[论文解读] On Adaptive-Multilevel BDDC

Bedřich Sousedík, Mandel, Jan|Nov 30, 2009

Advanced Numerical Methods in Computational Mathematics参考文献 3被引用 8

一句话总结

该论文提出了一种自适应多水平BDDC方法，将多重网格式多水平求解器与自适应约束选择相结合，实现了领域分解方法中的可扩展收敛。通过基于局部特征值分析动态选择约束，并在各层次递归应用，该方法降低了条件数和迭代次数，同时保持了并行可扩展性，在大规模问题上实现了最优性能。

ABSTRACT

We combine the advantages of the adaptive and multilevel approaches, proposed previously by the authors, to propose a new method that preserves both, parallel scalability with increasing number of subdomains and excellent convergence properties. Performance of the method is illustrated on a two-dimensional problem of linear elasticity.

研究动机与目标

• 开发一种可扩展的自适应多水平BDDC方法，确保在子域数量增加时仍保持收敛鲁棒性。
• 将先前用于两水平BDDC的自适应约束选择方法整合到多水平框架中，以实现更好的条件数控制。
• 在减少粗网格自由度数量和迭代次数的同时，保持BDDC的并行可扩展性，通过递归应用该方法实现。
• 利用特征值指标和自适应阈值，分析并优化多级之间的条件数和收敛行为。
• 将该方法扩展至三维，并在具有复杂非均匀分解和不规则子结构的算例上验证其性能。

提出的方法

• 该方法递归地应用BDDC框架：每一级的粗网格问题均使用相同的BDDC算法近似求解，从而形成多级层次结构。
• 在每一级执行自适应约束选择，通过分析子域界面问题的局部特征值，识别条件不良的模式。
• 仅当局部特征值比超过阈值τ时，才将约束添加到粗空间中，确保仅针对有问题的模式进行处理。
• 粗空间通过投影条件定义：w ∈ W，使得C(I − E)w = 0，其中C捕获粗自由度（例如顶点和边的平均值）。
• 采用能量正交分解W = W_Δ ⊕ W_Π，将粗空间（W_Π）与界面空间（W_Δ）分离，从而实现高效的预条件化。
• 计算条件数指标ω̃，作为子域对之间局部条件数估计的最大值，用于指导自适应细化。

实验结果

研究问题

• RQ1 如何将两水平BDDC中的自适应约束选择扩展到多水平BDDC，同时保持可扩展性？
• RQ2 在多级中应用自适应约束对整体条件数和迭代次数有何影响？
• RQ3 当粗网格问题被近似求解时，递归应用BDDC能否保持最优收敛行为？
• RQ4 自适应约束选择的不同阈值τ对粗空间大小和条件数有何影响？
• RQ5 局部特征值分析在识别最需约束增强的界面模式方面起什么作用？

主要发现

• 自适应两水平方法将条件数从非自适应情况的18.41降低至τ = 2时的1.97，迭代次数从43次减少至13次。
• 对于三水平方法，使用τ = 2时，条件数从非自适应的67.5降低至2.28，迭代次数从74次减少至15次。
• 自适应选择在第二级仅增加了117个约束（而非非自适应的24个），将粗网格问题规模从1.0相对减少至4.0。
• 条件数指标ω̃与实际条件数高度吻合，验证了其作为可靠停止准则的有效性。
• 该方法实现了最优可扩展性：即使子域数量增加，迭代次数也基本保持不变。
• 特征值分析表明，靠近不规则界面的子域对（如子域2和50）具有显著更高的条件数比，支持针对性地添加约束。