Журнал вычислительной математики и математической физики, 2020, T. 60, № 4, стр. 553-566
Сверхсходящиеся алгоритмы численного решения уравнения Лапласа в гладких осесимметричных областях
В. Н. Белых *
Институт математики им. С.Л. Соболева СО РАН
630090 Новосибирск, пр-т Акад. Коптюга, 4, Россия
* E-mail: belykh@math.nsc.ru
Поступила в редакцию 14.11.1019
После доработки 14.11.2019
Принята к публикации 16.12.2019
Аннотация
Построен принципиально новый – ненасыщаемый – метод численного решения эллиптических краевых задач для уравнения Лапласа в ${{C}^{\infty }}$-гладких осесимметричных областях достаточно произвольной формы. Отличительная черта метода – отсутствие главного члена погрешности, и как результат – способность автоматически подстраиваться к любым избыточным (экстраординарным) запасам гладкости отыскиваемых решений задач. Метод снабжает практику новым вычислительным средством, способным в дискретизованной форме наследовать как дифференциальные, так и спектральные характеристики оператора исследуемой задачи. Последнее служит основанием для построения компьютерного числового ответа гарантированного качества (точности), если решение эллиптической задачи достаточно гладкое, например, ${{C}^{\infty }}$-гладкое. Полученный результат принципиален, ибо в случае ${{C}^{\infty }}$-гладких решений ответ конструируется c абсолютно неулучшаемой экспоненциальной оценкой погрешности. Неулучшаемость оценки обусловлена асимптотикой александровского $m$-поперечника компакта ${{C}^{\infty }}$-гладких функций, содержащего точное решение задачи. Эта асимптотика также имеет вид убывающей к нулю (с ростом целого параметра $m$) экспоненты. Библ. 27.
1. ВВЕДЕНИЕ
С появлением фундаментальных исследований К.И. Бабенко [1], [2] проблематика численного решения эллиптических краевых задач вступила в ту стадию своего естественного развития, когда пренебрежение ее высокой теоретической оснащенностью (наличием шаудеровских оценок гладкости) становится тормозом дальнейшего развития, и оценка практической эффективности численных алгоритмов уже невозможна без использования для этой цели понятий александровского $m$-поперечника ${{\alpha }_{m}}(X)$ и колмогоровской $\varepsilon $-энтропии ${{H}_{\varepsilon }}(X)$ компакта $X$ решений этих задач.
Наилучшее финитное описание функционального компакта $X$ ассоциируется всегда с асимптотиками двух числовых параметров ${{\alpha }_{m}}(X)$ и ${{H}_{\varepsilon }}(X)$, характеризующими соответственно степень $m$-мерности $X$ и минимальный в битах объем информации, требуемый для различения элементов в $X$ с точностью $\varepsilon > 0$. При этом убывание ${{\alpha }_{m}}(X)$ к нулю при $m \to \infty $ тем быстрее, а рост ${{H}_{\varepsilon }}(X)$ к бесконечности при $\varepsilon \to 0$ тем медленнее, чем выше запас гладкости $X$; для компакта $X$ бесконечной гладкости ${{\alpha }_{m}}(X)$ убывает к нулю экспоненциально, а рост ${{H}_{\varepsilon }}(X)$ к бесконечности определяется фиксированной степенью $log(1{\text{/}}\varepsilon )$ [2], [3]. При этом качество финитизаций $X$ характеризуется сопоставлением точности $\varepsilon > 0$ и объема числовых данных с асимптотиками параметров ${{\alpha }_{m}}(X)$ и ${{H}_{\varepsilon }}(X)$ – аппроксимационными возможностями компакта $X$.
Смысловые потенции понятий ${{\alpha }_{m}}(X)$ и ${{H}_{\varepsilon }}(X)$, сыграв решающую роль в становлении точных представлений о предельных возможностях численных алгоритмов, открывают доступ к принципиально новому – ненасыщаемому – типу вычислительных алгоритмов, до недавнего времени не входившему в арсенал вычислительной практики. Сообщение К.И. Бабенко об этом открытии появилось в 1975 г. (см. Докл. АН СССР, 1975, Т. 221. № 1).
Краткое изложение основ теории ненасыщаемых численных методов (и алгоритмов) содержится в книге [2], второе издание которой появилось в 2002 г. Отличительная черта ненасыщаемых численных методов – отсутствие главного члена погрешности, и как результат – способность автоматически подстраиваться к любым аппроксимационным возможностям компакта $X$ решений задач, определяемым асимптотикой убывания ${{\alpha }_{m}}(X)$ к нулю (поперечник ${{\alpha }_{m}}(X)$ определяется как нижняя грань $\varepsilon $-сдвигов компакта $X$ в компакт размерности, не большей $m$ [1], [2]). Скорость убывания ${{\alpha }_{m}}(X)$ к нулю сравнивается при этом с числом $m$ свободных параметров конечномерного описания $X$: она тем выше, чем бóльший “запас” гладкости имеет $X$. Так что с ростом гладкости $X$ (при прочих равных условиях) ненасыщаемый численный метод самосовершенствуется, черпая приращение своей практической эффективности непосредственно в дифференциальной природе $X$ (феномен ненасыщаемости [4]). В результате избыточная (экстраординарная) гладкость $X$, прежде находившаяся на периферии насущных интересов вычислений, становится активным персонажем. Причем пик эффективности – экспоненциальная сходимость (или сверхсходимость) – достигается на компактах бесконечно гладких $X$. И это принципиально отличает ненасыщаемые численные методы от методов с главным членом погрешности, т.е. насыщаемых. В итоге, открывая новые перспективы для вычислительной практики, ненасыщаемые численные методы создают серьезную основу для построения компьютерных числовых ответов гарантированного качества [5].
Качественную финитизацию эллиптических задач отличает способность к наследованию их характеристического свойства – шаудеровских оценок гладкости. При этом идеальным является положение, когда каждой теореме существования (в форме шаудеровских оценок) соответствует теорема (оценка) сходимости приближенного решения в нормах, отвечающих гладкости отыскиваемого решения задачи. В этом контексте вопрос о ценности, или, что то же самое, о точности конструируемого числового ответа напрямую зависит от способа финитизации компакта решений $X$. Содержательная информация об этом получается средствами теории приближений, если найден и исследован подходящий для задачи аппроксимационный аппарат.
К сказанному следует добавить, что, поскольку операция замены вещественного числа конечной дробью (округление) является вынужденной и необходимой, и без потери информации не обходится, переход к цифровым вычислениям оказывается моментом небезобидным. И потому в качестве составной части он обязан содержать компонент “хорошей обусловленности” (или корректности) компьютерной постановки задачи, определяемый устойчивостью к ошибкам округлений и характеризуемый параметром, называемым числом обусловленности [5]. Если это число велико, то от такого способа финитизации задачи следует отказаться, потому как конструируемый числовой ответ не может внушать доверия из-за плохой устойчивости алгоритма.
В работе на примере численного решения задачи Неймана указана методика построения ненасыщаемых алгоритмов численного решения эллиптических краевых задач для уравнения Лапласа в ${{C}^{\infty }}$-гладких осесимметричных областях достаточно произвольной формы. В общих чертах методика описана в работах [6], [7]. В ее основе – методы теории гармонического потенциала [8], позволяющие сводить задачи к эквивалентным им интегральным уравнениям, с последующим отысканием их решений. Предлагаемый подход в отличие от конечно-разностного метода, связанного с аппроксимацией дифференциального (неограниченного) оператора, имеет дело с аппроксимацией оператора интегрального, т.е. ограниченного. А это в сумме с ненасыщаемой дискретизацией последнего приводит к хорошо обусловленной системе линейных алгебраических уравнений, которая затем эффективно решается быстросходящимся итерационным методом. При этом не возникает проблем с решением систем “большой” размерности, а стало быть, и коллизий точности конструируемого числового ответа и объема перерабатываемой битовой информации, если решение задачи достаточно гладкое, например, бесконечно дифференцируемое [3].
Имеющиеся в настоящее время случаи применения ненасыщаемых численных методов в конкретных задачах [6], [9], [10], хотя и немногочисленны, но убеждают в их содержательности и высокой эффективности на практике.
Ограниченность объема статьи не позволила нам провести детальные выкладки и доказательства, заставив исключить рассуждения, включающие сложные манипуляции со специальными функциями. Поэтому отдельные моменты остались незатронутыми. Но все ключевые моменты методики будут продемонстрированы с особой с тщательностью и необходимыми подробностями.
2. ПОСТАНОВКА ПРОБЛЕМЫ
Пусть $x,\xi \in {{\mathbb{R}}^{3}}$, $x = (x,y,z)$, $\xi = (\xi ,\eta ,\zeta )$; $\omega \subset {{\mathbb{R}}^{3}}$ – связная область с осью симметрии $z$, ограниченная ${{C}^{\infty }}$-гладкой замкнутой поверхностью вращения $\partial \omega $; величины $r = \sqrt {{{x}^{2}} + {{y}^{2}}} $ и $z$ – инварианты группы вращения $\omega $ относительно оси $z$. Меридиональное сечение $\partial \omega $ – параметризованная кривая $\gamma :[0,\pi ] \to {\text{\{ }}r(s),z(s){\text{\} }}$, $r \geqslant 0$, $dz{\text{/}}ds \geqslant 0$ и $\gamma (s) \in {{C}^{\infty }}[0,\pi ]$. Точки $\gamma (0)$ и $\gamma (\pi )$ суть полюсы $\partial \omega $, и функции $r(s)$, $z(s)$ имеют $2\pi $-периодические ${{C}^{\infty }}$-гладкие продолжения (нечетное и четное соответственно) с отрезка $[0,\pi ]$ на $[0,2\pi ]$. Положение точек $x = (r,z)$ и $\xi = (\rho ,\zeta )$ на $\gamma $ определим координатами $s$ и $\sigma $: $r = r(s)$, $z = z(s)$; $\rho = r(\sigma )$, $\zeta = z(\sigma )$ и $0 \leqslant s$, $\sigma \leqslant \pi $. Введем также обозначения: $\rho {\text{'}} \equiv d\rho {\text{/}}d\sigma $, $\zeta {\text{'}} \equiv d\zeta {\text{/}}d\sigma $, $\delta = \sqrt {\rho {{{\text{'}}}^{2}} + \mathop {\zeta {\kern 1pt} }\nolimits^ {{{\text{'}}}^{2}}} $; $r{\text{'}} \equiv dr{\text{/}}ds$, $z{\text{'}} \equiv dz{\text{/}}ds$, $d = \sqrt {r{\kern 1pt} {{{\text{'}}}^{2}} + z{\kern 1pt} {{{\text{'}}}^{2}}} $. Нормаль $N$ на $\partial \omega $ считается направленной в ${{\mathbb{R}}^{3}}{\backslash }\omega $.
Пусть $F(x)$ – непрерывная функция вне области $\omega $. Прямое значение $F(x)$ на $\partial \omega $ (если оно существует) обозначим через $\bar {F}(x) = {{\left. {F(x)} \right|}_{{x \in \partial \omega }}}$. Для предельного извне $\partial \omega $ и прямого на $\partial \omega $ значений производной $\partial F{\text{/}}\partial N = N \times {{\nabla }_{x}}F$ (если они существуют) примем обозначения: $({{N}_{ - }}\bar {F})(x)$ и $(N\bar {F})(x)$.
Решение внешней задачи Неймана для уравнения Лапласа в ${{C}^{\infty }}$-гладкой осесимметричной области $\omega $ с данными ${{\left. {{{N}_{ - }}\bar {\varphi }} \right|}_{{x \in \partial \omega }}} = f(x)$ и условием $\varphi \to 0$ при $\left| x \right| \to \infty $ будем отыскивать в виде потенциала простого слоя $\varphi (x) = V[\chi ](x)$ с достаточно гладкой плотностью $\chi (\xi )$, инвариантной относительно группы вращения $\omega $. Решение задачи существует и единственно. Гладкость решения $\varphi (x)$ определяется гладкостью функции $f(x)$. Обычно полагают [8], что $f(x) \in {{C}^{\alpha }}(\partial \omega )$, т.е. – пространству непрерывных функций, удовлетворяющих на $\partial \omega $ условию Гёльдера с показателем $0 < \alpha < 1$.
Пусть $f(s) \equiv f(r(s),z(s))$ – достаточно гладкая $2\pi $-периодическая четная функция, тогда интегральное уравнение для внешней задачи Неймана имеет вид [8]
Здесь оператор $N\bar {V} \equiv K$ – интегральный, который согласно инвариантности относительно группы вращения области $\omega $, задается равенством(2.2)
$K[\chi ](s) \equiv - \frac{1}{\pi }\int\limits_0^\pi {\left( {2\rho \frac{{H(\sigma ,s) \cdot N(s)}}{{\sigma - s}}E(q) + \frac{\rho }{r}\frac{{z{\text{'}}}}{d}D(q)} \right)} {\kern 1pt} \delta h_{ * }^{{ - 1}}\chi (\sigma )d\sigma \equiv \int\limits_0^\pi {k(s,\sigma )} \chi (\sigma )d\sigma .$Приняты также следующие обозначения:
3. ДИСКРЕТИЗАЦИЯ УРАВНЕНИЯ (2.1) И ФОРМУЛИРОВКА РЕЗУЛЬТАТА
Пусть $C \equiv C[0,2\pi ]$ – класс вещественных $2\pi $-периодических непрерывных функций с чебышëвской нормой $\left\| {\, \cdot \,} \right\|$, а ${{C}_{ + }} \equiv {{C}_{ + }}[0,\pi ] \subset C$ – множество четных функций. Пусть ${{\mathcal{T}}^{m}} \subset {{C}_{ + }}$ – подпространство тригонометрических многочленов, порядок которых не выше $m$, $m \geqslant 0$ – целое, ${{Q}_{m}}:{{C}_{ + }} \to {{\mathcal{T}}^{m}}$ – проектор, ${{e}_{m}}(g) = \mathop {inf}\limits_{{{T}_{m}} \in {{\mathcal{T}}^{m}}} \left\| {g - {{T}_{m}}} \right\|$ – наилучшее (чебышёвское) приближение функции $g$ из ${{C}_{ + }}$ многочленами.
Ядро $k(s,\sigma )$ – слабосингулярно и потому оператор $K:{{C}_{ + }} \to {{C}_{ + }}$ компактен и его норма вычисляется по формуле
(3.1)
$\left\| K \right\| \equiv \mathop {max}\limits_{0 \leqslant s \leqslant \pi } \int\limits_0^\pi {\left| {k(s,\sigma )} \right|} d\sigma .$Дискретизацию уравнения (2.1) осуществим по следующей схеме. Зададим узлы
и линейное отображение(3.2)
$({{Q}_{m}}g)(s) \equiv {{Q}_{m}}(s;Jg) = \sum\limits_{k = 0}^m {g({{s}_{k}})} {{w}_{k}}(s),\quad \left\| {{{Q}_{m}}} \right\| = \mathop {max}\limits_{0 \leqslant s \leqslant \pi } \sum\limits_{k = 0}^m {\left| {{{w}_{k}}(s)} \right|} .$Многочлен ${{Q}_{m}}(s;Jg)$ определяет проектор ${{Q}_{m}}:{{C}_{ + }} \to {{\mathcal{T}}^{m}}$, а $\left\| {{{Q}_{m}}} \right\|$ – его норма. Ясно, что ${{Q}_{m}}{{w}_{k}} \equiv {{w}_{k}}$ и $J{{Q}_{m}}g \equiv Jg$.
Согласно неравенству Лебега [2] имеем оценку погрешности:
Далее, в силу линейности оператора $K:{{C}_{ + }} \to {{C}_{ + }}$, имеем
(3.3)
$u + Au = F + \varrho ,\quad \varrho = - JK[\chi - {{Q}_{m}}\chi ],\quad u,\varrho \in {{\mathbb{R}}^{{m + 1}}}.$Матрица $A$ определяет линейный оператор $A:{{\mathbb{R}}^{{m + 1}}} \to {{\mathbb{R}}^{{m + 1}}}$, который рассматривается в качестве дискретизации $K:{{C}_{ + }} \to {{C}_{ + }}$; матрица $A$ полностью заполнена, в отличие от используемых в конечно-разностных методах сильно разреженных матриц.
Отбрасывая в (3.3) погрешность $\varrho \in {{\mathbb{R}}^{{m + 1}}}$ и, обозначая приближенное значение $J\chi \in {{\mathbb{R}}^{{m + 1}}}$ через $\bar {\chi } \in {{\mathbb{R}}^{{m + 1}}}$, получим дискретизацию интегрального уравнения (2.1):
(3.4)
$(I + A)\bar {\chi } = F,\quad I - {\text{единичная}}\;(m + 1) \times (m + 1)\;{\text{матрица}}.$Уравнение (2.1) однозначно разрешимо, существует обратный оператор ${{(I + K)}^{{ - 1}}}:{{C}_{ + }} \to {{C}_{ + }}$, причем $\left\| {{{{(I + K)}}^{{ - 1}}}} \right\| \leqslant Q < \infty $ и выполняется оценка $\left\| \chi \right\| \leqslant Q\left\| f \right\|$.
В этом случае справедливы следующие нетривиальные результаты [6].
Теорема 1. Существуют постоянные ${{m}_{0}}$, ${{q}_{0}}$, ${{\varkappa }_{0}}$, ${{c}_{0}}$, такие что при $m \geqslant {{m}_{0}}$ существует матрица $\mathop {(I + A)}\nolimits^{ - 1} $ и имеют место следующие оценки
(3.5')
$\begin{gathered} \left\| {K{{Q}_{m}}} \right\| \leqslant {{q}_{0}},\quad \varkappa (I + A) \leqslant {{\varkappa }_{0}}, \\ {{e}_{m}}(\chi ) \leqslant {{\left| {J\chi - \bar {\chi }} \right|}_{\infty }} \leqslant {{c}_{0}}(1 + \left\| {{{Q}_{m}}} \right\|){{e}_{m}}(\chi ), \\ \end{gathered} $(3.5)
${{e}_{m}}(\chi ) \leqslant \left\| {\chi (s) - {{Q}_{m}}(s;J\chi )} \right\| \leqslant {{c}_{0}}\left\| {{{Q}_{m}}} \right\|(1 + \left\| {{{Q}_{m}}} \right\|){{e}_{m}}(\chi ).$Следствие 1. Построенный метод численного решения задачи (2.1) ненасыщаем.
Доказательство. Считаем известными классические определения александровского ${{\alpha }_{m}}(X)$ и колмогоровского ${{\varkappa }_{m}}(X)$ $m$-поперечников функционального компакта $X$ и теорему о связи их величин при $m \to \infty $ между собой [12]: ${{c}_{1}}{{\varkappa }_{m}}(X) \leqslant {{\alpha }_{m}}(X) \leqslant {{c}_{2}}{{\varkappa }_{m}}(X)$ с не зависящими от $m$ постоянными ${{c}_{1}} > 0$, ${{c}_{2}} > 0$.
Упомянутая связь дает возможность использовать колмогоровский $m$-поперечник ${{\varkappa }_{m}}(X)$ в определении ненасыщаемости [2] вычислительного метода.
Действительно, для $k \geqslant 0$ и $0 < \alpha < 1$ рассмотрим класс четных $2\pi $-периодических $k$ раз непрерывно дифференцируемых функций $C_{ + }^{{k + \alpha }}(M)$, производные $k$-го порядка которых удовлетворяют условию Гёльдера с показателем $\alpha $ и константой $M$:
Пусть $\chi \in {{X}^{k}}$, ${{\varrho }_{m}}(\chi ) = \left\| {\chi (s) - {{Q}_{m}}(s;J\chi )} \right\|$ и ${{\epsilon }_{m}}({{X}^{k}}) = sup{\text{\{ }}{{\varrho }_{m}}(\chi )\,|\,\chi \in {{X}^{k}}{\text{\} }}$ – точность приближения элемента $\chi $ и точность метода на классе ${{X}^{k}}$ соответственно.
Компакты ${{X}^{k}}$, где $0 \leqslant k \leqslant \infty $, вложены друг в друга: если ${{k}_{1}} < {{k}_{2}}$, то ${{X}^{{{{k}_{2}}}}} \subset {{X}^{{{{k}_{1}}}}}$.
Ненасыщаемость метода решения уравнения (2.1) состоит в проверке двух условий:
Замечание 1. Смысл свойства ненасыщаемости численного метода состоит как раз в следующем: если компакт ${{X}^{{{{k}_{2}}}}}$ устроен существенно проще, чем компакт ${{X}^{{{{k}_{1}}}}}$, то при прочих равных условиях вычислительный метод конструирует решение $\chi \in {{X}^{{{{k}_{2}}}}}$ уравнения (2.1) с точностью большей, чем в случае, когда $\chi \in {{X}^{{{{k}_{1}}}}}$.
Дискретизация (3.4) задачи (2.1) не создает коллизий точности вычислений с объемом перерабатываемой битовой информации, если решение $\chi $ достаточно гладкое, в частности, бесконечно дифференцируемое. При этом не возникает проблем, связанных с решением линейных алгебраических систем “большой” размерности. А утверждение теоремы 1 о том, что число обусловленности $\varkappa (I + A)$ не зависит от $m$, обеспечивает устойчивость итерационного процесса решения задачи (3.4). Иными словами, ошибки округления отыскиваемого решения $\bar {\chi }$ имеют примерно тот же порядок малости, что и ошибки, допущенные при вычислении матрицы $I + A$ и правой части $F$ (см. оценку (3.5')). Указанный факт является важным преимуществом итерационного метода решения линейной системы уравнений (3.4): хотя матрица $I + A$ не имеет специальной структуры и полностью заполнена, тем не менее существует эффективный итерационный метод ее численного решения.
Теорема 2. Последовательность функций
(3.6)
${{\bar {\chi }}^{{k + 1}}} = (1 - b){{\bar {\chi }}^{k}} - bA{{\bar {\chi }}^{k}} + bF,\quad b = \mathop {\left( {1 + \left\| {K{{Q}_{m}}} \right\|} \right)}\nolimits^{ - 1} ,\quad k = 0,1,\; \ldots ,$Для окончательного заключения о близости приближения ${{\bar {\chi }}^{k}}$ к решению $\bar {\chi }$ задачи (3.4) требуется эффективный критерий прерывания итерационного процесса (3.6). Естественно принять за такой критерий количество верных значащих цифр в конструируемом ответе. Это означает, что, исходя из оценки ${{\left| {{{{\bar {\chi }}}^{k}} - \bar {\chi }} \right|}_{\infty }}{\text{/}}{{\left| {\bar {\chi }} \right|}_{\infty }} \leqslant \varepsilon $ при заданном $\varepsilon > 0$, проводить итерации следует до выполнения этого неравенства. Но априори само решение $\bar {\chi }$ нам неизвестно и указанный критерий рассматривать как эффективный нельзя. Укажем другой критерий, использующий последовательность значений ${{\bar {\chi }}^{k}}$ и число обусловленности $\varkappa (I + A)$, характеризующий трудность [5] решения задачи (3.4).
Теорема 3. Если
Доказательство этой теоремы простое и мы его приведем. Пусть $B = I + A$, тогда $B\bar {\psi } = F$ и, следовательно,
Замечание 2. Осуществить итерационный процесс (3.6) с любой заданной точностью $\varepsilon > 0$, используя только компьютерную конечно-разрядную арифметику, нельзя, если не предпринимать специальных мер [5]. Однако в тех случаях, когда число $\varkappa (I + A)$ невелико, получаются достоверные данные о величине погрешности.
Преимущества предлагаемого в теоремах 1–3 метода численного решения интегрального уравнения (2.1) сохраняются лишь при условии, что точность приближенной реализации интегрального оператора (2.2) имеет тот же порядок, что и величина ${{\left| \varrho \right|}_{\infty }} = {{\left| {JK[\chi - {{Q}_{m}}\chi ]} \right|}_{\infty }}$ при $m \geqslant {{m}_{0}}$ (см. (3.3)). И потому вопрос о ценности, или, что то же самое, о точности конструируемого компьютерного ответа, всецело находясь во власти способа численной реализации интегрального оператора $K$, напрямую зависит от качеств используемых квадратурных формул.
Однако сам вид выражения (2.2) показывает, что далеко не каждая квадратурная формула для вычисления элементов ${{a}_{{ik}}} = K[{{w}_{k}}]({{s}_{i}})$ представляет практический интерес. С одной стороны, ядро $k(s,\sigma )$ имеет на диагонали $\sigma = s$ “подвижную” логарифмическую особенность, обусловленную свойством модуля $q(\sigma ,s)$ эллиптических интегралов $E(q)$ и $D(q)$. С другой стороны, в точках $s$ вблизи оси симметрии $z$, являющейся зоной интенсивного роста функции $h_{ * }^{{ - 1}}(\sigma ,s)$, возникают явления пограничного слоя [13]. В полюсах же $\gamma (0)$ и $\gamma (\pi )$ выражение (2.2) вполне регулярно.
Требования к точности вычислений реализуются при использовании так называемых ненасыщаемых квадратурных формул. Такие формулы, учитывающие еще и специфику осесимметричной задачи (2.1), были построены в работе [14]:
(3.7)
$\int\limits_{ - 1}^{ + 1} {f(\tau )} d\tau = \sum\limits_{k = 1}^n {{{c}_{k}}} f({{\tau }_{k}}) + \wp _{n}^{C}(f),\quad - {\kern 1pt} \int\limits_{ - 1}^{ + 1} {f(\tau )} ln\left| \tau \right|d\tau = \sum\limits_{k = 1}^n {{{d}_{k}}} f({{\tau }_{k}}) + \wp _{n}^{D}(f).$4. ФЕНОМЕН НЕНАСЫЩАЕМОСТИ ВЫЧИСЛИТЕЛЬНЫХ ПРОЦЕДУР
Хотя математический смысл результатов, полученных в теоремах 1–3, прозрачен и прост, мотивация их практической применимости в цифровых вычислениях отнюдь не очевидна. Укажем доводы в пользу учета экстраординарных запасов гладкости решения $\chi (s)$ при приближенном решении уравнения (2.1). При этом оценим не только преимущества нового подхода, но и выявим аналитическую природу адаптивности процедур аппроксимации и квадратурных формул к запасам гладкости решения $\chi (s)$.
Пусть функция $\psi $ принадлежит $C_{ + }^{k}$, тогда ${{e}_{m}}(\psi ) \leqslant \tfrac{\pi }{2}\tfrac{{\left\| {{{\psi }^{{(k)}}}} \right\|}}{{{{m}^{k}}}}$ (теорема Джексона [2]). Пусть далее $\psi $ принадлежит гладкой шкале пространств $\bigcup\nolimits_{k \geqslant 0}^{} {C_{ + }^{k}} $ и ${\text{\{ }}G(k){\text{\} }}_{{k = 0}}^{\infty }$ – последовательность положительных чисел. С использованием условий
(4.1)
${{e}_{m}}(\psi ) \leqslant \tfrac{\pi }{2}\mu (m),\quad {\text{где}}\quad \mu (x) = \mathop {min}\limits_{k \geqslant 0} \tfrac{{G(k)}}{{{{x}^{k}}}} = \tfrac{{G[\vartheta (x)]}}{{{{x}^{{\vartheta (x)}}}}}.$Функция $\vartheta (m)$ в (4.1) является выражением нашего интуитивного представления о порядке убывания к нулю с ростом параметра $m$ аппроксимационных характеристик ${{e}_{m}}(\psi )$, а величина $\mu (m)$ при этом оказывается точностью приближения функции $\psi $.
Теорема 4 (см. [4]). При $x \geqslant 1$ функция $\vartheta (x)$ целочисленна, неотрицательна, не убывает, непрерывна справа и стремится к бесконечности при $x \to \infty $. Функция $\mu (x)$ строго монотонно убывает, всюду непрерывна и стремится к нулю при $x \to \infty $.
Следствие 2. При $p \geqslant 0$ верно следующее равенство: $\mathop {lim}\limits_{x \to \infty } {{x}^{p}}\mu (x) = 0$.
Из оценки (3.5), в силу неравенства (4.1) и теоремы 4, следует, что с ростом запаса гладкости решения $\chi $ задачи (2.1) скорость убывания к нулю погрешности построенного ненасыщаемого численного метода только возрастает. Причем с ростом $m$ метод самосовершенствуется и экспоненциальная его сходимость, в силу следствия 2, достигается на классе $C_{ + }^{\infty }$-гладких решений $\chi $. Так что, если $\chi $ из $C_{ + }^{\infty }$ и $G(k) = {{A}^{k}}{{k}^{{\beta k}}}$ при $A > 1$ и $\beta \geqslant 1$, то ${{e}_{m}}(\chi ) \leqslant c{{e}^{{ - r\sqrt[\beta ]{m}}}}$, где $c$, $r$ – положительные константы.
Попытка понять природу приспособляемости квадратурных формул (3.7) к запасам гладкости подынтегральных функций $f$ привела, в свою очередь, к некой новой формализации оценок их функционалов погрешностей с помощью специально сконструированных для этого монотонных функций $\lambda (x)$ и $\theta (x)$ числового аргумента $x$.
Итак, пусть $C[I]$ – пространство непрерывных на отрезке $I \equiv [ - 1,1]$ функций с чебышёвской нормой $\left\| {\, \cdot \,} \right\|$, а ${{C}^{k}}[I]$ ($k \geqslant 0$ – целое число) – пространство $k$ раз непрерывно дифференцируемых на $I$ функций. При этом для функции $f$ из ${{C}^{k}}[I]$ справедлива теорема Джексона–Зинвела [15]:
Пусть
(4.2)
${{E}_{n}}(f) \leqslant \tfrac{\pi }{2}\lambda (n{\text{/}}a),\quad 1 < a < e,\quad \lambda (x) = \mathop {min}\limits_{0 \leqslant k \leqslant x} \tfrac{{G(k)}}{{{{x}^{k}}}} = \tfrac{{G[\theta (x)]}}{{{{x}^{{\theta (x)}}}}}.$Теорема 5 (см. [14]). При $x \geqslant 1$ функция $\theta (x)$ целочисленна и неотрицательна, не убывает, непрерывна справа и стремится к бесконечности вместе с $x$. Функция $\lambda (x)$ строго монотонно убывает, непрерывна справа и стремится к нулю при $x \to \infty $. Функция $\lambda (x)$ имеет разрывы слева лишь в точках разрыва функции $\theta (x)$.
Следствие 3. При $p \geqslant 0$ верно предельное равенство $\mathop {lim}\limits_{x \to \infty } {{x}^{p}}\lambda (x) = 0$.
Теорема 5 расширяет сферу практической применимости полиномиальной аппроксимации ${{C}^{\infty }}$-гладких функций. Действительно, рассматривая ${{C}^{\infty }}$-гладкие на отрезке $I \equiv [ - 1,1]$ функции, мы считали их бесконечно дифференцируемыми всюду вплоть до границ $I$. Представляет интерес и тот случай, когда производные функции $f$, будучи ограниченными в замкнутом промежутке $I$, допускают вблизи его концов рост, характер которого фиксирован с помощью некоторого числового параметра. Подобные ситуации типичны для вычислительной практики. Они возникают, например, при численном интегрировании функций, имеющих в режимах своего поведения резкие переходные зоны – “пограничные слои”. Размеры этих переходных зон обычно характеризуются величиной числового параметра ${{\varepsilon }_{0}}$, $0 < {{\varepsilon }_{0}} < 1$, называемого толщиной пограничного слоя. Может ли это (если может, то как) обязательно отразиться на сходимости к нулю с ростом числа узлов $n$ функционалов $\wp _{n}^{{C,D}}(f)$ погрешностей квадратурных формул (3.7)?
Проведенные К.И. Бабенко изыскания [16] сформировали представление о том, в каких именно конструктивных терминах удобно описывать указанную специфику задач и за счет каких ресурсов возможна ее компьютерная численная нейтрализация. Дадим более четкую формулировку этой проблемы, введя специальный термин, характеризующий рост градиентов функций вблизи концов отрезка $I$.
Определение (см. [14]). Функция $f(\tau )$, принадлежащая ${{C}^{\infty }}[I]$, имеет на $I \equiv [ - 1,1]$ пограничный слой толщиной $0 < {{\varepsilon }_{0}} < 1$, если существуют малое положительное число $\eta = \eta ({{\varepsilon }_{0}})$ и положительная функция $F(k)$, не зависящая от ${{\varepsilon }_{0}}$, такие что при любом целом $k \geqslant 0$ справедливо неравенство
(4.3)
$\left| {{{f}^{{(k)}}}(\tau )} \right| \leqslant \left\{ \begin{gathered} F(k),\quad \tau \in {{I}_{\eta }} \equiv [ - 1 + \eta ,1 - \eta ], \hfill \\ \mathop {{{\varepsilon }_{0}}}\nolimits^{ - k} F(k),\quad \tau \in I{\backslash }{{I}_{\eta }}. \hfill \\ \end{gathered} \right.$Наводящим соображением к выяснению характера влияния пограничного слоя на величины погрешностей $\left| {\wp _{n}^{{C,D}}(f)} \right|$ квадратурных формул (3.7) будет служить следующий [17], восходящий к работе С.М. Никольского [18], результат.
Теорема (В.К. Дзядык). Для того, чтобы $k$-я производная функции $f$ удовлетворяла на отрезке $I \equiv [ - 1,1]$ условию Гëльдера с показателем $0 < \gamma < 1$, необходимо и достаточно, чтобы при любом целом $n \geqslant k$ существовал такой алгебраический многочлен ${{P}_{n}} \in {{\mathcal{P}}^{n}}$ степени $n - 1$, что для всех $t \in I$ справедливы оценки
Теорема Дзядыка усиливает неравенство Джексона–Зинвела (4.2), ибо при равномерной оценке ${{E}_{n}}(f) \leqslant M{{n}^{{ - (k + \gamma )}}}$, устанавливает возможность приближения функции $f \in {{C}^{{k + \gamma }}}[I]$ вблизи концов отрезка $I$ c погрешностью $O({{n}^{{ - 2(k + \gamma )}}})$.
Следствием указанной фундаментальности, существующей в природе полиномиальной аппроксимации гладких функций на отрезке $I$, служит следующая
Теорема 6 (см. [14]). Если $f$ принадлежит ${{C}^{\infty }}[I]$ и выполнено (4.3) и $\eta = {{\varepsilon }_{0}}{\text{/}}2$, то
(4.4)
${{E}_{n}}(f) \leqslant \frac{\pi }{2}\mathop {min}\limits_{0 \leqslant k \leqslant n} \left( {\frac{{{{F}_{k}}\mathop {{{\varepsilon }_{0}}}\nolimits^{ - k/2} }}{{{{n}^{k}}}}} \right).$Прикладное значение оценки (4.4) для ненасыщаемых квадратурных формул (3.7) заключается в следующем: за счет перераспределения пограничного слоя по всему отрезку $I$ его толщину удается увеличить до значения $\sqrt {{{\varepsilon }_{0}}} $. Этот факт и лежит в основе способа численной нейтрализации пограничного слоя толщиной ${{\varepsilon }_{0}} > 0$.
В самом деле, согласно теореме 5, выполнимость неравенств
(4.5)
$\left| {\wp _{n}^{C}(f)} \right|,\left| {\wp _{n}^{D}(f)} \right| \leqslant 2\pi \mathop {min}\limits_{0 \leqslant k \leqslant n} {{F}_{k}}{\text{/}}{{(n\sqrt {{{\varepsilon }_{0}}} )}^{k}} \leqslant \epsilon ,\quad 0 < \epsilon \leqslant {{\varepsilon }_{0}},$Следовательно, наличие у подынтегральной функции больших запасов гладкости создает благоприятные предпосылки для эффективного построения числового ответа, причем интерес к ${{C}^{\infty }}$-гладким функциям вовсе не кажется неестественным [6].
Квадратурные формулы с главным членом погрешности (т.е. насыщаемые – формулы прямоугольников, трапеций, Симпсона и ряд других: см. [2]) способностью к нейтрализации пограничного слоя не обладают; для них пограничный слой является “камнем преткновения” при их компьютерной реализации.
Аппроксимация интегрального оператора $K$ сводится к применению формул (3.7). Покажем, как это сделать. Представление (2.2) преобразуется к виду (см. [13])
(4.6)
$K[\chi ](s) = \int\limits_0^\pi \chi (\sigma )A(\sigma ,s)h_{ * }^{{ - 1}}d\sigma - \int\limits_0^\pi \chi (\sigma )B(\sigma ,s)ln(1 - q)h_{ * }^{{ - 1}}d\sigma ,$Зафиксировав в (4.6) параметр $s \in (0,\pi )$ и заменив неявно переменную $\sigma $ новой переменной $\tau \equiv \tau (\sigma ,s) = {{sin\tfrac{{(\sigma - s)}}{2}} \mathord{\left/ {\vphantom {{sin\tfrac{{(\sigma - s)}}{2}} {sin\tfrac{{(\sigma + s)}}{2}}}} \right. \kern-0em} {sin\tfrac{{(\sigma + s)}}{2}}}$, получим
(4.7)
$K[\chi ](s) = \int\limits_{ - 1}^1 {\Psi (\tau )} \tilde {A}(\tau )d\tau - \int\limits_{ - 1}^1 \Psi (\tau )\tilde {B}(\tau )ln\left| \tau \right|d\tau .$(4.8)
$\mathop {\left( {\frac{d}{{d\tau }}} \right)}\nolimits^k \tilde {g}(\tau ) = {{\varepsilon }^{{ - k}}}\mathop {\left( {\mathop {sin}\nolimits^2 \frac{{(\sigma + s)}}{2}\frac{d}{{d\sigma }}} \right)}\nolimits^k g(\sigma ,s),\quad \varepsilon = 0.5sins,$Пограничный слой в (4.7) толщиной ${{\varepsilon }_{0}} = 0.5sins$ выделен, в силу (4.8), явно. И потому вычисление элементов ${{a}_{{ik}}} = K[{{w}_{k}}]({{s}_{i}})$ матрицы $A$ квадратурными формулами (3.7) с числом узлов $n > {{n}_{{min}}}({{\varepsilon }_{0}}) > m \geqslant {{m}_{0}}$ позволяет его, согласно неравенству (4.5), эффективно нейтрализовать. При этом матрица $A = ({{a}_{{ij}}})$ вычисляется с любой заданной точностью $(1 + 2\left\| {{{Q}_{m}}} \right\|){{e}_{m}}(\chi )$, поскольку из теоремы 4 (в силу оценки (4.1)) следует, что с ростом запаса гладкости решения $\chi $ задачи (2.1) скорость убывания к нулю характеристик ${{e}_{m}}(\chi )$ с ростом $m$ только возрастает. Поэтому в отличие от методов, имеющих главный член погрешности, построенный метод с ростом параметра $m$, согласно теореме 4, самосовершенствуется и, преодолев барьер степенной сходимости, максимума своей эффективности – экспоненциальной сходимости (или сверхсходимости) – достигает, согласно следствию 2, на классе $C_{ + }^{\infty }$-гладких решений $\chi $ задачи (2.1). Так, если $\chi \in C_{ + }^{\infty }$ и $G(k) = {{A}^{k}}{{k}^{{\beta k}}}$ при $A > 1$ и $\beta \geqslant 1$, то ${{e}_{m}}(\chi ) \leqslant c{{e}^{{ - r\sqrt[\beta ]{m}}}}$, где $c$, $r$ – положительные константы.
Таким образом, информация о бесконечной гладкости решения $\chi $ задачи (2.1) обретает на практике особую важность, что принципиально отличает ненасыщаемый численный метод от метода с главным членом погрешности, т.е. насыщаемого. Сверхсходимость ненасыщаемого метода решения уравнения (2.1) обеспечивает экономность конструирования компьютерного числового ответа с точностью, определяемой исключительно аппроксимативными возможностями компакта ${{C}^{\infty }}$-гладких функций, содержащего точное решение $\chi $ уравнения (2.1).
5. ЧИСЛЕННОЕ ИССЛЕДОВАНИЕ СПЕКТРАЛЬНОЙ ЗАДАЧИ ДЛЯ УРАВНЕНИЯ (2.1)
В отборе итерационного метода решения системы уравнений (3.4) следует быть весьма осмотрительным, с тем чтобы не лишить метод практической целесообразности – допустимого по точности ответа. Одним из факторов, обеспечивающих эффективное его функционирование, является удачный выбор итерационных параметров. Причем сам выбор не является волюнтаристским: содержательность его всякий раз должна подкрепляться информацией, “скрывающейся” в спектральном портрете матрицы $A$ и всецело определяемый способом дискретизации задачи (2.1): наличие у $A$ кратных или достаточно близких собственных значений может серьезно сказаться на скорости сходимости итерационного процесса, ибо поведение степеней ${{A}^{k}}$ определяется структурой спектра матрицы $A$. И худший случай, который может здесь представиться – это наличие у матрицы $A$ жордановых клеток (отсутствие у $A$ этих патологий отнюдь не очевидно, ввиду несамосопряженности задачи (2.1)).
Эту трудность удается преодолеть, ориентируясь на ключевые свойства оператора $K$ задачи (2.1). Оператор $K$ – компактен, ненулевые точки его спектра, т.е. вещественные простые полюсы резольвенты $R(\zeta ,K) \equiv {{(K - \zeta I)}^{{ - 1}}}$, содержатся в промежутке $\left( { - 1,1} \right]$, а его собственные функции $\psi $ непрерывны [8].
Исходя из этого, выявим субстрат тех общих представлений, который позволяет автоматически, исходя из конкретно складывающейся ситуации, отбирать параметры итерационного процесса (3.6). Иными словами, покажем, что ненасыщаемая дискретизация задачи (2.1) приводит к алгебраической задаче (3.4) с “хорошей” матрицей $A$, наследующей спектральные свойства оператора $K$. И потому в ее спектральном портрете указанные патологии невозможны, если они отсутствуют у оператора $K$.
Действительно, рассмотрим спектральную задачу для оператора $K:{{C}_{ + }} \to {{C}_{ + }}$:
Здесь число $\lambda $ – это в точности искомое собственное значение задачи (5.1), а $\psi $ – соответствующая числу $\lambda $ собственная функция $\psi (s)$.Далее, осуществляя по известной схеме дискретизацию задачи (5.1), получаем
Здесь $\nu $ и $\bar {\psi } \in {{\mathbb{R}}^{{m + 1}}}$ – соответственно собственное значение и собственный вектор матрицы $A:{{\mathbb{R}}^{{m + 1}}} \to {{\mathbb{R}}^{{m + 1}}}$, а компоненты $\bar {\psi }$ – приближенные значения в узлах ${{s}_{j}}$, $0 \leqslant j \leqslant m$, собственной функции $\psi $ задачи (5.1) (матрица – $A$ та же, что и в (3.4)).Оценим возмущение, вносимое в собственное число $\lambda $ спектральной задачи (5.1) отбрасываемой погрешностью – вектором $\delta = - JK[\psi - {{Q}_{m}}\psi ]$, $\delta \in {{\mathbb{R}}^{{m + 1}}}$.
Идея решения этого вопроса заимствована нами из работы [19]. А реализовать ее удалось, используя теорию регулярных возмущений линейных ограниченных операторов в банаховом пространстве [20]. Согласно этой теории, возмущение спектра оператора $K$ связывается с равномерной (по норме) сходимостью последовательности приближающих $K$ операторов $K{{Q}_{m}}$. Выбор интерполяционного проектора ${{Q}_{m}}$ в форме (3.2) обеспечивает выполнение нужного свойства. Справедлива
Теорема 7 (см. [7]). Последовательность операторов ${\text{\{ }}K{{Q}_{m}}{\text{\} }}$ сходится при $m \to \infty $ равномерно к компактному оператору $K$ задачи (5.1):
(5.3)
$\left\| {K - K{{Q}_{m}}} \right\| = \mathop {sup}\limits_{\left\| g \right\| \leqslant 1} \left\| {Kg - K{{Q}_{m}}g} \right\| \to 0\quad при\quad m \to \infty .$Указанные спектральные свойства оператора $K$ задачи (5.1) в сочетании с введенным С.Л. Соболевым [21], [22] понятием близости операторов, отличным от близости по норме, дают возможность оценить, насколько близки спектры $\sigma (K)$ и $\sigma (K{{Q}_{m}})$ двух несамосопряженных операторов, если близки сами операторы $K$ и $K{{Q}_{m}}$.
Именно, выясним, как изменяются собственное значение $\lambda $ и собственная функция $\psi $ оператора $K$ задачи (5.1) при малых (в равномерной норме) его возмущениях.
Теорема 8 (см. [7]). Пусть внутри гладкого замкнутого контура ${{\Gamma }_{\lambda }}$ на комплексной плоскости находится ровно одно собственное значение $\lambda $ задачи (5.1). Тогда внутри ${{\Gamma }_{\lambda }}$ имеется ровно одно собственное число $\nu $ матрицы $A$ задачи (5.2). Справедлива также оценка погрешности
Следствие 4. Матрица $A$ имеет собственный вектор $\bar {\psi }$ такой, что
Таким образом, число $\nu $ и полином ${{Q}_{m}}(s;\bar {\psi })$ – это искомые приближения к первому собственному числу $\lambda $ и собственной функции $\psi $ спектральной задачи (5.1).
Из теоремы 8 следует, что скорость сходимости последовательности приближенных решений $\nu \equiv {{\nu }_{m}}$ и $\bar {\psi } \equiv {{\bar {\psi }}_{m}}$ спектральной задачи (5.2) с ростом параметра $m \geqslant {{m}_{0}}$ определяется исключительно гладкостью собственной функции $\psi $ задачи (5.1). Причем возмущение, вносимое построенной ненасыщаемой дискретизацией в спектральную проблему (5.1), зависит от близости резольвент операторов $K$ и $K{{Q}_{m}}$ вблизи первого собственного числа оператора $K$. При этом, если простое собственное значение $\lambda $ оператора $K$ хорошо отделено от остальных его собственных значений, то построенный нами итерационный процесс (3.6) численно устойчив.
Замечание 3. Элементы матрицы $A = \left( {{{a}_{{ik}}}} \right)$, ${{a}_{{ik}}} = K[{{w}_{k}}]({{s}_{i}})$, $0 \leqslant k \leqslant m$, $0 \leqslant i \leqslant m$, спектральной задачи (5.2) всегда определены с точностью, которая не может быть меньше ${{\left| \delta \right|}_{\infty }}$. Поэтому мы можем изменять элементы ${{a}_{{ik}}}$ матрицы $A$ на величину порядка ${{\left| \delta \right|}_{\infty }} = {{\left| {JK[\psi - {{Q}_{m}}\psi ]} \right|}_{\infty }}$. Иначе говоря, задача абсолютно точного определения собственных чисел матрицы $A$ лишена всякого смысла [23]. В общей ситуации имеет смысл лишь задача о “почти собственных значениях” матрицы $A$ при величине невязки порядка ${{\left| \delta \right|}_{\infty }}$. Любой метод численного решения алгебраической задачи на собственные значения есть метод вычисления “почти собственных значений” и потому важно уметь адаптировать его к классу корректности рассматриваемой задачи. Из сказанного явствует, насколько важно осуществлять ненасыщаемые дискретизации спектральных задач.
Сделаем общее замечание о приближенном вычислении констант в приведенных оценках. Во всех случаях мы имели дело с тригонометрическими многочленами и при рассмотрении вопросов, относящихся к вычислению упомянутых в теоремах констант, придерживались практики, проиллюстрированной следующим примером.
Чтобы оценить максимум модуля тригонометрического многочлена $T(s)$ степени $m$, вычислим сначала его значения в равноотстоящих узлах ${{s}_{j}} = \tfrac{{2\pi j}}{{2m + 1}}$, $j = 0,\; \ldots ,\;2m$. Затем, воспользовавшись неравенством Лебега [2], запишем оценку
Пусть $M \gg m$. Вычислим значение $T(s)$ по бóльшему числу узлов ${{\sigma }_{j}} = \tfrac{{2\pi j}}{{2M + 1}}$, $j = 0,\; \ldots ,\;2M$. Если ${{\sigma }_{ * }}$ – точка максимума многочлена $\left| {T(s)} \right|$, ${{\sigma }_{l}} \leqslant {{\sigma }_{ * }} \leqslant {{\sigma }_{{l + 1}}}$, то по формуле Тейлора имеем в некоторой точке $\sigma $, ${{\sigma }_{l}} \leqslant \sigma \leqslant {{\sigma }_{ * }}$:
Методика численного решения задачи (2.1) протестирована нами на эллипсоиде вращения с удлинением, равным $1000$ (“игла”), как наиболее “трудном” для компьютерных расчетов примером. Задача ставилась таким образом, чтобы было получено большое количество верных десятичных разрядов в отыскиваемом решении задачи (2.1) при сравнительно небольших размерах матриц линейных алгебраических систем, к решению которых сводится задача. Численное решение задачи с 8–10 верными десятичными разрядами было получено при следующих, принятых в алгоритме, значениях числовых параметров: $m = 20$ (теорема 1), $n = 501$ (теорема 6) (см. [13], [24]).
Проведенные компьютерные расчеты свидетельствуют о преимуществе ненасыщаемых численных методов при решении эллиптических краевых задач, в то время как удлинение эллипсоида, равное 25, оказывается непреодолимым препятствием для любых насыщаемых (т.е. с главным членом погрешности) численных методов [2].
Таким образом, построенная в работе ненасыщаемая методика численного решения уравнения (2.1) с компактным оператором $K$ снабжает нас элегантным вычислительным средством, способным в дискретизованной форме наследовать как дифференциальные, так и спектральные характеристики оператора $K$. Это служит основанием для построения компьютерного числового ответа гарантированной точности [5], если решение $\chi $ уравнения (2.1) достаточно гладкое, например, ${{C}^{\infty }}$-гладкое.
Не стоит, однако, заблуждаться, полагая, что сколько-нибудь существенный прогресс для гладких трехмерных областей возможен простым переносом его с осесимметричного случая. Общий трехмерный случай все еще далек от теоретического изыска осесимметричного и требует привлечения глубоких фактов многомерного анализа: проблема ненасыщаемой аппроксимации функций на гладких многообразиях, гомеоморфных двумерной сфере, до сих пор эффективно не разрешена [25], [26]. И ее разрешение, как и предсказывает теория [1], [2], относится к сфере в уже гораздо бóльшей степени интеллектуальной, и на первый план выдвигается проблема конструирования ненасыщаемых кубатурных формул [27].
Список литературы
Babenko K.I. Estimating the quality of computational algorithms. Part 1, 2 // Computer methods in applied and engineering. 1976. V. 7. P. 47–73, 135–152.
Бабенко К.И. Основы численного анализа. М.: Наука, 1986. (2-е издание. М.–Ижевск: РХД, 2002).
Белых В.Н. О колмогоровской $\varepsilon $-энтропии одного компакта ${{C}^{\infty }}$-гладких непериодических функций (к проблеме К.И. Бабенко) // Докл. АН. 2018. Т. 482. № 2. С. 125–129.
Белых В.Н. О свойствах наилучших приближений ${{C}^{\infty }}$-гладких функций на отрезке вещественной оси (к феномену ненасыщаемости численных методов) // Сиб. матем. журнал. 2005. Т. 46. № 3. С. 483–499.
Годунов С.К., Антонов А.Г., Кирилюк О.П., Костин В.И. Гарантированная точность решения систем линейных уравнений в евклидовых пространствах. Новосибирск: ВО “Наука”, 1992.
Белых В.Н. Ненасыщаемый численный метод решения внешней осесимметричной задачи Неймана для уравнения Лапласа // Сиб. матем. журнал. 2011. Т. 52. № 6. С. 1234–1252.
Белых В.Н. Особенности реализации ненасыщаемого численного метода для внешней осесимметричной задачи Неймана // Сиб. матем. журнал. 2013. Т. 54. № 6. С. 1237–1249.
Гюнтер Н.М. Теория потенциала и ее применение к основным задачам математической физики. М.: Гостехтеоретиздат, 1953.
Алгазин С.Д., Кийко И.А. Флаттер пластин и оболочек. М.: Наука, 2006.
Алгазин С.Д. Численные алгоритмы без насыщения в классических задачах математической физики. М.: Изд-во “АИСнТ”, 2016.
Белых В.Н. Алгоритмы вычисления полных эллиптических интегралов и некоторых связанных с ними функций // Сиб. журн. индустр. математики. 2012. Т. 15. № 2. С. 21–32.
Анучина Н.Н., Бабенко К.И., Годунов С.К. и др. Теоретические основы и конструирование численных алгоритмов задач математической физики / Под ред. К.И. Бабенко. М.: Наука, 1977.
Белых В.Н. К проблеме численной реализации интегральных операторов осесимметричных краевых задач (алгоритмы без насыщения) // Уфим. матем. журнал. 2012. Т. 4. № 4. С. 22–37.
Белых В.Н. К проблеме конструирования ненасыщаемых квадратурных формул на отрезке // Матем. сб. 2019. Т. 210. № 1. С. 27–62. https://doi.org/10.4213/sm8984
Sinwel H.F. Uniform approximation of differentiable functions by algebraic polynomials // J. Approx. Theory. 1981. V. 32. № 1. P. 1–8.
Бабенко К.И., Стебунов В.А. О спектральной задаче Орра-Зоммерфельда. Препринт ИПМ им. М.В. Келдыша. 1975. № 93.
Дзядык В.К. Введение в теорию равномерного приближения функций полиномами. М.: Наука, 1977.
Никольский C.М. О наилучшем приближении многочленами функций, удовлетворяющих условию Липшица // Изв. АН СССР. Сер. матем. 1946. Т. 10. № 4. С. 295–322.
Алгазин С.Д. О локализации собственных значений замкнутых линейных операторов // Сиб. матем. журнал. 1983. Т. 24. № 2. С. 3–8.
Като Т. Теория возмущений линейных операторов. М.: Мир, 1972.
Соболев С.Л. Замыкание вычислительных алгоритмов и некоторые его применения. М.: АН СССР, 1955.
Соболев С.Л. Некоторые замечания о численном решении интегральных уравнений // Изв. АН СССР. Сер. мат. 1956. Т. 20. № 4. С. 413–436.
Годунов С.К. Лекции по современным аспектам линейной алгебры. Новосибирск: Научная книга (ИДМИ), 2002.
Белых В.Н. К проблеме обтекания осесимметричных тел большого удлинения потоком идеальной несжимаемой жидкости // Прикл. механ. и техн. физ. 2006. Т. 47. № 5. С. 56–67.
Бабенко К.И. Несколько замечаний о приближении функций многих переменных // Матем. сб. 1971. Т. 86 (128). № 4 (12). С. 499–517.
Никольский С.М. Приближениe функций многочленами на многообразии // Докл. АН СССР. 1991. Т. 317. № 1. С 44–46.
Васкевич В.Л. Гарантированная точность вычисления многомерных интегралов, Дисс. … докт. физ.-матем. наук. Новосибирск: ИМ им. С.Л. Соболева СО РАН, 2003.
Дополнительные материалы отсутствуют.
Инструменты
Журнал вычислительной математики и математической физики