In this paper we present a novel class of methods for high order accurate integration of multirate systems of ordinary differential equation initial-value problems. Following from recent work on multirate exponential Runge--Kutta (MERK) methods, that construct multirate schemes by approximating the action of matrix $\varphi$-functions within explicit exponential Runge--Kutta methods, the proposed methods similarly build off of explicit exponential Rosenbrock (ExpRB) methods. By leveraging the exponential Rosenbrock structure, the proposed Multirate Exponential Rosenbrock (MERB) methods consist of the solution to a sequence of modified ``fast'' initial-value problems, that may themselves be approximated through subcycling any desired IVP solver. In addition to proving how to construct MERB methods from certain classes of ExpRB methods, we provide rigorous convergence analysis of the resulting schemes, and present candidate MERB schemes of orders two through six. We then present numerical simulations to confirm these theoretical convergence rates, and to compare the efficiency of MERB methods against recently-introduced multirate MERK and MRI-GARK methods.


翻译:在本文中,我们提出了一套对普通差分方程初步价值问题进行高顺序、高精确整合的新型方法。根据最近关于多率指数龙格-库塔(MERK)方法的工作,通过在明显指数龙格-库塔方法中近似矩阵 $\ varphipe$ 函数作用的行动来构建多率计划,拟议方法也以明确的指数罗森布罗克(Extrab)方法为基础。通过利用指数罗森布罗克结构,拟议的多率市价罗森布罗克(MERB)方法包括解决经修改的“快速”初始价值问题序列,这些问题本身可以通过任何理想的IVP求解决器进行亚周期化。除了证明如何从某些类别的ExTRB方法中构建MERB方法外,我们还对由此产生的计划进行了严格的趋同分析,并提出了第二至六级命令候选的MERB计划。我们随后提出数字模拟,以证实这些理论趋同率,并将MERB方法的效率与最近引入的多率的MERK和MRI-GARK方法进行比较。

0
下载
关闭预览

相关内容

专知会员服务
52+阅读 · 2020年9月7日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年8月5日
Arxiv
0+阅读 · 2021年8月3日
VIP会员
相关VIP内容
专知会员服务
52+阅读 · 2020年9月7日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
相关资讯
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员