คุณจะปรับปรุงความแม่นยำของวิธีผลต่างอันตะ จำกัด สำหรับการค้นหาระบบอีเจนเนติกของ ODE เชิงเส้นเอกพจน์


11

ฉันพยายามที่จะแก้สมการของประเภท:

(2x2f(x))ψ(x)=λψ(x)

ที่ไหนมีเสาง่ายที่0สำหรับที่เล็กที่สุดNเวกเตอร์ลักษณะเฉพาะ เงื่อนไขขอบเขตคือ: ψ ( 0 ) = 0และψ ( R ) = 0และฉันก็แค่มองไปที่ฟังก์ชั่นในช่วง( 0 , R ]f(x)0Nψ(0)=0ψ(R)=0(0,R]

อย่างไรก็ตามถ้าฉันทำวิธีที่แตกต่างกันอย่างง่าย ๆ , เว้นระยะเท่ากัน, ค่าลักษณะเฉพาะที่เล็กที่สุดนั้นไม่ถูกต้องมาก, (บางครั้งมีค่าลักษณะเฉพาะ "เท็จ" ที่มีคำสั่งหลายขนาดลบมากกว่าที่ฉันรู้ว่าควรมีจริง) "ค่าลักษณะเฉพาะแรก" กลายเป็นค่าที่สอง แต่ก็ยังไม่ดี)

ส่งผลกระทบต่อความแม่นยำของรูปแบบที่แตกต่างกันอย่าง จำกัด คืออะไร? ฉันคิดว่าภาวะเอกฐานคือสิ่งที่ทำให้เกิดปัญหาและกริดที่เว้นระยะไม่สม่ำเสมอจะปรับปรุงสิ่งต่าง ๆ อย่างมีนัยสำคัญมีเอกสารใดบ้างที่สามารถชี้ให้ฉันเห็นวิธีการผลต่างอัน จำกัด แบบไม่สม่ำเสมอที่ดี? แต่รูปแบบความแตกต่างของคำสั่งซื้อที่สูงขึ้นอาจปรับปรุงให้ดีขึ้นอีกหรือ คุณตัดสินใจอย่างไร (หรือเป็นเพียง "ลองทั้งคู่และดู")

หมายเหตุ: รูปแบบความแตกต่างอัน จำกัด ของฉันคือ tridiagonal สมมาตรโดยที่ 3 เส้นทแยงมุมคือ:

(12Δ2,1Δ2f(x),12Δ2)

Δ


1Δ2f(x)

คำตอบ:


6

หากคุณต้องการเพิ่มความแม่นยำของรูปแบบ จำกัด ผลต่างคุณสามารถลองเพิ่มระดับของลายฉลุของคุณ ในจุดที่เท่ากัน แต่สิ่งนี้สามารถนำไปสู่ความไม่แน่นอนเชิงตัวเลข เพื่อหลีกเลี่ยงปัญหาเหล่านี้และยังคงได้รับความแม่นยำสูงที่ผมจะแนะนำให้ใช้วิธีผี

หากปัญหาของคุณมีเสาคงที่คุณสามารถลองแก้ปัญหาด้วยการแยกโดเมนของคุณและแก้ไขปัญหาที่เกิดขึ้นสองคู่

chebguif(x)

chebguiu(x)u(x)x=λu[1,1]

การใช้ <code> chebgui </code> เพื่อคำนวณค่าลักษณะเฉพาะและ eigenmode ของสมการเชิงอนุพันธ์อันดับสองอย่างง่าย

ปรับปรุง

หากคุณต้องการที่จะแก้ปัญหานี้โดยไม่ต้องเข้าไปใน Chebfun มากเกินไปรายละเอียดทั้งหมดควรอยู่ในบทที่ 9 ของหนังสือของ Nick Trefethen " วิธีการทางสเปกตรัมใน Matlab "


ฉันแก้ไขโพสต์ดั้งเดิมของฉันเพื่อให้ชัดเจนว่าฉันไม่ได้มองที่ขั้วโลกจริงๆใกล้แค่นั้น ขอบคุณสำหรับข้อมูลฉันจะต้องตรวจสอบ chebfun
Andrew Spott

3
โหวตโดยไม่มีความคิดเห็น? กรุณาเพื่อประโยชน์ของทุกคนคุณช่วยชี้ให้เห็นว่าคำตอบนี้จะปรับปรุงได้อย่างไร?
Pedro

0

Δxf(x)ψ(x)f(x)f(xi)xi1xi+1f(x)φi(x)φi(x)xif(x)

แน่นอนว่าถ้าคุณมีองค์ประกอบที่แน่นอนอยู่แล้วคุณอาจลงทุนในการใช้องค์ประกอบคำสั่งซื้อที่สูงขึ้นซึ่งไม่ได้ยากขนาดนั้นใน 1d เช่นกัน

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.