多重网格法的Matlab实现
多重网格法的Matlab实现
在我的上一篇博客两网格法的Matlab实现中,首先介绍了两网格法的详细算法流程以及两网格法的核心组件:提升算子以及限制算子,接着通过Matlab编程实现了两网格法对一个简单的偏微分方程问题的近似计算,最后得出了两网格法可以提升计算效率,但是迭代步数往往较高的结论,为了解决迭代步数较高的问题,我们可以尝试使用多重网格法。
多重网格法简介
多重网格法(Multigrid Method)是一种高效的数值算法,用于求解大规模线性和非线性偏微分方程。该方法通过利用不同精细程度的网格层次来加速求解过程,特别适合于那些直接方法或标准迭代方法难以高效处理的问题。多重网格法的核心思想是在多个尺度上同时处理误差,从而实现快速收敛。
多重网格法工作原理
多重网格法基于这样一个观察:传统的迭代方法(如雅可比或高斯-赛德尔方法)倾向于快速消除误差的高频部分,而低频部分则消除得较慢。多重网格法通过以下步骤来解决这个问题:
1.平滑操作(Smoothing):在细网格上使用传统迭代方法几步,以快速消除高频误差。
2.粗化(Coarsening):将问题从细网格转移到更粗的网格上。这通常通过一个称为限制算子的过程完成,它将细网格上的残差映射到粗网格上。
3.求解或递归:在粗网格上求解或递归使用多重网格方法来处理问题,这有助于处理那些在细网格上处理不了的低频误差部分。
4.细化(Refinement)或插值(Prolongation):将粗网格上的解或误差校正项传回细网格。使用提升算子(也称为插值算子)来实现,这个步骤有助于改善细网格上的解。
5.后平滑:再次在细网格上应用几步平滑操作,以进一步提炼解。
多重网格方法可以设计为两层(两网格法)或多层的形式。在多层形式中,问题被递归地传递到越来越粗的网格上,每个层次都可以使用更粗层次的网格进行校正。最粗的网格通常足够小,可以直接求解,其解可以逐级传回到最细的网格层次。
多重网格法应用,优点及挑战
多重网格法非常适合于大规模稀疏矩阵问题,如那些来源于偏微分方程的离散化。它的优点包括:
1.高效性:与传统的线性求解器相比,多重网格方法可以更快地达到解的精度,计算复杂度通常与问题大小成线性关系。
2.灵活性:适用于多种类型的方程,包括椭圆型、抛物型和双曲型偏微分方程。
3.鲁棒性:对不同类型的问题和边界条件都能保持良好的性能。
多重网格方法的主要挑战在于正确设计各层次网格的结构、选择合适的平滑器、限制和提升算子,这些设计决策对算法的总体效率和效果有决定性影响。如果想要对多重网格法有更加细致的了解,可以参照陈龙教授的UCI,里面对两网格法,多重网格法以及其它的有限元方法都有详细讲解。
多重网格法的Matlab实现
在了解了多重网格法的工作原理以及优缺点后,接下来我们对两网格法的Matlab实现中的问题使用多重网格法进行解决,具体的Matlab代码如下:
% 定义Gauss_Seidel迭代函数
function x=Gauss_Seidel(A,u0,b,num)
D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
M=(D-L)\U;
g=(D-L)\b;
for i=1:num
u=M*u0+g;
u0=u;
end
x=u;
end
clc,clear
% 清空之前的变量,以便对此程序产生不必要的干扰
format long;
H = [1/16,1/32,1/64,1/128];
% 将h的可能值用集合表示,方便接下来的使用
v1 = 1;
% 限制过程中Gauss_Seidel迭代的次数
for i =1:4
% 最外层循环,由于H的可能值为四个,因此进行四次循环
h = H(i);
N = 1/h;
A = diag(2/h*ones(N-1,1),0)-diag(1/h*ones(N-2,1),1)-diag(1/h*ones(N-2,1),-1);
% 由有限元方法的矩阵表示可以得出Ah的具体形式,此处记为A
f = zeros(N-1,1);
for j =1:N-1
f(j) = pi*pi*sin(pi*j*h); % 右端项
end
B = diag(h/6*ones(N-2,1),1)+diag(h/6*ones(N-2,1),-1)+diag(2*h/3*ones(N-1,1),0);
f1 = B*f;
% 此处为求解有限元问题的右端项fh,可以对其积分进行近似求解
u0 = ones(N-1,1);
uh = Gauss_Seidel(A,u0,f,v1);
% 定义迭代初值,并对其进行v1次Gauss_Seidel迭代得到uh
rh = f1 - A*uh;
% 求出迭代误差
l = i+2;
% 定义内层循环的次数,由于最粗网格的h为1/2,因此分别进行限制和提升(i+2)次
C = cell(10,1);
C{1} = f1;
% C表示一个元组,用于存储右端项矩阵
D = cell(10,1);
D{1} = A;
% D表示另一个元组,用于存储系数矩阵
E = cell(10,1);
E{1} = uh;
% E表示另一个元组,用于存储迭代后的Uh
count = 0;
%count表示计数器,用于记循环次数
while norm (rh,2)>1e-8
for k =1:l
I2h_h=zeros(N/2^k-1,N/2^(k-1)-1);
Ih_2h=zeros(N/2^(k-1)-1,N/2^k-1);
for n=1:1:N/2^k-1
I2h_h(n,2*n-1)=1/4;
I2h_h(n,2*n)=2/4;
I2h_h(n,2*n+1)=1/4;
Ih_2h(2*n-1,n)=1/2;
Ih_2h(2*n,n)=1;
Ih_2h(2*n+1,n)=1/2;
end
% 求出提升算子与限制算子
if k<l
f2 = I2h_h*rh;
C{k+1} = f2;
u1 = zeros(N/2^k-1,1);
A1 = I2h_h*A*Ih_2h;
A = A1;
D{k+1} = A1;
u1h = Gauss_Seidel(A1,u1,f2,v1);
E{k+1} = u1h;
r1h = f2-A1*u1h;
rh = r1h;
end
% 当h<1/2时,按照算法步骤对其进行限制,通过Jacobi迭代求出uh的近似值
if k == l
f2 = I2h_h*rh;
C{k+1} = f2;
A1 = I2h_h*A*Ih_2h;
A = A1;
D{k+1} = A1;
u1h = A1\f2;
E{k+1} = u1h;
r1h = f2-A1*u1h;
rh = r1h;
end
% 当h=1/2时,对uh进行精确求解
end
v2 = 1;
% 定义V2,用于表示接下来每次Jacobi迭代的次数
A = diag(2/h*ones(N-1,1),0)-diag(1/h*ones(N-2,1),1)-diag(1/h*ones(N-2,1),-1);
% 由于上面的循环导致A已经发生改变,而后面的求解又要使用初始的A,因此对A重新赋值
for m =1:l
I2h_h=zeros(N/2^(l-m+1)-1,N/2^(l-m)-1);
Ih_2h=zeros(N/2^(l-m)-1,N/2^(l-m+1)-1);
for t=1:1:N/2^(l-m+1)-1
I2h_h(t,2*t-1)=1/4;
I2h_h(t,2*t)=2/4;
I2h_h(t,2*t+1)=1/4;
Ih_2h(2*t-1,t)=1/2;
Ih_2h(2*t,t)=1;
Ih_2h(2*t+1,t)=1/2;
end
u2h = E{l-m+1}+Ih_2h*E{l-m+2};
u3h = Gauss_Seidel(D{l-m+1},u2h,C{l-m+1},v2);
E{l-m+1} = u3h;
% 提升算法,将步长从1/2提升至h
end
rh = f1-A*u3h;
% 再次求出误差,并对其进行判断是否小于1e-8,若不小于,则继续进行限制与提升,直到满足为止
count = count+1;
% 通过计数器记录其循环次数
end
fprintf('步长为%d/%d 迭代次数为 %d 此时误差为 %e \n',1,N,count,norm(rh));
% 输出步长对应的迭代次数,以及最后一次循环之后的误差
u=[0;u3h;0];
x=0:h:1;
plot(x,u,"LineWidth",1.5);
% 做出误差和横坐标x的图像
hold on;
% 将图像在一个框里面输出
end
legend("N=16","N=32","N=64","N=128")
xlabel("x")
ylabel("u")
% 对图像横坐标,纵坐标,以及N进行标注
运行程序,可以得到如下的结果:
由以上的结果可以得出以下两个重要结论:首先是随着步长的减小,迭代的次数逐渐增加,其次根据之前编过的两网格法结果可知:多重网格方法的迭代次数要远少于两网格法的迭代次数,也就是说多重网格法可以更快的使误差小于1e-8。同时我们可以得到多重网格法近似的结果图像为:
由上图可以看出只需要迭代十几步便可以得到与原函数
s
i
n
(
π
x
)
sin({\pi}x)
sin(πx)特别相近的图像,由此可见多重网格法的强大!但是多重网格法的效果很大程度上依赖于对网格层次、平滑器、限制算子和提升算子的正确选择和配置。对于不同的问题,找到最佳的组合可能需要大量的试验和错误,这可能导致初始设置和调试过程变得复杂和耗时。同时多重网格法理论比较复杂,搞懂理论便要花费很长的时间,因此在实际应用中有很多限制。