The main aim of this paper is to construct an efficient highly accurate numerical scheme to solve a class of one and two-dimensional parabolic integro-fractional differential equations. The high order $L2$-$1_\sigma$ scheme is taken into account to discretize the time-fractional operator on a uniform mesh. To solve the one-dimensional problem, second-order discretizations are used to approximate the spatial derivatives whereas, a repeated quadrature rule based on trapezoidal approximation is employed to discretize the integral operator. In the case of two-dimensional problem, first, we make the semi-discretization of the proposed model based on the $L2$-$1_\sigma$ scheme for the fractional operator, and composite trapezoidal approximation for the integral part. Then, the spatial derivatives are approximated by the two-dimensional Haar wavelet. The stability and convergence analysis is carried out for both models. The experimental evidence proves the strong reliability of the present methods. Further, the obtained results are compared with some existing methods through several graphs and tables, and it is shown that the proposed methods not only have better accuracy but also produce less error in comparison with the $L1$ scheme.


翻译:本文的主要目标是构建一种高效精确的数值算法,用于解决一类一维和二维抛物型分数阶积分微分方程。 采用高阶的$L2$-$1_\sigma$方案来在均匀网格上离散时间分数阶算子。对于一维问题,采用二阶离散化来逼近空间导数,而采用基于梯形逼近的重复积分规则来离散化积分算子。对于二维问题,首先基于$L2$-$1_\sigma$方案对分数算子进行半离散化,对积分部分采用复合梯形逼近。然后,采用二维Haar小波逼近空间导数。对于两种模型,都进行了稳定性和收敛性分析。实验证据证明了目前方法的可靠性。此外,通过几个图表将所得结果与一些现有方法进行比较,表明本文方法不仅具有更好的精度,而且产生的误差比$L1$方案小。

0
下载
关闭预览

相关内容

JCIM丨DRlinker:深度强化学习优化片段连接设计
专知会员服务
6+阅读 · 2022年12月9日
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
【硬核书】树与网络上的概率,716页pdf
专知会员服务
72+阅读 · 2021年12月8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
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20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】DS-SLAM: 动态环境下的语义视觉SLAM
泡泡机器人SLAM
23+阅读 · 2019年1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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
VIP会员
相关资讯
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20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】DS-SLAM: 动态环境下的语义视觉SLAM
泡泡机器人SLAM
23+阅读 · 2019年1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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员