Numerik Partieller Differentialgleichungen
|
|
- Friederike Vogel
- vor 6 Jahren
- Abrufe
Transkript
1 Numerik Partieller Differentialgleichungen Martin Neumüller, Institute of Computational Mathematics, JKU Linz Inhaltsverzeichnis 2 Parabolische Differentialgleichungen Variationsformulierung von parabolischen Anfangs-Randwertproblemen Klassische Formulierung Semi-Variationsformulierung Abstrakte Variationsformulierung unter Verwendung von Bochner Analysis Semi-Diskretisierung Vertikale Linienmethode Der Semi-Diskretisierungsfehler Explizite Runge-Kutta Verfahren für allgemeine gewöhnliche Differentialgleichungen erster Ordnung Das Euler-Verfahren Eine Verallgemeinerung: Einschrittverfahren Konvergenzanalyse für Einschrittverfahren Explizite s-stufige Runge-Kutta Verfahren Steife Differentialgleichungen Dissipative Systeme Kontraktion und A-Stabilität Implizite Runge-Kutta Verfahren Konsistenz impliziter Runge-Kutta Verfahren A-Stabilität von Runge-Kutta Verfahren Allgemeine dissipative Systeme Voll-diskretisierte parabolische Differentialgleichungen
2 2 Parabolische Differentialgleichungen 2.1 Variationsformulierung von parabolischen Anfangs-Randwertproblemen Ausgehend von der klassischen Formulierung wollen wir in diesem Abschnitt eine schwache Formulierung herleiten Klassische Formulierung Wir betrachten das beschränkte Gebiet Ω R d, d = 1, 2, 3 mit hinreichend glatten Rand Γ = Ω = Γ D Γ N und weiters das Zeitintervall (, T ) mit < T <. Wir definieren dann den Raum-Zeit-Zylinder Q T := Ω (, T ) R d+1. Die Problemstellung lautet dann: Gesucht ist u : Q T R, sodass u t (x, t) + (Lu)(x, t) = f(x, t) für (x, t) Q T, (2.1) u(x, t) = g D (x, t) für (x, t) Γ D (, T ), (2.2) (A(x) u(x, t)) n(x) = g N (x, t) für (x, t) Γ N (, T ), (2.3) mit dem Differentialoperator u(x, ) = u (x) für x Ω (2.4) (Lu)(x, t) := div(a(x) u(x, t)) + b(x) u(x, t) + c(x)u(x, t), den hinreichend regulären Koeffizienten A(x) R d d, b(x) R d, c(x) R für x Ω und den gegebenen skalaren Daten f, g D, g N, u. Beispiel 2.1 (Das d-dimensionale parabolische Modellproblem). Für A = I, b = und c = erhalten wir das d-dimensionale Modellproblem u t (x, t) u(x, t) = f(x, t) für (x, t) Q T, u(x, t) = g D (x, t) für (x, t) Γ D (, T ), u n (x, t) = g N(x, t) für (x, t) Γ N (, T ), u(x, ) = u (x) für x Ω. Für die Klassische Formulierung (2.1) (2.4) müssen die Daten g D und u die Bedingung lim g D (x, t) = u (x) t für alle x Γ D erfüllen, damit für die klassische Lösung u die Stetigkeit gewährleistet werden kann. Weitere Diskussionen über die Funktionenräume im klassischen Sinn werden hier nicht behandelt. 2
3 Bemerkung 2.2. Für den Fall g D kann die Problemstellung (2.1) (2.4) homogenisiert werden, falls es eine Funktion g : Q T R gibt für die gilt g(x, t) = g D (x, t) für alle (x, t) Γ D (, T ). Auf Grund der Bemerkung 2.2 betrachten wir im Weiteren den Fall g D = Semi-Variationsformulierung Die Herleitung dieser Variationsformulierung beruht auf den folgenden Schritten: Multiplikation der Differentialgleichung (2.1) mit einer Testfunktion v : Ω R. Integration über das Rechengebiet Ω. Partielle Integrations des Hauptteils. Einarbeitung der natürlichen Randbedingung (2.3). Die wesentliche Randbedingung (2.2) und die Anfangsbedingung (2.4) werden explizit gefordert. Wir erhalten dann die Variationsformulierung: Gesucht ist u : Q T R mit u(x, t) = für (x, t) Γ D (, T ), sodass u (x, t)v(x) + a(u(, t), v) = F (t), v, t Ω für alle v : Q T R mit v(x) = für x Γ D und weiters u(x, ) = u (x) für alle x Ω erfüllt ist. Dabei ist die Bilinearform für t (, T ) gegeben durch [ a(u(, t), v) := A(x) u(x, t) v(x) + b(x) u(x, t)v(x) Ω + c(x)u(x, t)v(x) ] dx und die Linearform ist definiert als F (t), v := f(x, t)v(x)dx + g N (x, t)v(x)ds x. Ω Γ N Zur einfacheren Darstellung schreiben wir jetzt die Funktion u = u(x, t) also Funktion von t, deren Werte Funktionen von x sind, also u(x, t) = u(t)(x). 3
4 Unter Verwendung der schwachen Ableitungen aus Kapitel?? und des daraus resultierenden Funktionenraums V = { v H 1 (, 1) : v = auf Γ D } ergibt sich für klassiche Voraussetzungen bezüglich der Zeit die Semi-Variationsformulierung: Gesucht ist u C 1 ([, T ], V ), sodass (u, v) L 2 (Ω) + a(u(t), v) = F (t), v für alle v V und alle t (, T ), u() = u in V (2.5) erfüllt ist. Dabei stellen wir an die Daten die Voraussetzungen f C([, T ], L 2 (Ω)), g N C([, T ], L 2 (Γ N )), u V, beziehungsweise an die Koeffizienten A [L (Ω)] d d, b [L (Ω)] d, c L (Ω). Unter diesen Voraussetzungen ist die Bilinearform a : V V R beschränkt und weiters ist F (t) V für alle t [, T ] und, siehe Kapitel??. Ziel ist es nun die klassischen Voraussetzungen bezüglich der Zeit auch abzuschwächen Abstrakte Variationsformulierung unter Verwendung von Bochner Analysis In diesem Abschnitt wollen wir, ausgehend von einer abstrakten semi-variationellen Formulierung, unser endgültiges Variationsproblem herleiten. Dazu seien V und H zwei Hilbert Räume mit V H. Weiters sei a : V V R eine auf V beschränkte und elliptische Bilinearform. Dann betrachten wir die semi-variationelle Formulierung: Gesucht ist u C 1 ([, T ], V ), sodass (u (t), v) H + a(u(t), v) = F (t), v für alle v V und alle t (, T ), (u(), w) = (u, w) erfüllt ist. Dabei sei vorerst F C([, T ], V ). für alle w H Definition 2.3 (Bochner-meßbar). Eine Funktion w : (, T ) V heißt Bochnermeßbar, falls die Funktionen t G, w(t) für alle G V auf (, T ) Lebesque-meßbar sind. Lemma 2.4. Sei w : (, T ) V Bochner-meßbar, dann ist die Funktion Lebesgue-meßbar. t w(t) V 4
5 Beweis. Sei w : (, T ) V Bochner-meßbar, dann ist die Funktion t G, w(t) G V für alle G V Lebesgue-meßbar. Das Supremum von einer Folge von Lebesguemeßbarer Funktionen ist wiederum Lebesgue-meßbar und somit folgt, dass Lebesgue-meßbar ist. G, w(t) w(t) V = sup. G V G V Definition 2.5. Sei V ein Banachraum, dann definieren wir die Menge der Funktionen } L 2 ((, T ), V ) := {v : (, T ) V : v ist Bochner-meßbar und v L 2((,T ),V ) <, mit v L 2 ((,T ),V ) := [ T v(t) 2 V dt ] 1 2. Bemerkung 2.6. Man kann zeigen, dass die Menge L 2 ((, T ), V ) ausgestattet mit der Norm L 2 ((,T ),V ) vollständig ist, also ein Banachraum ist. Für u C 1 ([, T ], V ) gilt (u (t), v) H = d dt (u(t), v) H für alle v V. Dies motiviert nun einen schwachen Ableitungsbegriff für die reelle Funktion einzuführen. t (u(t), v) H Definition 2.7. Eine Funktion w L 2 ((, T ), V ) heißt verallgemeinerte Ableitung einer Funktion w L 2 ((, T ), V ) bezüglich H, falls für alle v V die Funktion t w (t), v die schwache Ableitung der Funktion t (w(t), v) H auf (, T ) ist, das heißt es gilt T T ϕ(t) w (t), v dt = ϕ (t)(w(t), v) H dt für alle v V und alle ϕ C (, T ). Bemerkung 2.8. Falls für eine Funktion w L 2 ((, T ), V ) die schwache Ableitung w L 2 ((, T ), V ) existiert, schreiben wir auch d dt (w(t), v) H := w (t), v für alle v V. 5
6 Definition 2.9. Mit H 1 ((, T ), V ; H) bezeichnen wir den Sobolev-Raum, mit Funktionen aus L 2 ((, T ), V ) für die, die schwache Ableitung in L 2 ((, T ), V ) bezüglich H existiert, also H 1 ((, T ), V ; H) := { v L 2 ((, T ), V ) : es existiert v L 2 ((, T ), V ) bezüglich H }. Weiters wird durch v H 1 ((,T ),V ;H) := [ v 2 L 2 ((,T ),V ) + v 2 L 2 ((,T ),V ) eine Norm auf H 1 ((, T ), V ; H) definiert. Theorem 2.1. Die Einbettung H 1 ((, T ), V ; H) C([, T ], H) ist stetig. Das heißt, es existiert eine Konstante c tr >, sodass ] 1 2 max t [,T ] v(t) H c tr v H 1 ((,T ),V ;H) für alle v H 1 ((, T ), V ; H). Beweis. Beweisskizze siehe Übungen oder siehe [Zeidler]. Theorem 2.1 garantiert, dass die Punktauswertung u() wohldefiniert ist in H. Mit den oben eingeführten Räumen können wir nun das endgültige Variationsproblem aufstellen: Gesucht ist u H 1 ((, T ), V ; H), sodass d dt (u(t), v) H + a(u(t), v) = F (t), v für alle v V und fast alle t (, T ), u() = u in H (2.6) erfüllt ist. Dabei ist das Variationsproblem (2.6) wohldefiniert für F L 2 ((, T ), V ) und u H. Bemerkung Verwendet man den von der Bilinearform a : V V R induzierten Operator A : V V, so lässt sich das Variationsproblem (2.6) schreiben als: Gesucht ist u H 1 ((, T ), V ; H), sodass u (t) + Au(t) = F (t) in V und fast alle t (, T ), u() = u in H (2.7) erfüllt ist. Man spricht dabei auch von einer gewöhnlichen Differentialgleichung im Banachraum. Theorem Es seien V und H zwei seperable Hilberträume mit V H. Weiters sei V dicht in H und es existiert eine Konstante c >, sodass v H c v V für alle v V. Die Bilinearform a : V V R sei V -beschränkt und V -elliptisch. Dann gibt es für jedes F L 2 ((, T ), V ) und u H eine eindeutige Lösung u H 1 ((, T ), V ; H) vom Variationsproblem (2.6) mit [ ] u H 1 ((,T ),V ;H) c S u H + F L 2 ((,T ),V ). 6
7 Beweis. Siehe zum Beispiel [Zeidler]. Bemerkung Für das parabolische Modellproblem sind die Voraussetzungen von Theorem 2.12 für die Hilberträume H = L 2 (Ω) und V H 1 (Ω) erfüllt. Theorem Es seien die Voraussetzungen von Theorem 2.12 erfüllt und weiters sei F L 2 ((, T ), H). Dann gilt für die eindeutige Lösung u von (2.6) die Abschätzung mit α = ca 1 c >. u(t) H e αt u H + t Beweis. Siehe zum Beispiel [Zulehner]. e α(t s) F (s) H ds für alle t (, T ), Korollar Es seien die Voraussetzungen von Theorem 2.12 erfüllt. Für u, w H seien u, w H 1 ((, T ), V ; H) die eindeutigen Lösungen von (2.6) bezüglich den zwei Anfangswerten u, w mit rechter Seite F L 2 ((, T ), H). Dann gilt die Abschätzung Beweis. Einfach. u(t) w(t) H e αt u w H für alle t (, T ). Bemerkung Die V -Elliptizitätsbedingung in Theorem 2.12 kann ersetzt werden durch die Gårding-Ungleichung, also es existieren c a 1 > und λ R, sodass die Abschätzung a(v, v) + λ v 2 H ca 1 v 2 V für alle v V gilt. 2.2 Semi-Diskretisierung Vertikale Linienmethode Die Grundidee besteht darin eine Näherung für die Funktion u = u(t)(x) zu finden indem man die schon bekannte Finite Elemente Methode bezüglich dem Ort anwendet. Zur Vereinfachung betrachten wir F C([, T ], V ) und u C 1 ([, T ], V ). Da der Raum V dicht in H liegt ist, kann die Anfangsbedingung geschrieben werden als u() = u in H, (u(), v) H = (u, v) H für alle v H, (u(), v) H = (u, v) H für alle v V. Somit ist das folgende Variationsproblem der Ausgangspunkt für unsere Semi-Diskretisierung: Gesucht ist u C 1 ([, T ], V ), sodass d dt (u(t), v) H + a(u(t), v) = F (t), v für alle v V und alle t (, T ), (u(), v) H = (u, v) H für alle v V. (2.8) 7
8 Für die Diskretisierung betrachten wir jetzt einen endlichdimensionalen Teilraum V h V und definieren dann das folgende Problem: Gesucht ist u h C 1 ([, T ], V h ), sodass d dt (u h(t), v h ) H + a(u h (t), v h ) = F (t), v h für alle v h V h und alle t (, T ), (u h (), v h ) H = (u, v h ) H für alle v h V h. (2.9) Analog zu Kapitel?? wählen wir eine Basis für den diskreten Raum V h, also V h = span{ϕ i } n h i=1 und verwenden den Ansatz n h u h (x, t) = u j (t)ϕ j (x) j=1 mit den Zeitabhängigen Koeffizienten u j Variationsproblem (2.9) äquivalent zu : [, T ] R, j = 1,..., n h. Somit ist das n h j=1 n h (ϕ j, ϕ i ) H u j(t) + a(ϕ j, ϕ i )u j (t) = F (t), ϕ i i = 1,..., n h, t (, T ), j=1 n h j=1 Wir definieren nun die Matrizen und die Vektoren (ϕ j, ϕ i ) H u j () = (u, ϕ i ) H i = 1,..., n h. M h := [ (ϕ j, ϕ i ) H ] nh i,j=1 und K h := [a(ϕ j, ϕ i )] n h i,j=1 f h (t) := [ F (t), ϕ i ] n h i=1, g h := [(u, ϕ i ) H ] n h i=1 und u h (t) := [u j (t)] n h j=1. Dabei ist K h R n h n h die Steifigkeitsmatrix aus Kapitel?? und Mh R n h n h wird als Massematrix bezeichnet. Mit diesen Definitionen ist das diskretisierte Problem (2.9) äquivalent zum System gewöhnlicher Differentialgleichungen erster Ordnung: Gesucht ist u h C 1 ([, T ], R n h ), sodass M h u h(t) + K h u h (t) = f h (t) für alle t (, T ), M h u h () = g h. (2.1) Lemma Die Massematrix M h R n h n h ist symmetrisch und postiv definit. Beweis. Symmetrie folgt aus der Symmetrie Eigenschaft des Skalarprodukts, also (ϕ j, ϕ i ) H = (ϕ i, ϕ j ) H und die postiv Definitheit folgt analog aus der Positivität des Skalarprodukts. 8
9 Theorem 2.18 (Picard-Lindelöf). Sei f C([, T ] R n, R n ) Lipschitz-stetig bezüglich der 2. Variable, also es existiert eine Konstante L >, sodass f(t, u) f(t, v) L u v für alle u, v R n und alle t [, T ] erfüllt ist. Dann existiert für alle u R n genau eine Lösung u C 1 ([, T ], R n ) des Anfangswertproblems u (t) = f(t, u(t)) für alle t (, T ), u() = u. Beweis. Siehe gewöhnliche Differentialgleichungen. Da nach Lemma 2.17 die Massematrix M h invertierbar ] ist, ist die Lipschitzbedinung für die rechte Seite f(t, u h ) := M 1 h [f h (t) K h u h von unserem Anfangswertproblem (2.1) f(t, uh ) f(t, v h ) = M 1 h K h(u h v h ) M 1 erfüllt mit der h-abhängigen Libschitz-Konstante L h = M 1 h Theorem 2.18 das diskrete Anfangswertproblem (2.1) eindeutig lösbar Der Semi-Diskretisierungsfehler h K h uh v h =: L h u h v h K h <. Somit ist nach Für die Näherungslösung u h C 1 ((, T ), V h ) von (2.9) wollen wir den Fehler max t [,T ] u(t) u h(t) H bezüglich der exakten Lösung u C 1 ((, T ), V ) von (2.8) geeignet abschätzen. Dazu benötigen wir den folgenden Operator. Definition 2.19 (Ritz-Projektion). Sei a : V V R eine beschränkte und elliptische Bilinearform bezüglich V. Die Ritz-Projektion R h : V V h ist für ein u V definiert als die Lösung des Variationsproblems: Gesucht ist R h u V h, sodass a(r h u, v h ) = a(u, v h ) für alle v h V h erfüllt ist. Es lässt sich leicht zeigen, dass die Ritz-Projektion wohldefiniert ist und einen linearen und beschränkten Operator definiert. Weiters sieht man leicht, dass R h : V V h tatsächlich eine Projektion ist, also R h R h = R h. Die Grundlegende Idee für die Fehlerabschätzung ist gegeben durch die Aufspaltung u(t) u h (t) = u(t) R h u(t) + R h u(t) u h (t) = ϱ h (t) + θ h (t), mit ϱ h (t) := u(t) R h u(t) V und θ h (t) := R h u(t) u h (t). 9
10 Lemma 2.2. Für den Fehler ϱ h (t) := u(t) R h u(t) V gilt ϱ h C 1 ([, T ], V ) und ϱ h(t) = (I R h )u (t). Beweis. Übung. Lemma Für den Fehler θ h (t) := R h u(t) u h (t) V h gilt θ h C 1 ([, t], V ), θ h(t) = R h u (t) u h(t) und (θ h(t), v h ) H + a(θ h (t), v h ) = (ϱ h(t), v h ) H für alle v h V h und alle t [, T ]. Beweis. Die ersten beiden Behauptungen folgen analog zu Lemme Sei u C 1 ([, T ], V ) die Lösung von (2.8) und u h C 1 ([, T ], V h ) die Näherungslösung von (2.8), dann gilt wegen V h V, dass (u (t), v h ) H + a(u(t), v h ) = F (t), v h für alle v h V h und alle t [, T ]. Daraus folgt für v h V h und t [, T ] weiters = (u (t) u h(t), v h ) H + a(u(t) u h (t), v h ) = (u (t) R h u (t) + R h u (t) u h(t), v h ) H + a(r h u(t) u h (t), v h ) = (ϱ h(t), v h ) H + (θ h(t), v h ) H + a(θ h (t), v h ). Und somit ist die Behauptung bewiesen. Lemma Für die obigen Fehler ϱ h V und θ h V h gilt die Abschätzung θ h (t) H θ h () H + t Beweis. Mit Lemma 2.21 gilt für t [, T ] mit v h = θ h Unter Verwendung der Identität ϱ h(s) ds für alle t [, T ]. (θ h(t), θ h (t)) H + a(θ h (t), θ h (t)) = (ϱ h(t), θ h (t)) H. (θ h(t), θ h (t)) H = 1 d 2 dt (θ h(t), θ h (t)) H = 1 d 2 dt θ h(t) 2 H = θ d h(t) H dt θ h(t) H, folgt dann weiters θ h (t) H d dt θ h(t) H = a(θ h (t), θ h (t)) (ϱ h(t), θ h (t)) H ϱ h(t) H θ h (t) H. 1
11 Somit gilt die Abschätzung d dt θ h(t) H ϱ h(t) H für alle θ h (t) H. (2.11) Falls θ h (t) H = ist in einer Umgebung von t, dann ist auch d θ dt h(t) H = in dieser Umgebung. Somit ist die Ungleichung (2.11) für fast alle t [, T ] erfüllt. Integration über (2.11) bezüglich (, t), t [, T ] liefert die Behauptung θ h (t) H θ h () H = t d dt θ h(s) H ds t ϱ h(s) H ds. Theorem Sei u C 1 ([, T ], V ) die Lösung von (2.8) und u h C 1 ([, T ], V h ) die Näherungslösung von (2.8), dann gilt für t [, T ] die Fehlerabschätzung u(t) u h (t) H (I R h )u(t) H + R h u u h () H + Beweis. Mit Hilfe der Lemmata folgt die Behauptung u(t) u h (t) H = u(t) R h u(t) + R h u(t) u h (t) H (I R h )u(t) H + θ h (t) H (I R h )u(t) H + θ h () H + t = (I R h )u(t) H + R h u u h () H + t ϱ h(s) ds t (I R h )u (s) H ds. (I R h )u (s) H ds. Theorem 2.23 besagt nun, dass der Fehler der Semi-Diskretisierung im wesentlichen über den Fehler der Ritz-Projektion abgeschätz werden kann. Für das parabolische Modellproblem 1D, kann unter Verwendung von Aubin-Nitsche Trick, siehe Theorem??: Es existiert eine Konstante c >, sodass für alle w V H 2 (, 1) gilt (I R h )w(t) L 2 (,1) ch2 w(t) H 2 (,1). L 2 (, 1)-Projektion: Sei w L 2 (, 1), dann ist Q h w V h gesucht, sodass (Q h w, v h ) L 2 (,1) = (w, v h) L 2 (,1) für alle v h V h gilt. Somit gilt nach (2.8) die Beziehung u h () = Q h u und darauß folgt R h u u h () L 2 (,1) = R hu Q h u L 2 (,1) u R h u L 2 (,1) + u Q h u L 2 (,1) ch 2 u H 2 (,1) 11
12 eine Fehlerabschätzung gezeigt werden. Theorem Sei u C 1 ([, T ], H 2 (, 1)) die Lösung des parabolischen Modellproblems und u h C 1 ([, T ], V h ) die entsprechende Näherungslösung, dann gilt für t [, T ] die Fehlerabschätzung [ t ] u(t) u h (t) L 2 (,1) ch2 u(t) H 2 (,1) + u H 2 (,1) + u (s) H 2 (,1) ds. Beweis. Folgt mit Theorem 2.23 unter Verwendung der obigen Ergebnisse. Bemerkung Nach Theorem 2.24 ergibt sich für das parabolische Modellproblem bezüglich der L 2 (, 1)-Norm die gleich Konvergenzrate wie im elliptischen Fall. 2.3 Explizite Runge-Kutta Verfahren für allgemeine gewöhnliche Differentialgleichungen erster Ordnung In diesem Abschnitt betrachten wir die gewöhnlich Differentialgleichung erster Ordnung: Gesucht ist u C 1 ([, T ], R n ), sodass u (t) = f(t, u(t)) für alle t (, T ), u() = u. (2.12) Dabei ist u R n und f C([, T ] R n, R n ). Sei (, ) : R n R n R ein inneres Produkt auf R n mit der induzierten Norm. Weiters sei die Lipschitz-Bedingung f(t, u) f(t, v) L u v für alle u, v R n und alle t [, T ] erfüllt, siehe auch Theorem Das Euler-Verfahren Wir betrachten die Zerlegung des Intervalls [, T ] = t < t 1 <... < t m = T mit den Knoten/Zeitpunkten I τ := {t, t 1,..., t m } und den Zeitschrittweiten τ k := t k+1 t k, k =, 1,..., m 1, τ := max k=,...,m 1 τ k. Für äquidistante Zerlegungen gilt t k = kτ, mit τ = T. Zur Herleitung des Eulerm Verfahrens integrieren wir die Gleichung u (t) = f(t, u(t)) über das Intervall (t, t + τ) und erhalten u(t + τ) = u(t) + t+τ Dies motiviert nun die folgende Vorschrift: u R n gegeben t f(s, u(s))ds u(t) + τf(t, u(t)). u k+1 = u k + τ k f(t k, u k ) für k =, 1,..., m 1. Die Methode (2.13) wird explizites Euler-Verfahren genannt. (2.13) 12
13 2.3.2 Eine Verallgemeinerung: Einschrittverfahren Definition Ein Schema zur Zeitdiskretisierung der Form u R n gegeben u k+1 = u k + τ k φ(t k, u k, τ k ) für k =, 1,..., m 1 (2.14) mit der Verfahrensfunktion φ : [, T ] R n [, τ] R n wird als Einschrittverfahren bezeichnet. Beispiele sind: Das Eulerverfahren: φ(t, u, τ) = f(t, u). Das verbesserte Eulerverfahren/Mittelpunktsregel: φ(t, u, τ) = f(t + τ 2, u + τ 2 f(t, u)) f(t + τ 2, u(t + τ 2 )) Konvergenzanalyse für Einschrittverfahren Die Iterationsvorschrift (2.14) liefert für gegebene Gitterpunkte I τ = {t, t 1,..., t m } eine Näherung aus der Menge aller Gitterfunktionen X τ := {v τ : I τ R n }. Definition 2.27 (Globaler Fehler, Konvergenz). Sei u C 1 ([, T ], R n ) die exakte Lösung von (2.12). Weiters sei u τ X τ die Gitterfunktion, die durch das Einschrittverfahren (2.14) für eine gegebene Verfahrensfunktion φ erzeugt wird. Wir definieren dann den globalen Fehler als e τ : I τ R n, t k e k := u(t k ) u k. Wir messen den globalen Fehler e τ X τ bezüglich einer gegebene Norm auf R n mit e τ Xτ := max k=,...,m e k. Weiters bezeichnen wir das Einschrittverfahren (2.14) als konvergent bezüglich der Norm Xτ, falls e τ Xτ für τ. Das Einschrittverfahren (2.14) konvergiert mit der Ordnung p N, falls e τ Xτ = O(τ) für τ. Definition 2.28 (Lokaler Fehler). Sei u C 1 ([, T ], R n ) die exakte Lösung von (2.12). Dann ist für das Einschrittverfahren (2.14) der lokale Fehler d τ X τ gegeben durch d :=, d k+1 := u(t k+1 ) [u(t k ) + τ k φ(t k, u(t k ), τ k )] für k =, 1,..., m 1. 13
14 Definition 2.29 (Konsistenzfehler). Für das Einschrittverfahren (2.14) und einer gegebenen Gitterfunktion v τ X τ definieren wir ψ τ (v τ ) X τ als ψ (v τ ) := v u, ψ k+1 (v τ ) := 1 τ k [ vk+1 v k ] φ(tk, v k, τ k ) für k =, 1,..., m 1. die Gitter- Sei u C 1 ([, T ], R n ) wiederum die exakte Lösung von (2.12) und ũ τ X τ funktion mit ũ k = u(t k ), k =,..., m, dann bezeichnen wir als den Konsistenzfehler. ψ τ (ũ τ ) X τ Bemerkung 2.3. Für den Konsistenzfehler gilt u(t k+1 ) = u(t k ) + τ k [φ(t k, u(t k ), τ k ) + ψ k+1 (ũ τ )], für k =, 1,..., m 1. Das heißt, die exakte Lösung im Punkt t k+1 kann geschrieben werden durch die Anwendung einer Iteration des Einschrittverfahrens (2.14), wobei die Verfahrensfunktion φ durch den Konsistenzfehler ψ k+1 (ũ τ ) korrigiert werden muss. Weiters gilt der Zusammenhang mit dem lokalen Fehler d τ X τ ψ k+1 (ũ τ ) = 1 τ k d k+1 für k =, 1,..., m 1. Die Konvergenzuntersuchung basiert auf den zwei Schritten Konsistenzanalyse: Die Abschätzung des Konsistenzfehlers ψ k+1 (ũ τ ) X τ. Stabilitätsanalyse: Die Analyse wie Störungen propergiert werden. Für die Konsistenzanalyse betrachten wir eine weitere Norm Yτ auf X τ, die wir später genauer fixieren werden. Definition 2.31 (Konsistenz). Sei u C 1 ([, T ], R n ) die exakte Lösung von (2.12) und ũ τ X τ die Gitterfunktion mit ũ k = u(t k ), k =,..., m. Ein Einschrittverfahren (2.14) heißt konsistent bezüglich Yτ, falls für den Konsistenzfehler ψ τ (ũ τ ) X τ gilt, dass ψ τ (ũ τ ) für τ. Yτ Wir sprechen weiters von der Konsistenzordnung p N, falls eine Konstante K > existiert mit ψτ (ũ τ ) Kτ p. Yτ Definition 2.32 (Stabilität). Sei u τ X τ die Gitterfunktion die von dem Einschrittverfahren (2.14) erzeugt wird. Das Einschrittverfahren (2.14) heißt stabil bezüglich Xτ und Yτ, falls eine Konstante c S > existiert, sodass ψτ u τ v τ Xτ c S (v τ ) für alle v τ X τ. Yτ 14
15 Lemma Ein konsistentes und stabiles Einschrittverfahren (2.14) mit der Konsistenzordnung p N ist konvergent bezüglich Xτ mit der Konvergenzordnung p. Beweis. Sei u C 1 ([, T ], R n ) die exakte Lösung von (2.12) und ũ τ X τ die Gitterfunktion mit ũ k = u(t k ), k =,..., m. Dann gilt e τ Xτ = u τ ũ τ Xτ c S ψ τ (ũ τ ) Yτ c S Kτ p. Somit gilt e τ Xτ für τ mit der Konvergenzordnung p. Das heißt Konsistenz und Stabilität impliziert Konvergenz. Die Konsistenz eines Verfahrens, lässt sich meistens über eine Taylorreihenentwicklung zeigen. Um die Stabilität zeigen zu können, ist folgendes Theorem hilfreich. Theorem Für die Verfahrensfunktion φ des Einschrittverfahrens (2.14) gelte die Lipschitz-Bedingung φ(t k, u, τ k ) φ(t k, v, τ k ) Λ u v (2.15) für alle u, v R n, alle t k [, T ] und alle τ k [, τ] mit einer Konstante Λ >, dann ist das Einschrittverfahren (2.14) stabil bezüglich der Norm m v τ Yτ := v + τ k 1 v k, k=1 für alle v τ X τ mit der Stabilitätskonstante c S = e T Λ. Im Speziellen gilt somit e τ Xτ e T Λ ψτ (ũ τ ). Yτ Beweis. Induktiv, siehe zum Beispiel [Zulehner]. Für das explizite Euler-Verfahren wollen wir nun die Konsistenz und die Stabilität überprüfen. Für die Stabilität überprüfen wir die Lipschitz-Bedingung der Verfahrensfunktion φ(t k, u, τ k ) = f(t k, u), also φ(tk, u, τ k ) φ(t k, v, τ k ) = f(tk, u) f(t k, v) L u v. Somit ist nach Theorem 2.34 die Stabilitätskonstante gegeben durch c S = e T L. Weiters gilt für den Konsistenzfehler die Abschätzung ψ τ (ũ τ ) = ψ Yτ (ũ τ ) + m 1 k= ψk+1 τ k (ũ τ ) τ m 1 Für u C 2 ([, T ], R n ) gilt mit Hilfe der Taylor-Entwicklung, dass k= ψ k+1 (ũ τ ). ψ k+1 (ũ τ ) = 1 τ k [u(t k+1 ) u(t k )] φ(t k, u(t k ), τ k ) = 1 τ k [u(t k+1 ) u(t k )] f(t k, u(t k )) 15
16 = 1 [u(t k+1 ) u(t k )] u (t k ) τ k = 1 tk+1 ] [u(t k ) + u (t k )τ k + (t k+1 t)u (t)dt u(t k ) u (t k ) τ k t k = 1 tk+1 (t k+1 t)u (t)dt. τ k Dies ergibt die Abschätzung t k ψ k+1 (ũ τ ) Somit gilt die Konsistenzabschätzung tk+1 t k u (t) dt. ψ τ (ũ τ ) Yτ τ m 1 k= ψ k+1 (ũ τ ) τ m 1 k= tk+1 t k u (t) dt = τ T u (t) dt mit der Konsistenzordnung p = 1. Für den Fehler des Euler-Verfahrens gilt somit nach Lemma 2.33 die Abschätzung T max u(t k) u k τe T L u (t) dt. k=,...,m Explizite s-stufige Runge-Kutta Verfahren Ziel ist es nun Verfahren mit möglichst hoher Konsistenzordnung p N zu konstruieren. Die Idee besteht darin das Integral mit s N Integrationspunkten zu approximieren, also t+τ s f(σ, u(σ))dσ τ b i f(t + c i τ, u(t + c i τ)). t i=1 Dabei sind b i, i = 1,..., s gegebene Gewichte mit b i [, 1] und s b i = 1. i=1 Weiters bezeichnen wir c i, i = 1,..., s als Koeffizienten, wobei c 1 = und c i (, 1] für i = 2,..., s gilt. Da die Funktionen u(t + c i τ) R n für i = 2,..., s unbekannt sind, führen wir für i = 2,..., s die weitere Approximationen u(t + c i τ) = u(t) + t+ci τ t i 1 f(σ, u(σ))dσ u(t) + τ a ij f(t + c j τ, u(t + c j τ)) j=1 16
17 ein. Dabei sind a ij, j = 1,..., i 1 für i = 2,..., s wiederum gegebene Gewichte. Diese Approximationen führen auf folgendes Schema: Für eine gegebene Näherung u k R n im Punkt t k berechne die nächste Näherung u k+1 R n im Punkt t k+1 als g 1 = u k, g 2 = u k + τ k a 21 f(t k + c 1 τ, g 1 ), ] g 3 = u k + τ k [a 31 f(t k + c 1 τ, g 1 ) + a 32 f(t k + c 2 τ k, g 2 ),. ] g s = u k + τ k [a s1 f(t k + c 1 τ, g 1 ) a s,s 1 f(t k + c s 1 τ k, g s 1 ), s u k+1 = u k + τ k b i f(t + c i τ k, g i ). i=1 (2.16) Das Schema (2.16) wird als s-stufiges Runge-Kutta Verfahren bezeichnet. Dabei können je nach Wahl von a ij, b i und c i für j = 1,..., i 1 und i = 1,..., s die verschiedensten Verfahren konstruiert werden. Diese werden oft im sogenannten Butcher-Tableau zusammengefasst c 2 a 21 c 3 a 31 a bzw. c A b c s a s1 a s2 a s,s 1 b 1 b 2 b s 1 b s Beispiel ) Explizites Euelr-Verfahren: 1 2.) Verbessertes Euler-Verfahren: ) Klassisches 4-stufiges Runge-Kutta Verfahren mit Konsistenzordnung p = 4 17
18 Bemerkung Die Stabilitätsanalyse von s-stufigen Runge-Kutta Verfahren verläuft wiederum über Theorem 2.34, indem man ausgehend von der Lipschitz-Stetigkeit von f : [, T ] R n R n die Lipschitz-Stetigkeit der Verfahrensfunktion φ : [, T ] R n [, τ] R n zeigt. Die Konsistenzanalyse erfolgt wiederum über Taylorreihenentwicklung. Bemerkung Nicht jedes s-stufige Runge-Kutta Verfahren hat die Konsistenzordnung p = s. Dabei gilt folgendes: Stufe s s 1 max. Konsistenzordnung p p s Steife Differentialgleichungen Für das parabolische Modellproblem erhalten wir nach der Anwendung der Finiten Elemente Methode das System von gewöhnlichen Differentialgleichungen erster Ordnung [ ] u h(t) = f h (t, u h (t)) := M 1 h f h (t) K h u h (t) für t (, T ), u h () = M 1 h g h. Dabei geht für Einschrittverfahren die Lipschitz-Konstante L der Funktion f h : [, T ] R n R n in die Fehlerabschätzung ein. Für unser parabolisches Modellproblem 1D gilt dabei folgendes f h (t, u h ) f h (t, v h ) Mh L h u h v h Mh mit der Lipschitzkonstante L h = λ max (M 1 h K h) 12 h 2. Lemma Für das parabolische Modellproblem 1D gilt für eine gleichmäßige Zerlegung des Intervalls (, 1) mit der Maschenweite h > die Abschätzung 3 h 2 λ max(m 1 h K h) 12 h 2. 18
19 Beweis. Übung. Somit ergibt sich für das explizite Euler-Verfahren die Stabilitätskonstante c S = e 12T h 2. Weiter folgt dann für den Fehler die Abschätzung T max u 12T h 2 h(t k ) u k τe u h(t) dt. k=,...,m Das heißt, die Zeitschrittweite τ muss nach dieser Abschätzung extrem klein gewählt werden (τ = e O(h 2) )), um vernünftige Näherungslösungen zu erhalten. Es stellt sich nun die Frage, ob wir diese Abschätzung verbessern können? Beziehungsweise, ob wir die Stabilitätskonstante c S besser abschätzen können? Dissipative Systeme Lemma Für die gewöhnliche Differentialgleichung u (t) = f(t, u(t)) für t (, T ), u() = u (2.17) gelte die einseitige Lipschitz-Bedingung ( f(t, u) f(t, v), u v ) ν u v 2 für alle u, v R n und alle t [, T ]. (2.18) Weiters seien u, w C 1 ([, T ], R n ) die zwei Lösungen von (2.17) bezüglich den zwei Anfangswerten u, w R n. Dann gilt u(t) w(t) e tν u w für alle t [, T ]. Beweis. Es seien u, w R n. Unter Verwendung der Identität u(t) w(t) d dt u(t) w(t) = (u (t) w (t), u(t) w(t)) = ( f(t, u(t)) f(t, w(t)), u(t) w(t) ) ν u(t) w(t) 2, siehe dazu auch den Beweis von Lemma 2.22, folgt d u(t) w(t) ν u(t) w(t) für fast alle t [, T ]. dt Dies impliziert e tν [ d dt u(t) w(t) ν u(t) w(t) ] = d dt [ e tν u(t) w(t) ] 19
20 für fast alle t [, T ]. Integration dieser Ungleichung über (, t) mit t [, T ] ergibt die Behauptung des Lemmas e tν u(t) w(t) e ν u() w() = e tν u(t) w(t) u w. Es ist einfach zu sehen, dass die Lipschitz-Bedinung f(t, u) f(t, v) L u v für alle u, v R n und alle t [, T ] die einseitige Lipschitz-Bedingung (2.18) mit ν = L impliziert. Jedoch gibt es eine große Klasse von gewöhnlichen Differentialgleichungen mit der Eigenschaft ν L. Diese Klasse von gewöhnlichen Differentialgleichungen werden als steif bezeichnet. Definition 2.4 (Dissipative). Die gewöhnliche Differentialgleichung (2.17) wird als dissipativ bezeichnet, falls die einseitige Lipschitz-Bedingung (2.18) mit ν = erfüllt ist. Für dissipative Differentialgleichungen gilt nach Lemma 2.39 für zwei unterschiedliche Startwerte u, w R n, dass u(t) w(t) u w für alle t [, T ]. Das heißt die unterschiedlichen Lösungen driften nicht auseinander. Lemma Das Anfangswertproblem (2.1) ist dissipativ bezüglich dem von der Massematrix M h R n h n h induziertem Skalaprodukt. Beweis. Die rechte Seite von (2.1) ist gegeben durch ] f h (t, u h ) = M 1 h [f h (t) K h u h für t [, T ] und u h R n h. Somit gilt (f h (t, u h ) f h (t, v h ), u h v h ) M h = (K h (u h v h ), u h v h ) l 2 = a(u h v h, u h v h ). 2
21 2.4.2 Kontraktion und A-Stabilität Für dissipative Differentialgleichungen wünschen wir uns nun, dass die aus den Einschrittverfahren resultierenden Approximationen ähnliche Eigenschaften aufweisen Definition 2.42 (Kontraktiv). Ein Einschrittverfahren (2.14) heißt kontraktiv für eine gegebene Zerlegung I τ = {t, t 1,..., t m } falls [ u + τ k φ(t k, u, τ k ) ] [ w + τ k φ(t k, w, τ k ) ] u w (2.19) für alle u, w R n und alle k =,..., m 1 gilt. Lemma Ein kontraktives Einschrittverfahren (2.14) ist stabil mit der Stabilitätskonstante c S = 1. Beweis. Durch rekursive Anwendung der Kontraktionseigenschaft (2.19). Falls nun ein konsistentes Verfahren für eine Folge von Zerlegungen I τ für τ kontraktiv ist, dann ist dieses Verfahren konvergent und die auftretenden Konstanten hängen nur mehr von der Konsistenzkonstante K ab. Es stellt sich nun die Frage, wann ein Verfahren kontraktiv ist? Wir wollen dies für das Anfangswertproblem: Gesucht ist u C 1 ([, T ], R n ), sodass u (t) = Ju(t) + f(t) für t (, T ), u() = u (2.2) erfüllt ist, untersuchen. Dabei ist J = XDX R n n eine konstante und normale Matrix. Das Problem (2.2) ist offensichtlich äquivalent zu: Gesucht ist û C 1 ([, T ], C n ), sodass û (t) = Dû(t) + X f(t) für t (, T ), û() = X u (2.21) erfüllt ist. Da D = diag(λ 1,..., λ n ) C n n eine Diagonalmatrix ist, sind die Gleichungen in (2.21) entkoppelt. Es genügt also die Kontraktion unserer Einschrittverfahren für die Dahlquistsche Testgleichung: Gesucht ist u C 1 ([, T ], C), sodass u (t) = λu(t) für t (, T ), u() = u C (2.22) zu untersuchen. Das System (2.2) ist genau dann dissipativ wenn gilt (Ju Jv, u v) für alle u, v R n (Jv, v) für alle v R n Re(λ i (J)) für alle i = 1,..., n. Das heißt zu untersuchen ist die Kontraktion unserer Einschrittverfahren für die Dahlquistsche Testgleichung (2.22) für den Fall Re(λ). Wir wenden also nun ein belibieges s-stufiges Runge-Kutta Verfahren auf die skalare Gleichung (2.22) an und erhalten i 1 g i = u k + τ k a ij λg j für i = 1,..., s, j=1 21
22 Dies ist gleichbedeutent mit u k+1 = u k + τ k s b i λg i. i=1 g = u k e + τ k λag und u k+1 = u k + τ k λb g, wobei g := {g 1,..., g s } C s und e := {1,..., 1} R s. Somit kann die neue Näherung berechnet werden als u k+1 = R(τ k λ)u k, mit R(z) := 1 + zb [I za] 1 e, für z C. Die motiviert nun folgende Definition. Definition 2.44 (A-Stabilitätsfunktion, A-Stabilitätsgebiet). Für ein s-stufiges Runge- Kutta Verfahren mit A R s s und b, c R s wird die Funktion R : C C, z 1 + zb [I za] 1 e als A-Stabilitätsfunktion bezeichnet. Weiters definieren wir für ein Einschrittverfahren das A-Stabilitätsgebiet als S := {z C : R(z) 1}. Theorem Ein s-stufiges Runge-Kutta Verfahren mit der Stabilitätsfunktion R : C C ist genau dann kontraktiv für das dissipative Problem (2.2), also Re(λ i (J)) für alle i = 1,..., n, wenn gilt. R(τ k λ) 1 für alle λ σ(j) und alle k =,..., m 1 Beweis. Sei t k I τ und u, v R n mit u v, dann gilt [ u + τ k φ(t k, u, τ k ) ] [ v + τ k φ(t k, v, τ k ) ] u v, R(τ k λ)u R(τ k λ)v u v für alle λ σ(j), R(τ k λ) u v u v für alle λ σ(j), R(τ k λ) 1 für alle λ σ(j). Definition 2.46 (A-stabil). Ein Einschrittverfahren heißt A-stabil, falls das A-Stabilitätsgebiet die ganze linke komplexe Halbebene C beinhaltet, also R(z) 1 für alle z C mit Re(z). 22
23 Falls nun ein Einschrittverfahren A-stabil ist, dann ist die Kontraktion und somit nach Lemma 2.43 die Stabilität mit der Konstante c S = 1 für dissipative Systeme der Form (2.2) sichergestellt. Beispiel Die Anwendung des expliziten Euler-Verfahrens auf die Dahlquistsche Testgleichung (2.22) ergibt u k+1 = u k + τ k λu k = (1 + τ k λ)u k = R(τ k λ)u k, mit R(z) := 1 + z. Das A-Stabilitätsgebiet ist somit gegeben durch S = {z C : 1 + z 1}. Um nun die Kontraktion des Euler-Verfahrens für das parabolische Modellproblem 1D, also für das System (2.1) sicher zu stellen, muss gelten, dass 1 + τ k λ 1 für alle λ σ( M 1 h K h) τ k 2 λ für alle λ σ( M 1 h K h). Da λ max (M 1 h K h) 12h 2 gilt, ist durch die Forderung an die Schrittweiten τ k 2 12h 2 = 1 6 h2 für alle k =,..., m 1 eine hinreichende Bedinung gegeben, die die Kontraktion und somit die Stabilität gewährleistet. Das heißt, es werden sehr kleine Zeitrschrittweiten τ = O(h 2 ) im Vergleich zu den Maschenweiten h benötigt um noch vernünftige Näherungslösungen zu erhalten. Bemerkung Die Stabilitätsfunktion eines beliebigen expliziten s-stufigen Runge- Kutta Verfahrens, also R(z) = 1 + zb [I za] 1 e ist ein Polynom vom Grad kleiner gleich s. Somit folgt, dass kein expliziten s-stufiges Runge-Kutta Verfahren A-stabil, da Polynome unbeschränkt sind für z. 2.5 Implizite Runge-Kutta Verfahren Ziel ist es nun A-stabile Verfahren zu konstruieren. Dazu approximatieren wir das Integral vorerst mit Hilfe der rechten Rechtecksregel und erhalten u(t + τ) = u(t) + t+τ t f(s, u(s))ds u(t) + τf(t + τ, u(t + τ)). Dies motiviert dann die Vorschrift: : u R n gegeben u k+1 = u k + τ k f(t k+1, u k+1 ) für k =, 1,..., m 1. (2.23) 23
24 Das Verfahren (2.23) wird als implizites Euler-Verfahren bezeichnet. Dabei ist die Näherung u k+1 R n implizit gegeben, das heißt in jedem Schritt muss nach u k+1 aufgelöst werden. Ein weiteres implizites Verfahren ist zum Beispiel gegben durch die implizite Mittelpunktsregel: Sei u R n gegeben, dann berechne für k =, 1,..., m 1 g 1 = u k + τ k 2 f(t k + τ k 2, g 1 ), u k+1 = u k + τ k f(t k + τ k 2, g 1). Allgemeine s-stufige implizite Runge-Kutta Verfahren sind gegeben durch die Vorschrift: Für eine gegebene Näherung u k R n im Punkt t k berechne die neue Näherung u k+1 R n im Punkt t k+1 als g i = u k + τ k u k+1 = u k + τ k s a ij f(t k + c j τ k, g j ) für i = 1,..., s, (2.24) j=1 s b i f(t k + c i τ k, g i ). (2.25) i=1 Dabei ist (2.24) im Allgemeinen ein gekoppeltes System von s N Gleichungen, welches nach g := {g 1,..., g s } R s n aufgelöst werden muss, um die neue Näherung u k+1 R n berechnen zu können. Eine kompakte Schreibweise für die Gleichungen (2.24) (2.25) ist wiederum über das Butcher-Tableau gegeben: c 1 a 11 a 12 a 1s c 2 a 21 a 22 a 2s c s a s1 a s2 a s,s b 1 b 2 b s bzw. c A b Definition Ein s-stufige Runge-Kutta Verfahren mit A R s s und b, c R s heißt explizit, falls die Matrix A eine strikt untere Dreiecksmatrix ist. Anderenfalls bezeichnen wir dieses Schema als implizit. Beispiel ) Implizites Euler-Verfahren: ) Implizite Mittelpunktsregel: 3.) θ-methode mit θ [, 1] Für die θ-methode ergeben sich die Sonderfälle: 24
25 θ θ 1 θ θ θ = : explizite Euler-Verfahren. θ = 1: implizites Euler-Verfahren. θ = 1 2 : sogenannte implizite Trapezregel. Für das System (2.24) muss im jeden Schritt k =,..., m 1 die Lösbarkeit nach g = {g 1,..., g s } R s n gewährleistet sein. Dazu schreiben wir die Gleichungen (2.24) als Fixpunktgleichung g = G(g, t k, u k, τ k ). (2.26) Bemerkung Falls die Funktion f : [, T ] R n R n Lipschitz-stetig im zweiten Argument ist, dann lässt sich mit dem Banachschen-Fixpunktsatz zeigen, dass die Fixpunktgleichung (2.26) eindeutig nach g R s n aufgelöst werden kann, falls die Schrittweite τ k klein genug gewählt wird. Für dissipative Systeme lässt sich zeigen, dass die Fixpunktgleichung (2.26) für beliebige Schrittweiten τ k > immer nach g R s n aufgelöst werden kann. Falls die Fixpunktgleichung (2.26) bzw. das System (2.24) nun eindeutig Lösbar sind, können wir die Vectoren g i für i = 1,..., s bezüglich den gegebenen Daten t k R, u k R n und τ k berechnen und wir schreiben g i = γ i (t k, u k, τ k ) für i = 1,..., s. Somit ergibt sich die neue Näherung u k+1 R n als u k+1 = u k + τ k s b i f(t k + c i τ k, γ i (t k, u k, τ k )) i=1 =: u k + τ k φ(t k, u k, τ k ). Das heißt, alle s-stufigen Runge-Kutta Verfahren (implizit oder explizit) sind Einschrittverfahren der Form (2.14). Somit können alle gezeigten Aussagen für allgemeine Einschrittverfahren auf die impliziten s-stufigen Runge-Kutta Verfahren angewendet werden. 25
26 2.5.1 Konsistenz impliziter Runge-Kutta Verfahren Wie für die expliziten Verfahren lässt sich die Konsistenz von impliziten Verfahren über Taylorreihenentwicklungen zeigen. Dabei gilt folgendes: Implizetes Euler-Verfahren: Konsistenzordnung p = 1. Implizite Mittelpunktsregel: Konsistenzordnung p = 2. θ-methode: θ 1 : Konsistenzordnung p = 1. 2 θ = 1 : Konsistenzordnung p = 2. 2 Allgemein lässt sich mit einem implizitem s-stufigen Runge-Kutta Verfahren die maximale Konsistenzordnung p = 2s erreichen. Solche Verfahren heißen auch Runge-Kutta Verfahren vom Gauß-Typ A-Stabilität von Runge-Kutta Verfahren Für implizite Runge-Kutta Methoden lassen sich die Begriffe wie A-Stabilitätsfunktion, A-Stabilitätsgebiet und A-Stabilität anolog eingeführt werden. Dabei gilt wiederum R(z) = 1 + zb [I za] 1 e, mit e = {1,..., 1}. Dabei ist die Matrix I za R s s genau dann invertierbar, falls 1 z / σ(a). Weiters lässt sich zeigen, dass die A-Stabilitätsfunktion von s-stufigen Runge-Kutta Verfahren die Form R(z) = P (z) Q(z), wobei P, Q P s mit P () = Q() = 1 besitzt. Für explizite Runge-Kutta Verfahren gilt also Q(z) = 1. Wiederum ist das A-Stabilitätsgebiet gegeben durch S = {z C : R(z) 1}. Ein implizites Runge-Kutta Verfahren heißt A-stabil, falls C S gilt. Beispiel Für das implizite Euler-Verfahren gilt für f(t, u(t)) = λu(t) Dies impliziert u k+1 = u k+1 = u k + τ k λu k τ k λ u k = R(τ k λ)u k, mit R(z) = 1 1 z für z C. 26
27 Das Stabilitätsgebiet ist somit gegeben durch { } 1 S = z C : 1 z 1 = {z C : 1 1 z }. Es gilt also C gezeigt wurde. S, wodurch die A-Stabilität des impliziten Euler-Verfahrens Analog ergibt sich für die implizite Mittelpunktsregel die A-Stabilitätsfunktion R(z) = 1 + z 2 1 z. 2 Wodurch auch die A-Stabilität gewährleistet ist. Für die θ-methode gilt 1 + (1 θ)z R(z) =. 1 θz Somit ist die θ-method A-stabil für θ 1. 2 Aus der A-Stabilität folgt für dissipative Systeme der Form (2.2) die Kontraktion unabhängig von der Schrittweite τ k >, siehe Theorem Somit ist nach Lemma 2.43 die Stabilität mit der Stabilitätskonstante c S = 1 erfüllt. Ist ein Verfahren zusätzlich konsistent, so folgt nach Lemma 2.33 die Konvergenz Allgemeine dissipative Systeme Definition 2.53 (B-Stabilität). Ein Einschrittverfahren der Form (2.14) heißt B-stabil, falls für alle dissipativen Differentialgleichungen der Form die Kontraktivität erfüllt ist. u (t) = f(t, u(t)) für t (, T ), u() = u, Lemma Das implizite Euler-Verfahren ist B-stabil. Beweis. Für u, w R n seien u +, w + R n die Lösungen von u + = u + τ k φ(t k, u +, τ k ) = u + τ k f(t k, u + ), w + = w + τ k f(t k, w + ). Dann gilt u+ w+ 2 = ( ) u + w +, u + w + = ( ) ( ) u w, u + w + + τk f(tk, u + ) f(t k, w + ), u + w + ( u w, u + w + ) u w u+ w +. Und somit folgt die Kontraktivität u+ w + u w. 27
28 2.6 Voll-diskretisierte parabolische Differentialgleichungen Die Semi-Diskretisierung des parabolischen Modellproblems 1D führt auf das System von gewöhnlichen Differentialgleichungen: Gesucht ist u h C 1 ([, T ], R n ), sodass u h(t) = M 1 h [f h(t) K h u h (t)] für t (, T ), u h () = M 1 h g h (2.27) erfüllt ist. Die Anwendung des impliziten Euler-Verfahrens auf die gewöhnliche Differentialgleichung (2.27) führt auf das Schema u h,k+1 = M 1 h g h, u h,k+1 = u h,k + τ k M 1 h [ fh (t k+1 ) K h u h,k+1 ] für k =,..., m 1. Somit muss in jedem Schritt ein lineares Gleichungssystem gelöst werden, im Speziellen [M h + τ k K h ] u h,k+1 = M h u h,k + τ k f h (t k+1 ) für k =,..., m 1. Dabei kann das Gleichungssystem mit den in Kapitel?? vorgestellten Methoden gelöst werden. Aus den berechneten Näherungslösungen u h,k, k =,..., m für das System (2.27) ergeben sich mit n h u h,k (x) = u h,k [j]ϕ j (x) j=1 Näherungen für die Gitterpunkte t k I τ. Es stellt sich nun die Frage, wie gut diese Näherungen sind, also wir wollen den Fehler u(t k ) u h,k für t k I τ geeignet abschätzen. Sei u h C 2 ([, T ], R n ) die Lösung von (2.27) mit der entsprechenden Funktion u h C 2 ([, T ], V h ). Dann gilt u(t k ) u h,k L 2 (,1) u(t k) u h (t k ) L 2 (,1) + u h(t k ) u h,k L 2 (,1). Der erste Term ist der Fehler der Semi-Diskretisierung, der mit Hilfe von Theorem 2.24 unter gewissen Regularitätsannahmen abgeschätzt werden kann durch u(t k ) u h,k L 2 (,1) ch2 [ u(t k ) H 2 (,1) + u H 2 (,1) + tk Für das impliziten Euler Verfahren gilt die Konsistenzabschätzung ψ τ (u τ ) τ T u (t) dt u (s) H 2 (,1) ds ]. und somit folgt wegen der A-Stabilität, für den zweiten Term die Abschätzung u h (t k ) u h,k L 2 (,1) = uh (t k ) u h,k Mh 28
29 T T τ u h(t) Mh dt = τ u h(t) L 2 (,1) dt. Insgesamt gilt für t k I τ unter geeigneten Regularitätsannahmen die Abschätzung [ tk ] u(t k ) u h,k L 2 (,1) ch2 u(t k ) H 2 (,1) + u H 2 (,1) + u (s) H 2 (,1) ds + τ T u h(t) L 2 (,1) dt. Bemerkung In der obigen Abschätzung ist noch die Funktion u h C 2 ([, T ], V h ) enthalten. Dieser Ausdruck lässt sich noch weiter abschätzen, sodass sich der Fehler insgesamt wie u(t k ) u h,k L 2 (,1) = O(h2 + τ) verhält. 29
4 Runge-Kutta-Verfahren
Numerik gewöhnlicher Differentialgleichungen 43 4 Runge-Kutta-Verfahren 4. Konstruktion Ausgangspunkt wie immer (Substitution: s = t + τh, 0 τ ) y(t + h) = y(t) + [y(t + h) y(t)] = y(t) + = y(t) + h 0
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrSemidiskretisierung der PDA-Systeme
Kapitel 4 Semidisretisierung der PDA-Systeme Eine Möglicheit zur numerischen Behandlung von Anfangsrandwertproblemen partieller Differentialgleichungen ist die Linienmethode method of lines, MOL, vgl.
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
Mehr2.4 Adaptive Verfahren mit Schrittweitensteuerung
0 0 0 Euler und RK4 fuer f(t,y) = t 0. Euler RK4 /N 0 0 f(t,y) =. t 0., graduiertes Gitter RK4 /N 4 Fehler bei T = 0 3 0 4 0 5 Fehler bei T = 0 5 0 0 0 6 0 7 0 0 0 0 2 0 3 0 4 0 5 Anzahl Schritte N 0 5
MehrEine divergenzfreie Rekonstruktion für eine nicht-konforme Diskretisierung der inkompressiblen Stokes-Gleichungen
Eine divergenzfreie Rekonstruktion für eine nicht-konforme Diskretisierung der inkompressiblen Stokes-Gleichungen von Christian Brennecke Bachelorarbeit in Mathematik vorgelegt der Fakultät für Mathematik
MehrStabilisierung durch lokale Projektion für inkompressible Strömungsprobleme
Stabilisierung durch lokale Projektion für inkompressible Strömungsprobleme Diplomarbeit vorgelegt von Johannes Löwe aus Göttingen angefertigt im Institut für Numerische und Angewandte Mathematik der Georg-August-Universität
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrInduktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010
Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver
MehrDie Methode der Finiten Elemente
KAPITEL 2 Die Methode der Finiten Elemente 1. Theoretische Grundlagen Wir bezeichnen im Folgenden mit H m (Ω) L 2 (Ω), Ω R n offen, den Sobolevraum aller Funktionen mit schwachen Ableitungen α u in L 2
MehrGalerkin-Diskretisierung von Eigenwertproblemen für partielle Differentialgleichungen
Galerkin-Diskretisierung von Eigenwertproblemen für partielle Differentialgleichungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science an der Technischen Universität Berlin Verfasser:
MehrAnalytische Methoden und die Black-Scholes Modelle
Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik 20.01.2011 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4 Problem
MehrFB IV Mathematik Universität Trier. Präsentation von Nadja Wecker
FB IV Mathematik Universität Trier Präsentation von Nadja Wecker 1) Einführung Beispiele 2) Mathematische Darstellung 3) Numerischer Fluss für Diffusionsgleichung 4) Konvergenz 5) CFL-Bedingung 6) Zusammenfassung
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrFEM in 1D. Kapitel 1. 1.1 Variationsformulierung. Um die die FEM (Finite Element Method) einzuführen, betrachten wir das Modellproblem
apitel 1 FEM in 1D Um die die FEM (Finite Element Method) einzuführen, betrachten wir das Modellproblem 1.1 Variationsformulierung u = f auf := (0, 1) (1.1a) u(0) = u(1) = 0 (1.1b) Eine klassische Lösung
MehrVergleich verschiedener Finite-Elemente-Approximationen zur numerischen Lösung der Plattengleichung
Fakultät für Mathematik und Informatik Ruprecht-Karls-Universität Heidelberg Diplomarbeit Vergleich verschiedener Finite-Elemente-Approximationen zur numerischen Lösung der Plattengleichung Bärbel Janssen
MehrSkalare Differentialgleichungen
Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrHilbertraum-Methoden
Skript zur Vorlesung Hilbertraum-Methoden SS 2013 Peter Junghanns Hinweis: Das vorliegende Skript stellt nur ein Gerüst zu den Inhalten der Vorlesung dar. Die Vorlesung selbst bietet weiterführende Erläuterungen,
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrSimulation elektrischer Schaltungen
Simulation elektrischer Schaltungen mittels Modizierter Knotenanalyse Teilnehmer: Artur Stephan Andreas Dietrich Thomas Schoppe Maximilian Gruber Jacob Zschuppe Sven Wittig Gruppenleiter: René Lamour Heinrich-Hertz-Oberschule,
MehrGNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor
GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen
MehrKapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrMathematische Grundlagen
Kapitel 2 Mathematische Grundlagen In diesem Kapitel werden für die nachfolgenden Untersuchungen wesentliche Grundlagen bereitgestellt. 2.1 Differentiell-algebraische Gleichungssysteme 2.1.1 Einführung
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrEinführung. Vita Rutka. Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009
Einführung Vita Rutka Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009 Was ist FEM? Die Finite-Elemente-Methode (FEM) ist ein numerisches Verfahren zur näherungsweisen Lösung,
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrMathematische Ökologie
Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen
MehrGrundlagen der Variationsrechnung
Universität des Saarlandes Fachrichtung 6.1 Mathematik /home/lehrstuhl/ag-fuchs/olli/work/texstyles/eule-eps-conv Grundlagen der Variationsrechnung Eine anwendungsorientierte Einführung in die lineare
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrBerechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrReelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen
MehrStabilität mittels Ljapunov Funktion
Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrNumerische Behandlung einer linearen Reaktions-Diffusions-Gleichung mit einer Anwendung in der interzellulären Kommunikation bei Hefezellen
Numerische Behandlung einer linearen Reaktions-Diffusions-Gleichung mit einer Anwendung in der interzellulären Kommunikation bei Hefezellen Mathematisch Naturwissenschaftliche Fakultät II Institut für
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrKlausur Analysis II (SS 2005)
Klausur Analysis II (SS 5) Prof. Dr. J. Franke Abschlußklausur vom. Juli 5 Name, Vorname: Matrikelnummer: Gruppe, Tutor: Pseudonym: ir wünschen Ihnen viel Erfolg! Mit 5 Punkten oder mehr von 5 ist die
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrMathematik für Physiker III/Analysis III
Mathematik für Physiker III/Analysis III Ausarbeitung einer Vorlesung vom Wintersemester 26/7 Joachim Weidmann Fachbereich Informatik und Mathematik der Universität Frankfurt Stand 9. Februar 27 2 Teil
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
MehrMusterlösungen zu Prüfungsaufgaben über gewöhnliche Differentialgleichungen Prüfungsaufgabe a) Gegeben sei die lineare Differentialgleichung
Musterlösungen zu n über gewöhnliche Differentialgleichungen a) Gegeben sei die lineare Differentialgleichung y + - y = e - ln, > 0 Man gebe die allgemeine Lösung der homogenen Gleichung an Wie lautet
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrGewöhnliche Differentialgleichungen
Notizen zur Vorlesung Gewöhnliche Differentialgleichungen G Sweers Wintersemester 08/09 ii Inhaltsverzeichnis Einführung Modelle 2 Explizite Lösungen 4 2 Trennbar 5 22 Linear erster Ordnung 6 23 Homogen
Mehr2 Kapitel 1. Einleitung
1 1 Einleitung Zahlreiche Phänomene in den Natur- und Ingenieurswissenschaften werden durch Systeme partieller Differentialgleichungen und insbesondere hyperbolischer Erhaltungsgleichungen modelliert,
MehrÜbungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester
MehrAnalysis. mit dem Computer-Algebra-System des TI-92. Anhang 2: Gedanken zum Lehrplan. Beat Eicke und Edmund Holzherr 11.
ETH EIDGENÖSSISCHE TECHNISCHE HOCHSCHULE ZÜRICH Analysis mit dem Computer-Algebra-System des TI-92 Anhang 2: Gedanken zum Lehrplan Beat Eicke und Edmund Holzherr 11. November 1997 Eidgenössische Technische
MehrTechnische Universität Dortmund Fakultät für Mathematik Lehrstuhl für angewandte Mathematik und Numerik Prof. Dr. Stefan Turek Dr.
Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl für angewandte Mathematik und Numerik Prof. Dr. Stefan Turek Dr. Thomas Hübner Ausarbeitung zum WiMa-Praktikum WS 2013/14 Thema: Finite-Dierenzen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrSerie 13: Online Test
D-ERDW, D-HEST, D-USYS Mathematik I HS 3 Dr. Ana Cannas Serie 3: Online Test Einsendeschluss: 3. Januar 4 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung verwenden.
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrFrohe Weihnachten und ein gutes neues Jahr!
Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]
MehrStochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada
Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrModellierung, Simulation, Optimierung Diskretisierung 1
Modellierung, Simulation, Optimierung Diskretisierung Prof. Michael Resch Dr. Martin Bernreuther, Dr. Natalia Currle-Linde, Dr. Martin Hecht, Uwe Küster, Dr. Oliver Mangold, Melanie Mochmann, Christoph
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrMathematik I Internationales Wirtschaftsingenieurwesen
Mathematik I Internationales Wirtschaftsingenieurwesen Integralrechnung 03.12.08 Das unbestimmte Integral/Stammfunktion Das bestimmte Integral/Flächenberechnung Integral als Umkehrung der Ableitung Idee:
MehrNichtlineare hyperbolische Gleichungen.
Nichtlineare hyperbolische Gleichungen. 1 Hyperbolische Gleichungen 1.1 Einleitung In dieser Vorlesung geht es um hyperbolische Gleichungen. Es sind Evolutionsgleichungen. Das heißt, wir haben ein System
MehrMitschrift von Höhere Mathematik 4, Sommer 2013, Prof. Ulbrich
Mitschrift von Höhere Mathematik 4, Sommer 203, Prof. Ulbrich Benedict Simlinger, published by http://latex4ei.de/ July 6, 203 Inhaltsverzeichnis Gewöhnliche DGL 3. nichtlineare DGL erster Ordnung..................
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
MehrNumerik gewöhnlicher Differentialgleichungen
Kapitel 3 Numerik gewöhnlicher Differentialgleichungen 3 Inhalt dieses Kapitels ist die numerische Lösung eines Systems gewöhnlicher Differentialgleichungen y (x) = f(x, y(x)) (3.) bzw. ausgeschrieben
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrGeometrische Mannigfaltigkeiten
Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie
MehrMathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz
Mathematik für Bioinformatik und Systembiologie - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz WS 2009/10 Universität Freiburg Dieses Vorlesungsskript ist auf der Basis von Vorlesungen
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen
Mehr