Luận án tiến sĩ: Phương pháp Runge-Kutta-Nystrom song song giải bài toán không cứng tuyến tính
Luận án tiến sĩ đề xuất phương pháp song song Runge-Kutta-Nyström giải bài toán vi phân không cứng hiệu quả.
Luan An
Luận án
Số trang
98
Thời gian đọc
15 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Tổng quan nhanh
- Chủ đề:
- Phương pháp RKN song song: Tổng quan & ứng dụng hiệu quả
- Số trang:
- 98 trang
- Tác giả:
- Luan An
Tóm tắt nội dung luận án
I.Phương pháp RKN song song Tổng quan ứng dụng hiệu quả
Nghiên cứu tập trung vào các phương pháp Runge-Kutta-Nystrom (RKN) song song. Các phương pháp này giải quyết hiệu quả bài toán không cứng, đặc biệt là các phương trình vi phân thường (ODE) cấp hai không chứa đạo hàm bậc nhất. Việc sử dụng tính toán song song giúp tăng cường tốc độ xử lý, giảm thời gian tính toán cho các mô hình phức tạp. Đây là một hướng tiếp cận quan trọng trong lĩnh vực phương pháp số. Phương pháp RKN song song cung cấp các công cụ mạnh mẽ để tích phân số, mở ra khả năng xử lý các hệ thống động lực lớn. Hiệu năng tính toán được cải thiện đáng kể so với các phương pháp tuần tự truyền thống. Nghiên cứu này tổng hợp các tiến bộ trong thiết kế thuật toán song song và lập trình song song, áp dụng cho họ phương pháp RKN. Các vấn đề về cấp chính xác, tính ổn định và sự hội tụ được phân tích sâu. Mục tiêu cuối cùng là phát triển các phương pháp số mạnh mẽ, đáng tin cậy, và tối ưu hóa cho môi trường tính toán song song.
1.1. Khái niệm và cấp chính xác của RKN song song
Phương pháp RKN song song là một biến thể của phương pháp Runge-Kutta-Nystrom truyền thống. Chúng được thiết kế để khai thác kiến trúc song song của máy tính. Các phương pháp RKN giải quyết các phương trình dạng y'' = f(x, y). Cấp chính xác của phương pháp RKN xác định độ chính xác của nghiệm số. Việc đạt được cấp chính xác cao đòi hỏi công thức phức tạp hơn, nhưng mang lại kết quả gần với nghiệm giải tích hơn. Nghiên cứu này phân tích các điều kiện để đảm bảo cấp chính xác mong muốn cho các phương pháp RKN song song khác nhau. Cấp chính xác là yếu tố then chốt khi đánh giá hiệu quả của bất kỳ phương pháp số nào. Nó ảnh hưởng trực tiếp đến sai số của nghiệm xấp xỉ. Các phương pháp RKN song song tối ưu hóa cấp chính xác trong khi vẫn duy trì khả năng tính toán song song. Điều này cần cân bằng giữa độ phức tạp của thuật toán và lợi ích song song.
1.2. Tính ổn định và hội tụ của RKN song song
Tính ổn định là một đặc tính quan trọng của phương pháp số. Một phương pháp ổn định không làm tăng sai số một cách không kiểm soát khi bước thời gian tăng. Đối với các phương pháp RKN song song, tính ổn định được nghiên cứu thông qua phân tích miền ổn định. Các khu vực ổn định rộng đảm bảo phương pháp hoạt động tốt trên nhiều loại bài toán không cứng. Sự hội tụ của một phương pháp số cho thấy nghiệm số sẽ tiến đến nghiệm giải tích khi kích thước bước thời gian tiến về 0. Nghiên cứu này xem xét các điều kiện để đảm bảo sự hội tụ cho các phương pháp RKN song song khác nhau. Cả tính ổn định và hội tụ đều là yếu tố cơ bản để một phương pháp số có thể được sử dụng tin cậy. Chúng đảm bảo rằng kết quả tính toán có ý nghĩa và đáng tin cậy. Việc phân tích kỹ lưỡng các đặc tính này là cần thiết khi phát triển thuật toán song song mới.
1.3. Các phương pháp RKN lặp song song PIRKN IPIRKN
Các phương pháp RKN lặp song song (PIRKN) đại diện cho một bước tiến quan trọng. Chúng kết hợp kỹ thuật lặp với tính toán song song. PIRKN giúp cải thiện hiệu quả khi giải các phương trình vi phân thường. IPIRKN là phiên bản cải tiến của PIRKN. IPIRKN tối ưu hóa quá trình lặp để đạt tốc độ hội tụ nhanh hơn, đồng thời giảm sai số. Cả hai phương pháp đều tận dụng lập trình song song để xử lý các bước tính toán song song. Điều này giúp giảm đáng kể tổng thời gian thực thi. Việc xác định các hệ số tối ưu cho PIRKN và IPIRKN là một phần quan trọng của nghiên cứu. Các hệ số này ảnh hưởng trực tiếp đến cấp chính xác và tính ổn định. Phân tích các phương pháp này cung cấp cái nhìn sâu sắc về cách thiết kế thuật toán song song hiệu quả. Chúng đóng góp vào kho tàng các phương pháp số cho bài toán không cứng.
II.Phát triển RKN song song cải tiến Nâng cao hiệu năng
Phát triển các phương pháp Runge-Kutta-Nystrom (RKN) song song cải tiến là trọng tâm của nghiên cứu này. Mục tiêu là nâng cao hiệu năng tính toán, đặc biệt khi giải các bài toán không cứng. Các phương pháp Implicit RKN (IRKN) và các biến thể của chúng đóng vai trò quan trọng. IRKN dạng trùng khớp được thiết kế để tận dụng tối đa kiến trúc song song. Chúng cung cấp nền tảng cho việc tạo ra các thuật toán song song hiệu quả hơn. Nghiên cứu tập trung vào việc xác định các hệ số tối ưu cho những phương pháp này. Việc lựa chọn hệ số chính xác ảnh hưởng trực tiếp đến cấp chính xác và tính ổn định của phương pháp. Cải tiến liên tục các phương pháp RKN song song giúp mở rộng phạm vi ứng dụng. Chúng giải quyết các hệ thống phương trình vi phân thường (ODE) ngày càng phức tạp. Hiệu năng tính toán được đánh giá qua các thử nghiệm số, so sánh với các phương pháp số hiện có.
2.1. Cấu trúc các phương pháp IRKN dạng trùng khớp
Các phương pháp IRKN dạng trùng khớp là một loại phương pháp Runge-Kutta-Nystrom ẩn. Chúng được xây dựng với cấu trúc đặc biệt để dễ dàng thực hiện tính toán song song. Có hai dạng chính: trùng khớp gián tiếp và trùng khớp trực tiếp. Dạng gián tiếp yêu cầu một số bước trung gian để hội tụ, trong khi dạng trực tiếp tính toán các bước một cách đồng thời hơn. Việc xác định các hệ số của phương pháp RKN là một thách thức. Các hệ số này phải thỏa mãn các điều kiện cấp chính xác và đảm bảo tính ổn định. Cấu trúc trùng khớp giúp đơn giản hóa quá trình lập trình song song. Nó cho phép phân chia công việc tính toán thành các tác vụ độc lập. Điều này tối đa hóa việc sử dụng các bộ xử lý song song. Việc phân tích cấu trúc này là chìa khóa để hiểu và cải thiện hiệu năng tính toán của các phương pháp IRKN.
2.2. Phương pháp PIRKN và các tính chất cơ bản
PIRKN (Parallel Iterated Runge-Kutta-Nystrom) là một phương pháp số lặp song song. Nó được phát triển để giải quyết các phương trình vi phân thường. PIRKN kết hợp ý tưởng lặp với khả năng xử lý song song. Điều này cho phép thực hiện nhiều bước tính toán cùng lúc. Các tính chất cơ bản của PIRKN bao gồm cấp chính xác và tính ổn định. Nghiên cứu đánh giá cẩn thận các điều kiện để PIRKN đạt được cấp chính xác cao. Đồng thời, miền ổn định của PIRKN cũng được phân tích. So sánh sai số của các phương pháp PIRKN là một phần quan trọng. Nó giúp xác định phiên bản nào cho hiệu suất tốt nhất. Sự hội tụ của các phương pháp PIRKN được đảm bảo dưới các điều kiện nhất định. Việc phát triển PIRKN đóng góp vào kho tàng các thuật toán song song hiệu quả cho bài toán không cứng. Nó cung cấp một giải pháp mạnh mẽ cho việc tích phân số.
2.3. IPIRKN Cải thiện hiệu suất tính toán song song
IPIRKN (Improved Parallel Iterated Runge-Kutta-Nystrom) là một cải tiến của phương pháp PIRKN. IPIRKN được thiết kế để nâng cao hiệu suất tính toán song song. Phương pháp này tập trung vào tối ưu hóa quá trình lặp và các hệ số. Mục tiêu là đạt được tốc độ hội tụ nhanh hơn và sai số thấp hơn. Cấp chính xác của IPIRKN được phân tích kỹ lưỡng. Điều kiện để đạt được cấp chính xác cao là trọng tâm. Tính ổn định của IPIRKN cũng được đánh giá thông qua các miền ổn định. Việc xác định các hệ số tối ưu cho IPIRKN là cần thiết. Các hệ số này ảnh hưởng trực tiếp đến hiệu năng của phương pháp. So sánh IPIRKN với các phương pháp PIRKN khác cho thấy những lợi ích rõ ràng. IPIRKN mang lại khả năng giải bài toán không cứng hiệu quả hơn. Nó tận dụng triệt để lập trình song song để giảm thời gian thực thi.
III.RKN song song dạng dự báo hiệu chỉnh cho ODE không cứng
Phương pháp Runge-Kutta-Nystrom (RKN) song song dạng dự báo-hiệu chỉnh (Predictor-Corrector - PC) là một cách tiếp cận mạnh mẽ để giải các phương trình vi phân thường (ODE) không cứng. Cấu trúc PC cho phép ước lượng nghiệm ban đầu, sau đó tinh chỉnh nó để đạt độ chính xác cao hơn. Việc áp dụng các công thức dự báo kiểu Adams là một điểm nhấn trong nghiên cứu. Điều này giúp tối ưu hóa quá trình dự báo, cung cấp ước lượng ban đầu tốt hơn. Các phương pháp RKN song song kiểu Adams (PIRKNA) được phát triển. Chúng khai thác lợi ích của tính toán song song trong cả pha dự báo và pha hiệu chỉnh. Mục tiêu là đạt được hiệu năng tính toán vượt trội mà vẫn đảm bảo tính ổn định và cấp chính xác cao. Nghiên cứu này đánh giá chi tiết các điều kiện cấp chính xác, tính chất ổn định và thử nghiệm thực tế của PIRKNA. Đây là một bước tiến quan trọng trong lĩnh vực phương pháp số.
3.1. Giới thiệu phương pháp PIRKNA với Adams type
PIRKNA (Parallel Iterated Runge-Kutta-Nystrom with Adams-type predictors) là một phương pháp số cải tiến. Nó kết hợp phương pháp RKN lặp song song với các công thức dự báo kiểu Adams. Các công thức dự báo kiểu Adams nổi tiếng về hiệu quả trong việc ước lượng nghiệm ban đầu. Việc tích hợp chúng vào cấu trúc RKN song song giúp nâng cao độ chính xác của bước dự báo. Điều này làm cho pha hiệu chỉnh nhanh chóng hội tụ hơn. PIRKNA được thiết kế để giải bài toán không cứng một cách hiệu quả. Nó tận dụng lập trình song song để thực hiện các bước dự báo và hiệu chỉnh song song. Mục tiêu là giảm thời gian tính toán tổng thể. Giới thiệu PIRKNA mở ra một hướng mới trong việc phát triển thuật toán song song cho phương trình vi phân thường. Nó hứa hẹn cải thiện hiệu năng tính toán.
3.2. Điều kiện cấp chính xác và tính ổn định
Để đảm bảo hiệu quả của phương pháp PIRKNA, cần phân tích kỹ lưỡng các điều kiện cấp chính xác. Cấp chính xác xác định tốc độ mà nghiệm số xấp xỉ nghiệm thực. Nghiên cứu này đặt ra và kiểm tra các điều kiện để PIRKNA đạt được cấp chính xác mong muốn. Đồng thời, tính ổn định của phương pháp cũng được đánh giá. Tính ổn định đảm bảo rằng sai số không tăng lên một cách không kiểm soát theo thời gian. Các miền ổn định của PIRKNA được xác định. Miền ổn định rộng là yếu tố quan trọng, đặc biệt khi giải các phương trình vi phân thường có tính chất thay đổi. Phân tích này là nền tảng để xây dựng một phương pháp số đáng tin cậy. Nó giúp đảm bảo rằng PIRKNA cung cấp kết quả chính xác và ổn định cho bài toán không cứng. Các yếu tố này là then chốt để đảm bảo chất lượng của tích phân số.
3.3. Kết quả thử nghiệm tính toán thực tế
Các thử nghiệm tính toán thực tế được thực hiện để đánh giá hiệu năng của phương pháp PIRKNA. Hai loại bài toán chính được sử dụng: bài toán không dừng tuyến tính và bài toán Fehlberg phi tuyến. Việc so sánh PIRKNA với các phương pháp song song khác như PIRKN và IPIRKN là trọng tâm. Các chỉ số như NCD/Nseq (Số chữ số thập phân đúng trên số bước tuần tự) được sử dụng để định lượng hiệu quả. Kết quả cho thấy PIRKNA mang lại hiệu suất cạnh tranh, và trong một số trường hợp, vượt trội. Đặc biệt, PIRKNA thể hiện khả năng xử lý tốt các bài toán phi tuyến. Thử nghiệm này xác nhận khả năng ứng dụng thực tế của PIRKNA. Nó chứng minh lợi ích của việc sử dụng công thức dự báo kiểu Adams trong một môi trường tính toán song song. Các kết quả này đóng góp vào sự hiểu biết về hiệu năng tính toán của các thuật toán song song.
IV.Phương pháp RKN hai bước Lặp song song hội tụ tối ưu
Nghiên cứu khám phá các phương pháp Runge-Kutta-Nystrom (RKN) hai bước, tập trung vào cấu trúc lặp song song. Các phương pháp này được thiết kế để giải bài toán không cứng hiệu quả hơn. Phương pháp Pseudo Two-step Runge-Kutta-Nystrom (PTRKN) và Improved Parallel-Iterated Pseudo Two-step (IPIPTRKN) là những trọng tâm chính. PTRKN là nền tảng, trong khi IPIPTRKN đại diện cho sự cải tiến đáng kể trong hiệu năng tính toán. Mục tiêu là tối ưu hóa tốc độ hội tụ và mở rộng miền ổn định. Việc sử dụng thuật toán song song và lập trình song song giúp khai thác triệt để tiềm năng của các phương pháp này. Phân tích điều kiện cấp chính xác và zero-ổn định là cần thiết để đảm bảo tính đúng đắn. Các thử nghiệm tính toán được tiến hành để so sánh IPIPTRKN với các phương pháp số khác, cả song song và tuần tự. Nghiên cứu này đóng góp vào sự phát triển của các phương pháp số mạnh mẽ cho phương trình vi phân thường (ODE).
4.1. PTRKN và IPIPTRKN Cấu trúc và điều kiện chính xác
PTRKN (Pseudo Two-step Runge-Kutta-Nystrom) là một dạng phương pháp RKN hai bước. Nó được phát triển để cải thiện hiệu quả khi giải các phương trình vi phân thường. Phương pháp này có cấu trúc độc đáo, giúp tối ưu hóa quá trình tính toán. IPIPTRKN (Improved Parallel-Iterated Pseudo Two-step) là phiên bản cải tiến của PTRKN. IPIPTRKN tập trung vào việc áp dụng kỹ thuật lặp song song để tăng tốc độ xử lý. Cả hai phương pháp đều yêu cầu phân tích chặt chẽ các điều kiện cấp chính xác. Điều kiện này đảm bảo rằng nghiệm số xấp xỉ nghiệm thực với độ chính xác mong muốn. Zero-ổn định là một đặc tính quan trọng khác được xem xét. Nó liên quan đến hành vi của phương pháp khi bước thời gian tiến về 0. Việc hiểu rõ cấu trúc và các điều kiện này là cơ sở để phát triển các thuật toán song song hiệu quả.
4.2. Tốc độ hội tụ và miền ổn định của IPIPTRKN
Tốc độ hội tụ của IPIPTRKN là một chỉ số quan trọng. Nó cho biết mức độ nhanh chóng mà nghiệm số tiến đến nghiệm giải tích. Nghiên cứu này phân tích các yếu tố ảnh hưởng đến tốc độ hội tụ của phương pháp IPIPTRKN. Mục tiêu là tối ưu hóa các tham số để đạt được hội tụ nhanh nhất có thể. Miền ổn định của IPIPTRKN cũng được xác định. Miền ổn định rộng hơn cho phép phương pháp xử lý hiệu quả hơn các bài toán không cứng có đặc tính khác nhau. Điều này đảm bảo tính đáng tin cậy của phương pháp trên một phạm vi rộng. Việc phân tích miền ổn định giúp đánh giá khả năng duy trì tính ổn định khi kích thước bước thay đổi. Các đặc tính này là cần thiết để đảm bảo IPIPTRKN là một phương pháp số mạnh mẽ và đáng tin cậy. Chúng đóng góp vào hiệu năng tính toán tổng thể.
4.3. Đánh giá thực nghiệm so với phương pháp song song khác
Các thử nghiệm tính toán được tiến hành để đánh giá hiệu năng của IPIPTRKN. Phương pháp này được so sánh với các phương pháp song song khác như PIRKN. Các bài toán mẫu (testprob1, testprob2, testprob3) được sử dụng để đánh giá. Chỉ số NCD/Nseq được dùng để đo lường hiệu suất. NCD/Nseq phản ánh số chữ số thập phân đúng trên số bước tuần tự tương đương. Kết quả cho thấy IPIPTRKN mang lại hiệu quả đáng kể. Đặc biệt, nó thể hiện khả năng xử lý tốt các bài toán phức tạp. Ngoài ra, IPIPTRKN cũng được so sánh với các phương pháp tuần tự truyền thống. Điều này chứng minh lợi ích của tính toán song song. Các kết quả thực nghiệm xác nhận IPIPTRKN là một giải pháp mạnh mẽ cho việc giải phương trình vi phân thường. Nó tối ưu hóa hiệu năng tính toán và khả năng tích phân số.
V.RKN liên tục lặp song song Giải bài toán không cứng
Nghiên cứu giới thiệu và phân tích các phương pháp Runge-Kutta-Nystrom (RKN) liên tục lặp song song (CPIRKN). Đây là một tiến bộ quan trọng trong việc giải các bài toán không cứng. Các phương pháp RKN liên tục (CRKN) cung cấp một xấp xỉ liên tục của nghiệm số. Điều này hữu ích cho các ứng dụng đòi hỏi nội suy nghiệm. Việc kết hợp CRKN với kỹ thuật lặp song song tạo ra CPIRKN. CPIRKN tận dụng tối đa lợi ích của tính toán song song. Mục tiêu là nâng cao hiệu năng tính toán và đạt được độ chính xác cao. Nghiên cứu tập trung vào phân tích tốc độ hội tụ và miền ổn định của CPIRKN. Các thử nghiệm số được thực hiện để đánh giá hiệu suất của CPIRKN so với các phương pháp song song và tuần tự khác. Đây là một đóng góp quan trọng vào lĩnh vực phương pháp số cho phương trình vi phân thường (ODE), đặc biệt là trong môi trường lập trình song song.
5.1. Phương pháp RKN liên tục CRKN và CPIRKN
Phương pháp RKN liên tục (CRKN) cung cấp một nghiệm xấp xỉ dưới dạng hàm liên tục. Điều này khác với các phương pháp RKN truyền thống chỉ cho nghiệm tại các điểm rời rạc. Xấp xỉ liên tục rất hữu ích cho các bài toán yêu cầu nội suy hoặc đánh giá nghiệm tại bất kỳ điểm nào trong khoảng thời gian. CPIRKN (Continuous Parallel-Iterated RKN) là sự kết hợp của CRKN và kỹ thuật lặp song song. CPIRKN được thiết kế để tận dụng tính toán song song, tăng tốc độ tính toán. Nó cho phép giải bài toán không cứng hiệu quả hơn. Các công thức của CPIRKN được phát triển để duy trì cả tính liên tục và khả năng song song. Đây là một cách tiếp cận tiên tiến trong việc phát triển thuật toán song song. Nó mở rộng phạm vi ứng dụng của các phương pháp số cho phương trình vi phân thường.
5.2. Tốc độ hội tụ và phân tích miền ổn định
Tốc độ hội tụ là một yếu tố then chốt khi đánh giá CPIRKN. Nghiên cứu này phân tích cách các yếu tố khác nhau ảnh hưởng đến tốc độ hội tụ của CPIRKN. Mục tiêu là tối ưu hóa các tham số để đạt được hội tụ nhanh chóng. Phân tích miền ổn định cũng là một phần quan trọng. Miền ổn định xác định phạm vi các bài toán mà CPIRKN có thể giải một cách đáng tin cậy. Biên ổn định (βstab(m)) được tính toán cho các cấu hình CPIRKN khác nhau. Một miền ổn định rộng đảm bảo phương pháp có thể xử lý các hệ phương trình vi phân thường đa dạng. Cả tốc độ hội tụ và miền ổn định đều cần thiết để khẳng định tính hiệu quả và đáng tin cậy của CPIRKN. Các phân tích này là cơ sở để lựa chọn và áp dụng phương pháp này trong thực tế. Chúng góp phần vào việc nâng cao hiệu năng tính toán.
5.3. Thử nghiệm số So sánh với phương pháp tuân tự
Các thử nghiệm số được thực hiện để đánh giá hiệu năng của CPIRKN. Phương pháp này được so sánh với các phương pháp song song khác và đặc biệt là với các mã tuần tự tiêu chuẩn. Các bài toán mẫu (testprob1, testprob2, testprob3) được sử dụng để kiểm tra. Chỉ số NCD/Nseq được dùng để định lượng hiệu quả. NCD/Nseqp|NCDp∗ cũng được sử dụng cho các phương pháp RKN liên tục khác nhau. Kết quả cho thấy CPIRKN mang lại hiệu quả đáng kể so với các phương pháp tuần tự. Nó chứng minh lợi ích của việc tích hợp tính toán song song và tính liên tục. So sánh với các code tuần tự như DOPRIN và ODEX2 càng khẳng định hiệu năng của CPIRKN. Các thử nghiệm này xác nhận khả năng ứng dụng thực tế của CPIRKN. Nó cung cấp một giải pháp mạnh mẽ cho việc giải bài toán không cứng với hiệu suất cao.
VI.Đánh giá hiệu năng tính toán So sánh phương pháp RKN
Đánh giá hiệu năng tính toán là một phần không thể thiếu trong nghiên cứu về phương pháp Runge-Kutta-Nystrom (RKN) song song. Mục tiêu là định lượng mức độ hiệu quả của các thuật toán song song khi giải các phương trình vi phân thường (ODE), đặc biệt là bài toán không cứng. Các phương pháp số khác nhau như PIRKNA, PIRKN, IPIRKN, IPIPTRKN và CPIRKN đều được đưa vào so sánh. Việc sử dụng các tiêu chí đánh giá khách quan giúp xác định phương pháp nào tối ưu nhất cho từng loại bài toán. Các thử nghiệm được tiến hành trên một loạt các bài toán mẫu, từ tuyến tính đến phi tuyến. Kết quả so sánh cung cấp cái nhìn sâu sắc về ưu nhược điểm của từng phương pháp. Điều này hỗ trợ việc lựa chọn phương pháp phù hợp cho các ứng dụng cụ thể. Nghiên cứu này nhấn mạnh tầm quan trọng của tính toán song song trong việc nâng cao hiệu năng và giảm thời gian thực thi.
6.1. Tiêu chí đánh giá hiệu năng NCD Nseq
Để đánh giá hiệu năng tính toán một cách khách quan, nghiên cứu sử dụng tiêu chí NCD/Nseq. NCD (Number of Correct Decimal Digits) là số chữ số thập phân đúng trung bình của nghiệm số. Nseq (Number of Sequential steps) là số bước tuần tự tương đương. Tỷ lệ NCD/Nseq cho phép so sánh hiệu quả giữa các phương pháp song song và tuần tự. Giá trị NCD/Nseq cao hơn cho thấy phương pháp đạt được độ chính xác mong muốn với ít bước tính toán hơn. Đây là một chỉ số quan trọng để đánh giá hiệu quả của thuật toán song song. Nó giúp định lượng lợi ích của lập trình song song. Tiêu chí này được áp dụng rộng rãi trong việc đánh giá các phương pháp số cho phương trình vi phân thường. Việc hiểu rõ NCD/Nseq là cần thiết để diễn giải kết quả thử nghiệm và đưa ra kết luận về hiệu năng thực sự.
6.2. So sánh PIRKNA PIRKN IPIRKN trên các bài toán mẫu
Nghiên cứu tiến hành so sánh chi tiết giữa PIRKNA, PIRKN và IPIRKN. Các phương pháp này đều thuộc họ RKN lặp song song. Chúng được thử nghiệm trên các bài toán mẫu cụ thể (testprob1, testprob2). Các giá trị NCD/Nseq được thu thập và phân tích. Kết quả cho thấy IPIRKN thường mang lại hiệu suất tốt hơn so với PIRKN. Điều này xác nhận những cải tiến trong thiết kế của nó. PIRKNA, với công thức dự báo kiểu Adams, cũng thể hiện khả năng cạnh tranh. Nó có thể vượt trội trong một số trường hợp nhất định. Việc so sánh này cung cấp dữ liệu định lượng về hiệu năng tính toán của từng phương pháp. Nó giúp người dùng lựa chọn phương pháp phù hợp nhất cho bài toán không cứng cụ thể. Những so sánh này là chìa khóa để hiểu rõ hơn về tính chất và ứng dụng của mỗi thuật toán song song.
6.3. Hiệu quả của IPIPTRKN và CPIRKN với mã tuần tự
Đánh giá hiệu quả của IPIPTRKN và CPIRKN được thực hiện bằng cách so sánh với các mã tuần tự. Các mã tuần tự tiêu chuẩn như DOPRIN và ODEX2 được sử dụng làm cơ sở. Mục tiêu là chứng minh lợi ích thực sự của tính toán song song. Các bài toán mẫu (testprob2, testprob3) được giải bằng cả phương pháp song song và tuần tự. Kết quả NCD/Nseq và NCD/Nseqp|NCDp∗ cho thấy IPIPTRKN và CPIRKN đạt được hiệu suất vượt trội. Chúng giảm đáng kể thời gian tính toán trong khi vẫn duy trì độ chính xác cao. Điều này xác nhận giá trị của thuật toán song song trong giải phương trình vi phân thường. Hiệu quả được cải thiện đặc biệt rõ rệt đối với các bài toán lớn và phức tạp. Việc so sánh này là bằng chứng rõ ràng cho tiềm năng của lập trình song song trong phương pháp số hiện đại. Nó khẳng định ưu thế về hiệu năng tính toán.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (98 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộMôc lôc danh môc c¸c b¶ng viii C¸c tõ viÕt t¾t ix Nh÷ng kÝ hiÖu trong luËn ¸n xi më ®Çu 1 1 tæng quan vÒ c¸c ph−¬ng ph¸p song song 5 1.1 C¸c ph−¬ng ph¸p RKN .1 CÊp chÝnh x¸c cña ph−¬ng ph¸p RKN .2 TÝnh æn ®Þnh cña c¸c ph−¬ng ph¸p RKN .2 C¸c ph−¬ng ph¸p IRKN d¹ng trïng khíp .1 C¸c ph−¬ng ph¸p IRKN d¹ng trïng khíp gi¸n tiÕp .2 C¸c ph−¬ng ph¸p IRKN d¹ng trïng khíp trùc tiÕp .3 X¸c ®Þnh hÖ sè cña ph−¬ng ph¸p RKN .3 C¸c ph−¬ng ph¸p PIRKN .1 CÊp chÝnh x¸c cña c¸c ph−¬ng ph¸p PIRKN .2 Sù héi tô cña c¸c ph−¬ng ph¸p PIRKN .3 TÝnh æn ®Þnh cña c¸c ph−¬ng ph¸p PIRKN .4 So s¸nh sai sè cña cña c¸c ph−¬ng ph¸p PIRKN 16 1.4 C¸c ph−¬ng ph¸p IPIRKN .1 CÊp chÝnh x¸c cña ph−¬ng ph¸p IPIRKN .2 X¸c ®Þnh hÖ sè cña ph−¬ng ph¸p dù b¸o .3 TÝnh æn ®Þnh cña ph−¬ng ph¸p IPIRKN .4 Sai sè cña c¸c ph−¬ng ph¸p PIRKN. 21 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.5 So s¸nh c¸c ph−¬ng ph¸p PIRKN vµ IPIRKN 21 1.6 C¸c ph−¬ng ph¸p TRKN .7 Chän hÖ sè cña ph−¬ng ph¸p .8 C¸c ph−¬ng ph¸p PITRKN. 31 2 Ph−¬ng ph¸p dù b¸o-hiÖu chØnh d¹ng PIRKN víi c«ng thøc dù b¸o kiÓu adams 32 2.2 §iÒu kiÖn cÊp chÝnh x¸c .3 X¸c ®Þnh hÖ sè cña ph−¬ng ph¸p PIRKNA .4 TÝnh chÊt æn ®Þnh cña ph−¬ng ph¸p PIRKNA .5 Thö nghiÖm tÝnh to¸n .2 So s¸nh víi c¸c ph−¬ng ph¸p song song .3 Bµi to¸n kh«ng dõng tuyÕn tÝnh .4 Bµi to¸n Fehlberg phi tuyÕn. 42 3 ph−¬ng ph¸p lÆp song song gi¶ RKN hai b−íc 44 3.2 Ph−¬ng ph¸p hiÖu chØnh PTRKN .1 §iÒu kiÖn cÊp chÝnh x¸c .2 Zero-æn ®Þnh .3 Ph−¬ng ph¸p IPIPTRKN .1 §iÒu kiÖn cÊp chÝnh x¸c cña c«ng thøc dù b¸o 54 3.2 Tèc ®é héi tô cña ph−¬ng ph¸p IPIPTRKN .3 MiÒn æn ®Þnh .4 Thö nghiÖm tÝnh to¸n .1 So s¸nh víi c¸c ph−¬ng ph¸p song song .2 So s¸nh víi c¸c ph−¬ng ph¸p tuÇn tù.
65 4 Ph−¬ng ph¸p dù b¸o hiÖu chØnh d¹ng RKN vi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com lÆp song song liªn tôc 67 4.2 Ph−¬ng ph¸p RKN liªn tôc (ph−¬ng ph¸p CRKN) 68 4.3 Ph−¬ng ph¸p CPIRKN .1 Tèc ®é héi tô .2 MiÒn æn ®Þnh .4 Thö nghiÖm sè .1 So s¸nh víi ph−¬ng ph¸p song song .2 So s¸nh víi c¸c ph−¬ng ph¸p tuÇn tù. 82 KÕt luËn 84 c¸c c«ng tr×nh ®· c«ng bè liªn quan ®Õn luËn ¸n 86 Tµi liÖu tham kh¶o 87 vii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Danh s¸ch b¶ng 2.1 Biªn æn ®Þnh β(m) cña ph−¬ng ph¸p PIRKNA .2 Gi¸ trÞ NCD/Nseq cña bµi to¸n (testprob1) tÝnh b»ng ph−¬ng ph¸p PIRKNA, PIRKN vµ IPIRKN .3 Gi¸ trÞ NCD/Nseq cña bµi to¸n (testprob2) tÝnh b»ng ph−¬ng ph¸p PIRKN, IPIRKN trùc tiÕp vµ PIRKNA .1 Nh©n tö héi tô cña mét sè ph−¬ng ph¸p song song PC cÊp p .2 Biªn æn ®Þnh β(m) cña c¸c ph−¬ng ph¸p song song PC cÊp p 61 3.3 NCD/Nseq cña bµi to¸n (testprob1) tÝnh b»ng ph−¬ng ph¸p IPIPTRKN vµ c¸c ph−¬ng ph¸p PIRKN .4 NCD/Nseq cña bµi to¸n (testprob2) tÝnh b»ng ph−¬ng ph¸p IPIPTRKN vµ c¸c ph−¬ng ph¸p PIRKN .5 NCD/Nseq cña bµi to¸n (testprob3) tÝnh b»ng ph−¬ng ph¸p IPIPTRKN vµ c¸c ph−¬ng ph¸p PIRKN .6 So s¸nh ph−¬ng ph¸p IPIPTRKN6 víi code tuÇn tù gi¶i bµi to¸n (testprob2) .1 Gi¸ trÞ NCDp |NCDp∗ cho bµi to¸n (testprob2) víi c¸c ph−¬ng ph¸p RKN liªn tôc kh¸c nhau .2 Biªn æn ®Þnh βstab (m) cho ph−¬ng ph¸p CPIRKN kh¸c nhau .3 Gi¸ trÞ NCD/Nseq cho bµi to¸n (testprob1) víi p kh¸c nhau 81 4.4 Gi¸ trÞ NCD/Nseq cho bµi to¸n (testprob2) nhËn ®−îc víi p kh¸c nhau .5 Gi¸ trÞ NCD/Nseq cho bµi to¸n (testprob3) víi p kh¸c nhau 82 4.6 So s¸nh ph−¬ng ph¸p CPIRKN56 víi code DOPRIN vµ ODEX2 gi¶i bµi to¸n (testprob2). 83 viii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com C¸c tõ viÕt t¾t CPIRKN Continuous parallel-iterated RKN. LÆp song song liªn tôc Runge-Kutta-Nystrom.
ERKN Explicit Runge-Kutta-Nystro m. Runge-Kutta-Nystrom hiÓn NCD Number of Correct Decimal Digits Gi¸ trÞ trung b×nh sè c¸c ch÷ sè thËp ph©n ®óng. IPIRKN Improved Parallel Iterated Runge-Kutta-Nystro m. LÆp song song c¶i tiÕn Runge-Kutta-Nystrom IPIPTRKN Improved Parallel-Iterated Pseudo Two-step.
LÆp song song c¶i tiÕn gi¶ Runge-Kutta-Nystrom hai b−íc IRK Implicit Runge-Kutta Rungge-Kutta Èn. IRKN Implicit Runge-Kutta-Nystro m. Runge-Kutta-Nystrom Èn PC Predictor-Corrector Dù b¸o-HiÖu chØnh. PIPTRKN Parallel-Iterated Pseudo Two-step Runge-Kutta-Nystro m.
LÆp song song gi¶ Runge-Kutta-Nystrom hai b−íc. PIRKNA Parallel Iterated Runge-Kutta-Nystro m with Adams-type predictors. LÆp song song Runge-Kutta-Nystrom víi dù b¸o kiÓu Adams. PIRKN Parallel Iterated Runge-Kutta-Nystro m.
LÆp song Runge-Kutta-Nystrom. PISRKN Parallel-Iterated Symetric Runge-Kutta-Nystro m. LÆp song song ®èi xøng Runge-Kutta-Nystrom ix LUAN VAN CHAT LUONG download : add luanvanchat@agmail. PITRKN Parallel Iterated Two step Runge-Kutta-Nystro m.
LÆp song song hai b−íc Runge-Kutta-Nystrom. PTRKN Pseudo Two-step Runge-Kutta-Nystro m. Gi¶ Runge-Kutta-Nystrom hai b−íc. RK Runge-Kutta Runge-Kutta.
RKN Runge-Kutta-Nystro m. Runge-Kutta-Nystrom. SRKN Symmetric Runge-Kutta-Nystro m. Runge-Kutta-Nystrom ®èi xøng.
TRKN Two Step Runge-Kutta-Nystro m. Runge-Kutta-Nystrom hai b−íc x LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Nh÷ng kÝ hiÖu trong luËn ¸n Ngoµi nh÷ng kÝ hiÖu th«ng th−êng cña gi¶i tÝch vµ ®¹i sè, trong luËn ¸n nµy chóng t«i cßn dïng mét sè kÝ hiÖu sau: 1. TÝch trùc tiÕp cña hai ma trËn. Gi¶ sö A lµ ma trËn p × q chiÒu, B lµ ma trËn bÊt k× khi ®ã a11 B a12 B.
Luü thõa cña mét vÐc t¬. , cs )T , khi ®ã ck = (ck1 , ck2 ,. dx dx 2!dx2 n!dxn Khi ®ã khai triÓn Taylor hµm y(t) t¹i l©n cËn ®iÓm t0 sÏ lµ: ∞ d 1 n dn y(t0 ) y(t0 + h) = exp(h )y(t0 ) = h n. VÐc t¬ e lu«n hiÓu cã tÊt c¶ c¸c thµnh phÇn b»ng 1.
Gi¶ sö f (x, y) lµ hµm thùc cña hai biÕn thùc x vµ y , nÕu thay x vµ y t−¬ng øng bëi hai vÐc t¬ v = (v1 , v2 ,. , ws )T , ta ®−îc vÐc t¬ hµm víi s thµnh phÇn: f (v, w) = [f (v1 , w1 ), f (v2 , w2 ),. xi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Më ®Çu HÇu hÕt c¸c hiÖn t−îng tù nhiªn vµ kÜ thuËt ®Òu ®−îc m« t¶ bëi hÖ ph−¬ng tr×nh vi ph©n. C¸c hÖ ph−¬ng tr×nh vi ph©n thuéc lo¹i nµy th−êng kh«ng cho nghiÖm ®óng d−íi d¹ng gi¶i tÝch.
V× vËy, vÊn ®Ò gi¶i gÇn ®óng hÖ ph−¬ng tr×nh vi ph©n ®· ®−îc quan t©m tõ l©u. Mét trong nh÷ng h−íng gi¶i gÇn ®óng ®ã lµ gi¶i sè. Nh−ng khoa häc vµ c«ng nghÖ ngµy cµng ph¸t triÓn, dÉn ®Õn kÝch th−íc c¸c bµi to¸n ngµy cµng lín, yªu cÇu ngµy mét cao vÒ ®é chÝnh x¸c, h¬n n÷a l¹i ph¶i cho kÕt qu¶ trong thêi gian thùc (real time problems) ch¼ng h¹n nh− bµi to¸n dù b¸o thêi tiÕt hay bµi to¸n ®iÒu khiÓn c¸c chuyÕn bay. CÇn thùc hiÖn khèi l−îng tÝnh to¸n khæng lå, víi ®é chÝnh x¸c cao trong kho¶ng thêi gian h¹n chÕ.
C¸c m¸y tÝnh thÕ hÖ cò kh«ng thÓ ®¸p øng ®−îc nh÷ng yªu cÇu nµy. Tr−íc nhu cÇu bøc xóc ®ã, mét chñng lo¹i m¸y tÝnh míi ®· ra ®êi, ®ã lµ m¸y tÝnh cã tèc ®é cao víi nhiÒu bé xö lÝ ®ång thêi lµm viÖc ®ã lµ siªu m¸y tÝnh ( cßn gäi lµ m¸y tÝnh song song, m¸y tÝnh vÐc t¬ ). Sù ra ®êi cña siªu m¸y tÝnh më ®−êng cho mét h−íng ph¸t triÓn míi cña gi¶i tÝch sè nãi chung vµ gi¶i sè hÖ ph−¬ng tr×nh vi ph©n nãi riªng. V× c¸c ph−¬ng ph¸p sè tr−íc ®©y ®−îc x©y dùng vµ nghiªn cøu nh»m khai th¸c lo¹i m¸y tÝnh truyÒn thèng, chØ cã mét bé xö lý, c¸c ph−¬ng ph¸p ®ã cßn ®−îc gäi lµ c¸c ph−¬ng ph¸p tuÇn tù.
NÕu chØ sö dông c¸c ph−¬ng ph¸p tuÇn tù sÏ kh«ng khai th¸c mét c¸ch cã hiÖu qu¶ c¸c siªu m¸y tÝnh. ViÖc x©y dùng vµ nghiªn cøu c¸c ph−¬ng ph¸p míi nh»m khai th¸c tèt c¸c siªu m¸y tÝnh ®· trë thµnh nhu cÇu cÊp thiÕt cña to¸n häc tÝnh to¸n nãi 1 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com chung vµ gi¶i sè c¸c hÖ ph−¬ng tr×nh vi ph©n nãi riªng. Cho ®Õn nay, viÖc x©y dùng c¸c thuËt to¸n míi ®Ó gi¶i sè c¸c bµi to¸n gi¸ trÞ ®Çu trªn m¸y tÝnh song song ®· trë thµnh mét h−íng nghiªn cøu quan träng. Cã ba c¸ch tiÕp cËn chÝnh, ®ã lµ: 1.
Song song ho¸ trªn tõng bµi to¸n. Song song ho¸ trªn c¸c b−íc lÊy tÝch ph©n. Song song ho¸ thuËt to¸n. Trong ba c¸ch tiÕp cËn trªn, c¸ch tiÕp cËn thø ba ®−îc quan t©m nhÊt v× thuËt to¸n ®−îc x©y dùng ®éc lËp víi bµi to¸n.
LuËn ¸n cña chóng t«i còng kh«ng ra ngoµi sù quan t©m chung ®ã. LuËn ¸n: Mét sè ph−¬ng ph¸p song song d¹ng Runge-Kutta-Nystrom gi¶i bµi to¸n kh«ng c−¬ng cña chóng t«i nghiªn cøu vµ ph¸t triÓn mét sè ph−¬ng ph¸p song song ®Ó gi¶i bµi to¸n Cauchy cho mét líp hÖ ph−¬ng tr×nh vi ph©n cÊp 2 cã d¹ng sau ®©y: y (t) = f (t, y(t)), y(t0 ) = y0 , y (t0 ) = y0 , (1) t0 t T, y, f ∈ RN. ë ®©y, còng nh− trong toµn bé luËn ¸n, hµm vÕ ph¶i f (t, y(t)) lu«n gi¶ thiÕt liªn tôc theo biÕn t vµ Lipschitz theo biÕn y, h¬n n÷a, nghiÖm duy nhÊt cña bµi to¸n (1) ®−îc gi¶ thiÕt ®ñ tr¬n. §©y lµ líp ph−¬ng tr×nh quan träng trong VËt lÝ, C¬ häc, Thiªn v¨n häc.v× nã m« t¶ mèi quan hÖ theo ®Þnh luËt Newton thø hai.
Mét biÖn ph¸p truyÒn thèng ®Ó gi¶i bµi to¸n (1) lµ chuyÓn ®æi nã vÒ hÖ ph−¬ng tr×nh vi ph©n cÊp 1 víi sè chiÒu gÊp ®«i, sau ®ã ¸p dông c¸c ph−¬ng ph¸p cña hÖ ph−¬ng tr×nh vi ph©n cÊp 1. Mét trong nh÷ng líp ph−¬ng ph¸p truyÒn thèng phæ biÕn gi¶i hÖ ph−¬ng tr×nh vi ph©n cÊp 1 lµ ph−¬ng ph¸p Runge-Kutta (RK) cã l−îc ®å nh− sau (xem [6]): Un = e ⊗ un + h(A ⊗ IN )F(tn e + hc, Un ), (2) un+1 = un + h(bT ⊗ IN )F(tn e + hc, Un ). víi A, c, b lµ ma trËn vµ c¸c vÐc t¬ t¹o thµnh bé tham sè cña ph−¬ng ph¸p. Ph−¬ng ph¸p RK (1.1) th−êng ®−îc biÓu diÔn ng¾n gän d−íi d¹ng b¶ng Butcher nh− sau: 2 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com c A bT C¸ch gi¶i nh− trªn gäi lµ c¸ch gi¶i gi¸n tiÕp.
Mét c¸ch gi¶i kh¸c lµ kh«ng ®−a hÖ ph−¬ng tr×nh cÊp 2 vÒ hÖ ph−¬ng tr×nh cÊp 1, mµ gi¶i trùc tiÕp nã (cßn gäi lµ ph−¬ng ph¸p trùc tiÕp). NhiÒu nhµ to¸n häc ®· quan t©m vµ x©y dùng ®−îc nhiÒu ph−¬ng ph¸p sè h÷u hiÖu ®Ó gi¶i trùc tiÕp bµi to¸n (1) nhê kh¶ n¨ng khai th¸c d¹ng ®Æc biÖt cña nã lµ hµm vÕ ph¶i kh«ng phô thuéc ®¹o hµm cÊp mét y. Mét líp ph−¬ng ph¸p thµnh c«ng h¬n. c¶ lµ c¸c ph−¬ng ph¸p Runge-Kutta-Nystrom (RKN).
Ph−¬ng ph¸p RKN. ®Çu tiªn ®−îc Nystrom ®Ò xuÊt vµo n¨m 1925. VÒ sau mét sè nhµ to¸n. häc kh¸c nh− Hairer, Fehlberg, Graf.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Nghiên cứu phương pháp Runge-Kutta-Nystrom song song giải bài toán không cứng (n.d.) [Luận án tiến sĩ]. LuanAn.net. https://luanan.net/toan-hoc/toan-ung-dung/62-46-30-01
Câu hỏi thường gặp
Luận án "Nghiên cứu phương pháp Runge-Kutta-Nystrom song song giải bài toán không cứng" nghiên cứu về vấn đề gì?
Luận án tiến sĩ đề xuất phương pháp song song Runge-Kutta-Nyström giải bài toán vi phân không cứng hiệu quả.
Luận án "Nghiên cứu phương pháp Runge-Kutta-Nystrom song song giải bài toán không cứng" có bao nhiêu trang?
Luận án "Nghiên cứu phương pháp Runge-Kutta-Nystrom song song giải bài toán không cứng" có 98 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Nghiên cứu phương pháp Runge-Kutta-Nystrom song song giải bài toán không cứng" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.