数学 |
您所在的位置：网站首页 › 椭圆系数的值的表 › 数学 |
|
3.2 五点差分格式
3.2.1 五点差分格式的建立
(1) 建立差分格式
将区间 \([a,b]\) 做 \(m\) 等分，记 \[h_1 = \frac{b-a}{m}, \quad x_i = a + ih_1, \quad i=0,\cdots,m \]将区间 \([c,d]\) 做 \(n\) 等分，记 \[h_2 = \frac{d-c}{n}, \quad y_j = c + jh_2, \quad j=0,\cdots,n \]称 \(h_1\) 为 \(x\) 方向步长，\(h_2\) 为 \(y\) 方向步长。用两簇平行线 \(x = x_i\) 与 \(y=y_j\) 将区域 \(\Omega\) 剖分为 \(mn\) 个小矩形，称两簇直线的交点 \((x_i,y_j)\) 为网格结点。 所有结点构成集合 \[\Omega_h = \{ (x_i, y_j) \, | \, 0 \leqslant i \leqslant m , \, 0 \leqslant j \leqslant n \} \]所有内结点构成集合 \[\mathring{\Omega}_h = \{ (x_i, y_j) \, | \, 1 \leqslant i \leqslant m-1, \, 1 \leqslant j \leqslant n-1\} \]所有边界结点构成集合 \[\Gamma_h = \Omega_h \setminus \mathring{\Omega}_h \]为方便记 \[\omega = \{ (i, j) \, | \, (x_i, y_j) \in \mathring{\Omega}_h\}, \quad \gamma = \{ (i, j) \, | \, (x_i, y_j) \in \Gamma_h\}, \]记 \[S_h = \left\{ v \, | \, v = \{ v_{ij} \, | \, \forall i, \forall j \} \text{为} \Omega_h \text{上的网格函数}\right\} \]设 \(v = \{ v_{ij} \, | \, 0 \leqslant i \leqslant m , \, 0 \leqslant j \leqslant n \} \in S_h\)，引进如下记号： \[D_x v_{ij} = \frac{1}{h_1} (v_{i+1,j} - v_{ij}), \quad D_{\bar{x}} v_{ij} = \frac{1}{h_1} (v_{ij} - v_{i-1, j}), \]\[D_y v_{ij} = \frac{1}{h_2} (v_{i,j+1} - v_{ij}), \quad D_{\bar{y}} v_{ij} = \frac{1}{h_2} (v_{ij} - v_{i, j-1}), \]\[\delta_x^2 v_{ij} = \frac{1}{h_1} (D_x v_{ij} - D_{\bar{x}} v_{ij}), \quad \delta_y^2 v_{ij} = \frac{1}{h^2} (D_y v_{ij} - D_{\bar{y}} v_{ij}) \]\[\| v \|_{\infty} = \max_{\forall i,j} |v_{ij}| \]在结点处考虑边值问题 \((3.1.1)\)，\((3.1.2)\) 有 \[- \left[ \frac{\partial^2 u}{\partial x^2} (x_i, y_j) + \frac{\partial^2 u}{\partial y^2} (x_i, y_j) \right] = f(x_i, y_j), \quad (i,j) \in \omega \tag{3.2.1} \]\[u(x_i, y_j) = \varphi(x_i, y_j), \quad (i, j) \in \gamma \tag{3.2.2} \]定义 \(\Omega_h\) 上的网格函数 \[U = \{U_{ij} \, | \, 0 \leqslant i \leqslant m , \, 0 \leqslant j \leqslant n \}, \quad U_{ij} = u(x_i, y_j) \]二阶导数用二阶中心差商来近似，由 引理 \(2.2.1\) 可知 \[\frac{\partial^2 u}{\partial x^2} (x_i, y_j) = \frac{1}{h_1^2} \left[ u(x_{i-1}, y_j) - 2 u(x_{i}, y_j) + u(x_{i+1}, y_j)\right] - \frac{h_1^2}{12} \frac{\partial^4 u}{\partial x^4}(\xi_{ij}, y_j) = \delta_x^2 U_{ij} - \frac{h_1^2}{12} \frac{\partial^4 u}{\partial x^4}(\xi_{ij}, y_j), \quad x_{i-1} < \xi_{ij} < x_{i+1} \]\[\frac{\partial^2 u}{\partial y^2} (x_i, y_j) = \frac{1}{h_2^2} \left[ u(x_{i}, y_{j-1}) - 2 u(x_{i}, y_j) + u(x_{i}, y_{j+1})\right] - \frac{h_2^2}{12} \frac{\partial^4 u}{\partial y^4}(x_i, \eta_{ij}) =\delta_y^2 U_{ij} - \frac{h_2^2}{12} \frac{\partial^4 u}{\partial y^4}(x_i, \eta_{ij}), \quad y_{j-1} < \eta_{ij} < y_{j+1} \]代入式 \((3.2.1)\)，可得 \[-(\delta_x^2 U_{ij} + \delta_y^2 U_{ij}) = f(x_i, y_j) - \frac{h_1^2}{12} \frac{\partial^4 u}{\partial x^4}(\xi_{ij}, y_j) - \frac{h_2^2}{12} \frac{\partial^4 u}{\partial y^4}(x_i, \eta_{ij}), \quad (i, j) \in \omega \tag{3.2.3} \]\[U_{ij} = \varphi(x_i, y_j), \quad (i,j) \in \gamma \tag{3.2.4} \]在上式中略去小量项 \[R_{ij} = - \frac{h_1^2}{12} \frac{\partial^4 u}{\partial x^4}(\xi_{ij}, y_j) - \frac{h_2^2}{12} \frac{\partial^4 u}{\partial y^4}(x_i, \eta_{ij}) \tag{3.2.5} \]用 \(u_{ij}\) 代替 \(U_{ij}\) 得到如下差分格式 \[-(\delta_x^2 u_{ij} + \delta_y^2 u_{ij}) = f(x_i, y_j), \quad (i,j) \in \omega \tag{3.2.6} \]\[u_{ij} = \varphi(x_i, y_j), \quad (i,j) \in \gamma \tag{3.2.7} \](2) 局部截断误差称 \(R_{ij}\) 为差分格式 \((3.2.5)\) 的局部截断误差，它表示为差分格式 \((3.2.5)\) 用精确解代替近似解后等式两边之差，即 \[R_{ij} = -\frac{1}{h_1^2} [u(x_{i-1}, y_j) - 2 u(x_i, y_j) + u(x_{i+1}, y_j)] -\frac{1}{h_2^2} [u(x_{i}, y_{j-1}) - 2 u(x_i, y_j) + u(x_{i}, y_{j+1})] - f(x_i, y_j) \]记 \[M_4 = \max \left\{ \max_{(x,y) \in \bar{\Omega}} \left| \frac{\partial^4 u}{\partial x^4} (x,y) \right|, \max_{(x,y) \in \bar{\Omega}} \left| \frac{\partial^4 u}{\partial y^4} (x,y) \right| \right\} \tag{3.2.8} \]则有 \[|R_{ij}| \leqslant \frac{(h_1^2 + h_2^2)}{12} M_4, \quad 1 \leqslant i \leqslant m-1, \quad 1 \leqslant j \leqslant n-1 \tag{3.2.9} \]局部截断误差可以反映差分格式对原方程的近似程度，由上式显然可知当 \(M_4 < \infty\) 时，差分格式 \((3.2.5)\) 与微分方程 \((3.1.1)\) 是相容的。 3.2.2 差分格式的求解差分格式 \((3.2.6)\)，\((3.2.7)\) 是以 \((u_{ij})\) 可视为未知量的线性方程组，式 \((3.2.6)\) 可改写为 \[-\frac{1}{h_2^2} u_{i, j-1} - \frac{1}{h_1^2} u_{i-1, j} + 2 \left( \frac{1}{h_1^2} + \frac{1}{h_2^2} \right) u_{ij} - \frac{1}{h_1^2} u_{i+1, j} - \frac{1}{h_2^2} u_{i, j+1} = f(x_i, y_j), \quad (i,j) \in \omega \tag{3.2.10} \]我们考虑将原始的差分格式写成两种形式：线性方程组与矩阵方程。 (1) 线性方程组形式记 \[\begin{align*} \bm{u}_j = \begin{bmatrix} u_{1j} \\ u_{2j} \\ \vdots \\ u_{m-1,j} \end{bmatrix}, \quad 0 \leqslant j \leqslant n \end{align*} \]利用式 \((3.2.7)\) 可将式 \((3.2.10)\) 改写为 \[D \bm{u}_{j-1} + C \bm{u}_j + D \bm{u}_{j+1} = \bm{f}_j, \quad 1 \leqslant j \leqslant n-1 \tag{3.2.11} \]其中， \[\begin{align*} C = \begin{bmatrix} 2 \left( \frac{1}{h_1^2} + \frac{1}{h_2^2} \right) & -\frac{1}{h_1^2} \\ -\frac{1}{h_1^2} & 2 \left( \frac{1}{h_1^2} + \frac{1}{h_2^2} \right) & -\frac{1}{h_1^2} \\ & \ddots & \ddots & \ddots \\ & & -\frac{1}{h_1^2} & 2 \left( \frac{1}{h_1^2} + \frac{1}{h_2^2} \right) & -\frac{1}{h_1^2} \\ & & & -\frac{1}{h_1^2} & 2 \left( \frac{1}{h_1^2} + \frac{1}{h_2^2} \right) \end{bmatrix} \end{align*} \]\[\begin{align*} D = \begin{bmatrix} -\frac{1}{h_2^2} \\ & -\frac{1}{h_2^2} \\ & & \ddots \\ & & & -\frac{1}{h_2^2} \\ & & & &-\frac{1}{h_2^2} \end{bmatrix}, \quad \bm{f}_j = \begin{bmatrix} f(x_1, y_j) + \frac{1}{h_1^2} \varphi(x_0, y_j) \\ f(x_2, y_j) \\ \vdots \\ f(x_{m-2}, y_j) \\ f(x_{m-1}, y_j) + \frac{1}{h_1^2} \varphi(x_m, y_j) \end{bmatrix} \end{align*} \]将式 \((3.2.11)\) 进一步改写成 \[\begin{align*} \begin{bmatrix} C & D \\ D & C & D \\ & \ddots & \ddots & \ddots \\ & & D & C & D \\ & & & D & C \end{bmatrix} \begin{bmatrix} \bm{u}_1 \\ \bm{u}_2 \\ \vdots \\ \bm{u}_{n-2} \\ \bm{u}_{n-1} \end{bmatrix} = \begin{bmatrix} \bm{f}_1 - D \bm{u}_0 \\ \bm{f}_2 \\ \vdots \\ \bm{f}_{n-2} \\ \bm{f}_{n-1} - D \bm{u}_n \end{bmatrix} \end{align*} \tag{3.2.12} \]上述线性方程组的系数矩阵是一个三对角块矩阵，每一行至多有 \(5\) 个非零元素，通常称这种绝大多数元素为 \(0\) 的矩阵为稀疏矩阵。常用迭代法求解以大型稀疏矩阵为系数矩阵的线性方程组。 (2) 矩阵方程形式可以将式 \((3.2.6)\) 写成 \[\begin{align*} \frac{1}{h_1^2} \begin{bmatrix} -1 & 2 & -1 \end{bmatrix} \begin{bmatrix} u_{i-1,j} \\ u_{ij} \\ u_{i+1, j} \end{bmatrix} + \frac{1}{h_2^2} \begin{bmatrix} u_{i,j-1} & u_{ij} & u_{i, j+1} \end{bmatrix} \begin{bmatrix} -1 \\ 2 \\ -1 \end{bmatrix} \end{align*} = f(x_i, y_j) \]进一步写成 \[\frac{1}{h_1^2} A_{m-1} X + \frac{1}{h_2^2} X A_{n-1} = f + \frac{1}{h_1^2} u_{ub} + \frac{1}{h_2^2} u_{lr} \tag{3.2.13} \]其中， \[\begin{align*} A_k = \begin{bmatrix} 2 & -1 \\ -1 & 2 & -1 \\ & \ddots & \ddots & \ddots \\ & & -1 & 2 & -1 \\ & & & -1 & 2 \end{bmatrix}_{k \times k} \quad X = \begin{bmatrix} u_{11} & u_{12} & \cdots & u_{1,n-1} \\ u_{21} & u_{22} & \cdots & u_{2,n-1} \\ \vdots & \vdots & \ddots & \vdots \\ u_{m-1,1} & u_{m-1,2} & \cdots & u_{m-1,n-1} \end{bmatrix} \end{align*} \]\[\begin{align*} u_{lr} = \begin{bmatrix} u_{10} & 0 & \cdots & 0 & u_{1,n} \\ u_{20} & 0 & \cdots & 0 & u_{2,n} \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ u_{m-1,0} & 0 & \cdots & 0 & u_{m-1,n} \end{bmatrix}, \quad u_{ub} = \begin{bmatrix} u_{01} & u_{02} & \cdots & u_{0,n-1} \\ 0 & 0 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & 0 \\ u_{m1} & u_{m2} & \cdots & u_{m,n-1} \end{bmatrix} \end{align*} \]\[\begin{align*} f = \begin{bmatrix} f_{11} & f_{12} & \cdots & f_{1,n-1} \\ f_{21} & f_{22} & \cdots & f_{2,n-1} \\ \vdots & \vdots & \ddots & \vdots \\ f_{m-1,1} & f_{m-1,2} & \cdots & f_{m-1,n-1} \end{bmatrix}, \quad f_{ij} = f(x_i, y_j) \end{align*} \]式 \((3.2.13)\) 可写成矩阵方程形式 \[AX + XB = C \tag{3.2.14} \]\[A = \frac{1}{h_1^2} A_{m-1}, \quad B = \frac{1}{h_2^2} A_{n-1}, \quad C = f + \frac{1}{h_1^2} u_{ub} + \frac{1}{h_2^2} u_{lr} \](3) 性质记式 \((3.2.12)\) 的系数矩阵为 \(G\)，即 \[\begin{align*} G = \begin{bmatrix} C & D \\ D & C & D \\ & \ddots & \ddots & \ddots \\ & & D & C & D \\ & & & D & C \end{bmatrix} \end{align*} \]我们可以发现，线性方程组与矩阵方程是等价的，它们之间具体的关系可用下述定理描述。 定理 3.2.1 对式 \((3.2.11)\) 有 \[AX + XB = C \iff \left[ \text{Kron} (I, A) + \text{Kron} (B^T, I) \right] \text{vec}(X) = \text{vec}(C) \]其中第一个单位矩阵的阶数等于矩阵 \(X\) 的列数；第二个单位矩阵的阶数等于矩阵 \(X\) 的行数。\(\text{vec}\) 表示将矩阵用列拉直的方式变为列向量。\(\text{Kron}\) 为两矩阵的 \(\text{kronecker}\) 积。 表示为线性方程组时，可以发现系数矩阵不仅是一个稀疏矩阵，还具有良好的代数性质。 定理 3.2.2 式 \((3.2.9)\) 的系数矩阵 \(G\) 为对称正定矩阵。 证明：系数矩阵 \(G\) 显然是一个对称矩阵。只需再证明该矩阵正定。 证毕。 (4) 求解的数值算法由 \((3.2.9)\) 的线性方程组形式可以看出，该线性方程组的系数矩阵是一个三对角块矩阵，每一行至多有 \(5\) 个非零元素，通常称这种绝大多数元素为零的矩阵为稀疏矩阵。常用迭代法求解以大型稀疏矩阵为系数矩阵的线性方程组。 \(\text{Jacobi}\) 迭代法 对 \(k=0,1,2,\cdots\)，计算 \[u_{ij}^{(k+1)} = \left[ f(x_i, y_j) + \frac{1}{h_2^2} u_{i, j-1}^{(k)} + \frac{1}{h_1^2} u_{i-1, j}^{(k)} + \frac{1}{h_1^2} u_{i+1, j}^{(k)} + \frac{1}{h_2^2} u_{i, j+1}^{(k)} \right] \Big/ \left[ 2\left( \frac{1}{h_1^2} + \frac{1}{h_2^2}\right) \right], \quad i=1,\cdots,m-1, \quad j=1,\cdots,n-1 \] \(\text{Gauss-Seidel}\) 迭代法 对 \(k=0,1,2,\cdots\)，计算 \[u_{ij}^{(k+1)} = \left[ f(x_i, y_j) + \frac{1}{h_2^2} u_{i, j-1}^{(k+1)} + \frac{1}{h_1^2} u_{i-1, j}^{(k+1)} + \frac{1}{h_1^2} u_{i+1, j}^{(k)} + \frac{1}{h_2^2} u_{i, j+1}^{(k)} \right] \Big/ \left[ 2\left( \frac{1}{h_1^2} + \frac{1}{h_2^2}\right) \right], \quad i=1,\cdots,m-1, \quad j=1,\cdots,n-1 \]3.2.3 差分格式解的先验估计式我们可以应用极值原理来给出差分方程组的解的先验估计式。 设 \(u = \{u_{ij} \, | \, 0 \leqslant i \leqslant m, 0 \leqslant j \leqslant n\}\) 为 \(\Omega_h\) 上的网格函数，简记 \[(L_h u)_{ij} = -(\delta_x^2 u_{ij} + \delta_y^2 u_{ij}), \quad (i,j) \in \omega \]定理 3.2.3 设 \(u = \{u_{ij} \, | \, 0 \leqslant i \leqslant m, 0 \leqslant j \leqslant n\}\) 为 \(\Omega_h\) 上的网格函数，如果我们有如下式子成立 \[(L_h u)_{ij} \leqslant 0, \quad (i,j) \in \omega \]则我们有 \[\max_{(i,j) \in w} u_{ij} \leqslant \max_{(i,j) \in \gamma} u_{ij} \]证明：用反证法。设 \[\max_{(i,j) \in w} u_{ij} > \max_{(i,j) \in \gamma} u_{ij} \]令 \(\max_{(i,j) \in w} u_{ij} = M\)，则一定存在 \((i_0, j_0) \in \omega\) 使得 \(u_{i_0, j_0} = M\)，且 \(u_{i_0 - 1, \,j_0}\)、\(u_{i_0 + 1, \,j_0}\)、\(u_{i_0, \,j_0-1}\)、\(u_{i_0, \,j_0+1}\) 中至少有一个值小于 \(M\)。 因此我们可得 \[\begin{align*} (L_h u)_{i_0, \, j_0} & = 2 \left( \frac{1}{h_1^2} + \frac{1}{h_2^2} \right) u_{i_0, \, j_0} - \frac{1}{h_1^2} \left( u_{i_0 - 1, \,j_0} + u_{i_0 + 1, \,j_0} \right) - \frac{1}{h_2^2} \left( u_{i_0, \,j_0-1} + u_{i_0, \,j_0+1} \right) \\ & > 2 \left( \frac{1}{h_1^2} + \frac{1}{h_2^2} \right) M - \frac{1}{h_1^2} (M + M) - \frac{1}{h_2^2} (M + M) = 0 \end{align*} \]与条件矛盾。 证毕。 下面利用上述的极值原理给出差分格式解的先验估计式。 定理 3.2.4 给定差分方程组 \[-(\delta_x^2 u_{ij} + \delta_y^2 u_{ij}) = f_{ij}, \quad (i,j) \in \omega \]\[u_{ij} = \varphi_{ij}, \quad (i,j) \in \gamma \]设 \(\{u_{ij}\}\) 为上述差分方程组的解，则有 \[\max_{(i,j) \in \omega} | u_{ij} | \leqslant \max_{(i,j) \in \gamma} | \varphi_{ij} | + \frac{1}{4} \left[ \left( \frac{b-a}{2}\right)^2 + \left( \frac{d-c}{2} \right)^2 \right] \max_{(i,j)\in \omega} |f_{ij}| \]上式中 \(\left( \frac{b-a}{2}\right)^2 + \left( \frac{d-c}{2} \right)^2\) 为 \(\Omega\) 的外接圆半径的平方。 证明：我们记 \[C = \max_{(i,j) \in \omega} |f_{ij}| \]证毕。 3.2.4 差分格式解的存在性与唯一性定理 3.2.5 差分格式 \((3.2.6) \sim (3.2.7)\) 的解存在且唯一。 证明：由于差分格式 \((3.2.6)\) 与 \((3.2.7)\) 是线性的，考虑其齐次方程组 \[-(\delta_x^2 u_{ij} + \delta_y^2 u_{ij}) = 0, \quad (i,j) \in \omega \tag{3.2.15} \]\[u_{ij} = 0, \quad (i,j) \in \gamma \tag{3.2.16} \]设 \(\|u\|_{\infty} = M > 0\)，则由 \((3.2.16)\) 知，存在 \((i,j) \in \omega\) 使得 \(|u_{i_0, \, j_0}| = M\)，且 \(|u_{i_0-1, \, j_0}|\)、\(|u_{i_0+1, \, j_0}|\)、\(|u_{i_0, \, j_0-1}|\)、\(|u_{i_0, \, j_0+1}|\) 中至少有一个小于 \(M\)，考虑式 \((3.2.15)\) 中 \((i,j) = (i_0,j_0)\) 的等式，有 \[\left( \frac{2}{h_1^2} + \frac{2}{h_2^2} \right) u_{i_0, \, j_0} = \frac{1}{h_1^2} (u_{i_0 - 1, \, j_0} + u_{i_0 + 1, \, j_0}) + \frac{1}{h_2^2} \left( u_{i_0, \, j_0-1} + u_{i_0, \, j_0+1} \right) \]将上式两边取绝对值可得 \[\left( \frac{2}{h_1^2} + \frac{2}{h_2^2} \right) M \leqslant \frac{1}{h_1^2} ( |u_{i_0 - 1, \, j_0}| + |u_{i_0 + 1, \, j_0}| ) + \frac{1}{h_2^2} \left( |u_{i_0, \, j_0-1}| + |u_{i_0, \, j_0+1}| \right) < \left( \frac{2}{h_1^2} + \frac{2}{h_2^2} \right) M \]矛盾。故 \(M=0\)，因而差分格式的解是存在且唯一的。 证毕。 3.2.5 差分格式解的收敛性与稳定性 (1) 收敛性给出差分格式的收敛性相关的定理。 定理 3.2.6 设 \(\{u(x,y) \, | \, a \leqslant x \leqslant b, \, c \leqslant y \leqslant d\}\) 是定解问题 \((3.1.1)\) 和 \((3.1.2)\) 的解，\(\{u_{ij} \, | \, 0 \leqslant i \leqslant m, \, 0 \leqslant j \leqslant n\}\) 为差分格式 \((3.2.5)\) 和 \((3.2.6)\) 的解，则有 \[\max_{(i,j) \in \omega} \left| u(x_i, y_j) - u_{ij} \right| \leqslant \frac{M_4}{48} \left[ \left( \frac{b-a}{2} \right)^2 + \left( \frac{d-c}{2} \right)^2 \right] (h_1^2 + h_2^2) \]其中 \(M_4\) 由式 \((3.2.8)\) 定义。 证明：我们记 \[e_{ij} = u(x_i, y_j) - u_{ij}, \quad (i,j) \in \omega \cup \gamma \]将式 \((3.2.3)\)、\((3.2.4)\) 分别与式 \((3.2.6)\)、\((3.2.7)\) 相减，得误差方程为 \[-(\delta_x^2 e_{ij} + \delta_y^2 e_{ij}) = R_{ij}, \quad (i,j) \in \omega \tag{3.2.17} \]\[e_{ij} = 0, \quad (i,j) \in \gamma \tag{3.2.18} \]其中 \(R_{ij}\) 由式 \((3.2.5)\) 定义，由式 \((3.2.9)\) 可知，有 \[\max_{(i,j) \in \omega} |R_{ij}| \leqslant \frac{M_4}{12} (h_1^2 + h_2^2) \]应用定理 \(3.2.4\) 可得 \[\max_{(i,j) \in \omega} |e_{ij}| \leqslant \frac{1}{4} \left[ \left( \frac{b-a}{2}\right)^2 + \left( \frac{d-c}{2} \right)^2 \right] \max_{(i,j) \in \omega} |R_{ij}| \leqslant \frac{M_4}{48} \left[ \left( \frac{b-a}{2} \right)^2 + \left( \frac{d-c}{2} \right)^2 \right] (h_1^2 + h_2^2) \]证毕。 (2) 稳定性假设在应用差分格式 \((3.2.6)\) 和 \((3.2.7)\) 时，计算右端函数 \(f(x_i, y_j)\) 有误差 \(f_{ij}\)，计算边界值有误差 \(\varphi_{ij}\)，考虑如下差分格式 \[-(\delta_x^2 v_{ij} + \delta_y^2 v_{ij}) = f(x_i, y_j) + f_{ij}, \quad (i,j) \in \omega \tag{3.2.19} \]\[v_{ij} = \varphi(x_i, y_j) + \varphi_{ij}, \quad (i,j) \in \gamma \tag{3.2.20} \]设 \(\{v_{ij}\}\) 为上述差分格式的解，我们记 \[\varepsilon_{ij} = v_{ij} - u_{ij}, \quad (i,j) \in \omega \cup \gamma \]将式 \((3.2.19)\)、\((3.2.20)\) 与式 \((3.2.6)\)、\((3.2.7)\) 相减，得到 \[-(\delta_x^2 \varepsilon_{ij} + \delta_y^2 \varepsilon_{ij}) = f_{ij}, \quad (i,j) \in \omega \tag{3.2.21} \]\[\varepsilon_{ij} = \varphi_{ij}, \quad (i,j) \in \gamma \tag{3.2.22} \]应用定理 \(3.2.4\) 可得 \[\max_{(i,j) \in \omega} |\varepsilon_{ij}| \leqslant \max_{(i,j) \in \gamma} |\varphi_{ij}| + \frac{1}{4} \left[ \left( \frac{b-a}{2}\right)^2 + \left( \frac{d-c}{2} \right)^2 \right] \max_{(i,j) \in \omega} |f_{ij}| \]由上式可知，当 \(|\varphi_{ij}|\) 和 \(|f_{ij}|\) 是小量时，\(\max_{(i,j) \in \omega} |\varepsilon_{ij}|\) 也为小量。此时我们称差分格式 \((3.2.6)\)、\((3.2.7)\) 关于边界值和右端函数是稳定的。 同时我们称得到的式 \((3.2.21)\)、\((3.2.22)\) 为摄动误差方程组，可见它的形式与差分格式 \((3.2.6)\)、\((3.2.7)\) 是一样的，综合以上，我们可以得到如下定理。 定理 3.2.7 差分格式 \((3.2.6)\)、\((3.2.7)\) 在下述意义下关于边界值和右端函数是稳定的，设 \(\{u_{ij}\}\) 为 \[-(\delta_x^2 u_{ij} + \delta_y^2 u_{ij}) = f_{ij}, \quad (i,j) \in \omega \]\[u_{ij} = \varphi_{ij}, \quad (i,j) \in \gamma \]的解，则有 \[\max_{(i,j) \in \omega} |u_{ij}| \leqslant \max_{(i,j) \in \gamma} |\varphi_{ij}| + \frac{1}{4} \left[ \left( \frac{b-a}{2}\right)^2 + \left( \frac{d-c}{2} \right)^2 \right] \max_{(i,j) \in \omega} |f_{ij}| \]证明：见上段关于摄动误差方程组的叙述。 证毕。 3.2.6 Richardson 外推法（待定，不知道是否该写这节）？？ |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |