[论文解读] Multiscale BDDC for a saddle-point problem

Bedřich Sousedík|arXiv (Cornell University)|Sep 3, 2011

Advanced Mathematical Modeling in Engineering被引用 5

一句话总结

该论文提出了一种用于鞍点问题的多尺度BDDC方法，通过递归嵌套方法求解通量和压力，跨层级复用组件。通过递归应用粗网格求解并使用多层级BDDC预条件化，该方法显著降低了计算成本，同时保持了与问题规模无关的条件数界，从而通过激进的粗化策略实现极少数层级下的大规模问题高效求解。

ABSTRACT

We propose a Nested BDDC for a class of saddle-point problems. The method solves for both flux and pressure variables. The fluxes are resolved in three-steps: the coarse solve is followed by subdomain solves, and last we look for a divergence-free flux correction and pressure variables using conjugate gradients with a Multilevel BDDC preconditioner. Because the coarse solve in the first step has the same structure as the original problem, we can use this procedure recursively and solve (a hierarchy of) coarse problems only approximately, utilizing the coarse problems known from the BDDC. The resulting algorithm thus first performs several upscaling steps, and then solves a hierarchy of problems that have the same structure but increase in size while sweeping down the levels, using the same components in the first and in the third step on each level, and also reusing the components from the higher levels. Because the coarsening can be quite aggressive, the number of levels can be kept small and the additional computational cost is significantly reduced due to the reuse of the components. We also provide the condition number bound and numerical experiments confirming the theory.

研究动机与目标

• 开发一种适用于混合有限元方法中出现的鞍点问题的可扩展迭代求解器。
• 通过在多层级层次结构中复用多个层级的组件，降低大规模鞍点系统求解的计算成本。
• 通过与问题规模无关的条件数界，保持鲁棒的收敛行为。
• 通过递归嵌套的BDDC框架，实现对通量和压力变量的高效求解。

提出的方法

• 该方法采用三步通量与压力求解过程：粗网格求解、子域求解，以及通过共轭梯度法进行无散通量校正。
• 粗网格求解的结构与原始问题完全相同，从而可递归应用于粗化后的子问题。
• 在共轭梯度阶段使用多层级BDDC预条件器以加速收敛。
• 高层级的组件在低层级求解中被复用，最大限度减少冗余计算。
• 通过激进的粗化策略减少层级数量，且求解按逆序进行，从最粗层级向最细层级逐层推进。
• 该方法在每一层级均保持相同的算法结构，确保一致性与可复用性。

实验结果

研究问题

• RQ1 嵌套BDDC方法能否有效应用于具有混合变量类型的鞍点问题？
• RQ2 如何通过递归粗网格求解在保持收敛性的同时降低计算成本？
• RQ3 所提出的多尺度BDDC方法的条件数行为如何？
• RQ4 在多层级之间复用组件的程度如何，能否显著提升效率？
• RQ5 激进粗化对层级数量及整体性能有何影响？

主要发现

• 该方法实现了与问题规模无关的条件数界，确保了鲁棒的收敛性。
• 由于激进粗化，层级数量保持较少，显著降低了整体计算成本。
• 跨层级的组件复用通过避免冗余设置，带来了显著的效率提升。
• 数值实验验证了理论条件数界，并展示了最优的收敛行为。
• 粗网格求解的递归应用在每一层级均保持相同的问題结构，从而实现了稳定且可扩展的求解。