第一类柯西型奇异积分方程的高精度数值方法

《Mathematics》：Highly Accurate Numerical Method for First-Kind Singular Integral Equations

　　

本文提出了一种求解第一类柯西型奇异积分方程(CSIEs)的高精度数值格式。该方法基于利用Chebyshev级数近似未知函数，并采用带Gauss-Lobatto节点的修正Gauss-Chebyshev求积公式来计算加权核积分。所提出的方法具有通用性，能够有效处理有界、无界和半有界解域。研究者在有界和无界两种情形下均建立了相应算子的可逆性，从而确保了解的唯一性。此外，研究者在Hilbert空间中严格证明了收敛速率。文中提供了多个数值算例以展示该方法的性能，并与现有数值技术进行了详细比较。这些结果证实了所提方法的简洁性、高效性和可靠性，使其成为在广泛应用中求解第一类CSIEs的有力工具。

### 论文解读：第一类柯西型奇异积分方程的高精度Chebyshev配置-求积混合方法

#### 1. 研究背景与问题

奇异积分方程(SIEs)在数学物理、断裂力学、流体力学和电磁学等领域具有广泛应用。其中，第一类柯西型奇异积分方程(CSIEs)因与特征值和特征函数问题紧密相关，其求解比第二类方程更为复杂。由于解析解仅在极少数特殊情形下可获得，发展高效、高精度的数值或半解析方法成为必要。长期以来，研究者已发展出配置法、Galerkin法、离散涡方法(MDV)、样条逼近、同伦摄动法(HPM)等多种数值手段。然而，许多已有方法仅能处理特定类型解（如有界解或半有界解），或是只能获得近似解而无法达到精确解，或在收敛性和误差分析方面存在不足。例如，Eshkuvatov等(2009)使用四类Chebyshev多项式求解第一类SIEs，但对线性力函数才能获得精确解；Abdulkawi等(2015)采用微分变换法仅得到半有界解。因此，发展一种能够统一处理有界、无界和半有界解域，且具有高精度和严格收敛性保证的数值方法仍是一个重要挑战。

#### 2. 研究内容与主要结论

研究人员提出了一种混合方法，将Chebyshev配置法(ChCM)与核展开方法相结合，用于求解第一类柯西型奇异积分方程(CSIEs)。该方法的核心思想是：将未知函数表示为四类Chebyshev多项式的级数形式，并利用Gauss-Chebyshev求积公式（带Gauss-Lobatto节点）计算加权核积分。对于退化核情形，采用可分离核展开；对于非退化核，则通过正交性条件进行核逼近。通过配置法将积分方程离散为代数方程组，求解未知系数后得到半解析解。

研究人员的重要结论包括：
- 该方法能够统一处理有界、无界和半有界四类解情形，且对每个情形均能获得精确解（当精确解具有多项式乘权函数形式时）或高精度近似解（当精确解为有理函数乘权函数形式时）。
- 在Hilbert空间中严格证明了求解算子的可逆性，从而保证了解的唯一性。针对有界和无界两种情形，分别建立了算子的可逆性定理。
- 证明了方法的收敛性：当未知函数具有s阶导数且满足代数Chebyshev逼近的正则性条件时，方法以s阶代数收敛；当未知函数可解析延拓到Bernstein椭圆时，方法达到谱/几何收敛。

通过与已有方法（包括Eshkuvatov等(2009)的Chebyshev逼近、Abdulkawi(2015)的微分变换法、Okecha(2007)的Lagrange插值求积法）的对比，研究人员表明所提出的方法在所有测试算例中均获得了精确解或更高精度的结果，优于对比方法。

#### 3. 关键技术方法

研究人员主要采用了以下几项关键技术：
1. **四类Chebyshev多项式展开**：根据解的边界行为（有界、无界、半有界）选择相应的Chebyshev多项式类型（第一至第四类）及权重函数表示未知函数。
2. **修正Gauss-Chebyshev求积公式**：对加权核积分使用带Gauss-Lobatto节点的Gauss-Chebyshev求积，有效处理退化核与非退化核（通过核的可分离逼近或正交性条件展开）。
3. **Chebyshev配置法(ChCM)**：选取Chebyshev多项式零点或Gauss-Lobatto节点作为配置点，将积分方程离散为线性代数方程组，求解Chebyshev展开系数。
4. **Hilbert空间算子理论**：将积分方程转化为算子方程，利用紧算子与Fredholm定理证明算子的可逆性和解的唯一性，并建立收敛速率估计。

数值实验均在配备Intel Celeron B820处理器(1.70 GHz)、4 GB RAM的计算机上使用Maple和Matlab 2023.2.1完成，但样本队列来源不适用于本理论数值研究。

#### 4. 主要研究结果

**例1（Eshkuvatov等(2009)）**：求解一个具有已知解析解的CSIE。研究人员使用四类Chebyshev多项式分别求解有界、无界和两种半有界情形，在n取较小值时，所有情形的近似解与精确解的误差均为零。作为对比，Eshkuvatov等(2009)仅对线性力函数得到精确解，Abdulkawi(2015)仅得到半有界解。

**例2（Abdulkawi等(2009)）**：求解另一个具有解析解的CSIE。研究人员对所有四种情形（有界、无界、两种半有界）均获得了精确解。而Abdulkawi等仅使用第一、第二类Chebyshev多项式求解了有界情形，且只能得到近似解。

**例3（Okecha(2007)）**：求解一个第三类CSIE。Okecha使用基于Jacobi多项式零点的Lagrange插值求积法，仅考虑有界解，且n=7时最大绝对误差约为需要保留数字（原文未给出具体值，但研究人员指出其非精确）。研究人员的方法对所有情形均获得精确解。

**例4（无已知解析解）**：通过试凑法得到精确解形式，研究人员对四种情形的误差进行了数值研究。表1-4（分别对应有界、无界、两种半有界情形）显示，随着节点数n的增加，误差显著下降。具体表现为：当解为权重函数乘多项式时，方法精确；当解为权重函数乘有理函数时，误差随n增加逐渐趋于零。图形表示（图1-4）进一步验证了误差的快速衰减趋势。

#### 5. 讨论总结与结论翻译

**讨论部分**：研究人员指出，所提出的Chebyshev配置框架与FNO、MP-FVM、DRW、AFDONet等现代神经算子技术在方法论上存在本质差异。本方法是一种确定性逼近过程，未知解在Chebyshev基中显式表示，系数通过离散化奇异积分方程获得，无需训练数据集，其精度可通过多项式逼近误差、求积误差和离散算子稳定性来分析。这对于第一类CSIEs尤为重要，因为这类问题的病态性需要谨慎处理奇异性、端点行为和条件数。神经算子方法虽在参数化问题族重复求解方面可能有优势，但其性能依赖于训练数据的质量和覆盖范围。研究人员强调，不能简单断言哪种方法普遍更优，在标准化CSIE基准上进行系统对比是未来工作的重要方向。

**局限性**：该研究未与所有上述数据驱动技术进行直接数值基准对比，因为训练这些模型需要GPU加速、训练数据集和大量软件开发，超出了本确定性数值实验的范围。

**结论翻译**：在本文中，研究人员开发了一种混合方法（结合Chebyshev配置法(ChCM)和核展开方法）来求解第一类SIEs，其中方程(1)中的核在矩形区域的对角线上是常数。配置法被用于获得方程(31)中未知系数的代数方程组。例1-4验证了所开发方法对第一类SIEs具有很高的精度和稳定性。从表1、表2和表3可以得出结论：如果所考虑问题的解表示为权重函数乘以多项式的形式，即解为权重函数乘多项式，则ChCM是精确的；如果SIEs的解表示为权重函数乘以有理函数的形式，则当节点数增加时，ChCM逐渐逼近精确解。数值实验表明，所提出的Chebyshev配置方法在与文献[15](2009)、微分变换法[35](2015)和基于Lagrange插值的求积规则[37](2007)相比时，提供了有竞争力的精度。数值解是借助Matlab 2023.2.1软件获得的。

**未来展望**：未来研究的一个重要方向是探究所提出的Chebyshev配置框架在生物工程、生化反应系统和化学动力学中出现的跨学科反问题和非局部建模问题中的适用性，特别是涉及耦合反应、传输和记忆效应的积分公式，可能为生物和化学生产系统中的参数识别与重构问题提供有用的计算框架。