[论文解读] A Multilevel Correction Type of Adaptive Finite Element Method for Eigenvalue Problems

Hehu Xie|arXiv (Cornell University)|Jan 11, 2012

Advanced Numerical Methods in Computational Mathematics参考文献 3被引用 7

一句话总结

该论文提出了一种基于多级校正的自适应有限元方法（AFEM）来求解特征值问题，通过在粗网格上求解小规模特征值问题，并在细网格上求解相应的边值问题，显著降低了计算成本。该方法实现了最优收敛速率和复杂度，其效率与求解边值问题的标准AFEM相当。

ABSTRACT

A type of adaptive finite element method for the eigenvalue problems is proposed based on the multilevel correction scheme. In this method, adaptive finite element method to solve eigenvalue problems involves solving associated boundary value problems on the adaptive partitions and small scale eigenvalue problems on the coarsest partitions. Hence the efficiency of solving eigenvalue problems can be improved to be similar to the adaptive finite element method for the associated boundary value problems. The convergence and optimal complexity is theoretically verified and numerically demonstrated.

研究动机与目标

• 开发一种高效的自适应有限元方法，用于求解具有降低计算成本的二阶椭圆特征值问题。
• 利用多级校正框架，将昂贵的特征值求解与自适应网格加密过程解耦。
• 在特征值问题背景下，建立所提AFEM的理论收敛性和最优复杂度。
• 通过数值实验验证，该方法在具有奇点的区域上，对特征值和特征函数均实现了最优收敛速率。
• 通过在非凸和不规则区域上的数值实验，与标准直接AFEM对比，验证该方法的高效性。

提出的方法

• 该方法采用多级校正方案，将求解过程分为两部分：在最粗网格上求解小规模特征值问题，以及在更细网格上采用自适应有限元方法求解相应的边值问题。
• 自适应加密由基于残差和振荡项的后验误差估计器驱动，确保加密集中在特征函数近似误差较大的区域。
• 算法采用标记策略，使用参数 $\theta \in (0,1)$ 根据误差估计器选择需要加密的单元，从而保证最优收敛性。
• 理论分析依赖于有限元方法求解特征值问题与其相关边值问题之间的关系，该关系已在先前工作中建立（例如，[20, 27]）。
• 利用自适应有限元理论中的技术，包括误差估计器的拟最优性和可靠性，证明了收敛性和最优性。
• 数值实验采用 $L^2$-范数归一化的特征函数，并计算后验误差估计器 $\eta_h(u_h, \Omega)$ 以监控收敛性。

实验结果

研究问题

• RQ1 多级校正策略能否被有效应用于降低自适应有限元求解特征值问题的计算成本？
• RQ2 所提方法是否对特征值和特征函数均实现了与求解边值问题的标准AFEM相当的最优收敛速率？
• RQ3 在具有回转角的区域上，特征函数表现出奇点，此时该方法的性能如何，特别是当标准线性单元导致次优收敛时？
• RQ4 在求解多个特征对（而不仅仅是最小特征对）时，该方法能否保持最优复杂度？
• RQ5 与直接AFEM相比，该算法在收敛速度和误差减少方面表现如何？

主要发现

• 所提出的多级校正AFEM对特征值和特征函数均实现了最优收敛速率，误差以与标准AFEM求解边值问题相同的速率减小。
• 在 $L$-形区域上的数值实验表明，尽管特征函数在回转角处存在奇点，第一个特征值的近似仍以与理论预测一致的速率收敛。
• 在示例2中，后验误差估计器 $\eta_h(u_h, \Omega)$ 和特征值误差在20次自适应迭代中均表现出最优收敛行为，验证了理论分析。
• 在示例3中，对于具有变系数扩散矩阵和非恒定势能的情况，该方法成功实现了对第一和前五个最小特征对的最优收敛。
• 与自适应算法C和直接AFEM的对比表明，所提方法在收敛速度上与直接AFEM相当或更优，尤其在高效降低特征值和特征函数误差方面表现优异。
• 该方法保持了最优复杂度，因为自由度总数相对于所需精度以最优速率增长，从而验证了理论复杂度界。