Beruflich Dokumente
Kultur Dokumente
1 / 36 2 / 36
Einleitung Einleitung
Notation
• 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
• 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
• Wie kann man den Fehler a posteriori, d.h. für eine konkret
berechnete Näherungslösung verlässlich berechenbar
schätzen ? • Wie ist die (im allgemeinen variable) Schrittweite h (= hi ) zu
wählen, damit man eine vorgegebene Genauigkeitsforderung
• Eine Möglichkeit (Grundidee – Rückwärtsanalyse):
möglicht verlässlich und ohne unnötig hohen Rechenaufwand
Interpretiere die berechnete Folge von Näherungswerten ỹi erfüllt?
(bzw. eine die ỹi interpolierende Funktion ỹ (t)) als Lösung
einer ‘gestörten’ DGL. • Die Grundlage dafür besteht in einer verlässlichen
Der Störungsterm lässt sich mit Hilfe der ỹi und der gegebenen a-posteriori Fehlerschätzung (siehe oben).
DGL berechnen bzw. genau schätzen. Darauf basierend wurden verschiedene Algorithmen entwickelt,
• ∃ verschiedene Techniken, um aus dieser Störung auf ihren bei denen versucht wird, die Schrittweite so zu steuern, dass
Effekt (= globaler Fehler!) zurückzuschließen. der Fehler möglichst gleichmäßig kontrolliert wird.
Allerdings auch hier nicht 100% Sicherheit – auch adaptive Methoden
Fehlerschätzer operiert diskret und unterliegt einem (allerdings
geringeren) Diskretisierungsfehler.
21 / 36 22 / 36
Randwertprobleme Randwertprobleme
Problemtyp; Beispiel Numerische Behandlung: Z.B. Differenzenverfahren für u (x) = f (x, u(x), u (x))
23 / 36 24 / 36
Randwertprobleme Partielle Differentialgleichungen (PDE)
Großes, schwach besetztes Gleichungssystem Stationäre Probleme
• 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
• 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
• 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
• Zeitintegration: aufwendig; Lösungen werden in jedem Schritt • Aber: Muss problemabängig angepasst werden für
geeignet approximiert (Aufwand!) vernünftige Konvergenzrate.
33 / 36 34 / 36
• Matlab: Enthält eine Sammlung von Standard-Tools • . . . nicht nur Rundungsfehler und so . . .
• Maple, Mathematica: Computeralgebra-Systeme; lösen • Die Numerik ist der konstruktive Zweig der Mathematik, der
gewisse Typen von DGL exakt; können auch numerische sich mit der konkreten rechnerischen Lösung von Problemen
Approximationen berechnen. befasst, insbesondere mittels Algorithmen, die sich auf
Digitalrechnern implementieren lassen.
• Multiphysics: Verbreitetes Standardpaket zur Lösung von
Systemen von PDEs • Konstruktivität, Effizienz und stabile Umsetzung erfordert
durchwegs Approximation.
• Spezialpakete: meist anwendungsspezifisch
• Die Numerik ist die Freundin der Angewandten Mathematik.
• Softwareentwicklung am Institut; Z.B. Sie gilt aber auch ein eigenständiges mathematisches Teilgebiet
(Numerische Mathematik). Entwicklung eng verbunden mit
– BVPSUITE: Randwertprobleme für Systeme von ODEs
der Existenz und Weiterentwicklung des Digitalcomputers.
– HILBERT:
Hilbert Is a Loveley Boundary Element Research Tool • ‘Scientific Computing’: der zur Implementierung auf
Hochleistungsrechnern hin orientierte, praktische und
• Da kann man mitarbeiten (in Theorie oder Praxis) . . . angewandte Aspekt der Numerik.
35 / 36 36 / 36