- •Швыдкий Владимир Серафимович дифференциальные уравнения и численные методы
- •Екатеринбург
- •Введение
- •Методы исследования
- •Физический смысл дифференциальных уравнений
- •Глава 1. Дифференциальные уравнения в частных производных
- •Основные положения
- •1.1.1. Характеристики дучп
- •Интерпретация на физической основе
- •1.2. Гиперболические дифференциальные уравнения в частных производных
- •1.3. Параболические дифференциальные уравнения в частных производных
- •Интерпретация с помощью характеристик
- •Интерпретация на физической основе
- •1.4. Эллиптические дифференциальные уравнения в частных производных
- •Глава 2. Математическое описание физических процессов
- •2.1. Общий вид законов сохранения
- •2.2. Характеристическая макроскопическая скорость и диффузионный поток
- •2.3. Баланс массы
- •2.4. Уравнение сохранения количества движения
- •2.5. Уравнение баланса энергии
- •2.6. Обобщённое дифференциальное уравнение
- •2.7. Выбор координат
- •Односторонние и двухсторонние координаты
- •Глава 3. Методы дискретизации
- •Сущность численных методов
- •Р ис. 3.2. Изменение относительной температуры по длине трубы
- •Методы получения дискретных аналогов
- •Метод формальной замены производной конечно-разностными отношениями. Этот метод основан на разложении в ряд Тейлора достаточно гладких функций. Рассмотрим узловые точки, показанные на рис. 3.3.
- •Запишем, например, следующее разложение по формуле Тейлора
- •Анализ методов аппроксимации. Вернёмся к модельной задаче, сформулированной выше, и выявим связь точности численного решения со способом аппроксимации.
- •Основные правила построения дискретных аналогов
- •Заключение
- •Глава 4. Численное моделирование процессов теплопроводности
- •4.1. Стационарная одномерная теплопроводность
- •Нестационарная одномерная теплопроводность
- •Двух- и трёхмерные задачи
- •4.4. Некоторые геометрические соображения
- •4.5. Заключение
- •Глава 5. Конвекция и диффузия
- •5.1. Рассматриваемая задача
- •5.2. Установившиеся одномерные конвекция и диффузия
- •5 .3. Дискретный аналог для двухмерных задач
- •5.4. Дискретный аналог для трёхмерных задач
- •5.5. Односторонняя пространственная координата
- •5.6. Схемная искусственная диффузия
- •5.7. Заключение
- •Глава 6. Расчёт поля течения
- •6.1. Обоснование необходимости в специальной методике
- •6.2. Трудности расчёта поля давления
- •6.3. Переменные "завихренность – функция тока"
- •6.4. Шахматная сетка
- •6.5. Поправки скорости и давления
- •6.6. Уравнение для поправки давления
- •6.7. Модифицированный алгоритм simpler
- •6.8. Заключение
- •Оглавление
- •Глава 1. Дифференциальные уравнения в частных производных...................................12
- •Глава 2. Математическое описание физических процессов............................................28
- •Глава 3. Методы дискретизации.........................................................................................49
- •Глава 4. Численное моделирование процессов теплопроводности.................................72
- •Глава 5. Конвекция и диффузия..........................................................................................109
- •Глава 6. Расчёт поля течения................................................................................................134
- •Библиографический список
Двух- и трёхмерные задачи
Дискретный
аналог для двух измерений.
Часть двухмерной сетки показана на рис.
4.6. Для центрального узла Р
соседние
точки
E
и
W
расположены
по оси х,
точки
N
и
S
(обозначающие
север и юг) – по направлению оси
y.
Контрольный объём, окружающий точку
P,
показан
заливкой. Глубина объёма в направлении
оси z
пред-полагается
равной единице. Обозначения, введённые
ранее для расстояний
х,
(
х)е
и
т.д. распространяются здесь на два
измерения. Вопрос расположения граней
контрольного объёма по отношению к
узловым точкам остаётся всё ещё открытым.
Расположить их точно посередине между
узлами можно, но можно применить и другие
способы, некоторые из них будут рассмотрены
позже. Полученный здесь дискретный
аналог можно будет использовать в любом
подобном случае.
Выше было показано, как рассчитать тепловой поток на грани контрольного объёма между точками Р и Е. Предположим, что полученное таким образом значение qe распространено на всю поверхность площадью у1. Интенсивность переноса теплоты через другие поверхности контрольного объёма можно определить аналогичным образом. В этом случае дифференциальное уравнение
(4.42)
можно быстро привести к дискретному аналогу
(4.43)
где
(4.44)
Произведение ху представляет собой контрольный объём.
Дискретный аналог для трёх измерений. Для построения трёхмерной конфигурации добавим ещё точки Т и В (верх и низ) на оси z. Дискретный аналог имеет вид
(4.45)
где
(4.46)
Здесь интересно остановиться на физическом смысле коэффициентов дискретного аналога. Находящиеся рядом коэффициенты aE, aW, aN, , aB представляют собой проводимости между точкой Р и соответствующими ей соседними точками. Слагаемое аP0ТР0 – внутренняя энергия (отнесённая к ), содержащаяся в контрольном объёме в момент . Постоянное слагаемое b состоит из этой внутренней энергии и мощности тепловыделений, являющихся результатом действия источника SC. Коэффициент aP в центральной точке представляет собой сумму всех соседних коэффициентов (включая aP0, который является коэффициентом в соседней по времени точке) и содержит вклад от линеаризации источникового слагаемого.
Решение алгебраических уравнений. Следует отметить, что, создавая дискретные аналоги, мы получили их в линейной форме, хотя и не предполагали, что для их решения должен быть использован особый метод. Таким образом, на этой стадии можно использовать любой подходящий метод решения. Полезно рассматривать получение уравнений и их решение как две отдельные операции, и нет необходимости учитывать влияние одной из них на другую.
До сих пор мы получали многомерные дискретные аналоги с помощью прямого распространения результатов, полученных при рассмотрении одномерной. задачи. Единственной процедурой, которая не может быть распространена на многомерную задачу, является алгоритм, учитывающий трёхдиагональность матрицы коэффициентов. Прямые методы решения алгебраических уравнений (не требующие итераций), применяемые к двух - или трёхмерным задачам становятся более сложными и требуют существенно большей машинной памяти и затрат вычислительного времени. Для линейных задач, в которых необходимо только один раз обратиться к процедуре решения алгебраических уравнений, можно использовать прямые методы, но в нелинейных задачах уравнения решаются с неоднократно подправленными коэффициентами, поэтому применение прямых методов представляется неэкономичным. Таким образом, в дальнейшем прямые методы рассматриваться не будут. С алгоритмами и вычислительными программами для прямых методов решения разрежённых матриц можно ознакомиться по монографиям:
Джордж А., Лю Дж. Численное решение больших разрежённых систем уравнений: Пер. с англ. – М.: Мир, 1984. – 333 с.
Писанецки С. Технология разрежённых матриц: Пер. с англ. – М.: Мир. – 1988. – 410 с.
Тьюарсон Р. Разрежённые матрицы: Пер. с англ. – М.: Мир, 1977. – 190 с.
Альтернативой прямым методам являются итерационные методы решения алгебраических уравнений. Начиная с некоторого начального поля температуры Т (зависимая переменная), последовательные повторения алгоритма приводят к решению, которое достаточно близко к точному решению алгебраических уравнений. Итерационные методы обычно требуют очень небольшого дополнительного объёма памяти вычислительной машины и являются удобным способом для преодоления нелинейностей. В нелинейной задаче нет необходимости находить решения алгебраических уравнений с высокой точностью до окончательной сходимости коэффициентов дискретного аналога. Оказывается, что, вообще, должно быть определённое соответствие между усилиями, требуемыми для расчёта коэффициентов и затрачиваемых на решение уравнений. Один раз рассчитав коэффициенты, мы должны с этим набором выполнить необходимое число итераций для получения решения уравнений, но неразумно тратить много усилий на решение уравнений, которые обосновываются только на приближённых значениях коэффициентов.
Существует много итерационных методов для решения алгебраических уравнений. Остановимся только на двух методах: первый рекомендован для использования, второй будет изложен в основных чертах.
Обзор итерационных методов решения конечно-разностных уравнений. Мы начали с дифференциальных уравнений и свели их к алгебраическим, имеющим более простой вид, но более многочисленным. Так, если число дифференциальных уравнений (переменных процесса) равно К, то число алгебраических уравнений равно NK, где N – число узлов сетки. При этом не учитывается увеличение числа вспомогательных соотношений, выражающих термодинамические и переносные свойства компонентов системы.
Теперь перед нами стоит задача наметить в общих чертах метод решения этой системы алгебраических уравнений. Ранее отмечалось, что это будет итерационный метод, хотя и не говорилось, какой именно.
Выбор итерационного метода. Итерационные методы решения системы алгебраических уравнений принадлежат двум классам. В методах первого класса как часть итерационного процесса используется обращение матриц или его разновидности. Такие методы часто называют блочными. В методах другого класса используются только элементарные вычисления. Эти методы известны как координатные методы смещения. В инженерных приложениях чаще всего ориентируются на них, так как при этом сохраняется простота численного метода и облегчается организация расчётов.
Внутри класса координатных итерационных методов имеется некоторая свобода выбора. Простейщим из них является метод одновременнных смещений или метод Якоби. Сущность его состоит в том, что на каждом цикле итераций используются только значения узловых переменных из предыдущей итерации. Если обозначить через k номер итерации, то метод Якоби для уравнения (4.43) будет характеризоваться следующей схемой:
(4.47)
где
Недостатком метода Якоби является низкая скорость сходимости итераций. Одноко возникает вопрос, как оценить эту скорость и в чём она выражается?
Чтобы
ответить на этот вопрос, рассмотрим без
доказательств некоторые положения
линейной алгебры. Прежде всего отметим,
что даже точное решение конечно-разностных
уравнений – это, в общем случае, не
решение исходных дифференциальных
уравнений. Тем более это относится к
промежуточным результатам итерационных
методов. Поэтому для характеристики
отклонения итерационного приближения
T
k
от
точного решения системы разностных
уравнений (обозначим его через u)
вводится погрешность
.
Так как полное решение системы разностных
уравнений представляет собой набор из
N
значений
Tik,
то
итоговая погрешность представляет
собой вектор,
числовой характеристикой которого
является норма
||Ik
||
. Эта
норма может быть введена различными
способами (существуют разные нормы),
например
(4.48)
где
N
–
число узлов сетки. Итерационный процесс
называется сходящимся,
если
при k
.
Одной из важных характеристик итерационного процесса является число итераций (последовательных приближений) n, которые необходимо выполнить до сходимости итераций с заданной малой погрешностью . Для сравнения качества различных методов в общем случае используется число итераций, определяемое из условия
(4.49)
или
(4.49,а)
где T 0 – начальное приближение, а 0 – наперёд заданная погрешность, с которой надо найти приближённое решение. Число n() показывает, сколько итераций достаточно выполнить, чтобы при любом начальном приближении T 0 норма начальной погрешности была уменьшена в 1/.
Скорость сходимости зависит от свойств матрицы коэффициентов системы конечно-разностных уравнений (4.43), т.е. от свойств среды и размеров ячеек разностной сетки. В сокращённом матричном виде эта система имеет вид
[A]{T} = {b}, (4.50)
где [A ] = [aij ] – матрица коэффициентов системы (4.43) размером N N (i, j = 1, 2, , N); {T} = (Ti) – вектор-столбец искомых величин размера N 1 (i = 1, 2, , N); {b} = (bi) – вектор-столбец правых частей уравнений (4.43) размера N 1 (i = 1, 2, , N).
Матрица коэффициентов [A] любой задачи характеризуется собственными значениями и собственными векторами. Собственным значением матрицы [A] размера N N называется действительное или комплексное число , которое для некоторого ненулевого вектора {T} удовлетворяет следующей системе алгебраических ураванений
(4.51)
где {I} – единичная матрица (матрица с единицами на диагонали; остальные элементы равны нулю). Любой ненулевой вектор {T}, удовлетворяющий (4.51) называется собственным вектором матрицы [A], принадлежащим собственному значению .
Для того, чтобы система (4.51) обладала нетривиальным (отличным от нуля) решением, необходимо, чтобы определитель матрицы [A] - [I] (обозначаемый det(A - I)) был равен нулю. Следовательно, любое собственное число должно являться корнем уравнения
det(A - I) = 0. (4.52)
Уравнение (4.52) называется характеристическим уравнением матрицы [A]. В его левой части стоит многочлен от степени N . Собственными значениями матрицы [A] является N корней многочлена (4.52).
Спектральный
радиус
S(A)
матрицы
[A]
размером
N
N
определяется
как максимум из модулей собственных
значений матрицы, т.е. если
-
множество собственных значений [A],
то
(4.53)
Если собственные значения матрицы [A] действительны, то через m(A) и M(A) обозначаются соответственно алгебраически наименьшее и наибольшее собственные значения [A] , т.е.
(4.54)
Наряду с нормой вектора ||T||, которую мы определили ранее, можно ввести норму матрицы [A]
или
где AH – сопряжённо транспонированая матрица [A].
Можно показать, что
S(A) ||A||, (4.55)
причём знак равенства соответствует симметричной матрице. Кроме того, по "правилу треугольника"
|| [A]{T}|| ||A||||T||. (4.56)
В итерационном процессе понятие сходимости по норме применимо не только к вектору искомого решения Т n. Поскольку коэффициенты матрицы [A] зависят от коэффициента теплопроводности и источника S, то можно говорить о том, что последовательность матриц А 0, А 1, сходится к матрице [A] тогда и только тогда, когда
(4.57)
Можно показать, что это условие выполняется для всех векторов {Т} лишь в том случае, когда
S(A) < 1. (4.58)
Все итерационные координатные методы основаны на записи системы (4.43) в виде
{T}n + 1 = [G]{T}n + {k}, n = 0, 1, 2, (4.59)
Здесь [G] – действительная матрица перехода размером N N, а {k} – соответствующий известный вектор, образованный из вектора {b}. Различные итерационные методы отличаются друг от друга содержанием матрицы перехода [G] .
Всюду будем предполагать, что
[G] = [I] – [Q] 1[A], {k} = [Q] 1{b} (4.60)
для некоторой невырожденной матрицы Q (здесь верхний индекс – 1 есть знак обращения матрицы). Такая матрица Q называется матрицей ращепления. Из предположения (4.60) и того факта, что матрица [A] является невырожденной, следует, что точное решение u, о котором говорилось ранее, представляет собой решение системы (4.59) или, как ещё говорят, смежной системы
( [I] – [G] ){u} = {k} (4.61)
тогда и только тогда, когда u является также решением системы (4.50), т.е.
{u} = [A] 1{b}. (4.62)
В этом случае условие сходимочти (4.55) принимает вид
S(G) < 1. (4.63)
Для определения скорости сходимости найдём вектор ошибки (погрешности) {k}. Используя (4.59) и (4.61), получаем, что
{n} = [G]{n – 1} = [G] 2{n – 2} = = [G] n{0}, (4.64)
где [G] n означает n-ю степень матрицы [G]. Таким образом, для любой векторной нормы и соответствующей матричной нормы в силу (4.56) имеем
||n|| ||G n||||0||. (4.65)
Следовательно, величина ||G n|| определяет, во сколько раз была уменьшена норма ошибки после n итераций. Определим среднюю скорость сходимости метода (4.59) следующим образом
Rn(G) ln||G n||/n. (4.66)
Можно показать, что если S(G) < 1, то
(4.67)
Следовательно, мы пришли к определению асимптотической скорости сходимости
(4.68)
Заметим, что в то время как Rn(G) зависит от конкретного вида нормы (а нормы бывают разными), величина R(G) не зависит от вида нормы. Часто R(G) называют просто скоростью сходимости.
Если S(G) < 1, то грубое приближение для числа итераций, требуемых для уменьшения нормы вектора ошибки в 1/ раз, определяется по формуле
n0() ln()/R(G). (4.69)
Оценка (4.69) часто оказывается заниженной, однако существенно более точное соотношение
n0() ln()/Rn(G) (4.70)
не может быть использовано на практике, так как, к сожалению, величина Rn(G) редко бывает доступной.
Располагае всеми необходимыми оценочными показателями, вернёмся теперь к анализу координатных итерационных методов. Предварительно условимся, что определение характеристик методов будем производить на примере упрощенного варианта уравнения (4.42) – стационарной задачи
(4.71)
с граничными условиями u(x, y) = g(x, y). Конечно-разностное представление этой задачи на равномерной сетке с размером ячейки h имеет вид
(4.71,а)
Для этой задачи
(4.72)
Обратимся теперь к методу Якоби. Детальная запись системы (4.50) следующая
(4.73)
Представим матрицу [A] в виде
[A] = [D] [CL] [CU] , (4.74)
где
В соответствии с записью (4.73) метод Якоби определяется следующим образом
или в матричных обозначениях (4.74)
где [B] – матрица перехода Якоби, определяемая как
(4.75)
Сопоставляя (4.75) и (4.60), видим, что [B] = [G], если [Q] = [D]. Далее, собственные значения матрицы [B] находятся из уравнения
или
так как [D] 1 0. С другой стороны, для собственных значений матрицы [A] имеем
| [A] [I] | = 0.
Оба определителя имеют первым слагаемым матрицу [A] и оба равны нулю. Но тогда должно быть
Следовательно,
или для модельной задачи (4.71)
В соответствии с определением (4.53)
S(B) = M(B) = m(B) = cos( h),
т.е. S(B) < 1 и метод Якоби сходится. Скорость сходимости равна
(4.76)
а минимально необходимое число итераций
(4.77)
Здесь использовано разложение функций в ряды, а именно
Если выбрать, как это обычно делается, = 10 4 и h = 0,1, то окажется, что R(B) 0,05 и n0(10 4) 187. Видно, что скорость сходимости очень мала. Для условий уравнения (4.47) она будет ещё меньше.
Причина такого положения совершенно очевидна: в итерационном цикле используется только предыдущая информация, хотя при определении T, например, в узле P уже имеются новые значения в узлах W и S (если счёт идёт слева направо и снизу вверх). Поэтому изменим схему счёта. Будем на новой итерации при расчёте параметров в каком-то узле учитывать не только значения предыдущей итерации, но и только что найденные значения в соседних узлах. В применении к уравнению (4.43) это означает, что мы будем использовать схему (если сохранить вышеуказанную последовательность расчётов)
(4.78)
или в общем случае уравнения (4.43)
(4.79)
Используя матричные обозначения (4.50), можно переписать (4.79) в виде
(4.80)
Следовательно, данный метод, который называется методом последовательных смещений или методом Гаусса – Зейделя, может быть выражен в матричной форме как
{T} k + 1 = []{T} k + {k}, (4.81)
где
(4.82)
Матрица [] называется матрицей перехода Гаусса – Зейделя.
Сопоставив уравнения (4.81), (4.59) и (4.60), находим, что [G] = [] и [Q] = = [D] – [CL] = [CU] + [A]. Тогда для метода Гаусса – Зейделя имеем применительно к модельной задаче
S() = M() = [M(B)] 2 = cos2(h), (4.83)
где по-прежнему
[B] [D] 1( [CL] + [CU] ) = [I] – [D] 1[A] .
Скорость сходимости данного метода равна
(4.84)
т.е. этот метод сходится в два раза быстрее метода Якоби.
Полученный результат наводит на мысль, что путём соответствующих модификаций методов Якоби и Гаусса – Зейделя можно добиться ещё большего увеличения скорости сходимости. Направление приложения усилий очевидно: изменение матрицы перехода. В самом деле, ускорение сходимости в методе Гаусса – Зейделя достигнуто за счёт того, что от матрицы перехода [B] = [I] – [D] 1[A] со спектральным радиусом модельной задачи S(B) = cos(h) перешли к матрице перехода [] = [I] – ( [D] – [CL] ) 1[A] со спектральным радиусом S() = cos2(h), причём, как нетрудно заметить, S() < S(B).
Сопоставление матриц перехода показывает, что они отличаются матрицей расщепления Q. Значит задача состоит в том, чтобы подобрать такую матрицу Q, при которой скорость сходимости была бы максимальной.
Для решения этой задачи отметим следующее. Сущность любого координатного метода состоит в том, что значение переменной в каком-то узле определяется значениями этой же переменной в четырёх соседних узлах. Можно дать методам смещения и другую интерпретацию: величина переменной в каком-то узле складывается из его значения в этом узле на предыдущей итерации и поправки, обусловленной влиянием соседних узлов. Сопоставление методов Якоби и Гаусса – Зейделя показывает, что чем больший удельный вес придаётся поправке, тем быстрее сходимость. Поэтому естественным обобщением метода Гаусса – Зейделя будет следующая итерационная процедура
(4.85)
Здесь представляет собой действительное число, называемое коэффициентом или параметром релаксации. При = 1 получаем метод Гаусса – Зейделя, при 1 имеем метод последовательной верхней релаксации (ПВР), а при 1 – последовательной нижней релаксации (ПНР).
В общем случае в обозначениях (4.74) метод ПВР записывается в виде
(4.86)
или в матричных обозначениях (4.74)
что можно также переписать следующим образом
(4.87)
где
(4.88)
а [L] и [U] описывают соотношениями (4.82). Матрица [] называется матрицей перехода ПВР. Нетрудно заметить, что в данном случае матрица расщепления [Q] равна [D] 1 [CL] . Условие сходимости записывается в виде
S() < 1.
Мы не будем здесь останавливаться на методах поиска оптимального значения параметра релаксации . Отметим только, что это обычная задача на поиск экстремума функции, связывающей собственные значения матриц [] и [B] (для справки: эта функция имеет вид
)
Её решение определяется выражением
(4.89)
а также
(4.90)
Нетрудно подсчитать, что для модельной задачи
Тогда асимптотическая скорость сходимости составит
(4.91)
Таким образом, скорость сходимости метода ПВР почти на порядок выше, чем метода Гаусса – Зейделя. Для значения h = 0,1 R() 0,628, что в 12,6 раза больше, чем в методе Якоби. Минимально необходимое число итераций при = 10 4 равно
С
ледовательно,
метод ПВР даёт существенную экономию
машинного времени и, казалось бы, надо
использовать только его. Во многих
случаях это действительно так, но, как
всегда, при переходе от идеализированных
модельных задач к реальным задачам
возникают затруднения. Первое из них
связано с тем, что для задач со сложной
геометрией и неравномерной сеткой
практически невозможно бывает заранее
вычислить спектральный радиус матрицы
[B]
и, таким образом, невозможно определить
теоретически оптимальное значение
параметра релаксации. Приходится обычно
opt
устанавливать эмпирически, подбором,
а здесь многое зависит от удачи
вычислителя. Второе препятствие более
существенное: метод ПВР применим только
для матриц, обладающих специальными
свойствами. В эти детали мы вникать не
будем; заметим только, что в тех случаях,
когда метод ПВР применим, оптимальное
значение
лежит в пределах 1,5
1,8, причём зависимость спектрального
радиуса от параметра релаксации имеет
вид, представленный на рис. 4.7.
Существует множество других итерационных методов, отличных от координатных методов смещения. Наиболее эффективными и распространёнными из них являются неявные методы переменных направлений, разработанные Дугласом, Писменом и Речфордом, а также попеременно-треугольные методы А.А. Самарского. Для ознакомления с ними можно использовать:
Хейгеман Л., Янг Д. Прикладные итерационные методы: Пер. с англ. – М.: Мир, 1986. – 448 с.
Самарский А.А., Николаев Е.С. Методы решения сеточных уравнений. – М.: Наука, 1978. – 512 с.
Из уравнений (4.85) и (4.86) видно, что при использовании релаксационных методов влияние граничных условий на первом цикле итераций проявляется в соответствии с направлением сканирования, т.е. вплоть до узлов противоположных границ на новые значения переменной влияют лишь левые граничные условия. Чтобы сразу учесть оба граничных условия для одного направления, используют блочные итерационные методы, при которых из общего числа неизвестных выделяют некоторую подгруппу, и уравнения для неизвестных из этой подгруппы решают совместно любым прямым методом. В большинстве блочных итерационных методов подгруппы неизвестных выбирают так, чтобы в результате получилась система уравнений с трёхдиагональной матрицей, которую можно эффективно решать методом прогонки. Простейшим блочным итерационным методом является последовательная верхняя релаксация по строкам (ПСВР).
Запишем уравнение (4.85) в форме
(4.92)
где aK = DK/DP; dk = Sk/DP.
Можно
заметить, что в (4.92) входят лишь три
неизвестных, так как величина
уже
известна либо из условий на нижней
границе, если уравнение записано для
первой строки, либо из решения, уже
полученного на (k
+ 1)-ой итерации
для ниже расположенной строки. В это
уравнение входит значение N
на итерации
с номером k,
а не (k
+ 1), так как нашей
целью является уравнение, содержащее
три рядом расположенные неизвестные,
чтобы для его решения можно было
использовать эффективный метод прогонки.
Задача сводится теперь к решению системы N – 1 линейных уравнений с N – 1 неизвестными значениями N на (k + 1)-ой итерации. Вводя в (4.92) параметр релаксации , получим систему уравнений
(4.93)
которая для каждой строки решается методом прогонки. Так как при использовании прогонки желательно обеспечить диагональное преобладание, то надо позаботиться о том, чтобы 1 + (Х/Y)2.
При последовательной верхней релаксации по строкам один цикл итерации заканчивается после того, как системы уравнений с трёхдиагональной матрицей решены для всех строк. После этого процесс повторяется до тех пор, пока не будет выполнено условие сходимости итераций.
В идеологическом плане к рассмотренному методу близок так называемый метод релаксации с использованием инерции. Здесь уравнение (4.85) заменяется соотношением
(4.94)
где i так называемая инерция. Для положительных значений i уравнение (4.94) представляет соотношение для нижней релаксации, а отрицательные значения i соответствуют верхней релаксации.
В
этом случае нет общих правил для
определения оптимального значения
инерции i;
оно должно
определяться в зависимости от особенностей
задачи. Из уравнения (4.94) можно установить,
что I
должно быть
сравнимо с
,
и чем больше значение I,
тем сильнее оно
будет влиять на релаксацию.
