[论文解读] Calculation of Coefficients of the Optimal Quadrature Formulas in the $W_2^{m,m-1}(0,1)$ Space

Kh. M. Shadimetov, A.R. Hayotov|ArXiv.org|Oct 30, 2008

Material Science and Thermodynamics被引用 8

一句话总结

该论文在 Sobolev 空间 $W_2^{(m,m-1)}(0,1)$ 中利用 Sobolev 算法构造了数值积分的最优求积公式。对于 $m=1,2$，推导出求积公式 $\int_0^1 \varphi(x)dx \approx \sum_{\beta=0}^N C_\beta \varphi(x_\beta)$ 中最优系数 $C_\beta$ 的显式表达式，该公式对次数不超过 $m-2$ 的多项式以及函数 $e^{-x}$ 精确成立，且 $C_0$ 和 $C_N$ 的闭式表达式以步长 $h=1/N$ 和特征方程的根表示。

ABSTRACT

In this paper problem of construction of optimal quadrature formulas in $W_2^{(m,m-1)}(0,1)$ space is considered. Here by using Sobolev's algorithm when $m=1,2$ we find the optimal coefficients of the quadrature formulas of the form $$ \int\limits_0^1ϕ(x)dx\cong \sum\limits_{β=0}^NC_βϕ(x_β). $$

研究动机与目标

• 在 Hilbert 空间 $W_2^{(m,m-1)}(0,1)$ 中构造用于高精度数值积分的最优求积公式。
• 通过确定固定节点 $x_\beta$ 的最优系数 $C_\beta$，最小化误差泛函的范数。
• 确保求积公式对所有次数不超过 $m-2$ 的多项式以及函数 $e^{-x}$ 精确成立。
• 利用 Sobolev 算法求解由拉格朗日乘子和卷积形式推导出的方程组。

提出的方法

• 将误差泛函 $\ell_N(x)$ 表述为涉及狄拉克函数和 $[0,1]$ 上指示函数的分布。
• 以误差泛函在对偶空间 $W_2^{(m,m-1)*}(0,1)$ 中的范数作为需最小化的误差度量。
• 应用拉格朗日乘子法，强制满足 $(\ell_N, x^\alpha) = 0$（$\alpha = 0, \dots, m-2$）和 $(\ell_N, e^{-x}) = 0$。
• 将系统简化为涉及核函数 $\psi_m(x)$ 的卷积方程，其中系数 $C_\beta$ 在均匀网格 $x_\beta = h\beta$（$h = 1/N$）上定义。
• 通过假设解的形式 $C_\beta = h + a_1 \lambda_1^\beta + b_1 \lambda_1^{N-\beta}$，并利用递推关系匹配系数，求解 $a_1$ 和 $b_1$。
• 利用确定的参数 $a_1$、$b_1$ 和特征根 $\lambda_1$，推导出首项和末项系数 $C_0$ 和 $C_N$ 的闭式表达式。

实验结果

研究问题

• RQ1 对于 $m=1,2$，在 $W_2^{(m,m-1)}(0,1)$ 中使误差范数最小化的最优系数 $C_\beta$ 是什么？
• RQ2 如何使求积公式同时对次数为 $m-2$ 的多项式和函数 $e^{-x}$ 精确成立？
• RQ3 当节点均匀分布时，最优系数的解析结构是怎样的？
• RQ4 Sobolev 算法如何应用于求解系数的方程组？

主要发现

• 对于 $m=1,2$，通过 Sobolev 算法显式推导出最优系数 $C_\beta$，确保在 $W_2^{(m,m-1)}(0,1)$ 中误差范数最小。
• 系数满足线性递推关系，表达为 $C_\beta = h + a_1 \lambda_1^\beta + b_1 \lambda_1^{N-\beta}$，其中 $\lambda_1$ 为特征方程的根。
• 首项系数为 $C_0 = \frac{e^h - 1 - h}{e^h - 1} - K(h)(\lambda_1^2 + \lambda_1^N - \lambda_1 - \lambda_1^{N+1})$，其中 $K(h)$ 由 $h$ 和 $\lambda_1$ 定义。
• 末项系数为 $C_N = \frac{he^h - e^h + 1}{e^h - 1} - e^h K(h)(\lambda_1^2 + \lambda_1^N - \lambda_1 - \lambda_1^{N+1})$。
• 通过在卷积方程中匹配 $e^{h\beta}$ 和 $h\beta$ 的系数，得到关于 $a_1$ 和 $b_1$ 的线性系统。
• 该解确保求积公式对所有满足 $\alpha = 0, \dots, m-2$ 的 $x^\alpha$ 和 $e^{-x}$ 精确成立，符合约束条件。