[论文解读] Local and Dimension Adaptive Sparse Grid Interpolation and Quadrature

John Jakeman, Stephen Roberts|arXiv (Cornell University)|Sep 30, 2011

Advanced Numerical Methods in Computational Mathematics参考文献 11被引用 8

一句话总结

本文提出了 h-自适应广义稀疏网格（h-GSG）方法，一种局部且维度自适应的稀疏网格方法，结合了基于层次剩余的自适应策略与广义稀疏网格维度选择。该方法采用高阶多项式基函数，在光滑区域实现高收敛速率，同时在不连续区域保持精度，从而仅需少于300,000次函数求值即可高效实现高达700个变量的高维函数插值与积分。

ABSTRACT

In this paper we present a locally and dimension-adaptive sparse grid method for interpolation and integration of high-dimensional functions with discontinuities. The proposed algorithm combines the strengths of the generalised sparse grid algorithm and hierarchical surplus-guided local adaptivity. A high-degree basis is used to obtain a high-order method which, given sufficient smoothness, performs significantly better than the piecewise-linear basis. The underlying generalised sparse grid algorithm greedily selects the dimensions and variable interactions that contribute most to the variability of a function. The hierarchical surplus of points within the sparse grid is used as an error criterion for local refinement with the aim of concentrating computational effort within rapidly varying or discontinuous regions. This approach limits the number of points that are invested in `unimportant' dimensions and regions within the high-dimensional domain. We show the utility of the proposed method for non-smooth functions with hundreds of variables.

研究动机与目标

• 解决各向同性稀疏网格在具有不连续性或变量相关变异性问题的高维问题中效率低下的问题。
• 通过结合维度自适应选择与基于层次剩余的局部 h-自适应策略，提升计算效率。
• 开发一种高阶方法，利用局部多项式基函数，相较于分段线性方法在光滑区域实现更快的收敛速度。
• 在有限函数求值次数下，实现对非光滑、高维函数（最高达700维）的精确逼近。
• 通过仅在关键维度和快速变化或不连续区域进行自适应，降低计算成本。

提出的方法

• 使用广义稀疏网格算法，基于函数变异性贪婪地选择最具影响力的子空间（维度及变量相互作用）。
• 采用层次剩余——即在新点处真实函数与插值函数之间的差值——作为局部 h-自适应的误差指示器。
• 应用高阶局部多项式基函数（二次或更高）以在光滑区域实现高阶收敛。
• 当层次剩余超过阈值时，在所有维度上同时进行局部网格点自适应，将计算资源集中于关键区域。
• 采用两阶段自适应策略：首先通过广义稀疏网格索引集识别重要维度；其次在这些子空间内利用层次剩余进行局部自适应。
• 使用误差指示器 γi,j 和 ri 指导自适应，当 γi,j ≥ ε 时对点进行自适应，当 ri ≥ ε 时对网格索引进行自适应。

实验结果

研究问题

• RQ1 局部与维度自适应自适应是否能提升具有不连续性的高维函数在稀疏网格插值与求积中的效率？
• RQ2 在存在不连续性的情况下，使用高阶多项式基函数相较于分段线性基函数对收敛速率有何影响？
• RQ3 h-GSG 方法在多大程度上可减少高维问题中实现精确逼近所需的函数求值次数？
• RQ4 当有效维度未知且变量重要性隐式加权时，该方法表现如何？
• RQ5 随着维度超过400，误差指示器（γi,j 和 ri）的选择对精度的影响如何？

主要发现

• 对于700维函数，h-GSG 方法仅使用269,665次函数求值，即实现约1.68×10⁻²的逼近误差。
• 在维度 d=100 时，该方法仅用3,376次函数求值即实现3.81×10⁻⁴的积分误差。
• 当维度重要性（由系数 λ 控制）增加时，所需函数求值次数显著上升——例如，λ=1 时为9,226次，而 λ=7.5 时增至659,368次。
• 由于采用二次基函数，即使在存在不连续性的情况下，该方法的收敛速率仍高于分段线性插值。
• 随着维度增加，精度下降（例如，d=400 时为8.44×10⁻⁵，而 d=700 时为1.68×10⁻²），表明当前误差指示器在高维问题中存在局限性。
• 理论分析表明，收敛速率取决于层次剩余接近容差 ε 的点数，表明对误差指示器设计具有敏感性。