[论文解读] Selection of Sparse Sets of Influence for Meshless Finite Difference Methods

Oleg Davydov|arXiv (Cornell University)|Aug 5, 2019

Advanced Numerical Methods in Computational Mathematics参考文献 7被引用 4

一句话总结

该论文提出了一种基于加权多项式配点矩阵的主元QR分解的高效算法，用于在无网格有限差分法中选择稀疏的影响点集。该方法在保持数值微分公式的精度的同时减少了影响点集中的节点数量，使系统矩阵的稀疏性显著提高，同时保持与完整节点集相当的一致性误差。

ABSTRACT

We suggest an efficient algorithm for the selection of sparse subsets of a set of influence for the numerical discretization of differential operators on irregular nodes with polynomial consistency of a given order with the help of the QR decomposition of an appropriately weighted polynomial collocation matrix, and prove that the accuracy of the resulting numerical differentiation formulas is comparable with that of the formulas generated on the original set of influence.

研究动机与目标

• 在不牺牲数值精度的前提下减小无网格有限差分法中影响点集的规模。
• 为不规则节点分布开发一种计算高效的算法，以选择最小但准确的影响点集。
• 在最小化微分算子离散化所用节点数的同时，保持给定阶数的多项式一致性。
• 通过稀疏线性系统实现高阶精度，提升在不规则或网格质量较差的节点集上的计算效率。

提出的方法

• 该方法对由影响点集和参考点构成的加权多项式配点矩阵进行主元QR分解。
• 通过识别秩揭示性QR分解中最重要的列，选择最小的节点子集，确保多项式一致性的阶数为q。
• 该算法确保所得的数值微分公式对所有次数≤q的多项式满足精确性条件。
• 关键组成部分是在最小化过程中使用加权范数，权重与到关注点的距离成正比，以控制一致性误差。
• 该方法保证所得稀疏公式的误差界与原始全集公式成比例，比例因子取决于QR分解的条件数。
• 该算法通过迭代应用，识别出最多包含rank(A)个节点的子集Y°，其中A为配点矩阵，从而确保最优稀疏性。

实验结果

研究问题

• RQ1 能否在保持数值微分公式精度的同时，高效地选择稀疏的影响点集？
• RQ2 如何在不降低无网格有限差分格式一致性误差的前提下，减少影响点集中节点的数量？
• RQ3 与完整影响点集相比，所得稀疏公式的理论一致性误差界是什么？
• RQ4 主元QR分解能否用于识别在不规则节点分布下仍具鲁棒性的最小且准确的影响点集？

主要发现

• 所提方法中，稀疏公式的误差界与原始全集影响点集的误差界之比不超过(1 + ||R₁⁻¹R₂||₂²)¹ᐟ²，其中R₁和R₂为QR分解中的子块。
• 所选影响点集的大小至多为多项式配点矩阵的秩，从而保证了显著的稀疏性。
• 该方法保持了阶数q的多项式一致性，确保对光滑解具有高阶精度。
• 该算法对不规则节点分布具有鲁棒性，适用于简单、未经优化的节点生成方法。
• 所得线性系统相比最近邻选择方法要稀疏得多，提升了计算效率且不损失精度。