The Obreshkov method is a single-step multi-derivative method used in the numerical solution of differential equations and has been used in recent years in efficient circuit simulation. It has been shown that it can be made of arbitrary high local order of convergence while maintaining unconditional numerical stability. Nevertheless, the theoretical basis for the high order of convergence has been known only for the special case where the underlying system of differential equations is of the ordinary type, i.e., for ordinary differential equations (ODE). On the other hand, theoretical analysis of the order of convergence for the more general case of a system consisting of differential and algebraic equations (DAE) is still lacking in the literature. This paper presents the theoretical characterization for the local order of convergence of the Obreshkov method when used in the numerical solution of a system of DAE. The contribution presented in this paper demonstrates that, in DAE, the local order of convergence is a function of the differentiation index of the system and, under certain conditions, becomes lower than the order obtained in ODE.


翻译:Obreshkov方法是用于差别方程数字解决办法的单步多分流方法,近年来一直用于高效电路模拟,已经表明,它可以在保持无条件数字稳定性的同时,以任意的高度当地趋同顺序进行,但是,高度趋同的理论基础只对差异方程基础系统属于普通类型的特殊情况,即普通差别方程(ODE)是已知的。另一方面,文献中仍然缺乏对由差别和代数方程构成的系统(DAE)这一更为一般性情况的趋同顺序的理论分析,本文介绍了在DAE系统数字解决办法中使用的Obreshkov方法对当地趋同顺序的理论定性。本文中提供的材料表明,在DAE中,当地趋同顺序是系统差别指数的函数,在某些条件下,与Obreshkov方法的相趋同顺序的理论特征比在数字解决办法中使用的Obreshkov方法。

0
下载
关闭预览

相关内容

去噪自编码器背后的思想很简单. 为了迫使隐藏层单元发现更多鲁棒性好的特征, 以及阻止它学习恒等函数, 我们拿受损的输入来训练自编码器重构输入。
区块链白皮书(2020年),60页pdf
专知会员服务
91+阅读 · 2021年1月5日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
专知会员服务
139+阅读 · 2020年5月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1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
人工智能 | PRICAI 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年12月13日
人工智能 | COLT 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年9月21日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
深度强化学习的 18 个关键问题 | PaperDaily #30
PaperWeekly
4+阅读 · 2017年12月22日
人工智能 | 国际会议截稿信息5条
Call4Papers
6+阅读 · 2017年11月22日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
VIP会员
相关资讯
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1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
人工智能 | PRICAI 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年12月13日
人工智能 | COLT 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年9月21日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
深度强化学习的 18 个关键问题 | PaperDaily #30
PaperWeekly
4+阅读 · 2017年12月22日
人工智能 | 国际会议截稿信息5条
Call4Papers
6+阅读 · 2017年11月22日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员