕ̇(t) = ψ(t)
ψ̇(t) = −ω 2 sin(ϕ(t)) ,
d.h. y = (ϕ, ψ) und f (t, y ) = f (y ) = (ψ, −ω 2 sin(ϕ)).
• Exakte Lösung kann nicht explizit formelmäßig angegeben
6 / 36

Beispiel: Pendel Beispiel: Pendel

Anmerkungen Modellvereinfachung (Linearisierung)

Viele vereinfachende Annahmen: Für hinreichend kleine Auslenkungen ϕ(t):

• sin ϕ ≈ ϕ
• Gesamte Masse im Endpunkt konzentriert
•  vereinfachte, linearisierte DGL
• Räumliche Ausdehnung klein, so dass Annahme g = const.
ϕ̈(t) = − ω 2 ϕ(t)
O.K.
mit exakter Lösung
• Starrer Körper (keine Verformungen)
ϕ(t) = C1 sin(ω t) + C2 cos(ω t)
• Reibungsfreie Aufhängung; kein Luftwiderstand
• . . . keine numerische Approximation erforderlich.
• ... ...
• Beachte jedoch: Auch sin, cos müssen am Computer
 approximiert werden!
• Derartige Modellfehler hat man so gut wie immer; 
eine exakte formelmäßige Lösung wäre daher ohnehin nicht • Grenze zwischen ‘exakter’ und ‘numerischer’ Lösung ist nicht
‘wirklich exakt’. ganz scharf definiert.
• Numerische Approximation erforderlich – • Exakte Lösungsdarstellungen (sofern verfügbar) dienen eher
zum theoretischen Verständnis; sie eignen sich auch oft nicht
in der Praxis der Normalfall.
für die numerische Umsetzung.
7 / 36 8 / 36
Ein ‘Urproblem’: (Numerische) Integration Ein ‘Urproblem’: (Numerische) Integration
Was heißt ‘integrierbar’ ? Numerische Integration

• Einfacher Spezialfall einer DGL: •  Integration erfordert numerische Approximation für

 t
Löse y  (t) = f (t) ( f (t, y ) ≡ f (t) ) (i) das Integral f (τ ) d τ oder
0
• Lösung zu Anfangswert y (0) = y0 : (ii) die Stammfunktion F (t).
 t
y (t) = y0 + f (τ ) d τ . . . bestimmtes Integral von f • (i) ist die allgemeinere Strategie: Man verwendet
0 Approximationsmethoden, die sich (im Prinzip) für beliebige
• Konkrete Darstellung mittels Stammfunktion F (t) von f (t) Integranden einsetzen lassen.
(d.h. F  (t) ≡ f (t)) : • Approximationsprinzip: Diskretisierung, z.B.
y (t) = y0 + (F (t) − F (0)))  t 
f (τ ) d τ ≈ f (ti ) Δti
. . . setzt voraus, dass 0 i
– F (t) explizit bekannt ist und über einem geeignet gewählten Gitter {ti }.
– Implementierung/Approximation von F am Rechner
• Die nachfolgende betrachteten Verfahren für DGL basierend
verfügbar ist (z.B. sin, cos, . . .)
auf der Idee der Diskretisierung angewendet auf die DGL (oder
• Jede (z.B.) stetige Funktion f (t) ist integrierbar, aber die
eine äquivalente Integralgleichung).
Stammfunktion ist i.all.g. nicht explizit angebbar.
9 / 36 10 / 36

Ein ‘Urproblem’: (Numerische) Integration Numerischer Zugang: Diskretisierung

Lineare Differentialgleichungen Euler-Verfahren

• Die Lösung y (t) einer linearen DGL, z.B. • Basierend auf der Approximation
y  (t) = a y (t) + b(t) y (t + h) − y (t)
y  (t) ≈ ,
kann ebenfalls direkt als Integral angegeben werden: h
 t
ersetzt man die DGL über einem ‘Gitter’ {ti = i h} durch die
y (t) = e y0 +
ta
e (t−τ )a b(τ ) d τ
0 Differenzengleichung mit Schrittweite h,
• Dennoch ist direkte Diskretisierung der DGL (siehe unten) ỹi − ỹi−1
= f (ti−1 , ỹi−1 ), i = 1, 2, . . .
meist sinnvoller. h
• Für Systeme linearer DGL, z.B. (y (t) ∈ Rn ) •  Rekursion für die Näherungswerte ỹi ≈ y (ti ) :
y  (t) = A · y (t) + b(t) ỹi = ỹi−1 + h f (ti−1 , ỹi−1 ), i = 1, 2, . . .
gilt analog  • Approximationsfehler (‘lokaler Diskretisierungsfehler’) in jedem
t
(t−τ )A einzelnen Schritt:
y (t) = e tA
· y0 + e · b(τ ) d τ
0 y (t + h) − y (t)
− y  (t) = O(h) für h → 0
Hier ist auch die Auswertung von e tA (Lösung des homogenen h
Problems) i. allg.nichttrivial.
11 / 36 12 / 36
Numerischer Zugang: Diskretisierung Numerischer Zugang: Diskretisierung
Fehlerbetrachtung Stabilität und Konvergenz

• Lokaler Diskretisierungsfehler: Genauere Darstellung • Stabilität ist ein running gag in der gesamten Numerik:
(a priori - Schätzung) : Diverse unvermeidliche Fehler (lokale Fehler, auch:
y (t + h) − y (t) Modellungenauigkeiten, Approximationsfehler bei Auswertung
− y  (t) = h y  (t) + O(h 2 ) für h → 0 der Datenfunktionen, . . . ) sollen sich nicht unnatürlich stark
h
auf auf das Endergebnis auswirken.
• ‘ A priori ’ : Zeigt qualitativ, wie lokaler Fehler von h und der
(unbekannten) Lösung y (t) abhängt. • Satz: Das explizite Euler-Verfahren ist stabil.
Dies ist jedoch (natürlich!) keine berechenbare Größe. (Eigentlich: Stabil für nicht allzu große Schrittweiten h.)
• A priori Schätzungen dienen dem theoretischen Verständnis Beweis: Studium der Differenzengleichung für den globalen
und bilden die theoretische Basis für die Konstruktion Fehler und a priori Abschätzung seiner Lösung.
praktikabler a posteriori Schätzer. • Folgerung: Für den globalen Fehler ỹi − y (ti ) gilt
• Der ‘wirkliche’ (globale) Fehler ist
ỹi − y (ti ) = O(h) für h → 0
ỹi − y (ti ) = ?, i = 1, 2, . . .
d.h. das Verfahren ist konvergent von der Ordnung 1.
13 / 36 14 / 36

Numerischer Zugang: Diskretisierung Numerischer Zugang: Diskretisierung

FAQ, (i): Relevante Fragen zu Diskretisierungsverfahren Beispiel: Flug einer Rakete im inhomogenen Gravitationsfeld

• Welches Diskretisierungsverfahren eignet sich für welche Klasse • Differentialgleichung für die Flughöhe h = h(t) :
von Differentialgleichungen?
g r2 g = Erdbeschleunigung
 Das ‘Super-Universalverfahren’ gibt es nicht. h (t) = − 2
,
(r + h(t)) r = Erdradius
• ∃ beliebig hoher Ordnung p > 1 Fehlerverhalten:
ỹi − y (ti ) = O(hp ) .
Bei einem Verfahren z.B. 4. Ordnung (p = 4, z.B. klassisches
‘Runge-Kutta’-Verfahren) geht der Fehler auf das (ca.)
2−p = 2−4 - fache, also um einen Faktor 1/16 zurück, wenn die
Schrittweite h halbiert wird.
•  höherer Rechenaufwand pro Schritt lohnt sich.
• Aber: Wird ineffizienter für ‘schwierigere’ Probleme mit
Glattheitsdefekten. • Grafik zeigt exakte Lösung, Euler-Approximation und
• Weitere Problematik: Abklingverhalten mit stark gedämpfter Runge-Kutta Approximation (angewendet auf äquivalentes
Dynamik kann Instabilität verursachen. System 1. Ordnung).
15 / 36 16 / 36
Numerischer Zugang: Diskretisierung Numerischer Zugang: Diskretisierung
Beispiel: Gedämpfter Oszillator (Pendel, kleine Auslenkung, mit Reibung) FAQ, (ii): Relevante Fragen zu Diskretisierungsverfahren

• Differentialgleichung für den Winkel ϕ(t) : • . . . Beispiel für steifes Verhalten:

ρ = Dämpfungsparameter Originalproblem ist ‘super-stabil’, Störungen werden sehr
ϕ̈(t) + 2ρ ϕ̇(t) + ω 2 ϕ(t) = 0,
ω = Eigenfrequenz schnell weggedämpft
Aber: Verfahren reagieren empfindlich auf Störungen (falls
nicht h extrem klein)
• Abhilfe: Z.B. modifiziertes, ‘implizites’ Euler-Verfahren:
ỹi − ỹi−1
= f (ti , ỹi ), i = 1, 2, . . .
h
Differenzengleichung ist implizit, d.h. die Bestimmung von ỹi
• Grafik zeigt exakte Lösung, Euler-Approximation und für gegebenes ỹi−1 erfordert die Lösung einer Gleichung (i. allg.
Runge-Kutta Approximation, angewendet auf äquivalentes eines Systems):
System 1. Ordnung. Löse z − h f (ti , z) = ỹi−1 ⇒ ỹi = z.
• Beide Verfahren verhalten sich instabil, obwohl exakte Lösung
sehr stabil; glatter Verlauf, leicht abklingend.
17 / 36 18 / 36

Numerischer Zugang: Diskretisierung Numerischer Zugang: Diskretisierung

FAQ, (iii): Relevante Fragen zu Diskretisierungsverfahren Beispiel: Die äußeren Planeten im Sonnensystem

• Wie kann man sicherstellen, dass wichtige probleminhärente • Beispiel: 

c E. Hairer, C. Lubich, E. Wanner
Eigenschaften auch in der numerischen Lösung möglichst
getreu wiedergegeben werden?
• Beispiel – Reibungsfrei schwingendes Pendel:
Beispiel für ein konservatives mechanisches System, dessen
gesamte (potentielle + kinetische) Energie über die Zeit
hinweg konstant ist.
•  Zur verlässlichen numerischen Integration über längere
Zeiten: Benötige Verfahren, die ebenfalls energieerhaltend
sind.
• Die Euler-artigen Verfahren sind dafür ungeeignet. Es wurden
spezielle Verfahren für diesen Zweck entwickelt. • Grafik zeigt verschiedene (qualitativ falsche und richtige)
• Anwendung: Z.B. in der Astronomie, exakte langfristige Simulationen der Planetenbahnen (Langzeitverhalten).
Vorhersage von Planetenbahnen. (J=Jupiter, S=Saturn, U=Uranus, N=Neptun, P=Pluto)
19 / 36 20 / 36
Numerischer Zugang: Diskretisierung Numerischer Zugang: Diskretisierung
FAQ, (iv): Relevante Fragen zu Diskretisierungsverfahren FAQ, (v): Relevante Fragen zu Diskretisierungsverfahren

• Wie kann man den Fehler a posteriori, d.h. für eine konkret
berechnete Näherungslösung verlässlich berechenbar
schätzen ?
•  Eine Möglichkeit (Grundidee – Rückwärtsanalyse):
Interpretiere die berechnete Folge von Näherungswerten ỹi
(bzw. eine die ỹi interpolierende Funktion ỹ (t)) als Lösung
einer ‘gestörten’ DGL.
Der Störungsterm lässt sich mit Hilfe der ỹi und der gegebenen
DGL berechnen bzw. genau schätzen.
• ∃ verschiedene Techniken, um aus dieser Störung auf ihren
Effekt (= globaler Fehler!) zurückzuschließen.
Allerdings auch hier nicht 100% Sicherheit – auch
Fehlerschätzer operiert diskret und unterliegt einem (allerdings
geringeren) Diskretisierungsfehler.
21 / 36
• Wie ist die (im allgemeinen variable) Schrittweite h (= hi ) zu
wählen, damit man eine vorgegebene Genauigkeitsforderung
möglicht verlässlich und ohne unnötig hohen Rechenaufwand
erfüllt?
•  Die Grundlage dafür besteht in einer verlässlichen
a-posteriori Fehlerschätzung (siehe oben).
Darauf basierend wurden verschiedene Algorithmen entwickelt,
bei denen versucht wird, die Schrittweite so zu steuern, dass
der Fehler möglichst gleichmäßig kontrolliert wird.
 adaptive Methoden
22 / 36

Randwertprobleme Randwertprobleme
Problemtyp; Beispiel Numerische Behandlung: Z.B. Differenzenverfahren für u  (x) = f (x, u(x), u  (x))

• Randbedingungen (an mehreren Stellen) ergeben globales

• Approximiere Ableitung über diskretem Gitter {xi },
Problem
Schrittweite h
• Beispiel: Poisson-Gleichung (1D, linear)
• Z.B. mit xi = a + i h :
u  (x) = f (x), x ∈ (a, b)
u(xi−1 ) − 2u(xi ) + u(xi+1 )
u  (xi ) ≈
+ Randbedingungen am Rand des Intervalles [a, b], h2
z.B. u(a) = α, u(b) = β • . . . Ergibt großes (algebraisches) Gleichungssystem für die
• Anwendung: Z.B. in Mechanik ui ≈ u(xi ):
– Lösung u(x) . . . Verformung einer gespannten, elastischen ui−1 − 2ui + ui+1 u −u
Saite, wobei = f (xi , ui , i h i −1 ), i = 1, 2, . . .
h2
– f (x) = gegebene Dichtefunktion, beschreibt ‘load’
• Allgemeiner: Nichtlineares Problem + Randbedingungen
(z.B. nichtlineares Spannungs-Verformungs-Verhalten)  System A u = F (u), u = (ui ) ∈ Rn ; A ∈ Rn×n
u  (x) = f (x, u(x), u  (x)), x ∈ (a, b)
• Allgemeiner: Schrittweite h = hi variabel → Adaptivität

23 / 36 24 / 36
Randwertprobleme Partielle Differentialgleichungen (PDE)
Großes, schwach besetztes Gleichungssystem Stationäre Probleme

• Systemmatrix A (entspricht Approximation von u  ):

⎧ ⎫ • Beispiel: Poisson-Gleichung (2D, linear)
⎪ −2 1 ⎪
⎪
⎪ ⎪
⎪
⎪
⎪ 1 −2 1 ⎪
⎪ Δu(x, y ) = f (x, y ), (x, y ) ∈ Ω ⊂ R2
⎪
⎪ ⎪
⎪
⎪
⎪ .. .. .. ⎪
⎪
⎪ ⎪
1⎪
⎪ . . . ⎪
⎪
A = 2⎪
⎪ ⎪
⎪ ( Δu := (∇·∇) u = uxx + uyy . . . ‘Laplace-Operator’ ),
h ⎪
⎪
⎪
⎪ .. .. .. ⎪
⎪
⎪
⎪
⎪
⎪ . . . ⎪
⎪
⎪
⎪
⎪
⎪
⎪ + Randbedingungen am Rand des Gebietes Ω
⎪
⎪ 1 −2 1⎪⎪
⎪
⎩ ⎭
1 −2 • Ein Anwendungsbeispiel:
• Gleichungssystem ist ‘schwach besetzt’ (tridiagonal), – Lösung u(x, y ) . . . Verformung einer gespannten, elastischen
leicht lösbar falls n nicht extrem groß. Membran, wobei
• Beachte: n → ∞ für h → 0. Benötige Stabilität für – f (x, y ) = gegebene Dichtefunktion, beschreibt ‘load’
– numerische Umsetzbarkeit am Digitalrechner • Poisson Gleichung tritt auch auf in Strömungsmechanik,
– Konvergenz der Approximation für h → 0 Elektrostatik, . . .
• Stabilität: Untersuchung der Inversen A−1 für h → 0  • Analog in 3D
das ist (Lineare) Algebra.
25 / 36 26 / 36

Partielle Differentialgleichungen (PDE) Partielle Differentialgleichungen (PDE)

Stationäre Probleme: FD-Verfahren (i) Stationäre Probleme: FD-Verfahren (ii)

• Approximiere die PDE durch eine partielle Differenzen-  System-Matrix mit spezieller Struktur:
⎧ ⎫
gleichung über einem diskreten Gitter {xi , yj } ⊂ Ω ⎪
⎪
T I ⎪
⎪
⎪
⎪ ⎪
⎪
b b b b b b b b b ⎪
⎪ I T I ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ .. .. .. ⎪
⎪
b r r r r r r r b ⎪
⎪ . . . ⎪
⎪
A =⎪ ⎪ 2 2
⎪
⎪ ⎪
⎪ ∈ Rn ×n
b r r r r r r r b ⎪
⎪ .. .. .. ⎪
⎪
⎪
⎪ . . . ⎪
⎪
⎪
⎪ ⎪
⎪
b r r r r r r r b ⎪
⎪ ⎪
⎪
⎪ I T I ⎪
⎪
⎪
b r r r r r r r b ⎩ ⎭
I T
b r r r r r r r b
mit ⎧ ⎫
b r r r r r r r b ⎪ −4 1 ⎪
⎪
⎪ ⎪
⎪
⎪
⎪ 1 −4 1 ⎪
⎪
b r r r r r r r b ⎪
⎪ ⎪
⎪
⎪
⎪ .. .. .. ⎪
⎪
hb ⎪ ⎪
b b b b b b b b 1⎪
⎪ . . . ⎪
⎪
T = 2⎪
⎪ ⎪
⎪ ∈ Rn×n
h h ⎪
⎪
⎪
⎪ .. .. .. ⎪
⎪
⎪
⎪
⎪
⎪ . . . ⎪
⎪
• . . . führt auf großes lineares Gleichungssystem ⎪
⎪ ⎪
⎪
⎪
⎪ 1 −4 1⎪⎪
⎪
⎩ ⎪
⎭
für die ui,j ≈ u(xi , yj ); ‘sehr groß’ im 3D-Fall 1 −4
27 / 36 28 / 36
Partielle Differentialgleichungen (PDE) Partielle Differentialgleichungen (PDE)
Stationäre Probleme: Finite-Elemente - Methoden (FEM, (i) Stationäre Probleme: Finite-Elemente - Methoden (FEM, (ii)

• Approximiere die Lösung in einem endlich-dimensionalen • Beispiel: Poisson-Gleichung mit ‘unglatter’ Lösung
Raum von approximierenden Funktionen (z.b. stückweise
linear, polynomial über kleinen Teilgebieten, den ‘Finiten
Elementen’), wobei
• verschiedene Kriterien für die Approximation, z.B. Minimierung
eines gewissen Fehlerfunktionals
( Variationsrechnung)
• Flexibel anpassbar an allgemeine Geometrien
•  große, schwach besetzte Gleichungssysteme
•  Adaptivität
• Welche Mathematik brauchen wir dafür:
• Wesentlich: Geeignete Datenstrukturen für Umsetzung am
Höhere Analysis (insbesondere Variationsrechnung),
Digitalrechner
Approximationstheorie, Lineare Algebra . . .

29 / 36 30 / 36

Partielle Differentialgleichungen (PDE) Partielle Differentialgleichungen (PDE)

Instationäre Probleme – Problemtypen Instationäre Probleme – Beispiel: Schrödinger-Gleichung (i)

• Wärmeleitungsgleichung (Diffusionsgleichung):
• Grundgleichung der Quantenmechanik (n Elektronen):
∂
∂t u(x, t) = Δx u(x, t) ∂
i ∂t ψ(x, t) = H(ψ(x, t))
• Wellengleichung:
für die komplexwertige Wellenfunktion ψ. Dabei ist:
∂2
∂t 2
u(x, t) = Δx u(x, t) – t . . . Zeit
– x = (x1 , . . . , xn ), xj ∈ R3 . . . Position der Elektronen
• + Verallgemeinerungen
| ψ(x, t) | beschreibt die Wahrscheinlichkeits-
• Diskretisierung in Ort x ∈ Rd (d = 1, 2, 3) und t ∈ R
dichte dafür, dass sich zum Zeitpunkt t die Teilchen
(simultan oder ‘nacheinander’)
(Elektronen) an den betreffenden Positionen xj befinden.
• Je nach Typ verschiedene Zugänge erforderlich
• Numerische Behandlung durch ‘direkte Diskretisierung’
• Weiters:
hoffnungslos, weil extrem hochdimensional: x ∈ R3n !
– Nichtlineare Effekte, z.B. Schockwellen (Überschall)
– Systeme von PDEs, • ‘State of the art’: Spezielle approximierende Ansatzfunktionen,
z.B. Navier-Stokes, Maxwell-Gleichungen dann erst Diskretisierung.
– ...
31 / 36 32 / 36
Partielle Differentialgleichungen (PDE) Partielle Differentialgleichungen (PDE)
Instationäre Probleme – Beispiel: Schrödinger-Gleichung (ii) Lösung großer Gleichungssysteme

• Eine Lösung der homogenen Schrödinger-Gleichung • Fast überall treten sehr große Gleichungssysteme auf
( ein ‘free particle’, 1D, Re ψ(x, t) ): (nach Linearisierung): A u = b
• Direkte Lösung oft langsam und/oder speicherintensiv
• Alternative: Iterative Verfahren
• Zeitintegration: aufwendig; Lösungen werden in jedem Schritt
geeignet approximiert (Aufwand!)
33 / 36
Software
Standards: Matlab, etc.
• Matlab: Enthält eine Sammlung von Standard-Tools
• Maple, Mathematica: Computeralgebra-Systeme; lösen
gewisse Typen von DGL exakt; können auch numerische
Approximationen berechnen.
• Multiphysics: Verbreitetes Standardpaket zur Lösung von
Systemen von PDEs
• Spezialpakete: meist anwendungsspezifisch
• Softwareentwicklung am Institut; Z.B.
– BVPSUITE: Randwertprobleme für Systeme von ODEs
– HILBERT:
Hilbert Is a Loveley Boundary Element Research Tool
• Da kann man mitarbeiten (in Theorie oder Praxis) . . .
35 / 36
• Z.B. iterative Minimierung einer Residualnorm Ax − b
• Beispiel: cg-Verfahren für positiv definite Systeme:
# cg for A.x=b, starting from x[0]
r[0] := b-A.x[0]; d[0] := r[0];
for i=0,1,... do
alpha[i] := (r[i],r[i])/(A.d[i],d[i])
x[i+1] := x[i]+alpha[i]*d[i]
r[i+1] := r[i]-alpha[i]*A.d[i]
beta[i] := (r[i+1],r[i+1])/(r[i],r[i])
d[i+1] := r[i+1] + beta[i]*d[i]
end
• Aber: Muss problemabängig angepasst werden für
vernünftige Konvergenzrate.
34 / 36
Definition der Numerik?
‘Numerische Mathematik’; ‘Scientific Computing’
• . . . nicht nur Rundungsfehler und so . . .
• Die Numerik ist der konstruktive Zweig der Mathematik, der
sich mit der konkreten rechnerischen Lösung von Problemen
befasst, insbesondere mittels Algorithmen, die sich auf
Digitalrechnern implementieren lassen.
• Konstruktivität, Effizienz und stabile Umsetzung erfordert
durchwegs Approximation.
• Die Numerik ist die Freundin der Angewandten Mathematik.
Sie gilt aber auch ein eigenständiges mathematisches Teilgebiet
(Numerische Mathematik). Entwicklung eng verbunden mit
der Existenz und Weiterentwicklung des Digitalcomputers.
• ‘Scientific Computing’: der zur Implementierung auf
Hochleistungsrechnern hin orientierte, praktische und
angewandte Aspekt der Numerik.
36 / 36