偏微分方程数值解---学习总结(1)
偏微分方程数值解---学习总结(1)
1.知识回顾 (注:\(\mit V\)是线性空间)
内积
$(\cdot ,\cdot):\mit V \times \mit V \longrightarrow \mathbb{R} $ 是一个双线性映射,并且满足 \((i) (u,v)=(v,u), \forall \, u,v \in\mit V\);
$(ii) (u,u) \ge 0, \forall , u \in \mit V $ ; \((iii) (u,u)=0\) 当且仅当 \(u=0\).
半范数
\(||\cdot||:\mit V \longrightarrow \mathbb{R}\) 是一个线性映射,满足 下列条件:
\[ \begin{align} &(i) ||v||\ge 0, \forall \, v \in \mit V;\\ &(ii) ||cv||=|c|||v||,\forall v \in \mit V, \forall c \in \mathbb{R}; \\ &(iii) ||u+v||\leq ||u||+||v||, \forall u, v \in \mit V. \end{align} \]范数
范数+条件 ”\(||u||=0\)当且仅当 \(u=0\)".
范数等价定理:
设 \(||\cdot||\) 和 \(|||\cdot|||\) 是线性空间 \(\mathbf V\) 上两个范数,如果存在两个正数 \(c_1\) 和 \(c_2,\)
满足下列 不等 式, 则称 \(||\cdot||\) 和 \(|||\cdot|||\) 是等价的,
\[ c_1 ||v||\leq |||v||| \leq c_2 ||v||, \forall \,c_1,c_2 \in \mathbb{R},\,\forall \,v \in \mit V. \]内积空间
一个线性空间被赋予内积, 它就是一个内积空间.
内积可以产生诱导范数
\[ ||v||=(v,v)^{1/2},\,\forall \,v \in \mit V. \]Schwarz inequality
\[ |(w,v)|\leq ||w||\,||v||,\, \forall w,v \in \mit V. \]
希尔伯特空间
完备的内积空间是希尔伯特空间 (即内积空间内任意柯西序列都是收敛的).
赋范线性空间
一个线性空间被赋予范数,则它成为赋范线性空间。
- 内积空间一定是赋范线性空间,其范数为 \(||v||=(v,v)^{1/2},\,\forall \,v \in \mit V.\)
巴拿赫空间
完备的赋范线性空间,即赋范线性空间内任意柯西序列都是收敛的.
- 希尔伯特空间一定是巴拿赫空间。
2. 重要概念
对偶空间
如果(\(\mit V, ||\cdot||_{\mit V}\))和 (\(\mit W, ||\cdot||_{\mit w}\))是两个赋范线性空间, 从\(\mathbf V\) 到\(\mit W\) 的所有线性泛函构成一个赋范线性空间 , 记为 \(\scr L(\mit V;\mit W)\) . 对于 \(L \in \scr L(\mit V;\mit W)\),定义范数如下:
\[ ||L||_{\scr L(\mit V;\mit W)}:=\sup_{0\neq v \in \mit V}\frac{||Lv||_{\mit W}}{||v||_{\mit V}}. \]如果\(\mit W\) 空间是一个巴拿赫空间,则 \(\scr L(\mit V;\mit W)\) 也是一个巴拿赫空间。
如果\(\mit W=\mathbb{R}\), 则称\({\color{Red}\scr L(\mit V;\mathbb{R})}\)是 \(\mit V\) 的对偶空间,常记为\({\color{Red}\mit V'}\).
对偶对(duality pairing)满足下列的双线性形式,就被称为 \(\mit V\) 和\(\mit V'\) 之间的对偶对,
\[ \begin{align*} <\cdot\,,\,\cdot>&:\mit V' \times \mit V \longrightarrow \mathbb{R}\\ &<L,v>\longmapsto L(v). \end{align*} \]
各种收敛性定义
强收敛:
赋范线性空间\(\mit V\) 中序列 \(\{v_n\}\) 弱收敛于 \(v \, \in \mit V\) 是指按范数收敛,即 \(||v_n-v||\rightarrow0(n\rightarrow \infty).\)
弱收敛:
赋范线性空间\(\mit V\) 中序列 \(\{v_n\}\) 弱收敛于 \(v \, \in \mit V\) 是指 对任意一个\(L\in\mit V'\), 均有 \(L(v_n)\) 收敛于\(L(v),\) 即 \(|L(v_n)-L(v)|\rightarrow0(n \rightarrow \infty).\)
*弱收敛
对偶空间\(\mit V’\) 中序列 \(\{L_n\}\) 弱收敛于 \(L \, \in \mit V'\) 是指对任意一个 \(v\in \mit V\), 均有 \(||L_n(v)-L(v)||\rightarrow 0(n \rightarrow \infty).\)
\({\color{Red}\mit V 中强收敛 \Rightarrow 弱收敛.}\)
\({\color{Red}\mit V' 中弱收敛 \Rightarrow * 弱收敛.}\)
\(\mit L^{p}(\Omega)\) 空间 \(\Omega_{开}\subset \mathbb{R}^{d}\),\(d\ge 1\),且 \(\Omega\) 是 Lebesgue 可测。
\[ \begin{align*}\mit L^{p} &:=\left\{v\,\,\big|\int_{\Omega}\,\left|v(x)\right|\,^p\,dx \leq \infty \right\},\,1 \leq p\, <\infty,\\ \mit L^{\infty} &:=\sup\left\{|v(x)|, \,\,x\in\Omega \right\}<\infty. \end{align*} \]
其范数为:
\[ \begin{align*}||v||_{\mit L^{p}} &:=\left(\int_{\Omega}\,\left|v(x)\right|\,^p\,dx\right)^{1/p} ,\,1 \leq p\, <\infty,\\ ||v||_{\mit L^{\infty}} &:=\sup\left\{|v(x)|, \,\,x\in\Omega \right\} \end{align*} \]\(\mit L^{2}(\Omega)\) 空间实际上就是希尔伯特空间,其内积为 \((w,v)_{\mit L^{2} (\Omega)}=\int_{\Omega}\,w(x)\,v(x)\;dx\)
- \(||\cdot||_0=||\cdot||_{\mit L^{2} (\Omega)}\) 记住
- \(\mit L^{p}(\Omega)\) 是 \(Banach\) 空间, 它的对偶空间为\(\mit L^{q}(\Omega)\), \(\frac{1}{p}+\frac{1}{q}=1,\) 而只有 \(\mit L^{2}(\Omega)\) 是Hilbert 空间(对偶空间为本身).
- \(H \ddot{o}lder\)不等式:\(\big|\int_{\Omega}\, w(x)v(x)dx \big|\leq\,||w||_{\mit L^{p}(\Omega)}||v||_{\mit L^{q}(\Omega)},\,\,\frac{1}{p}+\frac{1}{q}=1\)
- \(\mit L^{p}(\Omega)\) $ \subset \mit L^{q}(\Omega),,,,q\leq p.$
分布函数(\(Distributions\))
\(\mit C^{\infty}_{0}(\Omega)\) 是 \(\Omega\) 上具有紧支集(i.e. 存在有界开集\(\Omega'\subset \Omega\), \(d (\partial\Omega,\Omega)>0\)) 无穷维可微函数函数,且在边界上任意阶导数为零, 有时也记成 \(\mathcal{D}(\Omega)\).
\(\mathcal{D}(\Omega)\) 中元素的导数 \(D^{\alpha}v:=\frac{\partial^{|\alpha|}v}{\partial^{\alpha_1}x_1\partial^{\alpha_2}x_2 \cdots\partial^{\alpha_d}x_d},\) 其中 \(|\alpha|=\alpha_1+\alpha_2+\cdots+\alpha_d.\)
\(v_n \in \mathcal{D}(\Omega)\) 收敛于 \(v \in \mathcal{D}(\Omega)\) 是指 存在一个有界闭子集\(K\) 满足对任意一个 \(n\),\(v_n\)在\(K\) 外均为0,且对任意非负指标 \(\alpha\), 导数 \(\mathcal{D}^{\alpha}v\) 一致收敛于\(\mathcal{D}^{\alpha}v.\)
分布函数: \(\mathcal{D}(\Omega)\) 的对偶空间中的元素被称为分布函数. 换句话说, 分布就是\(\mathcal{D}(\Omega)\) 上的线性泛函,\(L \in \mathcal{D'}(\Omega)\) 且 \(\forall \,v \in \mathcal{D}(\Omega),\) \(L(v)=<L,\,v>\) \(dualiy \,\,pairing.\)
\(\mathcal{D}(\Omega)\) 上的范数,\(||v||_k=\sup_{\Omega}|v(x)|, \, v \in\mathcal{D}(\Omega).\)(可以自己证明一下)*
\({\color{Red}分布的导数}\): \(\mit L \in \mathcal D'(\Omega)\), \(\mit L\) 的 \(\alpha=(\alpha_1,\alpha_1,\cdots,\alpha_d)\) 阶导数定义如下:
\[ \begin{align*} <D^{\alpha}\mit L,v>=(-1)^{|\alpha|}<\mit L,D^{\alpha}v>,\forall\, v\in\mathcal D(\Omega), D^{\alpha }v \in \mathcal D(\Omega) . \end{align*} \]定理1 :
如果 \(\mit L\) 是 \(\mathcal D(\Omega)\) 上一个光滑的函数,则分布意义下的导数 \(D^{\alpha}\mit L\) 与经典意义下的导数是一致的,即 \(D^{\alpha}\mit L=\mit L^{(\alpha)}\).(证明思路利用分部积分)
实际上, 分布的导数就是经典导数的广义导数.
例1 :\(f(x)=|x|,x\in R\), \(f\not\in C^{1}(R),\) 虽然在经典导数意义下\(f'\) 在 \(x=0\) 处是没有定义的,但是我们却可以得到分布意义下的导数
\[ D' f=\begin{cases}1 \,\,&x\,\ge0\\-1\,\,&x<0. \end{cases} \]例2:\(D^2f=D^{1}(D^{1}f)\), 对任意 \(v\in \mathcal D(R),\)
\[ \begin{align*} <D^{1}(D^{1}f)>&=-<d^{1}f,D^{1}v>\\ &=-\int^{\infty}_{0}D^{1}vdx+\int^{0}_{-\infty}D^{1}vdx\\ &=v(0)+v(0)\\ &=2v(0). \end{align*} \]实际上,\(D^{2}f=\delta_0\), 其中 \(\delta_0\) 是 \(Dirac\) 函数,定义为 \(<\delta_0,v>=2v(0),\forall v\in \mathcal D(\Omega)\).
重要结果:\(\mit L^{p}(\Omega) \subset \mathcal{D'}(\Omega)\), but $ \mathcal{D'}(\Omega) \not\subset \mit L^{p}(\Omega) ,,p\ge,1.$
* step 1 证明 $\forall L \in \mit L^{p}(\Omega) $ 是上的$\mathcal{D}(\Omega)$线性泛函;
\[ \begin{align*} L(v)&=<L,v>=\int_{\Omega}L(x)v(x)\,dx,\forall v\, \in \mathcal{D}(\Omega).\\ L(\alpha_1 v_1 +\alpha_2 v_2)&=<L,\alpha_1 v_1 +\alpha_2 v_2>\\ &=\alpha_1<L,v_1>+\alpha_2<L,v_2>\\ &=\alpha_1L(v_1)+\alpha_2L(v_2),\,\,\,\,\,\,\forall\, \alpha_1,\alpha_2 \in \mathbb{R},v_1,v_2 \in\mathcal{D}(\Omega). \end{align*} \]
- step 2 证明 \(L\) 是连续的,即证 \(|L(v)|\leq C||v||_{\mathcal{D}(\Omega)}.\)下面我们来证明:
\[ \begin{align*} L(v)&=\int_{\Omega}L(x)v(x)\,dx \leq ||L||_p||v||_q\\ &\leq ||L||_p(\int_{\Omega}|v(x)|^{q}dx)^{\frac{1}{q}}\\ &\leq ||L||_p ||v||_{\mathcal{D}(\Omega)}|\Omega|^{\frac{1}{q}}\\ &\leq C||v||_{\mathcal{D}(\Omega)}. \end{align*} \]
step3 证明 $ \mathcal{D'}(\Omega) \not\subset \mit L^{p}(\Omega) ,,p\ge,1.$
对任意 \(v\in \mathcal D(\Omega)\), \(<\delta_0,v>=v(0).\) 事实上, $\delta_0 $ 是\(\mathcal \,D(\Omega)\) 上的连续线性泛函,
\[ \begin{align*} <\delta_0,t_1v_1+t_2v_2>&=(t_1v_1+t_2v_2)(0)\\ &=t_1v_1(0)+t_2v_2(0)\\ &=t_1<\delta_0,v_1>+t_2<\delta_0,v_2>.\\ |<\delta_0,v>|&=|v(0)|\leq ||v||,其中||v|| =\sup_{\Omega}|v(x)|. \end{align*} \]
假设$ \mathcal{D'}(\Omega) \subset \mit L^{p}(\Omega) ,,p\ge,1\(, 由\)Riesz$ 表示定理知,对任意一个 $v\in\mathcal D(\Omega) $, 存在
$w\in\mathcal{D'}(\Omega) $满足下列式子 \(\delta_0(v)=<w,v>=\int_{\Omega}w(x)v(x)dx\), 这显然不对,例如
取一个特殊的磨光函数 \(v_0\) ,它在 \(x=0\) 处取值无穷,在其它位置取值为0.
3. \(Sobolve\) 空间
\(Sobolve\) 空间 是后面学习变分问题以及各种边值问题的基础空间.
- \(Sobolve\) 空间:
\[ W^{k,p}(\Omega):=\{ v\in\mit L^{p}(\Omega)\big|D^{\alpha}v\in\mit L^{p}(\Omega),\forall\,\alpha \,such\, that\, |\alpha|\leq k\} \\ \text 也就是表示本身及知道 k 阶导数均属于\mit L^{p}(\Omega)的函数空间. \]
- $ W^{k,p}_{(\Omega)}$上范数
\[ ||v||_{k,p,\Omega}=||v||_{k,p}=(\sum_{|\alpha|\leq k}||D^{\alpha}v||^{p}_{\mit L^{p}})^{\frac{1}{p}} \]
$ W^{k,p}_{(\Omega)}$ 上半范数
\[ |v|_{k,p,\Omega}=|v|_{k,p}=(\sum_{|\alpha|= k}||D^{\alpha}v||^{p}_{\mit L^{p}})^{\frac{1}{p}} \]几种重要的特殊情况
\[ \begin{align} d=1,\,\,\, \,W^{k,p}(I)&=\{ v\in\mit L^{p}(I)\big|D^{\alpha}v\in\mit L^{p}(I), \alpha=1,2,\cdots, k\}\\ p=2,\,\,\,\,\,H^{K}(\Omega)&=W^{k,p}(\Omega),\begin{cases} \mbox{范数}||v||_{k }=(\sum_{|\alpha|=k}||D^{\alpha}v||^{2}_0)^{\frac{1}{2}},\\ \mbox{半范数}||v||_{k }=(\sum_{|\alpha|=k}||D^{\alpha}v||^{2}_0)^{\frac{1}{2}} \end{cases}\\ k=0,\,\,\,W^{0,p}(\Omega)&=\mit L^{p}(\Omega). \end{align} \]\(W^{k,p}_{(\Omega)}\) 的闭包
\[ \begin{align} W^{K,P}_0(\Omega)&=\overline{\mathcal{D}(\Omega)}^{||\cdot||_{k,p}}\\ \mit{H}^{k}_{0}(\Omega)&=W^{K,P}_0(\Omega)=\left\{ v\in\mit{H^k}(\Omega) ,\gamma_0(D^{\alpha}v) =0,|\alpha|\leq k-1 \right\}\\ \mit{H}^1_0(\Omega)&=\left\{v\in\mit{ H}^1(\Omega),v\big|_{\partial\Omega}=0\right\} \end{align} \]
转载于:https://www.cnblogs.com/Merles/p/9911840.html
偏微分方程数值解---学习总结(1)相关推荐
- 孙志忠 偏微分方程数值解作业算例的matlab程序
偏微分方程数值解作业 大部分算例都是孙志忠<偏微分方程数值解>中的. 结构如下: 第三章椭圆方程 第四次课中心差分 第五次课紧差分 第六次课两点边值的一般差分格式 第八次课二维Poisso ...
- matlab偏微分方程数值解误差_Python数值计算----------求解简单的偏微分方程
很多物理现象的都可以用方程来描述,比如热传导与物质扩散可以用扩散方程来描述,流体的流动可以用NS方程描述等等.如果能够将这些偏微分方程求解出来,就可以来对很多物理现象进行仿真,现在工程中的仿真软件都是 ...
- 董彬教授:用深度神经网络学习偏微分方程及其数值求解的离散格式
2019年10月31日下午,在北京智源大会的"人工智能的数理基础专题论坛"上,北京大学副教授.智源学者董彬做了题为<Learning and Learning to Solv ...
- 神经网络学习(三):解偏微分方程
前言 在完成了常微分的数值解之后,我开始如法炮制的来解偏微分,我觉得解法上是一样的,都直接使用autograd就可以了,所以理论是难度并不大(虽然实际上我是花的时间最长的),只不过需要注意的细节比较多 ...
- 一文掌握机器学习必备数学知识(附学习资源)
来源:运筹OR帷幄 作者:留德华叫兽&王源 本文共5800字,建议阅读10分钟. 本文划分了ML数学基础的的初.中.高三个阶段并提供针对各阶段的学习资源. 0.前言 本篇文章是由留德华叫兽在知 ...
- matlab求偏微分方法解析解,偏微分数值解(2,MATLAB求解方法)学案.ppt
这部分主要讨论如何用MATLAB实现对偏微分方程的数值仿真求解.MATLAB的偏微分方程工具箱(PDE Toolbox)的出现,为偏微分方程的求解以及定性研究提供了捷径.主要步骤为: 2.1 用偏微分 ...
- 隐式欧拉解常微分方程c语言,利用欧拉方法求常微分方程近似数值解.doc
利用欧拉方法求常微分方程近似数值解,欧拉微分方程,欧拉运动微分方程,欧拉平衡微分方程,欧拉型微分方程,微分方程的欧拉算法,微分方程的欧拉解法,欧拉型常微分方程,偏微分方程数值解,微分方程数值解法 利用 ...
- 数 学 专 业 劝 退 指 南
文末有彩蛋 随着这两天各地陆续公布高考分数线,填报志愿这个"人生大事"也马上要开始了,很多图灵的学生读者留言表示对选择专业有些疑虑,其中有个比较深刻的例子. 问: 我数学成绩好,感 ...
- 从入门到高阶,读懂机器学习需要哪些数学知识
本篇文章是由留德华叫兽 在知乎的优秀回答改编扩展而成的, 作者留德华叫兽有着应用数学和硕士运筹学.优化理论的背景转到德国海德堡大学读博,主要从事机器学习.计算机视觉的研究,希望自己的一些经验可以对想入 ...
最新文章
- 【我的Android进阶之旅】推荐一款能提升数十倍效率的Android应用开发助手
- 你们网购遇到过这种店铺吗?我吓得第二天就退货了
- 如何写好和创作经济学论文?
- 【谦先生日志】程序员如何优雅地融入新环境
- python3 报错 ‘builtin_function_or_method‘ object has no attribute 解决方法
- wordpress on Zencart (WOZ) Ultimate SEO URLs 静态化
- 阿里云分析型数据库AnalyticDB:使用Logstash插件进行高效数据写入
- php流导出excel内存溢出,phpExcel导出大量数据出现内存溢出错误的解决方法
- .net framework3.0_
- Tomcat上下文JUnit @Rule
- solr elasticsearch比较
- c#分页读取GB文本文件
- 【SSH网上商城项目实战11】查询和删除商品功能的实现
- 数据结构和算法1 稀疏数组
- Vbs调用MsAgent组件,很有趣
- Adobe Ps/Pr/ME/PL/Au/Ae/Ch/An/Lr/Dw/Ai/Id/Acrobat/2019/windows/mac
- 从零开始学习html(十)CSS格式化排版——下
- 台式计算机可以连接蓝牙吗,蓝牙耳机怎么连接台式电脑?台式电脑连接蓝牙耳机的方法...
- 除了攀附名人、杜撰荣恩录,家谱造假中,还有这件事令人羞耻
- vue-router router实例方法 getMatchedComponents、matched 的使用
热门文章
- 湖北2020年最新CMMI3-CMMI5通过的企业名单,看看没有你们公司
- 关于IE8浏览器JS导出excel,要使导出列宽度按自己控制。
- zend studio php mvc,Zend Studio使用教程:使用Zend Studio和Zend Server进行根本原因分析 (一)...
- DSP的程序加载与运行方式
- DSP28335下程序提示低功耗模式
- 2021最后一次Java面试,java工程师职业生涯规划
- eclipse开发jsp
- 一、CentOS7启动U盘制作
- 用nvhda解决Ubuntu无法通过HDMI输出声音且设置中输出设备无HDMI的问题
- 利用Python简单两步监控电脑