自适应多层非精确牛顿法（ANIMAL/ANIMALS）结合光滑化求解半线性问题

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》：ANIMALS: Adaptive multilevel inexact Newton methods with smoothing for semilinear problems

　　

级联算法（cascadic algorithms）在最粗层级上求解非线性问题，随后逐次加密网格，并在每一加密层级上施加一种经典迭代格式（在此语境下称为光滑子，smoother）。自适应非精确牛顿多层算法（Adaptive Inexact Newton Multilevel Algorithm，ANIMAL）具有这一结构：其外循环模拟连续层级上的非精确牛顿迭代，内循环允许执行多次自适应加密步骤。这使ANIMAL区别于传统的多层格式，其动因在于牛顿法（Newton's method）的局部二次收敛与单层网格加密仅能实现的线性误差衰减之间的不匹配。然而，经典自适应网格加密要求在每一加密步骤上获得精确求解。因此，研究人员引入了一种成本更低的、增强光滑化的变体ANIMALS，它以固定数目m次光滑迭代替代精确的中间求解。研究人员建立了底层非精确牛顿格式的R-二次收敛性（R-quadratic convergence），同时针对半线性椭圆问题、对流–扩散问题（convection–diffusion problems）以及Ginzburg–Landau问题的数值实验验证了所提方法的有效性。

研究背景方面，自适应网格加密（adaptive mesh refinement）已被充分确立，并被公认为对线性偏微分方程（partial differential equations）的有效有限元近似而言是必需的。在同一基础层面上，牛顿法向Banach空间的经典推广构成了一套成熟且发展完善的理论框架。本文引入一种将这两类工具相结合的实用途径。牛顿型方法将非线性方程F(u)=0的求根问题转化为一系列涉及导数F′(u_j)的线性问题。现有算法通常采用外循环进行网格加密、内循环求解由此产生的线性化系统。经典牛顿法的数学分析基于非线性椭圆问题Galerkin与混合有限元离散下的固定网格。然而在嵌套网格框架中，人们早已认识到每一加密层级上单步牛顿迭代可能足以保持最优离散精度，这一原理构成了经典双网格加速及其后续向非线性与自适应多层情形推广的基础。已有研究广泛采用不动点迭代与牛顿型方法，后续工作聚焦于内循环中的廉价迭代求解器与全局复杂度估计。但这种侧重部分掩盖了收敛机制的根本差异：单步牛顿迭代产生更高（通常为二次）的收敛速度，而单次网格加密仅线性地减小网格尺寸，通常以因子1/2缩减。研究人员主张将PDE层面的非线性迭代作为外循环，而按需反复执行网格加密，以将离散误差降低到由牛顿步所决定的精度。这一视角自然导向直接在函数空间中构造的自适应非精确牛顿格式，而不依赖全局能量泛函或单调性结构。

研究人员开展了以下研究：提出抽象非精确牛顿格式（算法1），并给出两种收敛性结果。由于研究人员未能找到在一般设定下确立算法1收敛性的参考文献，故在强化但透明的假设下给出两个收敛结果，均证明抽象非精确牛顿格式R-二次收敛，这构成本文的主要理论贡献。由于关注渐近行为，假设初始近似足够精确。在有限元实现中的关键观察是：在达到容差δ_j并更新线性化点之前，可能需要多次网格加密，因此不必在所有中间阶段精确求解相应的线性化问题；取而代之的是采用廉价迭代求解器（如SSOR、CG或GMRES）在各网格上计算非精确代数更新。更确切地说，经典光滑子如SSOR有效阻尼高频误差分量，而Krylov方法如CG与GMRES分别为对称与非对称问题提供成本有效的非精确更新。这些非精确求解并非旨在完全解出线性化系统，而是引导自适应加密过程。研究人员首先引入ANIMAL，它在固定线性化点的前提下，在一系列自适应加密网格上实现每次外牛顿迭代的线性化问题；离散解通过延拓（prolongation）在相继网格间传递，因此单次外牛顿迭代内可执行多次自适应网格加密步骤。在该基线实现中，线性化问题在每一中间网格上被精确求解。这与按监控的代数误差准则在当前网格上终止代数迭代的标准自适应算法不同。此处的核心思想是将自适应网格加密与精确代数求解解耦。研究人员引入统一框架ANIMALS，在ANIMAL基础上增加内层光滑化步骤：一旦达到阈值M，在每一中间网格上仅执行少量m次迭代求解器迭代，所得近似解用于评估加密指示子并驱动标记与网格加密，随后在加密网格上重复该过程。因此常规的中间循环“求解、估计、标记、加密”被替换为“m次光滑步、估计、标记、加密”。ANIMAL作为参考情形m=0（无光滑化且精确求解中间线性问题）被恢复。通过避免在中间网格上精确求解，ANIMALS在保持渐近收敛行为的同时实现了显著的计算节省。

关键技术方法方面（不超过250字）：研究人员采用协调有限元空间X(T)与Y(T)，网格由最新顶点二分法（newest-vertex bisection，NVB）生成；采用可靠误差估计子η(T,u_T)满足‖u?u_T‖_X≤η(T,u_T)，并以其作为加密指示子驱动自适应加密，网格加密执行D?rfler标记并伴随当前迭代向相应离散空间的自然延拓；内层采用SSOR、CG、GMRES等廉价迭代求解器执行m次光滑迭代；容差更新采用tol:=min{tol/2, tol²}以模拟精度的二次缩减。数值实验涵盖半线性椭圆、对流–扩散与Ginzburg–Landau基准问题，未涉及样本队列来源。

研究结果方面：第2节“非精确牛顿算法”在Newton–Kantorovich定理设定下（常数β、L、?，条件?L/β<1/2，r=β/L）给出两个强化条件。例2.1强化条件(b)（假设(3)：β‖F′(x)^?1‖≤1对所有x∈B(u₀,r_?)闭包成立），并取δ_j:=(r/2)(r_?/r)^2j；例2.2在仅假设(b)下强化三个常数的条件，要求更小的?L/β<√2?1，定义κ:=r√(1?2?/r)、q:=1/2+r_?²/(4κ²)<1，取δ₁:=(2κ²?r_?²)/(4κ)>0、δ_j+1:=κq^2j/2。定理2.3表明：在例2.1或例2.2的条件下，算法1是可行的（即?_j∈X良定义，且存在u_j+1∈B(u₀,r_?)闭包∩B(?_j,δ_j+1)闭包非空），并输出序列u_j∈B(u₀,r_?)闭包，R-二次收敛到F(u)=0在B(u₀,r_?)闭包内的一个根u。第2.3节与第2.4节分别以数学归纳法给出例2.1与例2.2下的收敛性证明，关键估计为‖u??_j‖_X≤(L/(2β′))‖u?u_j‖_X²，其中β′:=β√(1?2?/r)。第3节“自适应非精确牛顿多层算法”给出算法2，其动机是当保证收敛的常数未知时算法1不实用，δ_j的实用选取仍不明确。算法2中参数M反映预渐近区域：M=∞时dim X(T_j+1^(k))²}，模拟精度的二次缩减：一旦估计精度二次地变小，内循环中的加密即可终止。第4节“计算基准与计算机实现”介绍形如?Δu+β·?u+N(u)=f的非线性问题，其中β为给定对流场、N(u)为多项式半线性项、f为给定源项，除另有说明外边界数据由精确解给出。前两个基准涉及单位正方形Ω=(0,1)²上的三次半线性N(u)=u³，精确解为u(x,y)=10xy(1?x)(1?y)exp(?d((x?0.5)²+(y?0.9)²))，其中d>0为控制解局部化的峰值参数；由于u在?Ω上消失，施加齐次Dirichlet边界条件，相应右端项f由将精确解代入微分方程确定。第5节与第6节分别给出对称半线性椭圆问题与非对称对流–扩散问题的数值实验；第7节考虑具有绕数二边界数据、非凸向量值Ginzburg–Landau问题，考察两个局域涡旋的自适应检测；第8节总结主要经验发现。

讨论与结论部分：论文指出，ANIMAL在每次外牛顿迭代中于一系列自适应加密网格上实现线性化问题而保持线性化点固定，离散解经延拓在相继网格间传递，故单次外牛顿迭代内可执行多次自适应加密步骤；ANIMALS以固定m次光滑迭代替代精确中间求解，通过避免中间网格上的精确求解实现显著计算节省，同时保持渐近收敛行为。研究结论为：在例2.1或例2.2的条件下，算法1可行并R-二次收敛到F(u)=0在B(u₀,r_?)闭包内的一个根；数值实验针对半线性椭圆、对流–扩散与Ginzburg–Landau问题验证了所提方法的有效性。