Numerische Verfahren zur Lösung der Monge-Ampère-Gleichung ... · Methode Einführung...
Transcript of Numerische Verfahren zur Lösung der Monge-Ampère-Gleichung ... · Methode Einführung...
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Numerische Verfahren zur Lösung derMonge-Ampère-Gleichung, Teil II
Andreas Platen
Institut für Geometrie und Praktische MathematikRWTH Aachen
Seminar zur Approximationstheorieim Wintersemester 2009/2010
1 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Gliederung
1 Wiederholung
2 Erweiterte Lagrange-MethodeEinführungSattelpunktproblemLösungsverfahrenTeilproblemeFinite-Elemete-Verfahren
3 Numerische Experimente
2 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Monge-Ampère-Gleichung
Sei stets Ω ⊂ R2 ein Gebiet mit Rand ∂Ω.
Dirichlet-Problem der Monge-Ampère-Gleichung im Zweidimensionalen:
det D2u = uxx uyy − u2xy = f in Ω,u = v auf ∂Ω.
(MA)
Dabei seien
D2u die Hessematrix von u : Ω→ R und
v ∈ C0(∂Ω) undf = f (x , y) > 0 gegebene Funktionen.
Letzte Woche: Eindeutigkeit / Lösung u konvex
Heute: nicht!
3 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Verfahren von Benamou, Froese und Oberman
Finite-Differenzen-Verfahren (M1)
Finde Fixpunkt von
u(τi , µj ) =12
(a1 + a2)− 12
√(a1 − a2)2 +
14
(a3 − a4)2 + h4f (τi , µj ).
für alle (τi , µj ) ∈ Ω und u(τi , µj ) = v(τi , µj ) für alle (τi , µj ) ∈ ∂Ω.
Iteratives Lösen von Poisson-Gleichungen (M2)
Löse für n = 0, 1, 2, ... die Poisson-Gleichung
∆un+1 =√
(unxx )2 + (un
yy )2 + 2(unxy )2 + 2f
mit Dirichlet-Randbedingung und Startwert u0.
4 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Strafterm-Methode
Minimiere J(x)mit g(x) = 0
(MP) ←→
Zum Parameter r>0 minimiereLr (x) := J(x) + r
2 g2(x)
Lösung x ?←→ Lösung xr
Lösung x r→∞←− Lösung xr
Es gilt:
limr→∞
Lr (xr ) = limr→∞
[J(xr ) + r
2 g2(xr )]≤ J(x) + lim
r→∞r2 g2(x)︸ ︷︷ ︸
=0
<∞
limr→∞
g2(xr ) = 0, da sonst
limr→∞
r2 g2(xr ) =∞ und damit
limr→∞
J(xr ) + r2 g2(xr ) =∞.
Falls limr→∞
xr =: x existiert, ist x Lösung von (MP).
5 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Lagrange-Multiplikator
Seien
J, g ∈ C2(Rn),
x ∈ Rn eine Lösung von (MP) und
∇g(x) 6= 0.
Dann existiert ein Lagrange-Multiplikator λ ∈ R, so dass für
L(x , λ) := J(x) + λg(x)
gilt, dass
∇L(x , λ) = 0.
L wird auch Lagrange-Funktion des Problems (MP) genannt.
6 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
(Erweiterte) Lagrange-Funktion
Ein Sattelpunkt (nach Ekeland und Temam) einer FunktionL : Rn × Rm → R ist ein Punkt (x , λ) ∈ Rn × Rm mit der Eigenschaft
L(x , λ) ≤ L(x , λ) ≤ L(x , λ) für alle (x , λ) ∈ Rn × Rm.
Sei r > 0 und
L(x , λ) := J(x) + λg(x).
oder
L(x , λ) := J(x) + λg(x) +12
r(g(x))2 =: Lr (x , λ).
Dann gilt:
(x , λ) ∈ Rn × R ist Sattelpunkt von L. ⇒ x ist Lösung von (MP).
7 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Definitionen wichtiger Mengen
Q := q ∈ (L2(Ω))2×2 : q = (qij )1≤i,j≤2 und q21 = q12,Qf := q ∈ Q : det q = f fast überall in Ω,
Vv := u : Ω→ R : u ∈ H2(Ω) mit u = v auf ∂Ω,
Ef ,v := u ∈ Vv : det D2u = f fast überall in Ω,
Ef ,v := u,q ∈ Vv ×Qf : q = D2u fast überall in Ω
1 Wenn v ∈ H32 (∂Ω) ist, dann ist der Raum Vv 6= ∅.
2 Falls f ∈ L1(Ω), dann ist Qf 6= ∅.3 Existenz einer Lösung vorausgesetzt: Sei stets Ef ,v 6= ∅.
Punkt 1 folgt aus Umkehrung des Spursatzes für Sobolev-Räume.
8 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Aufstellen eines Variationsproblems
Da keine Eindeutigkeit der Lösung von (MA) verlangt wird, betrachte:
Finde u ∈ Ef ,v ,mit J(u) ≤ J(u)
für alle u ∈ Ef ,v ,
wobeiJ(u) :=
12
∫Ω
|∆u|2 dx =12‖∆u‖2
L2(Ω).
Erster Schritt um die Nebenbedingung det D2u = f zu trennen:
Finde u, q ∈ Ef ,v ,mit j(u, q) ≤ j(u,q)
für alle u,q ∈ Ef ,v ,
wobeij(u,q) := J(u) =
12
∫Ω
|∆u|2 dx .
9 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Sattelpunktformulierung (MA)
Idee: Nebenbedingung D2u − q = 0 fast überall in Ω „loswerden“.
Sei r > 0 und
Lr (u,q;µ) :=12
∫Ω
|∆u|2 dx +r2
∫Ω
‖D2u − q‖2F dx +
∫Ω
µ : (D2u − q) dx
mit µ : q =∑2
i,j=1 µijqij und Frobeniusnorm ‖D2u‖2F =
∑2i,j=1 |uxi xj |
2.
Sei u, q, µ eine Lösung des folgenden Sattelpunktproblems:
Finde u, q, µ ∈ (Vv ×Qf )×Q,mit Lr (u, q;µ) ≤ Lr (u, q; µ) ≤ Lr (u,q; µ)
für alle u,q,µ ∈ (Vv ×Qf )×Q.
Dann ist u Lösung von (MA).
10 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Uzawa-Douglas-Rachford-Algorithmus / ALG2
Seien u(n−1) ∈ Vv und µ(n) ∈ Q gegeben.
Löse die beiden Minimierungsprobleme
Finde q(n) ∈ Qf ,
mit Lr (u(n−1),q(n);µ(n)) ≤ Lr (u(n−1),q;µ(n))für alle q ∈ Qf ,
und
Finde u(n) ∈ Vv ,
mit Lr (u(n),q(n);µ(n)) ≤ Lr (u,q(n);µ(n))für alle u ∈ Vv ,
und setze
µ(n+1) := µ(n) + r(D2u(n) − q(n)).
Verwende u(n) und µ(n+1) für die nächste Iteration.
11 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Konvergenz
Ersetzt man Qf durch eine abgeschlossene, konvexe Menge ∅ 6= K ⊂ Q
Verfahren konvergiert gegen einen Sattelpunkt von Lr , falls einerexistiert (Fortin und Glowinski).
Aber: Qf ⊂ Q ist nicht konvex, da für p,q ∈ Qf mit p 6= q gilt, dass
det(
12
p +12
q)
im Allgemeinen6= 1
2det(p) +
12
det(q) = f .
Dean und Glowinski erwarten bei der Wahl K = Qf dennoch Konvergenz.
12 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Lösung des ersten Teilproblems
Finde q(n) ∈ Qf ,
mit Lr (u(n−1),q(n);µ(n)) ≤ Lr (u(n−1),q;µ(n))für alle q ∈ Qf ,
arg min(z1,z2,z3)∈R3
z1z2−z23 =f (Pk )
r2
(z21 + z2
2 + 2z23 )− b1z1 − b2z2 − b3z3︸ ︷︷ ︸
=:G(z)
Lagrange-Funktion: L(z, λ) := G(z)− λ(z1z2 − z23 − f (Pk ))
∇L(z, λ) =
r z1 − λz2 − b1
r z2 − λz1 − b2
2r z3 + 2λz3 − b3
z1z2 − z23 − f (Pk )
= 0.
13 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Lösung des zweiten Teilproblems
Finde u(n) ∈ Vv ,
mit Lr (u(n),q(n);µ(n)) ≤ Lr (u,q(n);µ(n))für alle u ∈ Vv ,
⇔Finde u(n) ∈ Vv ,
mit∫
Ω∆u(n)∆ϕ dx + r
∫Ω
D2u(n) : D2ϕ dx = Ln(ϕ)
für alle ϕ ∈ H2(Ω) ∩ H10 (Ω),
(?)
Dean und Glowinski verwenden Algorithmus der konjugiertenGradienten mit Skalarprodukt
(u,w) 7→∫
Ω
∆u∆w
und zugehöriger induzierter Norm. Sie ersetzen zudem
x ←→ u(n)
b ←→ Ln(ϕ)
Ax = b ←→ (?)14 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Finite-Elemente-Methode: Grundaspekte
Es sei eine PDE auf einem unendlich-dimensionalen Funktionenraum Vauf dem polygonalen Gebiet Ω ⊂ R2 gegeben.
1 Wähle eine Triangulierung Th := T1,T2, ...,TM von Ω, wobeiTi ⊂ Ω abgeschlossene Teilgebiete undh := max
i∈1,2,...,Mdiam(Ti ) seien.
2 Wähle einen endlich-dimensionalen Finite-Elemente-Raum Vh ⊂ V .
3 Wähle eine Basis von Vh, dessen Elemente einen möglichst kleinenTräger besitzen, um eine Lokalitätseigenschaft zu erhalten.
Ziel: Entwicklung eines diskreten Lösungsverfahrens.
15 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Zulässige Triangulierung
Sei Ω ⊂ R2 ein Gebiet.
Eine Triangulierung Th = T1, ...,TM von Ω in Dreiecke heißt zulässig,wenn:
1 Ω =⋃M
i=1 Ti ,2 Ti ∩ Tj ist einzelner Punkt P ∈ Ω P ist Eckpunkt von Ti und Tj ,3 Ti ∩ Tj ist mehr als ein Punkt Ti ∩ Tj ist Kante von Ti und Tj .
Abbildung 1: Hängender Knoten, unzulässige Triangulierung
16 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Uniforme Triangulierung
Sei Ω ⊂ R2 ein Gebiet.
Eine Familie von Zerlegungen Th von Ω heißt uniform, wenn es eineZahl κ > 0 gibt, so dass jedes Element T von Th einen Kreis mit RadiusRT ≥ h
κenthält.
17 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Wahl der Finite-Elemente-Räume
Sei Th eine zulässige Triangulierung von Ω in Dreiecke und
P1 := P(x , y) = a1x + a2y + a3 : a1, a2, a3 ∈ R.
Die Elemente der Räume L2(Ω), H1(Ω) und H2(Ω) werden durchElemente von
Vh := w ∈ C0(Ω) : w |T ∈ P1 für alle T ∈ Th
approximiert. Da im Algorithmus auch H10 (Ω) gebraucht wird, sei
V0,h := Vh ∩ H10 (Ω) = w ∈ Vh : w |∂Ω ≡ 0.
Elemente in Vh sind Lipschitz-stetig Vh ⊂ H1(Ω) ⊂ L2(Ω).
Jedoch Vh * H2(Ω)
neuen Begriff für zweite Ableitung einführen.
18 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Definition der zweiten Ableitung
Für u ∈ H2(Ω) und i, j ∈ 1, 2 definiere
Di (u) :=∂u∂xi
und D2ij (u) :=
∂2u∂xi∂xj
,
wobei x1 := x und x2 := y . Die Greensche Formel liefert:∫Ω
D2ij (u)ϕ dx = −
∫Ω
Di (u)Dj (ϕ) dx für alle ϕ ∈ H10 (Ω).
Sei nun u ∈ Vh ⊂ H1(Ω). Definiere diskretes Analogon D2hij von D2
ij , sodass D2
hij (u) ∈ V0,h und∫Ω
D2hij (u)ϕ dx = −
∫Ω
Di (u)Dj (ϕ) dx für alle ϕ ∈ V0,h
gilt. Die Funktionen D2hij (u) sind dadurch eindeutig festgelegt.
19 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Diskretisierung von (MA)
Sei v stetig und fh ∈ C0(Ω) eine Näherung von f .
Definiere Approximationen der Elemente von Q, Qf und Vv durchElemente von
Qh := q ∈ (V0,h)2×2 : q = (qij )1≤i,j≤2, q21 = q12,Qf ,h := q ∈ Qh : det q(Pk ) = fh(Pk ) für alle k ∈ 1, 2, ...,N0h,Vv,h := u ∈ Vh : u(P) = v(P) für alle P ∈ Σh ∩ ∂Ω.
Es ergibt sich folgende Diskretisierung:
Finde uh ∈ Vv,h,
mit D2h11(uh)(Pk )D2
h22(uh)(Pk )− (D2h12(uh)(Pk ))2 = fh(Pk )
für alle k ∈ 1, 2, ...,N0,h.
20 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Wahl der Startwerte
Sei stets Ω = (0, 1)× (0, 1).
Benutze Lösung u von
∆u = s√
f in Ω,
u = v auf ∂Ω.
Benamou, Froese und Oberman: s =√
2Dean und Glowinski: s = −1,
r = 1,uniforme Familie vonTriangulierung
21 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Beispiel 1: klassische und starke Lösung
f (x , y) := (1 + x2 + y2)ex2+y2und v(x , y) := e
12 (x2+y2)
Alle Verfahren konvergieren gegen v .M2 ist schneller als M1.
Abbildung 2: Exakte Lösung
22 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Beispiel 2: klassische und starke Lösung
f (x , y) :=1√
x2 + y2und v(x , y) :=
2√
23
(x2 + y2)34
Alle Verfahren konvergieren gegen v .M2 ist schneller als M1.
Abbildung 3: Exakte Lösung
23 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Beispiel 3: keine glatte Lösung
f (x , y) := 1 und
v(x , y) := 1 (BFO), M1 schneller als M2
v(x , y) := 0 (DG)
Abbildung 4: Berechnete Lösung und Nullrandwerten von (DG)24 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Beispiel 4: klassische aber keine starke Lösung
f (x , y) :=2
(2− x2 − y2)2 und
v(x , y) := −√
2− x2 − y2 (BFO), Konvergenz, M2 schneller als M1
v(x , y) :=√
2− x2 − y2 (DG), Divergenz für jedes r > 0
Abbildung 5: Lösung mit der zweiten Wahl von v
25 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Vergleich der Methoden
M2 und M3 benötigen stets etwa gleiche Anzahl an Iterationen.
Iterationen von M3 aufwendiger als bei M1 und M2.
M3 divergiert bei Beispiel 4.
M1 und M2 bevorzugen.
M2 bei glatten Lösungen schneller als M1.
M2 bei weniger Regularität langsamer als M1.
M1 nahezu unbeeinflusst von der Regularität.
M2 benutzen, falls bekannt ist, dass eine starke oder klassischeLösung existiert, sonst M1 verwenden.
26 / 27
NumerischeVerfahren für
MA
Wiederholung
ErweiterteLagrange-MethodeEinführung
Sattelpunktproblem
Lösungsverfahren
Teilprobleme
Finite-Elemete-Verfahren
NumerischeExperimente
Zusammenfassung
Letzte Woche: Finite-Differenzen-Verfahren undLösen von Poisson-Gleichungen von (BFO)
+ leicht zu implementieren+ Konvergenz bei allen Beispielen– keine Konvergenzaussagen
Heute: Erweiterte Lagrange-Methode von (DG)
(MA)←→ Sattelpunktproblem←→ ALG2Diskretisierung mit Finite-Elemente-Methode
– bekanntes Beispiel für Divergenz– keine Konvergenzaussagen, da Qf nicht konvex ist
Fazit: Bei glatten Lösungen M2 benutzen, sonst M1.
Offene Frage: Wie sehen die Konvergenzeigenschaften dieser dreiVerfahren aus?
27 / 27