6. Upphafsgildisverkefni

In the beginning there was nothing, which exploded. – Terry Pretchett

6.1. Inngangur

6.1.1. Fyrsta stigs afleiðujafna með upphafsgildi

Gefið fall \(f\) á einhverju svæði \(U\) í \(\mathbb{R}^2\) sem inniheldur \((t_0,x_0)\) þá er fyrsta stigs afleiðujafna með upphafsgildi verkefni á forminu

\[\begin{split}\begin{cases} x' = f(t,x),\\ x(t_0) = x_0. \end{cases}\end{split}\]

Við segjum að fall \(x(t)\) sé lausn á þessu verkefni ef \(x\) er skilgreint á bili \(I\), sem er þannig að

  • \(t_0 \in I\),
  • \((t,x(t)) \in U\) fyrir öll \(t \in I\),
  • \(x'(t) = f(t,x(t))\) fyrir öll \(t \in I\), og
  • \(x(t_0) = x_0\).

6.1.2. Útskýring og dæmi

Ástæðan fyrir því að við notum \(t\) fyrir breytuna og \(x\) fyrir fall hér, er að breytan \(t\) lýsir oft tíma og lausnin getur þá t.d. verið staðsetning sem fall af tíma.

Eðlilegt er að hugsa um afleiðujöfnuna þannig að fallið \(f\) geymi upplýsingar um þau lögmál sem kerfið að hagar sér eftir, upphafsskilyrðið \(x(t_0)=x_0\) segir í hvaða stöðu kerfið er þegar það er sett af stað og lausnin \(x(t)\) lýsir hegðun kerfisins með tíma.

Í upphafi námskeiðsins, dæmi 1.2, skoðuðum við dæmi um eldflaug sem skotið er á loft. Þar er notum við reyndar \(v\) í stað \(x\) því jafnan lýsir hraða (e. velocity) en ekki staðsetningu. Jafnan var

\[v' = \frac{5000-(300-10t)g-0,1v^2+10v}{300-10t}, \qquad v(0)=0.\]

Hér er því \(f(t,v) = \frac{5000-(300-10t)g-0,1v^2+10v}{300-10t}\), \(t_0=0\) og \(x_0 = 0\).

6.1.3. Tilvist og ótvíræðni lausna

\[\begin{split}\begin{cases} x' = f(t,x)\\ x(t_0) = x_0 \end{cases}\end{split}\]

Ef \(f\) er samfellt, þá er alltaf til lausn á einhverju bili \(I\). (Setning Peano)

Ef \(f\) uppfyllir Lipschitz-skilyrði með tilliti til \(x\), þ.e.a.s. til er fasti \(C\) þannig að

\[|f(t,x_1) - f(t,x_2)| \leq C|x_1 - x_2|\]

fyrir öll \((t,x_1)\) og \((t,x_2)\) í grennd um \((t_0, x_0)\) þá er lausnin ótvírætt ákvörðuð. (Setning Picard)

6.1.4. Upphafsgildisverkefni fyrir hneppi

Með því að nota vigra og vigurgild föll má útfæra upphafsgildisverkefni fyrir hneppi:

\[\begin{split}\begin{cases} {\mbox{${\bf x}$}}' ={\mbox{${\bf f}$}}(t,{\mbox{${\bf x}$}})\\ {\mbox{${\bf x}$}}(t_0) = {\mbox{${\bf x}$}}_0 \end{cases}\end{split}\]

þar sem

\[{\mbox{${\bf f}$}}: U \rightarrow {{\mathbb R}}^n, \qquad U\subset \mathbb{R}^{n+1}, \quad (t_0,{\mbox{${\bf x}$}}_0) \in U.\]

Athugið að við skrifum \({\mbox{${\bf x}$}}(t)\) og \({\mbox{${\bf f}$}}(t,{\mbox{${\bf x}$}})\) sem dálkvigra,

\[{\mbox{${\bf x}$}}(t) = [x_1(t), x_2(t), \ldots , x_n(t)]^T \quad \text{ og } \quad {\mbox{${\bf f}$}}(t,{\mbox{${\bf x}$}}) = [f_1(t,{\mbox{${\bf x}$}}), \ldots , f_n(t, {\mbox{${\bf x}$}})]^T\]

6.1.5. Jöfnur af stigi \(>1\) og jafngild hneppi

Aðferðirnar sem við munum skoða eru eingöngu fyrir fyrsta stigs afleiðujöfnur, sem þýðir að jöfnurnar sem við leysum innihalda bara \(x'\) en ekki \(x'',x''',\ldots\). Hins vegar þá getum við leyst afleiðujöfnur af hærra stigi með því að umrita þær yfir í jafngilt fyrsta stigs hneppi.

Ef við höfum \(m\)-stigs diffurjöfnu

\[\begin{split}\begin{aligned} u^{(m)} &= g(t,u, u',u'',\ldots , u^{(m-1)})\\ u(t_0) &= u_0, \quad u'(t_0) = u_1, \quad \ldots, \quad u^{m-1}(t_0) = u_{(m-1)}\end{aligned}\end{split}\]

þar sem \(g\) er gefið fall og \(t_, u_0, \ldots , u_{m-1}\) eru gefnar tölur þá er jafngilt hneppi er fengið með því að setja

\[\begin{split}\begin{aligned} x_1 =& u, \\ x_2 =& u', \\ x_3 =& u'', \\ \vdots& \\ x_m =& u^{(m-1)}\end{aligned}.\end{split}\]

Þá fæst hneppið

\[\begin{split}{\bf x}' = \begin{pmatrix} x_1' &= x_2 \\ x_2' &= x_3 \\ \vdots & \vdots\\ x_{m-1}' &= x_m \\ x_m' &= g(t,x_1, \ldots , x_m) \end{pmatrix} = {\bf f}(t,{\bf x})\end{split}\]

með upphafsskilyrðið \({\bf x}(t_0)^T = [u_0,u_1,u_2,\ldots,u_m]^T\).

Fyrsta hnitið í lausn hneppisins, \(x_1\), gefur þá lausn, \(u\) á upprunalegu \(m\)-ta stigs afleiðujöfnunni.

6.1.6. Tilvist og ótvíræðni lausna á hneppum

Tilvistar- og ótvíræðnisetningar Peanos og Picards eru þær sömu fyrir hneppi

\[\begin{split}\begin{cases} {\mbox{${\bf x}$}}' ={\mbox{${\bf f}$}}(t,{\mbox{${\bf x}$}})\\ {\mbox{${\bf x}$}}(t_0) = {\mbox{${\bf x}$}}_0 \end{cases}\end{split}\]

Við þurfum bara að setja norm \(\|\cdot\|\) í stað tölugildis \(|\cdot|\) í öllum ójöfnum og þar með talið í Lipschitz-skilyrðinu.

6.1.7. Ritháttur

Til einföldunar á rithætti skulum við skrifa lausnarvigurinn \({\mbox{${\bf x}$}}\) og vörpunina \({\mbox{${\bf f}$}}\) sem \(x\) og \(f\) og láta eins og við séum að leysa fyrsta stigs afleiðujöfnu.

Við veljum gildi \(t_0 < t_1 < \cdots < t_j<\cdots\) og reiknum út nálgunargildi \(w_j\) á gildi lausnarinnar \(x(t_j)\) í punktinum \(t_j\). Gildið \(w_0=x(t_0)\) er rétta upphafsgildi lausnarinnar

Talan \(t_j\) kallast \(j\)-ti tímapunkturinn og talan \(h_j=t_j-t_{j-1}\) nefnist \(j\)-ta tímaskrefið.

Skekkjan á tíma \(t_j\) er þá \(e_j = x(t_j)-w_j\).

6.1.8. Grunnhugmyndin í nálgunaraðferðum

Ef við heildum lausn afleiðujöfnunnar yfir tímabilið \([t,t+h]\), þá fáum við að hún uppfyllir jöfnuna

\[x(t+h)=x(t)+\int_t^{t+h}f(\tau,x(\tau))\, d\tau =x(t)+h\int_0^1f(t+sh,x(t+sh))\, ds.\]

Ef við setjum \(t=t_{j-1}\) inn í þessa jöfnu, þá fáum við

\[\dfrac{x(t_j)-x(t_{j-1})}{h_j}=\int_0^1f(t_{j-1}+sh_j,x(t_{j-1}+sh_j))\, ds\]

Nálgunaraðferðirnar snúast allar um að gera einhvers konar nálgun á heildinu í hægri hliðinni

\[\int_0^1f(t_{j-1}+sh_j,x(t_{j-1}+sh_j))\, ds \approx \varphi(f,t_0,\dots,t_j,w_0,\dots,w_j)\]

og leysa síðan \(w_j\) út úr jöfnunni

\[\dfrac{w_j-w_{j-1}}{h_j}=\varphi(f,t_0,\dots,t_j,w_0,\dots,w_j)\]

6.1.9. Beinar og óbeinar aðferðir

Nálgunaraðferð sem byggir á jöfnunni

\[\dfrac{w_j-w_{j-1}}{h_j}=\varphi(f,t_{0},\dots,t_j,w_{0},\dots,w_j)\]

er nefnist bein aðferð (e. explicit method) ef \(w_j\) kemur ekki fyrir í í hægri hliðinni.

Annars nefnist hún óbein aðferð eða fólgin aðferð (e. implicit method).

Ef aðferðin er bein og við höfum reiknað út \(w_0,\dots,w_{j-1}\), þá fáum við rakningarformúlu, þannig að \(w_j\approx x(t_j)\) er reiknað út

\[w_j=w_{j-1}+h_j\varphi(f,t_{0},\dots,t_j,w_{0},\dots,w_{j-1})\]

6.1.10. Eins skrefs aðferðir og fjölskrefaaðferðir

Nálgunaraðferð sem byggir á jöfnunni

\[\dfrac{w_j-w_{j-1}}{h_j}=\varphi(f,t_{j-1},t_j,w_{j-1},w_j)\]

er nefnist eins skrefs aðferð (e. one step method) og er þá vísað til þess að fallið í hægri hliðinni er einungis háð gildum á síðasta tímaskrefinu.

er af gerðinni

\[\dfrac{w_j-w_{j-1}}{h_j}=\varphi(f,t_{j-2},t_{j-1},t_j,w_{j-2},w_{j-1},w_j)\]

Almennt er \(k\) -skrefa aðferð af gerðinni

\[\dfrac{w_j-w_{j-1}}{h_j}=\varphi(f,t_{j-k},\dots,t_j,w_{j-k},\dots,w_j)\]

Fjölskrefaðferð er \(k\)-skrefa aðferð með \(k\geq 2\).

6.2. Aðferðir með fasta skrefastærð

6.2.1. Aðferð Eulers

Rifjum upp að lausnin uppfyllir

\[\begin{split}\begin{aligned} x(t+h) - x(t) &= \int\limits_t^{t+h} x'(\tau) \, d\tau = \int\limits_t^{t+h} f(\tau,x(\tau)) \, d\tau\\ &= h\int\limits_0^{1} f(t+sh,x(t+sh)) \, ds\end{aligned}\end{split}\]

Billengdin í síðasta heildinu er \(1\), svo við tökum einföldustu nálgum sem hugsast getur en það er gildið í vinstri endapunkti \(f(t,x(t))\). Fyrir lítil \(h\) fæst því

\[x(t+h) \approx x(t) + hf(t,x(t)).\]

Við þekkjum \(w_0=x(t_0)\), svo með þessu getum við fikrað okkur áfram og fengið runu nálgunargilda \(w_0, w_1, w_2, \ldots\) þannig að

\[w_j = w_{j-1} + h_{j} f(t_{j-1},w_{j-1}).\]

6.2.2. Aðferð Eulers: Matlab-forrit

function w = euler(f,t,alpha);
%   function w = euler(f,t,alpha)
% Aðferð Eulers fyrir afleiðujöfnuhneppi
%         x'(t)=f(t,x(t)), x(0)=alpha.
% Inn fara: f - fallið f
%           t - vigur með skiptingu á t-ás.
%           alpha - upphafsgildið í t(1).
% Út koma:  w - fylki með nálgunargildunum.

N = length(t);
m = length(alpha);
w = zeros(m,N);
w(:,1) = alpha;
for j=2:N
   w(:,j) = w(:,j-1)+(t(j)-t(j-1))*f(t(j-1),w(:,j-1));
end

6.2.3. Aðferð Eulers: Dæmi

Prófum aðferð Eulers á afleiðujöfnunni

\[x' = \frac tx, \qquad x(0) = 1\]

Við sjáum að rétt lausn er \(x(t) = \sqrt{t^2+ 1}\).

Notum 101 jafndreifð tímagildi á bilinu [0,5]. Þá er skekkjan

>> f = @(t,x) t./x;
>> t=linspace(0,5,101);
>> w=euler(f,t,1);
>> plot(t,sqrt(t.^2+1) - w)
>> title('Skekkja í aðferð Eulers'); xlabel('t'); ylabel('x-w');
_images/7euler.png

6.2.4. Endurbætt aðferð Eulers

Í aðferð Eulers nálguðum við heildið \(\int_0^1 f(t+sh,x(t+sh))\, ds\) með margfeldi af billengdinni og fallgildinu í vinstri endapunkti.

Við getum endurbætt þessa nálgun með því að taka einhverja nákvæmari tölulega nálgun á heildinu til dæmis miðpunktsaðferð

Nálgunarformúlan verður þá

\[\int_0^1f(t+sh,x(t+sh))\, ds \approx f(t+\tfrac 12h,x(t+\tfrac 12 h)).\]

Nú er vandamálið að við höfum nálgað \(x(t_{j-1})\) með \(w_{j-1}\) en höfum ekkert nálgunargildi á \(x(t_{j-1}+\frac 12 h_j)\).

Við grípum þá til fyrsta stigs Taylor nálgunar

\[\begin{split}\begin{aligned} x(t_j+\tfrac 12 h_j)&=x(t_{j-1})+x'(t_{j-1})\big(\tfrac 12 h_j \big) +\tfrac 12x''(\xi)\big(\tfrac 12 h_j \big)^2\\ &\approx w_{j-1}+\tfrac 12 h_jf(t_{j-1},w_{j-1}).\end{aligned}\end{split}\]

Endurbætt aðferð Eulers er þá í tveim skrefum; við reiknum

\[\tilde w_j = w_{j-1} + \tfrac 12 h_j f(t_{j-1},w_{j-1})\]

og fáum svo nálgunargildið

\[w_j = w_{j-1} + h_jf\left( t_{j-1}+\tfrac 12 h_j,\tilde w_j\right)\]

6.2.5. Aðferð Heun

Lítum nú á aðra aðferð þar sem við nálgum heildið með trapisuaðferð.

\[\int_0^1f(t+sh,x(t+sh))\, ds \approx \tfrac 12 \big(f(t,x(t))+f(t+h,x(t+h))\big).\]

Af þessu leiðir að nálgunarformúlan á að vera

\[w_j=w_{j-1}+\tfrac 12h_j\big(f(t_{j-1},w_{j-1})+f(t_j,w_j)\big)\]

Þetta er greinilega óbein aðferð svo við verðum að byrja á nálgun á \(w_j\), með

\[w_j\approx x(t_j)=x(t_{j-1}+h_j)\approx x(t_{j-1})+h_jx'(t_{j-1}) =x(t_{j-1})+h_jf(t_{j-1},w_{j-1})\]

Þetta nýja afbrigði af aðferð Eulers nefnist aðferð Heun. Hún er í tveim skrefum: Við reiknum fyrst

\[\tilde w_j = w_{j-1} + h_jf(t_{j-1},w_{j-1})\]

og fáum svo nálgunargildið

\[w_j = w_{j-1} + \tfrac 12h_j \big(f(t_{j-1},w_{j-1})+f(t_j,\tilde w_j)\big)\]

6.2.6. Forsagnar- og leiðréttingarskref

Endurbætt aðferð Eulers og aðferð Heun eru leiðir til þess að vinna úr óbeinum aðferðum, þar sem rakningarformúlan fyrir nálgunargildin er af gerðinni

\[w_j=w_{j-1}+h_j\varphi(f,t_{j-1},t_j,w_{j-1},w_j)\]

og okkur vantar eitthverja nálgun á \(w_j\) til þess að stinga inn í hægri hlið þessarar jöfnu. Við skiptum þessu tvö skref:

Við beitum einhverri beinni aðferð til þess að reikna út

\[\tilde w_j=w_{j-1}+h_j\psi(f,t_{j-1},t_j,w_{j-1})\]

Setjum

\[w_j=w_{j-1}+h_j\varphi(f,t_{j-1},t_j,w_{j-1},\tilde w_j).\]

Svona aðferðir kallast Runge-Kutta aðferðir. Fyrra skrefið, þegar \(\tilde w_j\) er reiknað út kallast forsagnarskref og seinna skrefið kallast leiðréttingarskref.

6.2.7. Annars stigs Runge-Kutta-aðferð

Lítum aftur á verkefnið

\[\begin{split}\left\{ \begin{array}{l} x'(t) = f(t,x(t)) \\ x(t_0) = x_0 \end{array} \right.\end{split}\]

og skoðum 2. stigs Taylor liðun á lausninni \(x\) í punkti \(t\). Innleiðum fyrst smá rithátt til styttingar, setjum

\[x = x(t), \quad f'_t = \frac{\partial f}{\partial t}(t,x(t)), \quad f = f(t,x(t)), \quad f'_x = \frac{\partial f}{\partial x}(t,x(t)).\]

Keðjureglan gefur

\[x''(t)=\dfrac d{dt}f(t,x(t))=f'_t+f'_xx'(t)=f'_t+f\,f'_x.\]

Taylor-liðun lausnarinnar er

\[\begin{split}\begin{aligned} x(t+h) &= x + hx'(t) + \frac{1}{2} h^2 x''(t) + O(h^3) \\ &= x + hf + \frac{1}{2} h^2 ( f'_t + f f'_x ) + O(h^3) \\ &= x + \frac{1}{2}hf + \frac{1}{2}h( f + hf'_t + (hf)f'_x) + O(h^3)\end{aligned}\end{split}\]

Nú sjáum við að síðasti liðurinn er 1. stigs Taylor liðun \(f\) með miðju \((t,x)\) skoðuð í punktinum \((t+h,x+hf)\), því

\[f(t+h,x + hf) = f + hf'_t + (hf) f'_x + O(h^2)\]

og þar með er

\[x(t+h) = x(t) + \frac{1}{2} hf(t,x) + \frac{1}{2} hf(t+h,x+hf) + O(h^3).\]

Þessi formúla liggur til grundvallar 2. stigs Runge-Kutta-aðferð: Með henni fáum við nálgunarrunu \(w_0, w_1, w_2, \ldots\) þannig að \(w_0=x(0)\) og

\[w_j = w_{j-1} + \tfrac{1}{2}(F_1 + F_2), \quad j = 1,2,\ldots\]

þar sem

\[F_1 = h_jf(t_{j-1},w_{j-1}), \quad \text{og} \quad F_2 = h_jf(t_j,w_{j-1}+F_1)\]

og eins og alltaf er \(w_j \approx x(t_j)\).

6.2.8. Klassíska (fjórða stigs) Runge-Kutta aðferðin

Algengasta Runge-Kutta aðferðin er klassíska Runge-Kutta aðferðin. Þetta er fjórða stigs aðferð, sem þýðir að staðarskekkjan er \(O(h^5)\) og heildarskekkjan er \(O(h^4)\), .

\[w_{j} = w_{j-1} + \frac 16(k_1 + 2k_2 + 2k_3 + k_4),\]

þar sem

\[\begin{split}\begin{aligned} k_1 &= hf(t_{j-1},w_{j-1}) \\ k_2 &= hf\left(t_{j-1} + \frac h2,w_{j-1}+ \frac{k_1}2\right) \\ k_3 &= hf\left(t_{j-1} + \frac h2,w_{j-1}+ \frac{k_2}2\right) \\ k_4 &= hf(t_{j-1} + h,w_{j-1}+ k_3). \end{aligned}\end{split}\]

Ef \(f(t,x)\) er bara fall af \(t\), þ.e. óháð \(x\), þá svarar þetta til þess að meta heildið \({\varphi}\) með Simpson-reglunni.

6.2.9. Klassíska Runge-Kutta aðferðin: Dæmi

Skoðum nú sama dæmi og þegar við prófuðum aðferð Eulers.

Þá gefa eftirfarandi skipanir mynd af skekkjunni.

>> f = @(t,x) t./x;
>> [w,t]=rk4(f,0,1,5,100);
>> plot(t,sqrt(t.^2+1) - w)
_images/7rk4.png

Þetta er töluvert betra en aðferð Eulers sem skilaði skekkju af stærðargráðunni \(10^{-2}\).

6.3. Skekkjumat, samleitni og stöðugleiki

+++Mr. Jelly! Mr. Jelly!+++
+++Error At Address: 14, Treacle Mine Road, Ankh-Morpork+++
+++MELON MELON MELON+++
+++Divide By Cucumber Error. Please Reinstall Universe And Reboot +++
+++Whoops! Here Comes The Cheese! +++
+++Oneoneoneoneoneoneone+++

–villuskilaboð tölvunnar Hex í Interesting Times eftir Terry Pratchett

6.3.1. Skekkja

Fyrir eins skrefs aðferð skilgreinum við staðarskekkju við tímann \(t_n\) sem

\[\tau_n = \dfrac{x(t_n)-x(t_{n-1})}{h_n} - \varphi(f,t_{n-1},t_n,x(t_{n-1}),x(t_{n}))\]

Hér er réttu lausninni stungið inn í nálgunarformúluna. Munum að hún uppfyllir

\[\dfrac{x(t_n)-x(t_{n-1})}{h_n} =\int_0^1 f(t_{n-1}+sh_n,x(t_{n-1}+sh_n))\, ds\]

Viljum geta metið \(\tau_n\) sem fall af \(h_n\), t.d.

\[\tau_n = O(h_n^k)\]

Almennt batna aðferðir eftir því sem veldisvísirinn \(k\) í staðarskekkjunni verður stærri.

Staðarskekkja er hlutfallsleg skekkja við að fara úr \(w_{n-1}\) yfir í \(w_n\). Einnig má skoða uppsafnaða skekkju frá upphafstímanum \(t_0\), hún er skilgreind með \(e_n = x(t_j)-w_j\) og kallast heildarskekkja.

6.3.2. Staðarskekkja í aðferð Eulers

Aðferð Eulers er sett fram með formúlunni

\[w_n=w_{n-1}+h_nf(t_{n-1},w_{n-1})\]

Staðarskekkjan er því

\[\begin{split}\begin{aligned} \tau_n&=\dfrac{x(t_n)-x(t_{n-1})}{h_n}-f(t_{n-1},x(t_{n-1}))\\ &=\dfrac{x(t_n)-x(t_{n-1})-x'(t_{n-1})h_n}{h_n}\\ &=\dfrac{\tfrac 12 x''(\xi_{n})h_{n-1}^2}{h_n} =\tfrac 12 x''(\xi_{n})h_{n-1}=O(h_n)\end{aligned}\end{split}\]

Aðferð Eulers er því fyrsta stigs aðferð.

6.3.3. Stýring á staðarskekkju og breytileg skrefastærð

Hingað til þá höfum við ekki fengið neinar upplýsingar til að finna heppilegustu skrefastærð. Eftir því sem skrefastærðin er minni er staðarskekkjan sennilega minni, en þá komumst við hægar yfir og það er hætta á að heildarskekkjan hækki við að taka mörg skref. Í Aðferðir með breytilega skrefastærð munum við reyna að stilla skrefastærðina þannig að við tökum eins stór skref og mögulegt en þó þannig að staðarskekkjan sé ekki of há. Þá munum við þurfa eftirfarandi útleiðslu.

Hugsum okkur að við höfum tvær beinar nálgunaraðferðir

\[w_{n} = w_{n-1} + h_n\varphi(f,t_{n-1},t_n,w_{n-1})\]

og

\[\tilde w_{n} = w_{n-1} + h_n\tilde\varphi(f,t_{n-1},t_n,w_{n-1})\]

Skilgreinum tilsvarandi staðarskekkjur

\[\tau_n(h_n) = k_1h_n^{\alpha_1} + o(h_i^{\alpha_1})\]

og

\[\tilde\tau_n(h_n) = k_2h_n^{\alpha_2} + o(h_i^{\alpha_2}),\]

þar sem \(\alpha_2>\alpha_1\). Við tímann \(t_{n-1}\) hafa nálgunargildin \(w_0,\ldots,w_{n-1}\) hafi verið valin samkvæmt fyrri aðferðinni.

Meiningin að velja næsta tímapunkt \(t_n\) og þar með tímaskref \(h_n\) þannig að \(\tau_n(h_n)\leq \delta\), en að \(\tau_n(h_n)\) haldi sig sem næst \(\delta\), þar sem \(\delta\) er gefið efra mark á staðarskekkjunni í fyrri aðferðinni.

Stærðin \(\delta\) er kölluð þolmörk (e. tolerance) fyrir staðarskekkjuna og er oft táknuð með \(TOL\).

Við byrjum á að setja \(h=h_{n}\) inn í báðar aðferðirnar og bera útkomurnar saman

\[w_{n} = w_{n-1} + h\varphi(f,t_{n-1},t_{n-1}+h,w_{n-1})\]
\[\tilde w_{n} = \tilde w_{n-1} + h\tilde\varphi(f,t_{n-1},t_{n-1}+h,w_{n-1})\]

Við látum \(\hat w_{n}\) tákna rétt gildi lausnarinnar á upphafsgildisverkefninu

  • \(x'(t)=f(t,x(t))\),
  • \(x(t_{n-1})=w_{n-1}\),

í punktinum \(t_{n-1}+h\).

Þá höfum við

\[\begin{split}\begin{aligned} \tau_n(h)&=\dfrac{\hat w_{n}-w_{n-1}}{h}-\varphi(f,t_{n-1},t_{n-1}+h,w_{n-1})\\ &=\dfrac{\hat w_{n}-w_{n-1}-h\varphi(f,t_{n-1},t_{n-1}+h,w_{n-1})}{h} =\dfrac {\hat w_{n}-w_{n}}{h}\end{aligned}\end{split}\]

og eins fæst

\[\begin{split}\begin{aligned} \tilde \tau_n(h) &=\dfrac{\hat w_{n}-w_{n-1}}{h}-\tilde \varphi(f,t_{n-1},t_{n-1}+h,w_{n-1})\\ &=\dfrac{\hat w_{n}-w_{n-1}-h\tilde \varphi(f,t_{n-1},t_{n-1}+h,w_{n-1})}{h} =\dfrac {\hat w_{n}-\tilde w_{n}}{h}. \end{aligned}\end{split}\]

Nú tökum við mismuninn og skilgreinum

\[\begin{split}\begin{aligned} \varepsilon &= \left|\frac{\tilde w_{n}-w_{n}}{h}\right|=|\tau_n(h)-\tilde \tau_n(h)|\\ &=|k_1|h^{\alpha_1}+o(h^{\alpha_1}) \approx |k_1|h^{\alpha_1} \end{aligned}\end{split}\]

Munum að hér er skreflengdin \(h=h_{n}\). Þessi nálgunarformúla gefur okkur möguleika á því að meta fastann

\[|k_1|\approx \dfrac\varepsilon{h_{n}^{\alpha_1}}.\]

6.3.4. Mat á skrefastærð

Segjum nú að við viljum halda staðarskekkjunni innan markanna \(\delta/2\) og hafa skreflengdina í næsta skrefi \(h_{n}=qh_{n-1}\), þá höfum við nálgunarjöfnuna

\[|\tau_n(qh_{n-1})|\approx |k_1|(qh_{n-1})^{\alpha_1}= \varepsilon {q^{\alpha_1}} \approx \frac{\delta} 2.\]

Við tökum

\[q = \left(\frac{\delta}{2\varepsilon}\right)^{1/{\alpha_1}}\]

veljum síðan skrefstærðina \(h_n = qh_{n-1}\) og reiknum út næsta gildi

\[w_{n} = w_{n-1} + h_n\varphi(f,t_{n-1},t_n,w_{n-1})\]

6.4. Aðferðir með breytilega skrefastærð

Dæmi um aðferðir sem notast við breytilega skrefastærð.

  • Einfaldast væri að nota Heun aðferðina (annars stigs) til að meta skrefastærðina í Euler aðferðinni (fyrsta stigs).
  • Algengasta aðferðin er Runge-Kutta-Fehlberg (RKF45) sem notar 5. stigs nálgun til þess að meta staðarskekkjuna í 4. stigs aðferð.
  • Endurbót á RKF45 er Runge-Kutta-Verner (RKV56) sem notar 6. stigs aðferð til að meta skekkjuna í 5. stigs aðferð.
  • Fleiri aðferðir: Bogacki–Shampine (3. og 2. stigs), Cash–Karp (5. og 4. stigs) og Dormand–Prince (5. og 4. stigs).

6.4.1. Reiknirit fyrir Runge-Kutta-Fehlberg (RKF45)

\[\begin{split}\begin{aligned} \tilde w_j &= w_{j-1} \frac{16}{135} k_1 + \frac{6656}{12825}k_3 + \frac{28561}{56430}k_4 - \frac{9}{50}k_5 + \frac{2}{55}k_6\\ w_j &= w_{j-1} + \frac{25}{216}k_1 + \frac{1408}{2565}k_3 + \frac{2197}{4104}k_4 - \frac 15 k_5 \end{aligned}\end{split}\]

þar sem

\[\begin{split}\begin{aligned} k_1 &= hf(t_{j-1},w_{j-1}) \\ k_2 &= hf\left( t_{j-1}+\frac 14h, w_{j-1}+\frac 14k_1 \right)\\ k_3 &= hf\left( t_{j-1}+\frac 38h, w_{j-1}+\frac 3{32}k_1 + \frac 9{32}k_2\right)\\ k_4 &= hf\left( t_{j-1}+\frac{12}{13}h, w_{j-1} + \frac{1932}{2197}k_1 - \frac{7200}{2197}k_2 + \frac{7296}{2197}k_3 \right)\\ k_5 &= hf\left( t_{j-1} +h, w_{j-1} + \frac{439}{216}k_1 - 8k_2+\frac{3680}{513}k_3 -\frac{845}{4104}k_4\right)\\ k_6 &= hf\left( t_{j-1} +\frac 12h, w_{j-1} - \frac 8{27}k_1 + 2k_2 -\frac{3544}{2565}k_3 +\frac{1859}{4104}k_4 - \frac{11}{40}k_5\right)\\ \end{aligned}\end{split}\]

6.4.2. Runge-Kutte-Fehlberg (RKF45) prófuð

Höldum áfram með dæmi sem við beittum aðferð Eulers og klassísku Runge-Kutta hér á undan

Þá gefur eftirfarandi mynd af skekkjunni. Hér er 0.01 minnsta leyfilega skrefastærðin, 0.1 stærsta leyfilega skrefastærðin og þolmörkin eru \(10^{-10}\).

>> f = @(t,x) t./x;
>> [w,t] = rkf45(f,0,1,5,[0.01,0.1,1E-10]);
>> plot(t,sqrt(t.^2+1) - w)
_images/7rkf45.png

Hér á undan þá notðum við þolmörkin \(10^{-10}\) sem skilaði okkur 103 misstórum tímagildum á bilinu \([0,5]\). Svona getum við teiknað upp stærðina á tímaskrefunum.

>> plot(t(2:end)-t(1:end-1),'*')
_images/7rkf45t.png

6.5. Fjölskrefaaðferðir

Þær aðferðir sem við höfum séð eiga allar sameiginlegt að ákvarða nálgunargildi \(w_{n}\) aðeins út frá gildinu \(w_{n-1}\) næst á undan. Hægt er að nota fleiri gildi \(w_{n-1}\), \(w_{n-2}\), \(\ldots\) og fá þannig betri nákvæmni, en aðferðirnar verða að sama skapi flóknari í notkun.

Eins og alltaf höfum við verkefnið

\[\begin{split}\left\{ \begin{array}{l} x'(t) = f(t,x(t)) \\ x(t_0) = w_0 \end{array} \right.\end{split}\]

og viljum nálga gildi lausnarinnar \(x\) á bili \([a,b]\) þar sem \(a =t_0\) eða \(b = t_0\). Látum \(t_0\), \(t_1\), \(\ldots\), \(t_n\) vera skiptingu á bilinu \([a,b]\) og gerum til einföldunar ráð fyrir að hún hafi jafna billengd \(h=t_{j} - t_{j-1}\) fyrir \(j= 1, \ldots, n\).

6.5.1. \(k\)-skrefa Adams-Bashforth aðferð

Við vitum að lausnin \(x\) uppfyllir

\[x(t_{n}) - x(t_{n-1}) = \int\limits_{t_{n-1}}^{t_n} f(t,x(t)) \, dt\]

Skrifum nú

\[f(t,x(t)) = P_{k-1}(t) + R_{k-1}(t)\]

þar sem

\[P_{k-1}(t) = \sum\limits_{j=1}^k f(t_{n-j},x(t_{n-j})) \cdot \ell_{k-1,j}(t)\]

er brúunarmargliðan gegnum punktana \((t_{n-k},x(t_{n-k}))\), \((t_{n+1-k},x(t_{n+1-k}))\), \(\ldots\), \((t_{n-1},x(t_{n-1}))\), þ.e. gegnum síðustu \(k\) punkta á undan \((t_n,x(t_n))\).

Þetta eru \(k\) punktar og því er aðferðin kölluð \(k\)-skrefa aðferð.

Munum að til er \(\xi\) þannig að

\[R_{k-1}(t) = \frac{f^{(k)}(\xi,x(\xi))}{k!} \prod\limits_{j=1}^m (t-t_{n-j}).\]

Við nálgum nú heildið af \(f\) yfir bilið \([t_{n-1},t_n]\) með heildi \(P_{k-1}\) og fáum

\[w_{i+1} = w_i + \int\limits_{t_i}^{t_{i+1}} P_{k-1}(t) \, dt\]

og með beinum útreikningum má sjá að skekkjan í þessari nálgun er \(O(h^{k+1})\). Þessir útreikninga flækjast auðvitað eftir því sem \(k\) stækkar.

Augljóslega getum við ekki notað \(k\) skrefa Adams-Bashforth aðferðir um leið og við sjáum upphafsgildisverkefni, því við þurfum \(k\) ágiskunargildi \(w_0, w_1, \ldots, w_{k-1}\) til að byrja að nota aðferðina. Þessi gildi má fá með hverri sem er af aðferðunum sem við höfum séð hingað til.

Ákveðin sértilfelli Adams-Bashforth aðferðanna eru meira notuð en önnur, það eru tveggja, þriggja og fjögurra skrefa aðferðirnar. Áhugasömum verður ekki skotaskuld úr að leiða út formúlurnar fyrir þær, en við birtum bara niðurstöðurnar.

Til styttingar skilgreinum við \(f_j = f(t_j,w_j)\).

6.5.2. Tveggja skrefa Adams-Bashforth-aðferð

Þegar gildin \(w_{n-1}\) og \(w_{n-2}\) hafa verið fundin fæst næsta nálgunargildi með

\[w_{n} = w_{n-1} + h\big(\tfrac 32 f_{n-1} - \tfrac 12 f_{n-2}\big)\]

og skekkjan í nálguninni er \(O(h^3)\).

6.5.3. Forrit fyrir tveggja skrefa Adams-Bashforth-aðferð

Aðferðin er útfærð í forritinu hér að neðan; það skýrir sig að mestu sjálft en við skulum taka eftir þrennu:

(i) Við krefjumst þess að notandinn gefi nálgunargildi á x(t(2)), þetta gerum við því til eru margar mismunandi aðferðir til að fá slíkt gildi og þær henta mis vel hverju sinni.

(ii) Við gerum ekki sérstaklega ráð fyrir að jafnt bil sé á milli stakanna í vigrinum t þó við höfum gert það hingað til. Það var aðeins gert til að einfalda útreikninga; aðferðin virkar nákvæmlega eins ef það er ekki jafnt bil á milli stakanna, svo sjálfsagt er að forrita hana þannig.

(iii) Við lágmörkum fjölda skipta sem við reiknum gildi f með að geyma alltaf gildið frá síðustu ítrun og nota það aftur, þetta getur sparað nokkurn tíma í útreikningum ef f er flókið fall.

function w = adams_bashforth_2(f,t,x1,x2)
%   w = adams{_}bashforth{_}2(f,t,x1,x2)
% Nálgar lausn upphafsgildisverkefnisins
%   x' = f(t,x)
%   x(t(1)) = x1
% í punktunum í t með 2ja þrepa Adams-Bashforth aðferð.
% Stakið x2 er nálgunargildi á x(t(2)).

N = length(t);  M = length(x1); w = zeros(M,N);
% Upphafsstillum gildi f(t,x) og w
fx1 = f(t(1),x1); fx2 = f(t(2),x2);
w(:,1) = x1; w(:,2) = x2;
for i=3:N
  % Reiknum nálgunargildi
  h = t(i)-t(i-1);
  w(:,i) = w(:,i-1) + (h/2)*(3*fx2 - fx1);
  fx1 = fx2; fx2 = f(t(i),w(:,i));
end

6.5.4. Þriggja skrefa Adams-Bashforth

Gefin \(w_{n-1}\), \(w_{n-2}\) og \(w_{n-3}\) fæst næsta nálgunargildi með

\[w_{n} = w_{n-1} + {h}(\tfrac{23}{12} f_{n-1} - \tfrac {16}{12} f_{n-2} + \tfrac 5{12} f_{n-2})\]

og staðarskekkjan er \(O(h^4)\)

6.5.5. Fjögurra skrefa Adams-Bashforth

Þegar við þekkjum \(w_{n-1}\), \(w_{n-2}\), \(w_{n-3}\) og \(w_{n-4}\) reiknum við næsta gildi með

\[w_{n} = w_{n-1} + h\big(\tfrac{55}{24}f_{n-1} - \tfrac{59}{24}f_{n-2} + \tfrac {37}{24}f_{n-3} -\tfrac 9{24}f_{n-4}\big)\]

og skekkjan í nálguninni er \(O(h^5)\).

6.6. Greining á samleitni og stöðugleika

Lítum aftur á upphafsgildisverkefnið okkar

\[\begin{split}\begin{cases} x'(t)=f(t,x(t)),\\ x(t_0)=w_0. \end{cases}\end{split}\]

Við hugsum okkur að nálgun sé fundin í tímapunktunum

\[\begin{split}a=t_0<t_1<t_2<\cdots<t_N=b.\end{split}\]

Við táknum nálgunargildi á \(x(t_j)\) með \(w_j\). Það er gefið með

\[w_n=w_{n-1}+h_n\varphi(f,t_{0},\dots,t_n,w_{0},\dots,w_{n})\]

þar sem fallið \(\varphi(f,t_{0},\dots,t_n,w_{0},\dots,w_{n})\) er skilgreint með einhverjum hætti.

Við köllum þetta nálgunaraðferðina sem fallið \(\varphi\) gefur af sér.

6.6.1. Skekkja

Skekkja (e. error) eða heildarskekkja (e. total error) í nálgun á \(x(t_n)\) með \(w_n\) er

\[e_n=x(t_n)-w_n,\]

og staðarskekkja (e. local truncation error) nálgunaraðferðarinnar við tímann \(t_n\) er

\[\tau_n=\dfrac{x(t_n)-x(t_{n-1})}{h_n} -\varphi(f,t_{0},\dots,t_n,x(t_{0}),\dots,x(t_{n}))\]

Athugasemd

Munið að hér er rétta lausnin sett inn í nálgunaraðferðina.

6.6.2. Samleitni

Hugsum okkur nú að fjöldi tímapunktanna \(N\) stefni á óendanlegt. Við segjum að nálgunaraðferðin \(\varphi\)samleitin ef

\[\lim_{N\to \infty} \max\limits_{1\leq n\leq N} |e_n|=0\]

þar sem \(e_n=x(t_n)-w_n\) táknar skekkjuna í \(n\)-ta tímaskrefinu.

6.6.3. Samræmi

Við segjum að nálgunaraðferðin \(\varphi\) samræmist upphafsgildisverkefninu ef um sérhvern tímapunkt \(t_{n-1}\) gildir að

\[\begin{split}\begin{gathered} \lim_{h_n\to 0}\tau_n\\ =\lim_{t_n\to t_{n-1}}\bigg(\dfrac{x(t_n)-x(t_{n-1})}{t_n-t_{n-1}} -\varphi(f,t_{0},\dots,t_n,x(t_{0}),\dots,x(t_{n}))\bigg) =0 \end{gathered}\end{split}\]

6.6.4. Samræmi endurbættu Euler-aðferðarinnar

Munum að endurbætta Euler-aðferðin er

\[w_n=w_{n-1}+h_nf(t_{n-1}+\tfrac 12 h_n,w_{n-1}+\tfrac 12 hf(t_{n-1},w_{n-1}))\]

sem gefur staðarskekkjuna

\[\begin{split}\begin{gathered} \tau_n=\dfrac{x(t_{n-1}+h_n)-x(t_{n-1})}{h_n}\\ -f(t_{n-1}+\tfrac 12 h_n,x(t_{n-1})+\tfrac 12 h_nf(t_{n-1},x(t_{n-1}))). \end{gathered}\end{split}\]

Nú hugsum við okkur að \(t_{n-1}\) sé haldið föstu og látum billengdina \(h_n=t_n-t_{n-1}\) stefna á \(0\). Þá fæst

\[\lim_{h_n\to 0} \tau_n= x'(t_{n-1})-f(t_{n-1},x(t_{n-1}))=0\]

Þetta segir okkur að endurbætta Euler-aðferðin samræmist upphafsgildisverkefninu.

6.6.5. Samræmi beinna eins skrefs aðferða

Þessi röksemdafærla alhæfist á allar beinar eins skrefs aðferðir, því staðarskekkja þeirra er

\[\tau_n=\dfrac{x(t_{n-1}+h_n)-x(t_{n-1})}{h_n} -\varphi(f,t_{n-1},t_{n-1}+h_n,x(t_{n-1}))\]

Nú er eðlilegt að gefa sér að \(\varphi\) sé samfellt fall og þá verður markgildið af staðarskekkjunni

\[\begin{split}\begin{gathered} x'(t_{n-1})-\varphi(f,t_{n-1},t_{n-1},x(t_{n-1}))\\ =f(t_{n-1},x(t_{n-1}))-\varphi(f,t_{n-1},t_{n-1},x(t_{n-1})).\end{gathered}\end{split}\]

Eins skrefs aðferðin sem fallið \(\varphi\) gefur af sér er því stöðug ef og aðeins ef

\[\varphi(f,t_{n-1},t_{n-1},x(t_{n-1})) =f(t_{n-1},x(t_{n-1})).\]

6.6.6. Stöðugleiki

Gerum nú ráð fyrir að upphafsgildinu \(w_0\) sé breytt í \(\tilde w_0\) og að \(\tilde x(t)\) uppfylli

\[\begin{split}\begin{cases} \tilde x'(t)=f(t,\tilde x(t)),\\ \tilde x(t_0)=\tilde w_0. \end{cases}\end{split}\]

Lítum síðan á tilsvarandi nálgunarrunu

\[\tilde w_n=\tilde w_{n-1}+h_n\varphi(f,t_0,\dots,t_n,\tilde w_0,\dots,\tilde w_n).\]

Við segjum að nálgunaraðferðin sem \(\varphi\) gefur af sér sé stöðug ef til er fall \(k(t)>0\) þannig að

\[|\tilde w_n-w_n|\leq k(t_n)|\tilde w_0-w_0|, \qquad n=1,2,3\dots.\]

6.6.7. Lipschitz-samfelldni

Rifjum nú upp að við gerum ráð fyrir að fallið \(f(t,x)\) sé skilgreint á svæði \(D\) sem inniheldur

\[\{(t,x)\in {{\mathbb R}}^2 \, ;\, a\leq t\leq b, x\in {{\mathbb R}}\}.\]

Við segjum að \(f\)Lipschitz samfellt á \(D\) með tilliti til \(x\) ef til er fasti \(C_f\) þannig að

\[|f(t,x)-f(t,y)|\leq C_f|x-y|, \qquad x,y\in {{\mathbb R}}.\]

Hugsum okkur að \(\varphi(f,s,t,x)\) sé fall sem gefur af sér beina eins skrefs nálgunaraðferð fyrir upphafsgildisverkefnið \(x'(t)=f(t,x(t))\) með \(x(t_0)=w_0\).

Við segjum að \(\varphi\)Lipschitz-samfellt með tilliti til \(x\) ef um sérhvert Lipschitz-samfellt fall \(f\), tölur \(s,t\in [a,b]\) og \(x,y\in {{\mathbb R}}\) gildir að til er fasti \(L_\varphi\) þannig að

\[|\varphi(f,s,t,x)-\varphi(f,s,t,y)|\leq L_\varphi|x-y|, \qquad x,y\in {{\mathbb R}}.\]

6.6.8. Setning um stöðugleika og samleitni

Gefum okkur jafna skiptingu á tímabilinu \([a,b]\), \(t_n=a+nh\), þar sem \(n=0,1,2,\dots,N\) og \(h=(b-a)/N\).

Ef fallið \(\varphi\) er Lipschitz-samfellt með tilliti til \(x\) með Lipschitz-fastann \(L_\varphi\), þá gildir:

  1. Eins skrefs aðferðin sem \(\varphi\) gefur af sér er stöðug,

    \[|\tilde w_n-w_n|\leq e^{L_\varphi(t_n-a)}|\tilde w_0-w_0|, \qquad n=1,2,3,\dots.\]
  2. Ef til eru fastar \(c\) og \(p\) þannig að staðarskekkjan uppfyllir \(|\tau_n|\leq c\, h^p\), fyrir öll \(n=1,2,3,\dots\) og \(h\in ]0,h_0]\), þá er aðferðin samleitin og við höfum

    \[|e_n|=|x(t_n)-w_n|\leq \dfrac{ch^p}{L_\varphi} \bigg(e^{L_\varphi(t_n-a)}-1\bigg).\]