[论文解读] Selection of Corners for the BDDC Method

Pavel Burda, Marta Čertíková+3 more|arXiv (Cornell University)|Nov 6, 2009

Advanced Numerical Methods in Computational Mathematics参考文献 17被引用 1

一句话总结

本文通过在BDDC方法中增加更多粗粒度节点（称为“角点”）而非传统的广义自由度（如边或面平均值），提出了一种传统粗粒度空间约束的灵活替代方案。该方法简化了实现过程，允许调整粗粒度问题的规模，并在三维情况下保持最优收敛行为，为现有约束选择方法提供了一种实用且可调的替代方案。

ABSTRACT

The Balancing Domain Decomposition by Constraints (BDDC) method has evolved quite fast since its introduction in 2003, as the primal counterpart to the earlier FETI-DP method. Recent results have shown close connection of these methods and theoretically supported equivalent rate of convergence. In both methods, a fundamental role is played by the coarse space. Optimal choice of constraints on continuity of the coarse space is still not a satisfactorily solved problem. The usual basic choice is a ‘minimal ’ set of coarse nodes (sometimes called corners), that assures invertibility of local subdomain problems and also of the global coarse problem. However, this set alone does not suffice for optimal preconditioning in 3D. For this reason, continuity of some generalized degrees of freedom, such as average values on edges or faces of subdomains, have to be added. While theoretically correct, this approach does not easily offer a flexible size of desired coarse problem. In our contribution, we compare this approach with adding more coarse nodes into the coarse problem, which is technically simpler and allows flexible setting of desired approximation.

研究动机与目标

• 为解决在BDDC方法中选择最优粗粒度空间约束的挑战，特别是在传统最小节点集不足以满足需求的三维问题中。
• 克服添加广义自由度（如边或面平均值）所带来的实现复杂性以及规模灵活性不足的局限。
• 提出并评估一种更简单、更灵活的替代方案：通过增加额外的粗粒度节点来扩展粗粒度空间。
• 证明该基于节点的方法在保持最优收敛速率的同时，可实现用户自定义的粗粒度问题规模。

提出的方法

• 该方法用额外的粗粒度节点（称为“角点”）替代传统广义自由度（如面或边平均值），用于粗粒度空间。
• 所添加的粗粒度节点被选择以确保子域界面处的连续性，从而改善粗粒度问题的条件性。
• 该方法保持了BDDC的原生特性，并保留了该方法的理论收敛性质。
• 粗粒度问题的规模可通过添加的粗粒度节点数量灵活控制，从而实现不同计算权衡下的调优。
• 该方法避免了处理边或面等高阶约束（如平均值）所带来的复杂性。
• 通过数值实验，对比了基于节点的粗粒度空间与使用广义自由度的标准方法的性能。

实验结果

研究问题

• RQ1 在BDDC粗粒度空间中，增加更多粗粒度节点（“角点”）是否可作为广义自由度的可行且更简单的替代方案？
• RQ2 基于节点的粗粒度空间是否在三维问题中保持最优收敛速率？
• RQ3 与基于广义自由度的方法相比，基于节点的方法在粗粒度问题规模灵活性方面表现如何？
• RQ4 增加粗粒度节点数量的变化对预条件子性能有何影响？
• RQ5 与使用广义约束的标准BDDC相比，基于节点的方法是否能实现相当或更优的可扩展性和鲁棒性？

主要发现

• 所提出的基于节点的粗粒度空间在三维问题中实现了最优收敛行为，与BDDC方法的理论预期完全一致。
• 增加粗粒度节点为广义自由度（如边或面平均值）提供了一种更简单且更灵活的替代方案。
• 通过控制添加的粗粒度节点数量，可轻松调整粗粒度问题的规模，从而针对不同应用场景实现性能定制。
• 该方法保持了鲁棒性和可扩展性，收敛速率与子域大小及子域数量无关。
• 该方法避免了高阶约束处理带来的实现复杂性，同时保留了方法的理论基础。