วิทยาศาสตร์การคำนวณ

ฉันจะประมาณจำนวนเงื่อนไขของเมทริกซ์ขนาดใหญ่ได้อย่างไร GGGถ้า GGG เป็นการรวมกันของการแปลงฟูริเยร์ FFF (ไม่เหมือนกันหรือเหมือนกัน) ความแตกต่างแน่นอน RRRและเมทริกซ์ทแยงมุม SSS? เมทริกซ์มีขนาดใหญ่มากและไม่ได้เก็บไว้ในหน่วยความจำและมีให้ใช้งานในฐานะฟังก์ชันเท่านั้น โดยเฉพาะฉันมีเมทริกซ์ต่อไปนี้: Gμ=SHFHFS+μRHRGμ=SHFHFS+μRHRG_\mu=S^HF^HFS+\mu R^HR ฉันต้องการตรวจสอบความสัมพันธ์ระหว่าง μμ\mu และหมายเลขเงื่อนไข k(Gμ)k(Gμ)k(G_\mu). ฉันคิดว่าคนเราต้องการวิธีการวนซ้ำบางอย่าง? อย่างดีที่สุดจะมีโค้ด MATLAB บ้าง

9 linear-algebra  matlab  finite-difference  condition-number 

โดย "ง่ายที่สุด" ฉันหมายถึงวิธีที่ง่ายที่สุดในการเรียนรู้และนำไปปฏิบัติตั้งแต่เริ่มต้น ฉันหวังว่าคำถามของฉันสามารถตอบได้มากหรือน้อย

9 fluid-dynamics 

ฉันตั้งใจที่จะแก้ปัญหา Ax = b โดยที่ A มีความซับซ้อนเบาบางไม่สมมาตรและมีเงื่อนไขไม่ดี (หมายเลขเงื่อนไข ~ 1E + 20) เมทริกซ์สี่เหลี่ยมหรือสี่เหลี่ยม ฉันสามารถแก้ไขระบบด้วย ZGELSS ใน LAPACK ได้อย่างถูกต้อง แต่เมื่อระดับความเป็นอิสระในระบบของฉันเพิ่มขึ้นมันใช้เวลานานในการแก้ไขระบบบนพีซีที่มี ZGELSS เนื่องจาก sparsity ไม่ถูกใช้ประโยชน์ เมื่อเร็ว ๆ นี้ฉันลอง SuperLU (ใช้ที่เก็บข้อมูล Harwell-Boeing) สำหรับระบบเดียวกัน แต่ผลลัพธ์ไม่ถูกต้องสำหรับหมายเลขเงื่อนไข> 1E + 12 (ฉันไม่แน่ใจว่านี่เป็นปัญหาเชิงตัวเลขกับการหมุน) ฉันมีแนวโน้มที่จะใช้ตัวแก้ปัญหาที่พัฒนาแล้วมากขึ้น มีตัวแก้ปัญหาที่แข็งแกร่งซึ่งสามารถแก้ปัญหาระบบที่ฉันกล่าวถึงอย่างรวดเร็ว (เช่นการใช้ประโยชน์จาก sparsity) และเชื่อถือได้ (ในมุมมองของหมายเลขเงื่อนไข)?

9 linear-solver  sparse-matrix  lapack  condition-number 

สำหรับการใช้งานบางอย่างเช่นการถ่ายโอนความร้อนและการไหลคงที่ในสื่อที่มีรูพรุนเป็นไปได้ที่จะจำลองโดเมนที่ใหญ่กว่า (ไม่มีที่สิ้นสุด) โดยกำหนดเงื่อนไขขอบเขตเป็นระยะบนใบหน้าที่มีขอบเขตตรงข้ามและ dirichlet bc บนขอบเขตที่เหลือ สำหรับโดเมนสี่เหลี่ยมมุมฉากสามารถตีความเงื่อนไขเป็นระยะได้ราวกับว่าโดเมนอยู่บนพื้นผิวของทรงกระบอก ฉันอยากรู้ว่าสามารถพูดได้เหมือนกันสำหรับปัญหาความยืดหยุ่น ฉันสังเกตเห็นว่าปัญหาความยืดหยุ่นเชิงเส้นมาตรฐานถูก จำกัด อยู่ที่ขอบเขต จำกัด และฉันไม่เคยเห็นตัวอย่างที่มีการกำหนดหรือนำเงื่อนไขขอบเขตเป็นระยะมาใช้ ฉันสงสัยว่าอาจมีปัญหาเกี่ยวกับการแก้ปัญหาที่เป็นเอกลักษณ์ของปัญหานี้เนื่องจากการเคลื่อนไหวของร่างกายที่เข้มงวด (การแปลและ / หรือการหมุน) ที่เกิดจากระยะเวลา เพื่อความง่ายสมมติว่ากรณีความยืดหยุ่นเชิงเส้นของไอโซโทปเชิงเส้นบนโดเมนสี่เหลี่ยมมุมฉาก สมมติว่าฉันต้องการสร้างแบบจำลองสื่อที่มีขนาดใหญ่ (เป็นงวด) โดยใช้เงื่อนไขการกำจัดแบบคงที่ (dirichlet) ในสองขอบเขตที่ตรงข้ามกันและเงื่อนไขการกำจัดเป็นระยะในขอบเขตที่เหลือ ปัญหานี้เกิดขึ้นได้ดีหรือไม่ ถ้าไม่มีกลยุทธ์ (เช่นข้อ จำกัด เพิ่มเติม) ฉันสามารถใช้เพื่อทำให้เป็นที่ยอมรับได้หรือไม่โดยรู้ว่าเป้าหมายสูงสุดของฉันคือการจำลองสื่อที่ไม่มีขีด จำกัด ขนาดใหญ่กว่าด้วยคุณสมบัติวัสดุซ้ำ ๆ

9 well-posedness 

ฉันต้องการค้นหารากทั้งหมดของฟังก์ชันสเกลาร์ในช่วงเวลาที่กำหนด ฟังก์ชั่นอาจไม่ต่อเนื่อง อัลกอริทึมสามารถมีความแม่นยำของε (เช่นมันก็โอเคถ้าอัลกอริทึมไม่พบสองรากที่แตกต่างที่ใกล้กว่าε) อัลกอริทึมดังกล่าวมีอยู่จริงหรือไม่? คุณช่วยชี้เอกสารเกี่ยวกับเรื่องนี้ให้ฉันฟังได้ไหม ที่จริงฉันมีฟังก์ชั่นเพื่อค้นหาศูนย์ในช่วงเวลาที่กำหนดโดยใช้อัลกอริทึมของ Brent และฟังก์ชั่นเพื่อค้นหาขั้นต่ำในช่วงเวลาที่กำหนด เมื่อใช้ทั้งสองฟังก์ชั่นฉันสร้างอัลกอริทึมของตัวเอง แต่ฉันสงสัยว่ามีอัลกอริทึมที่ดีกว่า อัลกอริทึมของฉันเป็นเช่นนั้น: ผมเริ่มต้นด้วยช่วงเวลาและฟังก์ชั่น[a,b] fถ้าsign(f(a+ε)) ≠ sign(f(b-ε))ฉันรู้ว่ามีอย่างน้อยหนึ่งศูนย์ระหว่างaและและผมพบว่าb z = zero(]a,b[)การทดสอบผมถ้าzจริงๆเป็นศูนย์ (มันอาจจะไม่ต่อเนื่องก) โดยดูค่าของและz-ε z+εถ้าเป็นฉันจะเพิ่มเข้าไปในรายการศูนย์ที่พบ ถ้าf(a+ε)และทั้งสองเป็นบวกฉันค้นหาf(b-ε) m = min(]a, b[)หากf(m)ยังคงเป็นบวกฉันค้นหาm = max(]a,b[)เพราะอาจจะมีต่อเนื่องระหว่างและa bฉันทำตรงกันข้ามถ้าf(a+ε)และf(b-ε)เป็นเชิงลบ ตอนนี้จากจุดที่ฉันพบ ( zหรือm) ฉันสร้างกองซ้อนที่มีค่าศูนย์ความไม่ต่อเนื่องและจุดผันแปรของการทำงานของฉัน หลังจากซ้ำแรก, [a, z, b]สแต็คในขณะนี้ดูเหมือนว่า ฉันเริ่มต้นอีกครั้งอัลกอริทึมจากช่วงเวลาและ]a,z[ ]z,b[เมื่อระหว่างสองจุดaและbextrema มีเครื่องหมายเดียวกันกว่าทั้งสองช่วงเวลาสิ้นสุดและไม่มีความไม่ต่อเนื่องที่ extrema ทั้งสองฉันจะลบช่วงเวลาออกจากสแต็ก อัลกอริทึมจะสิ้นสุดลงเมื่อไม่มีช่วงเวลาอีกต่อไป

9 algorithms  roots 

ฉันสนใจคำแนะนำสำหรับการอ้างอิงหนังสือเกี่ยวกับเรื่องของตัวเลข PDE และ ODE โดยเฉพาะอย่างยิ่งการวิเคราะห์อย่างเข้มงวดของวิธีการดังกล่าวในลักษณะที่เขียนขึ้นสำหรับนักคณิตศาสตร์มืออาชีพ ไม่จำเป็นต้องครอบคลุมอย่างยิ่งในแง่ของการระบุวิธีการที่แตกต่างกันหลายร้อยหรือหลายพัน แต่ฉันจะสนใจในสิ่งที่อย่างน้อยครอบคลุมแนวคิดที่สำคัญที่สุดที่เป็นแนวทางในเทคนิคที่ทันสมัย ฉันคิดว่ามันเหมาะสมที่จะนำไปเปรียบเทียบกับตำราเรียนในพีชคณิตเชิงเส้นเชิงตัวเลขซึ่งฉันคุ้นเคยมากขึ้น ฉันกำลังมองหาบางสิ่งที่เกี่ยวข้องกับความเสถียรและการตัดทอนข้อผิดพลาดในสมการเชิงอนุพันธ์เชิงตัวเลขเนื่องจากความแม่นยำและความเสถียรของอัลกอริธึมของ Higham คือความมั่นคงและข้อผิดพลาดรอบในพีชคณิตเชิงเส้นเชิงตัวเลขและสิ่งที่กล่าวถึงเทคนิคสมัยใหม่ และการคำนวณเมทริกซ์ของ Van Loan กล่าวถึงเทคนิคหลัก ๆ ส่วนใหญ่สำหรับพีชคณิตเชิงเส้น จริง ๆ แล้วฉันรู้น้อยมากเกี่ยวกับตัวเลข ODE และ PDE ฉันได้อ่านบันทึกทางออนไลน์หลายประเภทแล้วและฉันมีหนังสือวิธีการผลต่าง จำกัด สำหรับหนังสือทั่วไปและสมการเชิงอนุพันธ์ย่อยโดย Randall LeVeque ซึ่งเป็นหนังสือที่ชัดเจน แต่ไม่เชิงลึกเพียงพอสำหรับจุดประสงค์ของฉัน เป็นตัวอย่างที่เป็นรูปธรรมมากขึ้นของระดับที่ฉันกำลังมองหาฉันหวังว่าส่วนใด ๆ ในสมการรูปไข่และพาราโบลาถือว่าผู้อ่านมีความคุ้นเคยกับทฤษฎีของช่องว่าง Sobolev และงานแต่งงานของพวกเขาและวิธีแก้ปัญหาที่อ่อนแอสำหรับ PDE จากทฤษฎีนั้นค่อนข้างอิสระในการได้รับการประเมินข้อผิดพลาดสำหรับองค์ประกอบ จำกัด ฯลฯ

9 pde  reference-request  ode 

มีวิธีราคาถูกพอสมควรในการแก้ปัญหาการมอบหมายขนาดใหญ่หนาแน่นและอันดับต่ำหรือไม่ maxπ∑iAπi,imaxπ∑iAπi,i\max_\pi \sum_i A_{\pi i,i}ที่ππ\piวิ่งไปทั้งหมด permutations.of 1:n1:n1:n ? นี่เป็นn \ n ครั้งเมทริกซ์ของการจัดอันดับต่ำR ขนาดโดยทั่วไปจะเป็น n = 10000 ~~ (อาจจะมีขนาดใหญ่มาก) r = 15AAAn×nn×nn\times nrrrn=10000 n=10000 n=10000~~r=15r=15r=15

9 optimization 

เราจำเป็นต้องคำนวณเมทริกซ์ความแปรปรวนร่วมที่มีขนาดตั้งแต่ 10,000 × 10,00010000×1000010000\times10000 ถึง 100000 × 100000100000×100000100000\times100000. เราสามารถเข้าถึง GPU และกลุ่มเราสงสัยว่าอะไรคือวิธีการขนานที่ดีที่สุดในการเร่งการคำนวณเหล่านี้

9 matrix  parallel-computing  gpu 

ฉันต้องแก้ Ax = b แต่ฉันรู้ว่าแม้ว่าจะเบาบาง แต่การจัดเก็บค่าสัมประสิทธิ์เมทริกซ์ของปัญหาของฉันจะใช้หน่วยความจำมากเกินไป ดังนั้นตอนนี้ฉันกำลังพิจารณาใช้วิธีการแบบปราศจากเมทริกซ์เนื่องจากค่าสัมประสิทธิ์เดียวกันปรากฏขึ้นเป็นจำนวนมากเวลาในเมทริกซ์ดังนั้นฉันจึงสามารถใช้รูปแบบการจัดเก็บข้อมูลส่วนตัวของฉันเอง (และเพิ่มประสิทธิภาพแคช) ฉันกำลังมองหา Petsc ซึ่งให้ส่วนต่อประสานสำหรับตัวดำเนินการเชิงเส้นแบบปราศจากเมทริกซ์ แต่สิ่งที่ฉันไม่เข้าใจจริง ๆ แล้วเป็นวิธีการคำนวณล่วงหน้าโดย petc หรือไม่? หรือฉันควรจัดให้มีเงื่อนไขเบื้องต้นของฉันเอง? ถ้าเป็นเช่นนั้นจะมีเครื่องมือหรือผู้รับในการสร้างตัวสร้างเงื่อนไขล่วงหน้าจากตัวดำเนินการเชิงเส้นแบบปราศจากเมทริกซ์หรือไม่? ข้อมูลเพิ่มเติมเกี่ยวกับโอเปอเรเตอร์ของฉัน: มันไม่สมมาตร, ไม่เป็นแนวทแยงมุม, แต่ครอบงำด้วย sidebands ไม่กี่อัน (แต่มันไม่ใช่แถบสีในแนวทแยง)

9 linear-solver  petsc  sparse-operator 

โปรดแก้ตัวคำถามแบบยาวมันแค่ต้องการคำอธิบายเพื่อแก้ไขปัญหาที่เกิดขึ้นจริง ผู้ที่คุ้นเคยกับอัลกอริธึมที่กล่าวถึงอาจข้ามไปที่ simplex tablau แรกได้โดยตรง เพื่อแก้ปัญหาค่าเบี่ยงเบนสัมบูรณ์อย่างน้อยที่สุด (akaเพิ่มประสิทธิภาพ) อัลกอริธึม Barrodale-Roberts เป็นวิธีการพิเศษแบบซิมเพลกซ์ที่ต้องการการจัดเก็บน้อยลงและความพยายามในการคำนวณเพื่อค้นหาขั้นต่ำที่เหมาะสมL1L1L_1 การใช้อัลกอริทึมของฉันสิ้นสุดลงด้วยตัวอย่างง่ายๆก่อนที่จะถึงค่าต่ำสุดที่เหมาะสม อย่างไรก็ตามอาจให้ฉันระบุปัญหาในลักษณะที่ละเอียดยิ่งขึ้นก่อน: ข้อมูลที่ได้รับ ,เพิ่มประสิทธิภาพพยายามหาที่ลดขนาด ที่เป็นเมทริกซ์ที่ขึ้นอยู่ในลักษณะบางอย่างเกี่ยวกับxปัญหานี้สามารถระบุได้ว่าเป็นโปรแกรมเชิงเส้นดังนั้นในหมู่คนอื่น ๆ จะได้รับการแก้ไขโดยใช้วิธีง่าย ๆ(xผม,Yผม)(xi,yi)(x_i,y_i)L1L1L_1c ∈ mc∈mc\in mΣi = 1n|Yผม- ฉ(xผม) |กับฉ( x ) : =Ax⋅ ϕ∑i=1n|yi−f(xi)|withf(x):=Ax⋅ϕ \sum_{i=1}^n |y_i-f(x_i)| \quad\text{with}\quad f(x):=A_x\cdot \phi AxAxA_xn × mn×mn\times mxxx Barrodale และ Roberts แนะนำการดัดแปลง (ใช้กันอย่างแพร่หลาย) ของวิธี simplex ที่ลดความซับซ้อนของวิธี simplex โดยใช้โครงสร้างพิเศษของ -problems …

9 optimization  linear-programming 

ฉันเป็นนักฟิสิกส์ที่พยายามจำลองลักษณะของแรงดันไฟฟ้าในปัจจุบันของทางแยกตัวนำยิ่งยวดและตัวนำยิ่งยวด สมสำหรับรุ่นนี้คือ: ผม( ฉบับที่) =1อีRn - n∫∞- ∞| E|[E2-Δ21]1 / 2| E+eV|[(E+eV)2−Δ22]1/2[f(E)−f(E+eV)]dEI(V)=1eRn−n∫−∞∞|E|[E2−Δ12]1/2|E+eV|[(E+eV)2−Δ22]1/2[f(E)−f(E+eV)]dE\begin{align} I(V) = \frac{1}{eR_{\mathrm{n-n}}}\int_{-\infty}^{\infty}\frac{|E|}{[E^{2} - \Delta_{1}^{2}]^{1/2}}\frac{|E + eV|}{[(E + eV)^{2} - \Delta_{2}^{2}]^{1/2}}[f(E) - f(E + eV)]\,\mathrm{d}E \end{align} ค่าปัจจุบัน (หรือในรหัส) คำนวณโดยการประเมินอินทิกรัลสำหรับแรงดันไฟฟ้าที่กำหนด (หรือในรหัส)ผมผมIIVVVv ฉันได้ลองทำสิ่งนี้ใน Python แล้ว รหัสแสดงอยู่ด้านล่าง from scipy import integrate from numpy import * import pylab as pl import math …

9 python  numpy  integral-equations 

ขณะนี้ฉันกำลังพยายามแก้ไขปัญหาการลดข้อ จำกัด แบบไม่เชิงเส้นเนื่องจากมีการใช้งานในฟังก์ชัน "fmincon" ของ matlab ความคาดหวังของฉันคือลด (fun1, x0, uB, lB, fun2) โดยที่ x0 เป็นสถานะเริ่มต้น fun1 คือฟังก์ชั่นที่ต้องลดให้น้อยที่สุด uB เป็นขอบเขตด้านบน lB เป็นขอบเขตล่างและ fun2 เป็นฟังก์ชันที่ให้เวกเตอร์ / inequalities ตามที่อธิบายไว้ในhttp://www.mathworks.com/help/optim/ug/fmincon.htmlเป็นฟังก์ชั่น nonlcon เวกเตอร์เหล่านี้มีการเปลี่ยนแปลงผ่านการวนซ้ำเช่นกัน (พวกมันไม่ใช่เชิงเส้นขึ้นอยู่กับ x_n, การวนซ้ำ n-th ของเวกเตอร์การแก้ปัญหา) ในการนำ MATLAB มาใช้จะอยู่ในรูปแบบ c (x) <= 0 นี่เป็นรหัสชิ้นสุดท้ายที่จำเป็นต้องทำการย้ายจาก matlab ไปยัง c ++ และฉันพยายามอย่างมากในขณะที่พยายามค้นหาไลบรารี c ++ ที่เหมาะสมซึ่งมีอัลกอริธึมนี้ นี่คือเหตุผลที่ฉันขอความช่วยเหลือที่นี่และฉันจะขอบคุณมากถ้าคุณสามารถให้ความเชี่ยวชาญของคุณ …

9 c++  nonlinear-programming 

ฉันกำลังทำงานเพื่อปรับปรุงกระบวนการปรับให้เหมาะสมของซอฟต์แวร์สร้างแบบจำลองข้อมูลประชากรบางส่วนเพื่อให้สามารถปรับรูปแบบข้อมูลประชากรให้เข้ากับข้อมูลได้ดีขึ้น เราต้องการลดเวลาการปรับให้เหมาะสม เวลาที่ใช้ในการประเมินฟังก์ชั่นวัตถุประสงค์ของเรานั้นแตกต่างกันมากขึ้นอยู่กับค่าอินพุต ความสัมพันธ์ระหว่างเวลาในการประเมินฟังก์ชั่นวัตถุประสงค์และอินพุตเป็นที่รู้จักกัน ฉันสงสัยว่ามีวิธีการเพิ่มประสิทธิภาพใด ๆ หรือไม่ที่พิจารณาค่าใช้จ่ายเวลาสัมพัทธ์ของฟังก์ชันวัตถุประสงค์เมื่อเลือกจุดที่จะประเมิน ขอบคุณ! ปรับปรุง: ตามที่เปาโลร้องขอต่อไปนี้เป็นคุณสมบัติเด่นของฟังก์ชันวัตถุประสงค์เฉพาะนี้: จำนวนพารามิเตอร์อยู่ในระดับปานกลาง (~ 12ish) ปัญหาของเราไม่นูนหรืออย่างน้อยก็มี "สันเขา" แคบและแบนในพื้นผิวของฟังก์ชันวัตถุประสงค์ ตอนนี้เรากำลังจัดการกับสิ่งนี้โดยใช้การเพิ่มประสิทธิภาพหลายอย่างจากจุดที่แตกต่างกัน แต่เราอยากทำดีกว่า ฟังก์ชั่นวัตถุประสงค์เรียบเนียนแม้ว่าเราสามารถคำนวณการประมาณค่าผลต่าง จำกัด สำหรับอนุพันธ์ได้ ต้นทุนการประเมินยังเป็นฟังก์ชันที่ราบรื่นของค่าพารามิเตอร์และสามารถคาดการณ์ได้ค่อนข้างมาก การพูดอย่างคร่าวๆสำหรับแต่ละพารามิเตอร์ต้นทุนในการประเมินจะสูงที่ปลายด้านหนึ่งของช่วงและต่ำสุดที่ปลายอีกด้าน ดังนั้นเราจึงมีชุดพารามิเตอร์ราคาแพงเพื่อประเมินขนาดใหญ่ แต่เรารู้ว่าอยู่ที่ไหน

9 optimization 

ดังนั้นฉันจึงถกเถียงกันว่าควรจะเรียน Python หรือไม่ จากการพูดกับอาจารย์ของฉัน Matlab ดูเหมือนว่าจะเป็นภาษากลางที่ใช้ในคณิตศาสตร์ประยุกต์ / วิทยาศาสตร์การคำนวณเท่าที่สถาบันการศึกษาเกี่ยวข้อง ในขณะที่อุตสาหกรรมอาจารย์ของฉัน (โดยเฉพาะผู้ที่ทำงานในอุตสาหกรรม) กล่าวว่าการเรียนรู้ c ++ เป็นเส้นทางที่ปลอดภัยที่สุด ฉันต้องการจะได้ยินจากพวกคุณทั้งในภาคการศึกษาและภาคอุตสาหกรรมว่าฉันควรจะใส่ใจกับ Python หรือเพียงแค่ทำให้ดีขึ้นในสิ่งที่ฉันรู้ (MATLAB และ C ++) ในเวลานั้น Update : Geoff นำเสนอจุดที่ดีฉันอาจจะวางรายละเอียดเพิ่มเติม: ปัจจุบันฉันอยู่ในระดับปริญญาตรีในปีที่แล้วเรียนคณิตศาสตร์ด้วยความเชี่ยวชาญเฉพาะด้านในการคำนวณ ฉันต้องการเรียนต่อระดับปริญญาโทและอยู่ในการค้นคว้า (ฉันไม่เคยเห็นตัวเองสนุกกับการสอน) หรือทำงานในห้องแล็บ ทั้งสองอย่างนั้นเหมาะสมที่สุด ในส่วนของการวิจัยสิ่งที่อาจเป็นไปตามการวิเคราะห์เชิงตัวเลขหรือความน่าจะเป็น ในกรณีที่แผนก. ไม่ได้ผลฉันจะเปิดให้ทำงานในอุตสาหกรรมตราบใดที่การเตรียมตัวสำหรับอุตสาหกรรมไม่ได้ใช้เวลามากเกินไปจากโรงเรียน ดังนั้นฉันคิดว่าฉันควรเรียนรู้ภาษาที่ใช้กันทั่วไปในอุตสาหกรรมเช่นเดียวกับการสำรองข้อมูล แต่นี่คือเหตุผลที่ฉันขัดแย้งกัน ฉันไม่สามารถเรียนได้ทุกภาษาหรือเตรียมตัวสำหรับทุกโอกาสที่จะทำเพราะต้องใช้เวลามากเกินไป

9 matlab  python  c++ 

นอกเหนือจากค่าใช้จ่ายในการคำนวณพิเศษเนื่องจากต้องคำนวณฟลักซ์ทั้งสองในบางภูมิภาคมีข้อเสียที่จะผสมผสานการประเมินฟลักซ์ทั้งสองสำหรับรูปแบบไฮบริดในวิธีการปริมาณ จำกัด หรือไม่? การประเมินฟลักซ์จะเป็นดังนี้: Fฉัน+12=Λฉัน+12Fคฉัน+12+ ( 1 -Λฉัน+12)Fยูฉัน+12Fผม+12=Λผม+12Fผม+12ค+(1-Λผม+12)Fผม+12ยู\mathbf{F}_{i+\frac12} = \Lambda_{i+\frac12} \mathbf{F}^c_{i+\frac12} + (1 - \Lambda_{i+\frac12}) \mathbf{F}^u_{i+\frac12} สวิตช์นี้ใช้เซ็นเซอร์ความดันและ / หรือการไล่ระดับความหนาแน่นตามการใช้งานของคุณ เป็นรูปแบบส่วนกลาง (McCormack, compact, ... ) และเป็นรูปแบบที่อยู่เหนือลมเช่นแยกแตกต่างฟลักซ์ด้วยการสร้าง MUSCL มีปัญหาใด ๆ ในแง่ของตัวเลข, คุณสมบัติอนุรักษ์นิยมหากฉันผสมสองรูปแบบโดยใช้ฟังก์ชั่นต่อเนื่องสำหรับซึ่งต่างจากการสลับระหว่างโครงร่างกับมีค่าเท่ากับ 0 หรือ 1 หรือไม่?FคFค\mathbf{F}^cFยูFยู\mathbf{F}^uΛΛ\LambdaΛΛ\Lambda

9 fluid-dynamics  finite-volume