[论文解读] Monte Carlo stochastic Galerkin methods for non-Maxwellian kinetic models of multiagent systems with uncertainties

Andrea Medaglia, Andrea Tosin+1 more|arXiv (Cornell University)|Jan 1, 2022

Probabilistic and Robust Engineering Design参考文献 51被引用 9

一句话总结

该论文提出了一种用于具有不确定性的多智能体系统非麦克斯韦动能模型的混合DSMC-谱伽辽金方法，结合了物理空间中的直接模拟蒙特卡洛方法与随机空间中的随机伽辽金方法。该方法在保持正性与熵耗散等关键物理性质的同时，通过步骤函数的正则化和基于代理Fokker-Planck模型对非守恒量的修正，实现了随机空间中的谱收敛。

ABSTRACT

In this paper, we focus on the construction of a hybrid scheme for the approximation of non-Maxwellian kinetic models with uncertainties. In the context of multiagent systems, the introduction of a kernel at the kinetic level is useful to avoid unphysical interactions. The methods here proposed, combine a direct simulation Monte Carlo (DSMC) in the phase space together with stochastic Galerkin (sG) methods in the random space. The developed schemes preserve the main physical properties of the solution together with accuracy in the random space. The consistency of the methods is tested with respect to surrogate Fokker-Planck models that can be obtained in the quasi-invariant regime of parameters. Several applications of the schemes to non-Maxwellian models of multiagent systems are reported.

研究动机与目标

• 开发一种用于具有不确定参数的多智能体系统中非麦克斯韦动能模型的数值框架。
• 解决在不确定性量化动能模拟中保持物理性质（正性、熵耗散）的挑战。
• 在相互作用核具有非线性和非麦克斯韦性质的情况下，实现随机空间中的谱收敛。
• 构建一个代理Fokker-Planck模型，用于准不变 regime 的近似，以验证混合格式的准确性。
• 通过步骤函数的正则化和非守恒量的修正，确保方法的鲁棒性与一致性。

提出的方法

• 结合物理空间中的直接模拟蒙特卡洛（DSMC）方法处理粒子级动力学与随机空间中的随机伽辽金（sG）方法。
• 采用广义多项式混沌（gPC）展开来表示DSMC样本在随机依赖性上的表达。
• 在粒子层面对步骤函数引入正则化（光滑化）以恢复sG中的谱收敛。
• 利用在准不变极限下推导出的代理Fokker-Planck模型，对均速度和能量等非守恒量进行修正。
• 采用两步修正策略：对碰撞规则进行正则化，并利用Fokker-Planck近似对矩进行重标度。
• 通过一致性估计与收敛性研究验证方法的准确性和稳定性。

实验结果

研究问题

• RQ1 混合DSMC-sG方法能否在具有不确定性的非麦克斯韦动能模型中保持物理性质（正性、熵耗散）？
• RQ2 当步骤函数破坏非麦克斯韦模型中谱收敛时，如何在随机空间中恢复谱收敛？
• RQ3 代理Fokker-Planck模型在准不变regime中对动能解的矩进行近似时，其准确性如何？
• RQ4 正则化与矩修正对DSMC-sG格式在多智能体系统中精度与稳定性的影响程度如何？
• RQ5 该方法能否在具有不确定相互作用的复杂模型（如财富分配与交通流）中实现高精度与高效率？

主要发现

• 结合步骤函数正则化与代理Fokker-Planck模型对矩的修正后，DSMC-sG方法在随机空间中实现了谱收敛。
• 在赌博模型中，该方法在M1 = M2 = 50时表现出L2误差收敛阶≈5.0，证实了谱精度。
• 在财富分配模型中，该方法准确捕捉了在不确定性下从帕累托型到高斯型平衡态的过渡。
• 在交通流模型中，结合正则化与重标度后，该方法准确再现了均速度与能量的预期行为，收敛阶≈4.5（当M1 = M2 = 5时）。
• 代理Fokker-Planck模型即使在真实平衡态未知的情况下，也能准确近似平衡分布与矩的演化。
• 该方法在所有测试案例中均保持了物理一致性（如正性、有界矩），即使在高维不确定性下亦然。