综述:对分数阶微分方程计算方法的关键评述:连接经典离散化技术与基于学习的近似方法

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》:A Critical Review of Computational Methods for Fractional Differential Equations: Bridging Classical Discretizations and Learning-Based Approximations

【字体: 大 中 小 】 时间:2026年04月17日 来源:ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING 12.1

编辑推荐:

  摘要 分数微分方程利用非整数阶的导数,为描述各种物理、生物或工程复杂系统的记忆效应和遗传效应提供了合适的数学模型。由于其中涉及的运算符具有非局部性,解析解极少能够找到,因此数值方法得到了迅速发展。在本文中,我们收集了经典的离散化方法以及当代的加速和优化策略,以概述解决上述类型

  摘要
分数微分方程利用非整数阶的导数,为描述各种物理、生物或工程复杂系统的记忆效应和遗传效应提供了合适的数学模型。由于其中涉及的运算符具有非局部性,解析解极少能够找到,因此数值方法得到了迅速发展。在本文中,我们收集了经典的离散化方法以及当代的加速和优化策略,以概述解决上述类型方程的最新数值求解器。我们描述了基于有限差分和卷积积分、有限元和不连续Galerkin方法、谱方法和运算矩阵、无网格配置、半解析级数以及基于物理的神经网络等替代技术的时步进方案。本文的主要贡献是对确定性和随机性分数情况进行了统一处理,解决了现有研究中关于变阶求解器可扩展性的问题。本文提出了一种简单的分类方案,研究人员可以利用该方案根据离散化方法以及它们处理方程历史的方式对现有的求解器和方法进行分类。因此,研究人员可以避免在实现现有求解器时遇到的已知问题,并更好地了解开发新的高效且保持结构不变的分数积分器的可能途径。

1 引言
分数微分方程越来越多地被用于模拟具有记忆效应(遗传效应)的系统,其中系统的未来状态取决于通过非局部分数运算符得到的整个系统历史。这种效应出现在许多研究领域中,例如多孔介质中的异常扩散、材料的粘弹性响应以及生物和金融系统中的长程时间相关性[1, 2, 3]。使用分数模型的一个关键优势是,它们可以用非常少的参数来表示记忆的幂律衰减,而整数阶模型通常需要大量的辅助变量或人工强迫项来获得类似的行为。然而,现有方法在解决高维工程问题时的统一可扩展性方面存在关键限制。

除此之外,理论上的进步使得对分数动力学的深入分析成为可能。统一的解方案揭示了分数Klein–Fock–Gordon方程的新动态特性,其中稳定性和多稳态分析对于表征波动行为至关重要[4]。改进的扩展映射技术为Davey–Stewartson模型生成了多种精确解,为数值验证提供了关键基准[5]。然而,这些分析上的成功在更复杂的情境中遇到了限制。分数双模Nizhnik–Novikov–Veselov方程的分岔和混沌现象需要高阶数值精度[6],而分数Korteweg–de Vries方程[7]和非线性Schr?dinger方程[8]的孤子解在扩展的(3+1)维或随机设置中表现出复杂的结构,这使得这些问题难以处理。这些分析上的瓶颈促使我们关注基于物理的神经网络作为替代模型,并迫切需要解决它们因非局部运算符而产生的存储完整解历史的高成本问题。

鉴于这些分析上的限制,数值方法对于涉及复杂几何形状、变量系数或非线性耦合的问题变得至关重要。然而,分数运算符由于其非局部性而带来了严重的计算挑战。对Caputo运算符的直接离散化会导致形成一个密集的、较低三角形的矩阵结构,这需要存储所有过去的解;因此,它具有线性内存需求和二次方的计算时间。从分析上讲,如果时间点的数量翻倍,运行模拟所需的时间将渐进地增加四倍,从而导致长时间模拟所需的大内存和高计算成本。当我们进入变阶领域时,卷积中的Toeplitz类性质的丧失排除了基于FFT的加速方法,这带来了本文系统地讨论的重大计算负担。

自诞生以来,经典的离散化方案有了很大的进步。Grünwald–Letnikov方法体现了直接的运算符离散化;其早期的稳定性问题通过精心构造的改进得到了解决[9]。用于Caputo导数的L1方案实现了2-α的收敛速率,并且仍然是用于次扩散问题最广泛采用的方法之一[10]。Lubich的卷积积分方法[11]保持了分数微积分中线性多步方法的稳定性,为刚性问题提供了稳健的框架。使用Jacobi或Chebyshev多项式的谱方法对于平滑解可以实现指数级收敛[12]。为了降低这些成本,经典离散化方法通过两种并行策略进行了发展:快速计算范式和核函数重构。指数总和近似[13, 14]将复杂性从O(n2)降低到接近线性的O(n),而非奇异核函数形式使得无需存储完整解历史就可以进行递归评估[15]。

现代领域包含了基于物理的神经网络(PINNs),它们可以提供无网格近似,并且在处理高维和逆问题时可能具有优势;然而,它们目前受到优化和误差验证挑战的限制[16, 17]。蒙特卡洛方法最近在多达100,000维的温和分数方程中显示出了有希望的结果[18]。此外,最近关于使用基于快速拉普拉斯变换的方案来模拟粘弹性波传播的研究表明所需内存显著减少[19, 20]。

关于这一主题领域,已经有几篇专门的综述。Li和Xiao[21, 22]对用于时间分数问题的有限差分方案进行了综述;Garrappa[23]也详细回顾了快速历史算法。Mainardi和Bagley[24, 25]对分数微积分在特定工程领域(包括粘弹性)的应用进行了综述。这些综述往往侧重于特定的方法家族或特定的应用领域。因此,文献中缺少的是一个综合性的综述,它将传统的离散方法与现代加速技术结合起来,明确比较不同方法家族的性能,并将成熟的传统方法与新的机器学习替代方法联系起来。本文将解决理论需求与实际解决方案之间的差距:如何在不降低系统物理保真度的情况下减少对系统非局部记忆建模的计算负担。

本文做出了三个独特的贡献。首先,我们创建了一个二维的分类系统,用于离散化策略和历史管理,使我们能够系统地比较乍看之下似乎不相关的方法。其次,我们描述了实现者必须在精度、稳定性和计算成本之间做出的权衡。第三,我们确定了结合A-稳定传统方法和基于学习的替代方法的混合方法,作为解决(3+1)维随机分数系统的可能途径。

本文的其余部分组织如下。第2节建立了数值离散化所需的基本定义和分数微积分的属性。第3节介绍了一系列作为文献中基准的代表性分数模型。第4节提供了主要数值方法家族的全面调查,这些方法家族按照我们新颖的分类系统进行了组织, bridges了传统和现代求解器。第5节对这些求解器进行了数值评估,包括收敛性基准和计算复杂性排序。最后,第6节总结了关键发现并概述了随机建模和保持结构不变积分器的发展方向。

2 分数微积分中的基本定义
本节介绍了为数值应用量身定制的分数微积分的关键定义,并在需要时提供了示例以帮助理解[26]。

分数微积分建立在几个特殊函数的基础上。最基本的是Gamma函数(Γ(\cdot)),它将阶乘函数推广到了非整数值[26, 27]。其定义为$$\Gamma(n) = \int^{\infty}_{0} e^{-t} t^{n-1}\,dt,$$ (1) 其中n是一个实数或复数,其实部为正[27]。与之密切相关的是Beta函数B(p,q),也称为Euler的第一积分[26]:$$B(p,q) =\int_{0}^{1} t^{p-1}(1-t)^{q-1}\,dt=\frac{\Gamma(p)\,\Gamma(q)}{\Gamma(p+q)}.$$ (2)

定义1 (单参数Mittag–Leffler函数)
在经典微积分中,指数函数的角色主要由Mittag–Leffler函数扮演。单参数Mittag–Leffler函数E_{\gamma}(t)由幂级数展开定义[26]:$$E_{\gamma}(t) = \sum_{r=0}^{\infty} \frac{t^{r}}{\Gamma(\gamma r + 1)}.$$ (3)

定义2 (双参数Mittag–Leffler函数)
更一般的双参数Mittag–Leffler函数E_{\gamma,\beta}(t)由[26]定义:$$E_{\gamma,\beta}(t) = \sum_{k=0}^{\infty} \frac{t^{k}}{\Gamma(\gamma k + \beta)}.$$ (4)

这些函数推广了几种经典函数;例如,E_{1}(t) = e^{t}[26],E_{1,2}(t) = \displaystyle{\frac{e^{t}-1}{t}[26],以及E_{2,1}(-t^{2}) = \cos t[26]。

定义3 (空间Cσ [28])
如果存在一个实数p > σ,使得$$f(t) = t^p g(t),$$ 其中g(t) ∈ C[0, ∞),则称函数f(t)属于空间Cσ,其中σ ∈ ?[28]。对于Riemann–Liouville分数积分的存在,通常要求σ ≥ -1。

经典运算符:Riemann–Liouville和Caputo
定义4 (Riemann–Liouville分数积分)
设α > 0,并设g是在[0,t]上局部可积的函数。α阶的左手边Riemann–Liouville分数积分定义为$$I^{\alpha}g(t)= \frac{1}{\Gamma(\alpha)}\int_{0}^{t} (t-s)^{\alpha-1} g(s)\,ds,\qquad α > 0.$$ (6)

2.1 Riemann–Liouville分数积分的属性
使用定义4,我们回顾了一些在分析和数值计算中广泛使用的基本属性(参见[26, 28, 29]):
- 线性。对于任何常数a,b∈?和积分存在的函数f,g,有$$I^{\alpha}(a f + b g)(t)= a\,I^{\alpha}f(t) + b\,I^{\alpha}g(t).$$ (7)
- 当α = 0时的单位元。按照惯例,$$I^{0}g(t) = g(t).$$ (8)
- 半群(复合)属性。对于α > 0,β > 0和适当的g,有$$I^{\alpha}\big(I^{\beta} g\big)(t)= I^{\alpha+β} g(t).$$ (9)
- 特别地,重复的分数积分等同于更高阶的单次积分。
- 对幂函数的作用。设g(t) = t^{γ}且γ > -1,则$$I^{\alpha} t^{\gamma}= \frac{\Gamma(\gamma+1)}{\Gamma(\gamma+\alpha+1)}\,t^{\gamma+\alpha},$$ (10) 这推广了经典的整数阶重复积分公式。
- 特殊情况:常数的积分。在前述公式中取γ = 0得到$$I^{\alpha} 1= \frac{t^{\alpha}}{\Gamma(\alpha+1)},$$ (11) 这在推导精确解或测试问题时经常使用。
- 与Beta函数的关系。对于g(t) = t^{p-1}且p > 0,核结构意味着$$I^{\alpha} t^{p-1}= \frac{1}{\Gamma(\alpha)}\int_{0}^{t} (t-s)^{\alpha-1}s^{p-1}\,ds= \frac{\Gamma(p)}{\Gamma(p+\alpha)}\,t^{p+\alpha-1},$$ (12) 其中积分使用了Beta函数恒等式$$B(\alpha,p) = \frac{\Gamma(\alpha)\Gamma(p)}{\Gamma(\alpha+p)}.$$ (13)

- Riemann–Liouville导数的左逆。如果g足够规则,并且{}^{RL}D_{0+}^{\alpha}表示α阶的Riemann–Liouville导数,则$${}^{RL}D_{0+}^{\alpha}\big(I^{\alpha}g\big)(t) = g(t),$$ (14) 即Riemann–Liouville导数是Riemann–Liouville积分的左逆。反向组合$I^{\alpha}\big({}^{RL}D_{0+}^{\alpha}g\big)$可以再现g,直到涉及其在t = 0附近的 behavior。从这个积分中,通常定义了两种不同的分数导数。第一种是Riemann–Liouville分数导数,它在整数阶导数之后应用积分运算符。

定义5 (Riemann–Liouville分数导数[26])
设α∈?且m=?α?。对于在[0,∞)上足够平滑的函数g(t),α阶的左手边Riemann–Liouville导数定义为$${}^{RL}D_{0+}^{\alpha}g(t)= \frac{1}{\Gamma(m-\alpha)}\,\frac{d^{m}}{dt^{m}}\,\int_{0}^{t}(t - s)^{m-\alpha-1}\,g(s)\,ds.$$ (15)

2.2 Riemann–Liouville导数的属性
使用分数积分Iα的定义,α > 0的Riemann–Liouville分数导数可以写成左逆运算符$$D^{\alpha}g(t) = \left(\frac{d}{dt}\right)^n I^{n-\alpha}g(t) = \frac{1}{\Gamma(n-\alpha)} \frac{d^n}{dt^n} \int_{0}^{t} (t-s)^{n-\alpha-1} g(s) \, ds,$$ (16) 其中n = ?α?是大于或等于α的最小整数。

Riemann–Liouville导数的一些基本属性如下:
- 幂规则。对于幂函数g(t) = t^{γ}且γ > -1,导数为$$D^{\alpha} t^{\gamma}= \frac{\Gamma(\gamma+1)}{\Gamma(\gamma-\alpha+1)}\,t^{\gamma-\alpha}.$$ (17)
- 线性。该运算是线性的。对于常数 \(a, b\) 和函数 \(f, g\),有 $$D^{\alpha} (a f(t) + b g(t))= a\,D^{\alpha}f(t) + b\,D^{\alpha}g(t).$$ (19)组合(半群性质)和交换性。一般来说,Riemann–Liouville 导数不满足半群性质或交换性;也就是说,通常有 $$D^{\alpha}(D^{\beta}g(t)) \neq D^{\alpha+\beta}g(t) \quad \text{和} \quad{D}^{\alpha}(D^{\beta}g(t)) \neq D^{\beta}(D^{\alpha}g(t)).$$ (20)等式 \(D^{\alpha}(D^{\beta}g(t)) = D^{\alpha+\beta}g(t)\) 仅在限制性条件下成立,例如当 \(g(t)\) 及其足够多的导数在 \(t=0\) 时消失时。注意:与经典整数阶导数或 Caputo 分数阶导数不同,常数(\(t0\))的 Riemann–Liouville 导数不为零。对于常数 \(C\),有 $$D^{\alpha}C = C\,\frac{t^{-\alpha}}{\Gamma(1-\alpha)}.$$ (18)Caputo 分数阶导数通过反转微分和积分的顺序来解决 Riemann–Liouville 定义的某些缺点。它通常更适用于初值问题,因为它允许使用经典(整数阶)初始条件。定义 6(Caputo 分数阶导数 [26])设 \(\alpha\in\mathbb{R}\) 和 \(m=\lceil\alpha\rceil\)。对于在 \([0,\infty)\) 上有 \(m\) 个连续导数的函数 \(g(t)\),α 阶的 Caputo 导数定义为 $$\eqalign{ & ^CD_{0 + }^\alpha g(t) = {I^{{\kern 1pt} m - \alpha }}[{g^{(m)}}(t) \cr & = \left\{ {\matrix{ {{1 \over {\Gamma (m - \alpha )}}\int\limits_0^t {{{(t - s)}^{m - \alpha - 1}}} {\mkern 1mu} {g^{(m)}}(s){\mkern 1mu} ds,} \hfill & {\alpha < m,} \hfill \cr {{g^{(m)}}(t),} \hfill & {\alpha = m.} \hfill \cr } } \right. \cr}$$ (21)这些算子满足重要的关系 $$I^{\alpha}\Bigl({}^{C}D_{0+}^{\alpha}g\Bigr)(t)= g(t)\;-\; \sum_{k=0}^{m-1} g^{(k)}(0)\,\frac{t^{k}}{k!}.$$ (22)其他算子服务于特定的建模或数值目的。Grünwald–Letnikov 导数对于数值方法至关重要,因为它提供了与有限差分近似的直接联系。定义 7(Grünwald–Letnikov 导数 [28])对于 \(0 < \alpha\le1\),函数 \(g(t)\) 在 \(t=a\) 时的 α 阶 Grünwald–Letnikov 导数定义为 $${}^{GL}D^{\alpha}_{0+}g(a)= \lim_{h\to0}\frac{1}{h^{\alpha}}\sum_{k=0}^{\infty}(-1)^{k}\binom{\alpha}{k}\,g(a-kh),$$ (23)其中 \(\displaystyle{\binom{\alpha}{k}}\) 是(广义的)非整数二项式系数。在标准的规则性假设下,Grünwald–Letnikov 导数可以恢复到 Riemann–Liouville 导数。对于具有对数核的有限域问题,使用 Hadamard 分数积分和 Hadamard 分数导数。我们还包括在现代分数微积分建模中使用的高级算子的定义。定义 8(变量阶 Caputo 导数 [30])变量阶 Caputo 导数通过允许分数阶 α 是时间的函数 \(\alpha(t)\) 来推广该算子,定义为 $${}^{C}\!D_t^{\alpha(t)}u(t)= \frac{1}{\Gamma(m-\alpha(t))} \int_0^t (t-s)^{m-\alpha(t)-1} u^{(m)}(s)\,ds,$$ (24)这种形式不是卷积,这带来了重大的数值挑战。定义 9(分布阶导数 [31])分布阶导数模拟了分布在不同阶次上的记忆过程。它被定义为相对于加权函数 \(\phi(\alpha)\) 的常数阶算子的积分:$${}^{D}\!D_{\phi}^{\alpha}u(t)= \int_{0}^{m} \phi(\alpha)\,{}^{C}\!D_t^{\alpha}u(t)\,d\alpha.$$ (25)定义 10(Riesz 分数导数 / 分数拉普拉斯算子 [32])对于分数偏微分方程,也定义了空间导数。虽然“Caputo 分数偏微分导数”这一术语并不标准,但在许多应用中,空间算子被认为是 Riesz 分数导数(分数拉普拉斯算子 \((-\Delta)^{\alpha/2}\) 的一种形式)。对于 \(x \in \mathbb{R}\),它通过其傅里叶变换 \(\mathcal{F}\) 来定义:$$\mathcal{F}\left( \frac{\partial^{\alpha}u}{\partial |x|^{\alpha}} \right)(k)= -\,|k|^{\alpha}\,\mathcal{F}(u)(k).$$ (26)这个算子在空间上是非局部的,与 Caputo 导数在时间上的非局部性相反。最后,最近提出了一类使用非奇异核的算子来模拟替代记忆效应。Caputo–Fabrizio 导数使用指数核:$${}^{CF}D_{0+}^{\alpha}h(t)= \frac{N(\alpha)}{1-\alpha}\int_{0}^{t} h'(s)\, \exp\!\Bigl[-\alpha\,\frac{t-s}{1-\alpha}\Bigr] \,ds.$$ (27)Atangana–Baleanu 导数使用 Mittag–Leffler 核:$${}^{AB}D_{0+}^{\alpha}h(t)= \frac{N(\alpha)}{1-\alpha}\int_{0}^{t} h'(s)\, E_{\alpha}\!\Bigl(-\alpha\,\tfrac{(t-s)^{\alpha}}{1-\alpha}\Bigr)\,ds.$$ (28)这些已经被推广,例如在加权 Caputo–Hattaf 导数中。这些算子允许快速递归数值方案,避免了其经典对应物所需的全历史成本。有了这些算子和核,我们现在研究了作为数值方法测试平台的代表性分数模型。一些分数微分模型本节介绍了常用于评估数值方案准确性、稳定性和历史成本的代表性分数微分模型。对于每个模型,在控制方程之前都会简要说明其用途或重要性。除非另有说明,请参阅引用的参考文献以获取参数值和初始/边界数据。分数振荡方程 [33] 在粘弹性和异常振荡器中,该模型捕捉了由记忆引起的阻尼和相位滞后,并且在 \(1 < \alpha < 2\) 时强调了启动精度。$$u(t) + {}^{C}D_{0+}^{\alpha}u(t) = t\,e^{-t},\qquad t > 0,\;1 < \alpha < 2,$$ (29)其中 \(u(0)=0\) 和 \(u'(0)=0\)。分数 Riccati 微分方程 [34] 这个非线性标量模型具有二次反应和记忆效应,用于测试隐式/线性化方案的稳定性和长时间精度。$${}^{C}D_{0+}^{\alpha}u(t) = 1 - \bigl(u(t)\bigr)^{2},\qquad 0 < \alpha < 1,\;\;u(0)=0,\;\;t > 0.$$ (30)分数 Bernoulli 方程 [35] 该模型捕捉了受记忆影响的增长或衰减,并突出了对核权重和步长控制的数值敏感性。$${}^{C}D_{0+}^{\alpha}u(t) + c_{1}\,u(t) = c_{2}\,u(t)^{p+1},\qquad 0 < \alpha\le1,\;\;u(0)=0,\;\;t > 0.$$ (31)分数 Lane–Emden 方程 [36] 这个模型出现在球对称(多轴)天体物理学中,用于测试方案如何处理原点附近的奇异项。$$\eqalign{ & ^CD_{0 + }^\alpha u(t) = - {k \over {{t^{\alpha - \rho }}}}{{\mkern 1mu} ^C}D_{0 + }^\rho u(t) \cr & - R(t,u(t)) + H(t), \cr & 0 < t \le 1,\;\;1 \le \alpha \le 2,\;\;0 \le \rho \le 1, \cr}$$ (32)其中 \(u(0)=U\) 和 \(u'(0)=V\)。空间分数电报方程 [37] 该模型结合了波动和扩散效应以及分数空间导数,用于测试空间分数方案的稳定性。$$\frac{\partial^{\alpha}u}{\partial x^{\alpha}}= \frac{\partial^{2}u}{\partial t^{2}}+ \frac{\partial u}{\partial t}+ u,\qquad 0 < \alpha\le2.$$ (33)时间分数波方程 [38] 该方程描述了亚扩散波的传播,有助于检查色散误差和历史成本。$$\frac{\partial^{\alpha}u}{\partial t^{\alpha}}+ \frac{\partial u}{\partial x}= H(x,t),\qquad 0 < \alpha\le1.$$ (34)线性非齐次时间分数方程 [38] 这个线性强迫问题用于测试记忆卷积的准确性和确认叠加性。$$\frac{\partial^{\alpha}u}{\partial t^{\alpha}}+ x\,\frac{\partial u}{\partial x}+ \frac{\partial^{2}u}{\partial x^{2}}= 2\,t^{\beta} + 2\,x^{2} + 2,\qquad{t} > 0,\;\;0 < \alpha\le1,\;\;u(x,0)=x^{2}.$$ (35)时间分数 FitzHugh–Nagumo 方程 [39] 该模型描述了具有记忆效应的尖峰神经元,用于测试刚性和耦合非线性项的准确性。$$\frac{\partial^{\alpha}u}{\partial t^{\alpha}}= \frac{\partial^{2}u}{\partial x^{2}}+ u\,(1-u)\,(u-\Theta),\qquad 0 < \alpha\le1,\;\;0 < \Theta\le1.$$ (36)时间分数 Korteweg–de Vries 方程 [40] 这个具有分数阻尼的扩散传输模型常用于对比光谱和有限差分的权衡。$$\frac{\partial^{\alpha}u}{\partial t^{\alpha}}+ 6\,u\,\frac{\partial u}{\partial x}+ \frac{\partial^{3}u}{\partial x^{3}}= 0,\qquad 0 < \alpha\le1.$$ (37)时间分数 Newell–Whitehead–Segel 方程 [41] 该方程捕捉了在记忆效应下的模式形成,并强调了长时间稳定性限制。$$\frac{\partial^{\alpha}u}{\partial t^{\alpha}}= \frac{\partial^{2}u}{\partial x^{2}}+ 2\,u - 3\,u^{2},\qquad 0 < \alpha\le1.$$ (38)分数流行病易感者–感染者模型 [42] 这个模型将记忆纳入疾病传播中,有助于比较积极性、守恒性和历史成本。$$\begin{aligned}{}^{C}D_{0,t}^{\gamma}S &= -\beta^{\gamma} S I, \\{}^{C}D_{0,t}^{\gamma}I &= \beta^{\gamma} S I,\end{aligned}\qquad \gamma\in(0,1].$$ (39)分数流行病易感者–感染者–康复者模型 [42] 这个扩展增加了康复和生命动态,并强调了隐式求解器在长时间范围内的守恒性和稳定性。$$\begin{aligned}{}^{C}D^{\gamma}_{0,t}S &= \mu^{\gamma} - \beta^{\gamma} S I - \mu^{\gamma} S, \\{}^{C}D^{\gamma}_{0,t}I &= \beta^{\gamma} S I - \eta^{\gamma} I - \mu^{\gamma} I, \\{}^{C}D^{\gamma}_{0,t}R &= \eta^{\gamma} I - \mu^{\gamma} R,\end{aligned}\qquad \gamma\in(0,1].$$ (40)在方程(39)和(40)中,\(t\ge 0\) 表示时间。使用的变量和参数如下:\(S(t), I(t), R(t)\) 分别表示易感者、感染者和康复者的种群密度。$\({}^{C}D_{0,t}^{\gamma}\) 表示 γ 阶的 Caputo 分数导数,其中 \(0 < \gamma\leq 1\)。索引 γ 也可以被视为记忆指数;当 γ=1 时,它简化为经典的一阶导数。β – 传播率(有效接触率)。μ 表示自然死亡率和招募率(生命动态),假设它们相等以维持恒定的总种群数量。η 表示康复率,即感染者转变为康复者的比率。为了确保经典术语与分数时间导数算子 \({}^{C}D_{0,t}^{\gamma}\)(维度为 \([{\rm Time}]^{-\gamma}\) )的一致性,经典参数 β、μ 和 η 被提高到 γ 的幂次,以便产品 \(\beta^{\gamma} S I\)、\(\mu^{\gamma} S\)、\(\mu^{\gamma} I\)、\(\mu^{\gamma} R\) 和 \(\eta^{\gamma} I\) 具有一致的物理单位。分数 Rayleigh 问题 [43] 这个在具有记忆的板上的启动剪切流问题探测了边界层和核加权的瞬态。$$(1 + \lambda^{\gamma} \, {}^{C}D^{\gamma}_{0,t})\frac{\partial \mathbf{u} }{\partial t}= \nu \nabla^{2} \mathbf{u} \quad \text{在 } \Upsilon \times \Phi, \qquad \gamma \in (0,1].$$ (41)这里 ? 是空间域,Φ 是考虑的时间间隔。4 数值方法综述对于分数微分方程(FDEs),本节展示了我们如何通过离散化处理非局部算子以及如何维护历史数据。我们方法的两个轴使我们能够将求解器选项与相应的概念联系起来,而不打断叙述流程。我们从差分公式(Grünwald–Letnikov、L1 和 L2)和有限元方法开始,接着讨论卷积-求积法,然后是全局展开(谱/运算和网格无关配置),考虑半解析级数(分解、同伦和残差幂级数),最后以神经网络逼近和核选择结束,这些都支持短记忆更新。这种分类法提出了两个主要维度,代表了分数微分方程数值解的基本问题:1. 离散化方法,它决定了算子逼近方法(局部差分、全局多项式或迭代级数)。2. 历史管理,它解决了非局部卷积的 \(\mathcal{O}(N^2)\) 计算开销和 \(\mathcal{O}(N)\) 内存需求,通过直接求和、核压缩或使用递归或全局方法完全消除。以下小节系统地探讨了这些方法类别。图 1 展示了这些不同方法家族是如何连接的。图 1 本调查中使用的方法家族的完整尺寸图像以及它们在离散化和历史轴上的连接方式。4.1 Grünwald–Letnikov 和有限差分方案用于 Caputo 导数 Grünwald–Letnikov 和有限差分公式是结构化网格系统的基本解决方案。Grünwald–Letnikov 方案将算子定义直接转化为数值方法(见定义 2.11)。该方案通过以下表达式计算 \({}^{GL}D^{\alpha}u(t_j)\) 在时间步长 \(t_j = j\Delta t\):$${}^{GL}D^{\alpha}u(t_j) \approx \frac{1}{(\Delta t)^{\alpha}}\sum_{k=0}^{j} w_k^{(\alpha)} u(t_{j-k}), \qquad{w}_k^{(\alpha)} = (-1)^k \binom{\alpha}{k},$$ (42)其中广义二项式系数定义为 $$\binom{\alpha}{k}= \frac{\Gamma(\alpha+1)}{\Gamma(k+1)\,\Gamma(\alpha-k+1)}.$$ (43)方程(43)中的广义二项式系数定义使用了 Gamma 函数,但实际上实现使用不同的方法生成权重 \(w_k^{(\alpha)}\),因为它产生更稳定的结果。$$\begin{aligned}w_0^{(\alpha)} &= 1, \\w_k^{(\alpha)} &= \left(1 - \frac{\alpha + 1}{k}\right) w_{k-1}^{(\alpha)},\quad \text{对于 } k \ge 1.\end{aligned}$$ (44)该方法使用方程(44)进行递归权重计算,因为它消除了每步需要评估 Gamma 函数的需要。该方法提供了基于算子的直接推导,从而实现了简单的实现和清晰的理解(根据 [29, 44该方案需要完整的 \(\mathcal{O}(n^2)\) 计算资源,包括内存使用和操作执行。该方案基于 Caputo/Riemann–Liouville 关系,这是其理论基础 [53]:$$^{\rm{C}}D_{0 + }^\alpha u(t) = {1 \over {\Gamma (1 - \alpha )}}\int_0^t {{{(t - s)}^{ - \alpha }}} u'(s){\mkern 1mu} ds.$$ (45)L1 方案是通过将 \(u'(s)\) 的分段线性近似值代入 Caputo/Riemann–Liouville 关系中得到的。得到的 L1 近似值在均匀时间网格 \(\{t_j\}\) 上通过以下表达式进行计算:$$\eqalign{ & {{[^{\rm{C}}}D_{0 + }^\alpha u(t)]_{t = {t_j}}} \approx \sum\limits_{k = 0}^{j - 1} {{w_{j - k - 1}}} ({u_{k + 1}} - {u_k}), \cr & {w_r} = {{{{(\Delta t)}^{ - \alpha }}} \over {\Gamma (2 - \alpha )}}\left[ {{{(r + 1)}^{1 - \alpha }} - {r^{1 - \alpha }}} \right]. \cr}$$ (46)L2 和 L2 Compact 方案是通过使用分段二次重建来扩展 L1 方法,适用于 \(1 < \alpha < 2\) 的问题。L2 和 L2 Compact 方案能够达到 \(\mathcal{O}(\Delta t^{3-\alpha})\) 的精度,但仍然对初始奇点敏感,并且像 L1 方法一样需要较高的计算资源。对于 L2 方案,权重 \(W_{j,k}\) 由以下公式给出:$$\Big[{}^{\mathrm{C}}D_{0+}^{\alpha}u(t)\Big]_{t=t_j}\approx \sum_{k=-1}^{j} W_{j,k}\,u_{j-k},$$ (47)其中 L2 权重 \(W_{j,k}\) 在均匀时间网格 \(t_j = j\,\Delta t\) 上通过以下表达式定义:$$\eqalign{ & {W_{j,k}} = {{{{(\Delta t)}^{ - \alpha }}} \over {\Gamma (3 - \alpha )}}{\mkern 1mu} {\omega _{j,k}}, \cr & {\omega _{j,k}} = \left\{ {\matrix{ {1,} \hfill & {k = - 1,} \hfill \cr {{2^{3 - \alpha }} - 2,} \hfill & {k = 0,} \hfill \cr {{{(k + 1)}^{3 - \alpha }} - 2{k^{3 - \alpha }} + {{(k - 1)}^{3 - \alpha }},} \hfill & {1 \le k \le j - 1,} \hfill \cr {{j^{3 - \alpha }} - 2{{(j - 1)}^{3 - \alpha }} + {{(j - 2)}^{3 - \alpha }},} \hfill & {k = j.} \hfill \cr } } \right. \cr}$$ (48)L2 Compact 方案使用权重 \(\widetilde{W}_{j,k}\),这些权重结合了 L2 权重以增强稳定性和对称性,类似于 Crank–Nicolson 方法。权重的定义如下:$$\begin{aligned}\widetilde{W}_{j,k} = \begin{cases} \frac{1}{2}, & k = -1, \\[6pt]\frac{1}{2} \left( 2^{3-\alpha} - 2 + 1 \right), & k = 0, \\[6pt] \ \begin{aligned}& \frac{1}{2}( (k+1)^{3-\alpha} - 2k^{3-\alpha} \\&+ (k-1)^{3-\alpha} + k^{3-\alpha} \\&- 2(k-1)^{3-\alpha} + (k-2)^{3-\alpha} )\end{aligned}, & k \ge 1.\end{cases}\end{aligned}$$ (49)从更广泛的角度来看,可以直接从稳定的多步符号中导出类似的卷积权重,将精度和稳定性与经典线性多步方法理论联系起来——这就是卷积-求积法。4.3 线性多步和卷积-求积法;预测-校正法这一系列方法使用户能够创建不同精度的时步进方案。本文重点介绍了两种基本方法:Lubich 的卷积求积法和 Adams–Bashforth–Moulton 预测-校正法。卷积求积法是一种强大而优雅的解决方案。该方法通过其直接传递机制,从经典线性多步方法(包括反向微分公式)继承了稳定性特性,适用于分数阶时步进应用 [11]。该方法为解决刚性问题和复杂的黑盒分数阶算子提供了可靠的解决方案。然而,确定卷积权重 \(\omega_n\) 需要复杂的计算,这些权重来源于线性多步方法的多项式符号 \(\delta(\zeta)\) [11]。时间步长由 h 表示,如下方程所示:$$\left(\frac{\delta(\zeta)}{h}\right)^{\pm\alpha}= \sum_{n=0}^{\infty}\omega_n^{(\pm\alpha)}\,\zeta^n,\qquad\big[D^{\mp\alpha}u\big]_{t=t_n}\approx{h}^{\pm\alpha}\sum_{j=0}^{n}\omega_{n-j}^{(\pm\alpha)}u(t_j).$$ (50)特别是(参见 [11]):$$\big[{}^{\mathrm{RL}}D_{0,t}^{\alpha}u\big]_{t=t_n}\approx h^{-\alpha}\sum_{j=0}^{n}\omega_{n-j}^{(-\alpha)}u(t_j).$$ (51)预测-校正法(Adams–Bashforth–Moulton)是一种众所周知的方法,适用于没有刚性的问题。这些方法的主要优点在于设计简单,实现过程直接,遵循 Adams–Bashforth 预测器和 Adams–Moulton 校正器的结构 [54, 55]。主要缺点是它们的稳定性范围有限,因为缺乏 A-稳定性,并且需要特定的条件才能保持稳定性 [56]。用于解决 Caputo 初始值问题的方案遵循以下格式:$$y_h^{p}(t_{n+1})=\sum_{k=0}^{\lceil\alpha\rceil-1}\frac{t_{n+1}^k}{k!}\,y_0^{(k)}+\frac{1}{\Gamma(\alpha)}\sum_{j=0}^{n}b_{j,n+1}\,f(t_j,y_h(t_j)),$$ (52)$$\eqalign{ & {y_h}({t_{n + 1}}) = \sum\limits_{k = 0}^{\left\lceil \alpha \right\rceil - 1} {{{t_{n + 1}^k} \over {k!}}} {\mkern 1mu} y_0^{(k)} \cr & + {{{h^\alpha }} \over {\Gamma (\alpha + 2)}}{\mkern 1mu} f({t_{n + 1}},y_h^p({t_{n + 1}})) \cr & + {{{h^\alpha }} \over {\Gamma (\alpha + 2)}}\sum\limits_{j = 0}^n {{a_{j,n + 1}}} {\mkern 1mu} f({t_j},{y_h}({t_j})). \cr}$$ (53)如果解在整个域内保持平滑,该方法允许用紧凑的全局展开替换时步进,前提是在起点 \(t{=}0\) 处应用了适当的正则化。4.4 有限元和间断伽辽金方法有限元方法为处理复杂域中的分数阶微分方程的空间分量提供了一种有效的方法。有限元方法的主要优点在于它可以处理非结构化网格和复杂几何形状,这使其优于标准的有限差分和谱方法。该方法使用变分(或“弱”)公式来建立坚实的理论基础,从而能够精确评估误差 [57]。该方法在边界条件实现方面表现出色,并为分数阶扩散问题产生能量稳定的解 [58]。时间分数阶扩散问题可作为此分析的示例:$${}^{C}\!D_t^{\alpha}u(x,t) - \Delta u(x,t) = f(x,t), \quad \text{在 } \Omega \times (0,T].$$ (54)该问题的半离散弱形式要求找到满足以下方程的 \(u_h(t) \in V_h \subset H^1_0(\Omega)\):$$\left( {}^{C}\!D_t^{\alpha}u_h, v_h \right) + \left( \nabla u_h, \nabla v_h \right) = \left( f, v_h \right).$$ (55)L2 内积作为乘积 \((\cdot, \cdot)\),Vh 表示有限维基函数空间。\(u_h(x,t) = \sum_{j=1}^{N} U_j(t) \phi_j(x)\) 的展开将偏微分方程转换为描述系数向量 \(\mathbf{U}(t)\) 行为的线性分数阶常微分方程组:$$M \, {}^{C}\!D_t^{\alpha}\mathbf{U}(t) + K \, \mathbf{U}(t) = \mathbf{F}(t).$$ (56)该系统包含三个主要组成部分:质量矩阵 M、刚度矩阵 K 和负载向量 \(\mathbf{F}(t)\)。系统需要基于 L1 或反向微分公式的卷积求积方案进行时间离散化。该方法存在多个缺点,影响其性能。有限元方法的实现过程需要用户进行网格生成、逐元素矩阵组装和数值求积,这使得它比有限差分方案更为复杂。空间分数阶问题中的非局部算子会产生密集的、病态的刚度矩阵,这取代了 (56) 中的标准 K 矩阵,导致计算成本高昂。时步进方案要求有限元方法解决 \(\mathcal{O}(n^2)\) 的历史成本问题,但该方法本身并不独立解决这个问题。间断伽辽金方法为用户提供了额外的灵活性。时间分数阶问题受益于直接的间断伽辽金应用,可以获得高阶精度和 A-稳定性 [59, 60]。解决空间分数阶问题主要使用局部间断伽辽金方法。非局部分数阶算子可以通过特定方法转换为低阶方程组,从而使用标准的间断伽辽金解法 [61]。有限元方法和间断伽辽金方法中的解构造都是从局部分段多项式开始的,但以下方法则是从全局多项式基构建解的。4.5 谱方法、运算矩阵方法和无网格配置法这类方法从局部时步进过渡到全局近似,使用全局多项式基进行表示(例如,Chebyshev、Legendre、Jacobi)[43]。该家族中的三种相关方法包括:(1)谱方法,使用全局多项式;(2)运算矩阵方法,提供代数实现工具;(3)无网格配置方法,使用径向基函数处理非结构化域。这些方法的主要优点是在解决具有平滑解的问题时能够达到谱精度(指数收敛)。通过将所有时间依赖数据转换为少数全局基系数,这些方法通常优于直接卷积方法,后者的复杂性为 \(\mathcal{O}(n^2)\)。主要缺点在于实现过程复杂,处理复杂几何形状时变得具有挑战性,往往导致病态的密集线性系统。此外,当处理包含奇点或高梯度区域的问题时,这些方法的性能较差,除非基函数为此类情况进行了特定的增强或优化。运算矩阵 \(\mathbf{D}^{(\nu)}\) 是将基函数 \(\Phi(t)\) 上的分数阶导数运算转换为矩阵-向量乘法运算的基本工具 [62, 63]。分数阶微分方程的解通过 \(u(t)\approx C^{\top}\Phi(t)\) 进行近似,这意味着导数被近似为 \(D^{\nu}u(t) \approx C^{\top}\mathbf{D}^{(\nu)}\Phi(t)\)。这种转换将分数阶微分方程转换为确定未知系数向量 C 的代数系统。这种方法适用于 Tau、伽辽金和配置方法 [64, 65]。Tau 和伽辽金方法通常要求残差与基函数(或测试函数)正交。相比之下,配置方法要求解在特定点 \(\{t_j\}\) 满足分数阶微分方程,从而得到线性系统 Ac?=?g。这些方法在解决各种类型的分数阶微分方程时取得了成功,包括那些具有复杂边界条件和非线性项的方程 [66,67,68]。虽然它们为复杂问题提供了可靠的解,但需要仔细选择核/基函数和高效的求解器来处理由此产生的密集线性系统。4.6 分解和迭代半解析方法分解方法,如 Adomian 分解法和变分迭代法,通过迭代级数构造来解决问题。这些方法的主要优点是能够产生半解析的、无网格的解。该方法产生封闭形式的解序列,使得非线性问题的有效基准测试、代码验证和局部分析成为可能,而不会产生网格离散误差。然而,该方法需要大量的计算资源来生成强非线性的项。Adomian 分解法生成 Adomian 多项式 An 需要大量的计算工作 [69, 70],而变分迭代法确定 Lagrange 乘数 λ 需要复杂的变分程序 [71]。此外,级数收敛性不是全局保证的,其运算时间范围通常受到限制。Adomian 分解法通过将解表示为 \(u= \displaystyle{\sum_{n\ge0}u_n}\) 和非线性项表示为 \(N[u] = \displaystyle{\sum_{n\ge0}}A_n\) 来解决问题 \(L_1u+L_2u+N[u]=g\)。递归方案如下:$$\eqalign{ & {u_0} = L_1^{ - 1}g, \cr & {u_n} = - {\mkern 1mu} L_1^{ - 1}({L_2}{u_{n - 1}} - {A_{n - 1}}), \cr & {A_n} = {1 \over {n!}}{\left. {{{{d^n}} \over {d{\lambda ^n}}}N\left( {\sum\limits_{j = 0}^n {{\lambda ^j}} {u_j}} \right)} \right|_{\lambda = 0}}. \cr} $$ (57)New/Enhanced 迭代方法通过类似的过程构建非线性增量 [72, 73]:$$\eqalign{ & {u_0} = f, \cr & {G_0} = N({u_0}), \cr & {G_m} = N(\sum\limits_{i = 0}^m {{u_i}} ) - N(\sum\limits_{i = 0}^{m - 1} {{u_i}} ), \cr & {u_{m + 1}} = L({u_m}) + {G_m}. \cr}$$ (58)变分迭代法使用由 Lagrange 乘数 λ 定义的校正函数来构造解 [71]:$$u_{n+1}(t)=u_n(t)+\int_0^t \lambda(\tau)\big(Lu_n(\tau)+N\tilde u(\tau)-g(\tau)\big)\,d\tau.$$ (59)引入可控的收敛参数使这些方法能够生成具有可调精度的同伦序列,这是同伦分析方法和同伦扰动方法的基础。4.7 基于同伦的方法基于同伦的方法,包括同伦分析方法和同伦扰动方法,是通过不同于 Adomian 分解法或变分迭代法的方式操作的半解析序列方法。这些方法的主要优点是引入了辅助参数,使用户能够控制所得序列的收敛性 [74, 75]。与传统的扰动方法不同,基于同伦的方法由于不依赖于小的物理参数的存在,因此能够产生具有扩展收敛域的结果 [76, 77]。主要缺点是所得序列项的复杂性以及需要通过复杂的“h-曲线”分析来找到适当的收敛控制参数。该方法建立了一个零阶变形方程作为基础 [74, 75]:$$(1-q)\mathcal{L}\!\big(U(t;q)-u_0(t)\big)= q\,c\,H(t)\,\mathcal{M}[U(t;q)],$$ (60)其中解函数 \(U(t;q)\) 表示为序列 \(\displaystyle{U(t;q)=u_0(t)+\sum_{m\ge1}u_m(t)q^m}\)。这导致第 m 个变形方程:$$\mathcal{L}\!\big(u_m-\chi_m u_{m-1}\big)=c\,H(t)\,R_m(u_0,\dots,u_{m-1}).$$ (61)这些基于同伦的方法通过与 Laplace 和 Sumudu 变换的集成进一步得到了改进,从而提高了运算效率 [78,79,80],特别是在解决各种分数阶微分方程的最优控制问题时,包括分数阶 Riccati 方程 [81, 82]。当右侧保持解析形式时,可以使用更简单的方法来捕捉 \(t{=}0\) 附近的分数幂行为:残差幂级数方法。4.8 残差幂级数方法和相关级数残差幂级数方法是一种与分数阶泰勒展开密切相关的半解析方法。首次由Abu Arqub [83]提出,残差幂级数方法通过分数幂级数展开构造近似解,无需线性化、扰动或离散化。该方法有效地利用残差误差分析[84]来确定幂级数系数。该方法最适合具有解析解且在t=0时具有强迫函数的问题。其主要优势是简单性:它通过直接将分数幂级数代入分数微分方程来生成级数项,避免了参数调整(如同伦分析方法)或Adomian多项式生成(如Adomian分解方法)[39, 85]的需要。然而,该方法受到强迫函数在t=0时要求平滑性的限制,这意味着它对于任意分数微分方程的通用性有限。此外,得到的级数通常具有有限的收敛域,这限制了其在短时间间隔内的使用。

我们寻求以分数幂级数形式的解:$$u(t) = U + t^{\mu} \sum_{k=0}^{\infty} c_k t^k.$$ (62)

考虑Caputo分数微分方程\({}^{\mathrm{C}}D_{0+}^{\alpha} u(t) = R(t)\),其中右侧的R(t)是解析的,并可以展开为:$$R(t) = t^{\nu} \sum_{k=0}^{\infty} \frac{P^{(k)}(0)}{k!} t^k.$$ (63)

使用Caputo导数的幂规则[29],$${}^{\mathrm{C}}D_{0+}^{\alpha} t^{\beta}= \frac{\Gamma(\beta+1)}{\Gamma(\beta+1-\alpha)}\,t^{\beta-\alpha},\qquad \beta > \alpha-1,$$ (64)

并将(62)代入分数微分方程,匹配t的相同幂次的系数以得到:$$\mu = \nu + \alpha,$$ (65)

以及$$c_k= \frac{\Gamma(k+\nu+1)}{\Gamma(k+\nu+\alpha+1)}\frac{P^{(k)}(0)}{k!},\qquad k = 0,1,2,\dots.$$ (66)

4.9 快速历史压缩和核近似

直接卷积的\(\mathcal O(N^2)\)成本源于幂律核\(K(t) = t^{-\alpha}/\Gamma(1-\alpha)\)。快速方法用结构化的近似代替了这种全局耦合,实现了\(\mathcal O(N \log N)\)或\(\mathcal O(N)\)的缩放。

指数和(SOE)近似

基本的观察是幂律核在\([\Delta t, T]\)上允许有效的指数和近似:$$\frac{t^{-\alpha}}{\Gamma(1-\alpha)} \approx \sum_{j=1}^{M} w_j \, e^{-\lambda_j t},\qquad M = \mathcal O\!\left(\log\frac{T}{\Delta t} \cdot \log\frac{1}{\epsilon}\right),$$ (67)

其中?是所需的容忍度。权重\(\{w_j\}\)和节点\(\{\lambda_j\}\)通过对逆拉普拉斯变换表示的积分计算[86]:$$t^{-\alpha} = \frac{1}{2\pi i}\int_{\mathcal C} e^{st} s^{\alpha-1}\,ds,$$使用Talbot或双曲轮廓变形来集中积分点,这些点处\(e^{st}s^{\alpha-1}\)的变化最快。

SOE近似使得历史项的递归评估成为可能。设\(H_j(t_n) = \sum_{k=0}^{n-1} e^{-\lambda_j (t_n-t_k)} f(t_k)\)。那么:$$H_j(t_n) = e^{-\lambda_j \Delta t} H_j(t_{n-1}) + f(t_{n-1}),$$ (68)

只需要\(\mathcal O(M)\)的存储和\(\mathcal O(MN)\)的总操作量,而直接求和则需要\(\mathcal O(N^2)\)。

对于具有空间非局部性的核(空间分数)或当SOE失效(变阶)的情况,层次矩阵(\(\mathcal H\)-矩阵)技术提供了\(\mathcal O(N \log N)\)的复杂度。核矩阵\(\mathbf{K}_{ij} = |x_i-x_j|^{-\alpha}\)被划分为适用于低秩近似的块,以及需要完整计算的块[87]。

江和张[86]观察到分数核的影响递减:最近的历史占主导地位,远处的历史重要性较低。他们的自适应方案将历史数据存储在对数间隔的点\(\{t_{n-2^k}\}\)上,将存储量减少到\(\mathcal O(\log N)\),同时通过局部插值保持\(\mathcal O(N \log N)\)的评估成本。

实施权衡

表1总结了快速历史方法的复杂度和适用性。

4.10 人工神经网络和算子学习

这个家族代表了从传统的离散化方法到基于数据驱动和残差最小化的替代方法的演变。最著名的例子包括物理信息神经网络及其分数扩展[16, 17]。

核心方法

物理信息神经网络模型展示了三个主要优势:

- 无网格操作:它们不需要网格结构,因此可以用于复杂的几何形状。
- 高维能力:它们有潜力解决高维问题,包括通过减轻维度诅咒来处理分数最优控制问题。
- 逆问题:它们特别适用于从可用数据进行参数估计。

然而,三个主要缺点影响了它们的应用:

1. 优化困难:底层的非凸优化过程可能导致收敛缓慢和陷入局部最小值。
2. 缺乏误差保证:与传统的数值方法不同,这些神经网络替代方案通常缺乏严格的先验误差估计界限。
3. 计算开销:在许多配置点评估分数算子需要大量的数值处理。

神经网络中的分数导数

对于分数PINNs来说,一个关键挑战是计算\({}^{C}D^{\alpha}u_{\theta}\),当uθ是神经网络时。与整数导数不同,Caputo算子需要历史积分,从而阻止了标准反向传播。当前的方法包括:(i)在配置点进行历史离散化,每次评估的成本为\(\mathcal{O}(N^2)\);(ii)核近似,实现递归评估;以及(iii)完全绕过历史的特征函数展开。

光谱偏差和初始奇点

神经网络表现出光谱偏差:它们首先学习低频分量,而在处理高频振荡时遇到困难。这对于分数问题尤其成问题,因为在t=0时解会表现出尖点或奇异行为。已经提出了使用自适应激活函数或多尺度特征嵌入的专门架构来解决这一限制。

算子学习架构

除了标准的PINNs之外,还出现了针对非局部问题的专用算子学习框架:

- DeepONet:从输入函数(初始数据、强迫)学习解算子映射到输出解,通过分支和主干网络实现离散化不变性。
- Fourier神经算子(FNO):利用傅里叶变换进行高效的长距离交互建模,自然适用于卷积分数算子。
- 图神经算子:通过在基于网格的图表示上进行学习来处理不规则几何形状。

损失公式和训练

在这个框架中,解\(u(t,x)\)由神经网络\(u_{\theta}(t,x)\)近似。损失函数\(\mathcal{L}(\theta)\)是使用Nc个配置点处的分数微分方程残差构建的,并结合了强制初始和边界条件的惩罚项:$$\mathcal{L}(\theta)= \frac{1}{N_c}\sum_{i=1}^{N_c}\left\| \mathcal{R}(t_i, x_i; u_\theta) \right\|^2+ \lambda_{\mathrm{data}} \,\mathcal{L}_{\mathrm{data}}.$$ (69)

这里\(\mathcal{R}\)表示微分算子残差,\(\mathcal{L}_{\mathrm{data}}\)编码了与规定的初始和边界数据的不匹配。训练需要仔细平衡配置点分布、自适应权重策略和考虑曲率的优化器。

4.11 变阶和时空调模型

综述主要集中在解决具有固定阶分数微分方程的方法上。然而,有两个主要类别使得标准方法无效:变阶和时空调模型。

变阶分数微分方程

变阶分数微分方程作为灵活的建模工具,其中分数阶α取决于时间、空间或其他变量,即\(\alpha = \alpha(t,x)\) [88]。

优势:这些模型提供了更大的灵活性,允许研究具有演化记忆和遗传特性的系统,例如在异质介质中的异常扩散或具有温度依赖性的粘弹性材料[89, 90]。

缺点(数值挑战):数值解决过程极其复杂。相应的变阶Caputo导数不是一个卷积算子,因为核\(K(t,s)\)依赖于t和s的绝对值而不仅仅是它们的差。这阻止了使用快速的\(\mathcal{O}(N \log N)\)历史卷积方法,通常迫使使用\(\mathcal{O}(N^2)\)的直接求和。最近的研究集中在基于Bernoulli、Jacobi或Hosoya多项式的专用光谱运算矩阵方法上,将变阶分数微分方程转换为代数系统,从而避免了非卷积时间步进问题[91,92,93]。

对于变阶算子K(t,s) = (t-s)^{-\alpha(t)}的核压缩,已经出现了特殊的压缩技术。自适应指数和方法调整它们的基函数\(\{e^{-\lambda_j(t) t}\}来跟踪缓慢变化的\(\alpha(t)\)。或者,核插值方案通过在子区间内用分段常数值近似\(\alpha(t)\),从而在每个窗口内实现基于FFT的加速。

时空调模型

时空调模型将时间依赖的非局部性(通过\({}^{C}\!D_t^{\alpha}u\))与空间依赖的非局部性(通过\((-\Delta)^{\beta/2} u\))结合起来。这些模型框定了研究异常扩散的框架,描述了时间和空间中的亚扩散和超扩散。

优势:提供了在两个域中展示非局部行为的系统的完整物理描述。

缺点(数值挑战):这些模型结合了两种算子的最糟糕的计算方面。时间分数算子产生了\(\mathcal{O}(N^2)\)的历史成本,而空间分数算子产生了密集的刚度矩阵。在每个时间步长解决由此产生的密集线性系统在计算上是禁止性的。当前的研究集中在张量积方法、核压缩技术和基于物理信息的神经网络求解器上,以处理这种复合复杂性。

快速求解器用于双重非局部性

解决复合的\(\mathcal{O}(N_{\text{time}}^2 \cdot N_{\text{space}}^2)\)成本需要专门的策略:(i)层次矩阵(\(\mathcal{H}\)-矩阵)压缩空间算子与时间上的SOE加速;(ii)交替方向隐式方案,用于解耦分数算子;以及(iii)用于时空调解流形的低秩张量训练分解。

4.12 核选择和非奇异导数

本节提出了一种不同的方法。Caputo–Fabrizio和Atangana–Baleanu算子用指数或Mittag–Leffler核替换了弱奇异核t?α。

Caputo–Fabrizio导数

Caputo–Fabrizio导数使用指数核:$${}^{CF}D_{0+}^{\alpha}h(t)= \frac{N(\alpha)}{1-\alpha}\int_{0}^{t} h'(s)\, \exp\!\Bigl[-\alpha\,\frac{t-s}{1-\alpha}\Bigr] \,ds.$$ (70)

这种公式使得快速递归时间步进方案成为可能,只需要\(\mathcal{O}(1)\)的额外存储,因为指数核满足一个简单的常微分方程,消除了历史累积。

Atangana–Baleanu导数

Atangana–Baleanu导数使用Mittag–Leffler核:$$^{AB}D_{0 + }^\alpha h(t) = {{N(\alpha )} \over {1 - \alpha }}{\int_0^t h ^\prime }(s){\mkern 1mu} {E_\alpha }( - \alpha {\mkern 1mu} {\textstyle{{(t - s)}^\alpha }} \over {1 - \alpha }}}{\mkern 1mu} ds.$$ (71)

尽管比指数核更复杂,Mittag–Leffler函数仍然可以通过其级数定义实现递归评估,将内存需求减少到\(\mathcal{O}(m)\)的m个级数项。

在这些算子中已经推广了广义非奇异算子,例如加权Caputo–Hattaf导数:$$\eqalign{ ^HD_{a + ,w}^{\alpha ,\beta ,\tau }g(t) = & {{N(\alpha )} \over {1 - \alpha }}{1 \over {w(t)}} \cr & \int_a^t {{E_\beta }} \left( { - \alpha {{{{(t - s)}^\tau }} \over {1 - \alpha }}} \right){d \over {ds}}[w(s)g(s)]{\mkern 1mu} ds. \cr}$$ (72)

这样的算子允许快速递归数值方案,避免了其经典对应物的全历史成本。

理论辩论和实际权衡

优点/缺点:主要优点是数值上的:非奇异核分数导数使得快速递归时间步进方案成为可能,只需要\(\mathcal{O}(1)\)或\(\mathcal{O}(m)\)的内存,避免了经典分数微分方程的\(\mathcal{O}(N^2)\)成本。

缺点是理论上的:关于这些算子描述的是有限记忆持续时间还是真正的幂律记忆,目前仍有争议[94, 95],尽管它们的计算优势已有充分记录[96, 97]。

对于实践者的建议

为了指导实践者选择合适的求解器,我们总结了本调查中讨论的权衡:

- 对于可靠性至关重要的标准问题,L1/L2有限差分方案或卷积求积(CQ)仍然是最可靠的选择,因为它们有成熟的稳定性理论。
- 当\(\mathcal{O}(N^2)\)的历史成本成为一个瓶颈时,应切换到快速历史方法(例如,指数和)或使用具有递归特性的算子(如Caputo–Fabrizio)来将复杂性降低到接近线性。
- 如果解已知是平滑的或解析的,光谱方法和运算矩阵更受青睐,因为它们有潜力实现指数收敛率。
- 对于数据驱动和逆问题,如果数据可用但物理部分未知,物理信息神经网络为经典离散化提供了一个灵活的替代方案。

方法总结

为了综合所讨论的各种方法,我们提供了两个关键参考表。表2作为一个实用的目录,将第3节中的基准物理模型与最适合它们的特定数值方案联系起来。补充这一点的是,表3为第4节中讨论的求解器家族提供了比较决策矩阵,明确对比了收敛阶数、稳定性特性和历史存储的计算负担之间的关键权衡。

表2 在调查中引用的模型和示例数值方案

表3 主要方法家族的紧凑比较(续)

5 结果和讨论

在本节中,我们将总结之前工作的结果,这些结果比较了不同方法解决时空调扩散方程的计算成本,并根据第4.5节中给出的问题大小和期望的准确性,比较了这些方法的选择建议。

5.1 收敛特性:建立的基准

表4列出了应用于具有精确解\(u(x,t)=E_{\alpha}(-t^{\alpha})\sin(x)\)的三种主要方法家族的验证收敛率[29, 106]。

表4 验证的时空调扩散求解器收敛率。Stynes等人[103]、Gao等人[104]和Zayernouri & Karniadakis[12]的比较研究确认了这些经验率。

表4 中的关键发现

如Stynes等人[103]所指出的,分级网格可以用来恢复具有奇异初始数据的时空调扩散方程的有限差分方案的最优收敛性。因此,正如Stynes等人所建议的,在使用有限差分方法求解时间分数扩散方程时,应该考虑使用分级网格。时间分数扩散求解器的收敛性从根本上取决于t=0时解的规则性。例如,对于平滑的初始数据,时间分数扩散方程的解在t=0处具有代数奇点,这可以通过展开式$$u(t) = u(0) + c_1 t^{\alpha} + c_2 t^{2\alpha} + \cdots + \text{平滑项}$$来表达。(73)因此,代数奇点将均匀网格L1方案的收敛阶限制在$\mathcal{O}(\Delta t^{2-\alpha})$。通过使用分级网格(其中$t_j = (j/N)^r T$,这里$r=2/\alpha$),可以将均匀网格L1方案的收敛阶提高到$\mathcal{O}(\Delta t^2)$。这种解的规则性与时间分数扩散方程的空间离散化网格选择之间的相互作用在整数阶数值分析中不会发生,因此需要特殊的工具来发展必要的理论。

5.2 计算复杂性:已发布的性能数据
图2展示了历史管理策略的定性缩放行为。Jiang等人[86]和Baffet & Hesthaven [87]提供的定量计时数据总结在表5中。
图2
历史管理策略的定性计算复杂性缩放。表5中的定量数据。
表5 当积分至T=50且α=1.5时,分数振荡方程的CPU时间(秒)。数据来源[86,表2]和[87,表4]
全尺寸表格

关键发现:在N=10^5时,快速历史方法实现了200倍的加速,这与第4节的复杂性分析一致。

离散分数微积分视角
直接方法的$\mathcal{O}(N^2)$成本来源于离散分数积分算子$\mathbf{I}^{\alpha} \in \mathbb{R}^{N \times N}$的密集下三角结构,其元素为:$$\mathbf{I}^{\alpha}_{ij} = \frac{\Delta t^{\alpha}}{\Gamma(2-\alpha)} \left[(i-j+1)^{1-\alpha} - (i-j)^{1-\alpha}\right], \quad i \geq j.$$(74)快速方法利用了这个矩阵的结构:SOE近似用秩揭示分解替换了Toeplitz结构,而非奇异核则产生稀疏或对角线加低秩结构。这种离散算子的视角统一了算法设计并指导了稳定性分析。

5.3 物理解特性
时间分数扩散方程的基本解在原点表现出特征性的重尾和尖峰行为[107, 108]。这些特征在图3中有所展示,该图复现自Mainardi等人[108]的研究。

图3
基本解剖面显示了从亚扩散(α<1,代数尾部)到经典高斯扩散(α=1,指数尾部)的转变。复现自Mainardi等人[108],图1

物理解释:对于大的|x|,代数衰减|x|^-α-1(与α=1时的指数衰减不同)表征了亚扩散传输,这在中观介质[1]和生物组织[109]中被观察到。

对数值方法的结构影响
重尾的空间剖面和时间尖峰挑战了标准的数值离散化方法。谱方法需要专门的基函数(具有奇异权重函数的Jacobi多项式)来实现指数收敛。有限元素方法在空间上需要分级网格来解析尖锐的边界层。这些结构特征将分数求解器与其整数阶对应方法区分开来,并激发了表3中针对特定方法的建议。

5.4 讨论
已发布的基准测试证实了第4节中提出的比较框架是有效的:
1. 精度:基于谱技术的方法对于平滑问题可以指数级收敛到精确解;分级网格可用于表示奇异行为,如[12, 103]所示。
2. 成本:基于历史信息的快速时间步进技术在长时间积分时提供显著的加速,并且与Sum Over Exponents(SOE)方法和非奇异核方法的表现相似,如[86, 87]所示。
3. 物理保真度:允许异常传输特性(重尾、记忆效应)的分数模型已通过实验数据[1, 108]以及其他物理证据得到验证。上述独立验证为模型方案的选择提供了定量基础,如表2和表3所示。

当前基准测试中的关键差距
尽管取得了这些进展,与常微分方程/偏微分方程社区相比,分数微分方程的标准化基准测试套件仍然不完善(例如,常微分方程的DETEST,偏微分方程的Manufactured Solutions方法)。缺失的关键元素包括:(i) 对于变阶问题具有认证准确性的参考解;(ii) 多物理场耦合测试案例;(iii) 高维随机基准测试;以及(iv) 跨硬件平台的可重复性能指标。

6 结论和未来方向
本调查研究了分数微分方程的基本数值解,涵盖了有限差分和Grünwald–Letnikov方案、一阶和二阶L1型时间离散化(包括L2和L2C变体)以及通过卷积积分构建的线性多步方法。我们还探讨了谱方法和运算矩阵方法、无网格配置法、分解和基于同伦的级数方法,以及现代神经网络和算子学习求解器和非奇异核公式。综述的重点在于展示不同方法如何在保持精度的同时实现稳定性,以及它们在实现过程中对内存使用的影响。

主要收获:
- 基于Grünwald–Letnikov算子的有限差分方案直接提供了对底层分数算子定义的访问,但它们的主要缺点在于需要完整的历史记录,这在扩展模拟过程中会带来可扩展性问题。
- 一阶和二阶L1型族是Caputo分数导数的可靠离散化方法,因为它们通过基本的权重系统提供了稳健的精度-稳定性性能。
- 线性多步方法和Adams–Bashforth及Adams–Bashforth–Moulton预测-校正方案的时间积分过程为用户提供了实现更高精度级数的系统工具。
- 基于运算矩阵和谱的方法使得用户在处理平滑解剖面时能够达到高精度水平。
- 基于分解和同伦的级数方法,以及神经网络和算子学习求解器,在解决非线性和参数问题方面显示出潜力。
- 这些方法论的进步在于它们能够实现现实的多尺度模拟。分数算子捕获的内存效应——用整数阶模型无法实现——现在可以通过快速历史压缩和混合求解器在计算上得到处理。

6.1 未来方向
综述指出,多个具体挑战将影响未来分数微分方程数值求解器的发展:
- 双重非局部性诅咒:时空分数问题同时产生了两个主要的计算挑战。将快速历史积分方法与先进的线性代数技术相结合,用于密集的空间算子,迫切需要发展以实现快速时间步进和时空效率。
- 变阶求解器:为使用变阶算子的模型开发快速求解方法仍然是一个开放的挑战。变阶算子的非卷积性质使它们与标准的快速历史方法不兼容。未来研究必须专注于核压缩方案调整或数据驱动的学习方法,用于快速替代构建。
- 混合物理信息求解器:当前经典数值方法与基于学习的方法之间的集成仍然太基础。一个有前途的方向是将物理信息神经网络用于初始奇点解决(经典方法难以处理的领域),结合基于向后微分公式的卷积积分,用于长时间、非刚性积分。
- 结构保真:该领域需要更严格的结构保持方法。用于分数流行病模型的标准方案通常无法保持解的正性和守恒特性。研究人员必须创建在离散层强制物理特性的分数阶非标准有限差分方案。
- 标准化基准测试:该领域需要立即实施与机器学习和常微分/偏微分方程数值分析中使用的协议相匹配的标准化基准测试套件。基准测试系统应该通过一组 established 问题来评估方法,展示各种复杂度水平,包括初始奇点、刚性和高维度。

6.2 高影响力研究方向
未来分数微分方程数值方法的发展需要研究人员创造提供计算效率、物理精度和可扩展性的工具:
- 尺寸缩放双重非局部性问题:研究应创建完整的时空快速求解器,将先进的线性代数技术与时域核降维方法相结合。目标是实现$\mathcal{O}(N_{\text{time}} \cdot N_{\text{space}})$的复杂性,而不是当前的复合复杂性。
- 非卷积算子的快速历史求解器:开发用于变阶算子的快速求解方法仍然是一个开放的挑战。变阶算子的非卷积性质使它们与标准的快速历史方法不兼容。未来研究必须专注于核压缩方案调整或数据驱动的学习方法,用于快速替代构建。
- 混合物理信息求解器:当前经典数值方法与基于学习的方法之间的集成仍然太基础。一个有前途的方向是将物理信息神经网络与用于初始奇点解决的结合(经典方法难以处理的领域),结合基于向后微分公式的卷积积分,用于长时间、非刚性积分。
- 结构保持:该领域需要更严格的结构保持方法。用于分数流行病模型的标准方案往往无法保持解的正性和守恒特性。研究人员必须创建在离散层强制执行物理特性的分数阶非标准有限差分方案。
- 标准化基准测试:该领域需要立即实施与机器学习和常微分/偏微分方程数值分析中使用的协议相匹配的标准化基准测试套件。基准测试系统应通过一组 established 问题来评估方法,展示各种复杂度水平,包括初始奇点、刚性和高维度。
- 随机孤子动力学和精确解:使用改进的改进扩展tanh函数(IMETF)方法为更高阶随机修改的Gerdjikov–Ivanov模型构建精确解,为验证随机分数求解器提供了关键基准。这些模型描述了在随机扰动下的非均匀介质中的非线性波传播,需要能够在分数色散和乘性噪声下保持孤子稳定性的数值方法。
- (3+1)维光学系统中的噪声效应:(3+1)维非线性薛定谔方程中噪声对波孤子的影响要求专门的算法,这些算法能够处理分数色散和随机强迫。这需要自适应时间步进和随机卷积积分以及不确定性量化,用于随机波动介质中的脉冲传播。
- 三次-五次随机孤子:使用改进的扩展tanh函数方案表征(3+1)维薛定谔方程中的随机孤子行为,这些方案能够研究在随机折射率波动的分级折射率光纤中的光束传播。数值方法必须捕捉分数导数、高阶非线性和噪声诱导的相位转变之间的相互作用。
- 具有复杂非线性的广义随机NLSE:提取具有标准布朗运动、五次非线性的广义随机薛定谔方程的新孤子波结构需要结构保持积分器。这些方法必须在结合记忆效应、高阶色散和乘性噪声的情况下保持孤子稳定性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号