我正在實施2D PDE問題的有限差分方案。我希望避免使用循環來產生有限差異。例如由以下生成U(X,Y)_xx,我可以乘以U(X,Y)的第二階中心差:矩陣生成有限差異
是否有u_xy =一個很好的矩陣表示( u_ {i + 1,j + 1} + u_ {i-1,j-1} -u_ {i-1,j + 1} -u_ {i + 1,j-1})/(4dxdy)這是一個難以編碼的問題,因爲它是2D的 - 我想用u(x,y)乘一些矩陣來避免循環。非常感謝!
我正在實施2D PDE問題的有限差分方案。我希望避免使用循環來產生有限差異。例如由以下生成U(X,Y)_xx,我可以乘以U(X,Y)的第二階中心差:矩陣生成有限差異
是否有u_xy =一個很好的矩陣表示( u_ {i + 1,j + 1} + u_ {i-1,j-1} -u_ {i-1,j + 1} -u_ {i + 1,j-1})/(4dxdy)這是一個難以編碼的問題,因爲它是2D的 - 我想用u(x,y)乘一些矩陣來避免循環。非常感謝!
如果點存儲在一個N-by-N
矩陣然後,如你所說,左通過您的有限差分矩陣乘以給出了一個近似於第二衍生品相對於u_{xx}
。右乘於有限差分矩陣的轉置相當於近似u_{yy}
。您可以通過左乘以和右乘乘以例如近似值來得到混合衍生物u_{xy}
的近似值。中央差矩陣
delta_2x =
0 1 0 0 0
-1 0 1 0 0
0 -1 0 1 0
0 0 -1 0 1
0 0 0 -1 0
,所以像
U_xy = 1/(4*Dx*Dy) * delta_2x * U_matrix * delta_2x';
(再由因子4*Dx*Dy
分)如果你投了矩陣作爲N^2
矢量
U_vec = U_matrix(:);
那麼這些運營商可以可使用Kronecker product表示,在MATLAB中實現爲kron
:我們有
A*X*B = kron(B',A)*X(:);
所以你的有限差分矩陣
U_xy_vec = 1/(4*Dx*Dy)*(kron(delta_2x,delta_2x)*U_vec);
相反,如果你有一個N-by-M
矩陣U_mat
,然後離開了矩陣乘法相當於kron(eye(M),delta_2x_N)
,右乘法kron(delta_2y_M,eye(N))
,其中(delta_2x_N
)是M-by-M
(N-by-N
)中心差分矩陣,所以操作是
U_xy_vec = 1/(4*Dx*Dy) * kron(delta_2y_M,delta_2y_N)*U_vec;
這裏是一個MATLAB代碼示例:
N = 20;
M = 30;
Dx = 1/N;
Dy = 1/M;
[Y,X] = meshgrid((1:(M))./(M+1),(1:(N))/(N+1));
% Example solution and mixed derivative (chosen for 0 BCs)
U_mat = sin(2*pi*X).*(sin(2*pi*Y.^2));
U_xy = 8*pi^2*Y.*cos(2*pi*X).*cos(2*pi*Y.^2);
% Centred finite difference matrices
delta_x_N = 1/(2*Dx)*(diag(ones(N-1,1),1) - diag(ones(N-1,1),-1));
delta_y_M = 1/(2*Dy)*(diag(ones(M-1,1),1) - diag(ones(M-1,1),-1));
% Cast U as a vector
U_vec = U_mat(:);
% Mixed derivative operator
A = kron(delta_y_M,delta_x_N);
U_xy_num = A*U_vec;
U_xy_matrix = reshape(U_xy_num,N,M);
subplot(1,2,1)
contourf(X,Y,U_xy_matrix)
colorbar
title 'Numeric U_{xy}'
subplot(1,2,2)
contourf(X,Y,U_xy)
colorbar
title 'Analytic U_{xy}'
謝謝,這是一個很好的答案。如果u(x1,x2)在矩形域上呢? –
事情變得棘手一點,但這是可能的。你想在每個方向有不同數量的點是嗎? – Steve
是的,我想概括:)我基本上已經完成了你的建議的第一部分。例如。如果它被分解成6x4網格,我會生成兩個tridiagonals,4x4(用於u_xx)和6x6(用於u_yy),它與我在原始文章中使用的結構相同。 u *(4x4)爲u_xx,(6x6)* u爲u_yy。 –
您可以自己創建矩陣,但在Matlab中有tridiag
用於此目的。
例如
>> full(gallery('tridiag',5,-1,2,-1))
ANS =
2 -1 0 0 0
-1 2 -1 0 0
0 -1 2 -1 0
0 0 -1 2 -1
0 0 0 -1 2
使用MATLAB提供稀疏的功能產生有限差分逼近矩陣是一個不錯的選擇。它節省了大量的內存(確實非常多)。 ..
什麼是您的編程語言/環境? – karakfa
@karakfa只是在Matlab –