In this paper, we study the variable-order (VO) time-fractional diffusion equations. For a VO function $\alpha(t)\in(0,1)$, we develop an exponential-sum-approximation (ESA) technique to approach the VO Caputo fractional derivative. The ESA technique keeps both the quadrature exponents and the number of exponentials in the summation unchanged at the different time levels. Approximating parameters are properly selected to achieve efficient accuracy. Compared with the general direct method, the proposed method reduces the storage requirement from $\mathcal{O}(n)$ to $\mathcal{O}(\log^2 n)$ and the computational cost from $\mathcal{O}(n^2)$ to $\mathcal{O}(n\log^2 n)$, respectively, with $n$ being the number of the time levels. When this fast algorithm is exploited to construct a fast ESA scheme for the VO time-fractional diffusion equations, the computational complexity of the proposed scheme is only of $\mathcal{O}(mn\log^2 n)$ with $\mathcal{O}(m\log^2n)$ storage requirement, where $m$ denotes the number of spatial grids. Theoretically, the unconditional stability and error analysis of the fast ESA scheme are given. The effectiveness of the proposed algorithm is verified by numerical examples.


翻译:在本文中, 我们研究可变顺序( VO) 时间折射扩散方程式。 对于一个 VO 函数 $\ alpha( t)\ in( 0, 1) 美元, 我们开发了一种指数和对应法( ESA) 技术, 以接近 VO Caputo 分解衍生物。 欧空局的技术将二次指数和总和的指数数保持在不同的时间水平上保持不变。 匹配参数被适当选择, 以达到高效的准确性。 与一般的直接方法相比, 与一般的直接方法相比, 拟议方法将存储需求从 $\ mathcal{ O} (log_ 2 n) 降低到 $\ mcall ( log_ 2 n) 美元, 计算成本成本从 $\ compublical{ O} (n_ log_ ral_ ral_ ral_ ral_ 美元) 计算公式的精度, 以 $_ m ral_ ral_ ral_ roma} 美元计算公式的精度, ral_ ral_ ral_ ral_

0
下载
关闭预览

相关内容

该研讨会涵盖了计算机科学、离散应用数学、运筹学和数学规划中有效算法和数据结构的研究。官网链接:http://esa-symposium.org/
专知会员服务
76+阅读 · 2021年3月16日
专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
84+阅读 · 2020年12月5日
【EMNLP2020】序列知识蒸馏进展,44页ppt
专知会员服务
38+阅读 · 2020年11月21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
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4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
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4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VIP内容
专知会员服务
76+阅读 · 2021年3月16日
专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
84+阅读 · 2020年12月5日
【EMNLP2020】序列知识蒸馏进展,44页ppt
专知会员服务
38+阅读 · 2020年11月21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
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
相关资讯
Top
微信扫码咨询专知VIP会员