Méthodes de Runge-Kutta

Résumé

Les méthodes de Runge-Kutta sont des méthodes d'analyse numérique d'approximation de solutions d'équations différentielles. Elles ont été nommées ainsi en l'honneur des mathématiciens Carl Runge et Martin Wilhelm Kutta, lesquels élaborèrent la méthode en 1901. Ces méthodes reposent sur le principe de l'itération, c'est-à-dire qu'une première estimation de la solution est utilisée pour calculer une seconde estimation, plus précise, et ainsi de suite. Principe général Considérons le problème suivant : : {dy \over dt} = y' = f(t, y), \quad y(t_0) = y_0 que l'on va chercher à résoudre en un ensemble discret t < t < ... < t. Plutôt que de chercher une méthode directe, les méthodes de Runge-Kutta proposent d'introduire les points intermédiaires { (t_{n,i}, y_{n,i})}{1 \leqslant i \leqslant q} afin de calculer par récurrence les valeurs (t , y) avec :t{n,i} = t_n + c_i\cdot h_n où h = t – t est le pas de temps et c{{ind|i}}

Source officielle

https://fr.wikipedia.org/wiki/M%C3%A9thodes_de_Runge-Kutta

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (68)

Chargement

Afficher plus

Publications associées

Chargement

Personnes associées (10)

Personnes associées

Chargement

Unités associées (3)

Unités associées

Chargement

Concepts associés (13)

Concepts associés

Chargement

Cours associés (46)

Cours associés

Chargement

Séances de cours associées (118)

Afficher plus

Séances de cours associées

Chargement

Publications associées (68)

Élastodynamique linéaire pour problème géophysique et dispersion numérique

Julie Marthe Favre

Dans ce travail, on cherche à utiliser des méthodes capables de simuler la propagation des ondes élastiques en deux dimensions. Pour cela, nous avons utilisé les équations élastodynamiques linéaires et nous y avons appliqué des méthodes numériques. Ici, la méthode des éléments finis de Galerkin a été utilisée pour la semi-discrétisation en espace, et la discrétisation en temps a, quant à elle, été faite à l’aide des méthodes d’Euler rétrograde, Leapfrog et Runge Kutta 4. Les objectifs de ce travail consistaient tout d’abord à comparer ces méthodes en termes de convergence et de stabilité, puis d’appliquer la plus adaptée à la simulation des ondes. Cette comparaison a montré que la méthode de Runge Kutta 4 avait une condition de stabilité moins forte que celle de la méthode Leapfrog, et nous a finalement mené à choisir une méthode inconditionnellement stable, la méthode d’Euler rétrograde, pour simuler un scénario réel de propagation d’ondes sismiques en utilisant des conditions aux limites non-réfléchissantes. Les résultats concernant cette simulation semblent satisfaisants et pertinents, notamment du point de vue des conditions aux limites utilisées, qui sont apparues comme étant tout à fait appropriées. Enfin, le dernier objectif de ce travail était de procéder à une analyse de la dispersion numérique, qui nous a montré l’importance d’un haut degré polynômiale pour obtenir de bons résulats ainsi que l’influence de certains paramètres sur les erreurs obtenues.

2015

Chargement

Mixed-precision explicit stabilized Runge-Kutta methods for single- and multi-scale differential equations

Matteo Croci, Giacomo Rosilho De Souza

Mixed-precision algorithms combine low-and high-precision computations in order to benefit from the performance gains of reduced-precision without sacrificing accuracy. In this work, we design mixed-precision Runge-Kutta-Chebyshev (RKC) methods, where high precision is used for accuracy, and low precision for stability. Generally speaking, RKC methods are low-order explicit schemes with a stability domain growing quadratically with the number of function evaluations. For this reason, most of the computational effort is spent on stability rather than accuracy purposes. In this paper, we show that a naive mixed-precision implementation of any Runge-Kutta scheme can harm the convergence order of the method and limit its accuracy, and we introduce a new class of mixed precision RKC schemes that are instead unaffected by this limiting behavior. We present three mixed-precision schemes: a first-and a second-order RKC method, and a first order multirate RKC scheme for multiscale problems. These schemes perform only the few function evaluations needed for accuracy (1 or 2 for first-and second-order methods respectively) in high precision, while the rest are performed in low precision. We prove that while these methods are essentially as cheap as their fully low-precision equivalent, they retain the stability and convergence order of their high-precision counterpart. Indeed, numerical experiments confirm that these schemes are as accurate as the corresponding high-precision method. (C) 2022 Elsevier Inc. All rights reserved.

ACADEMIC PRESS INC ELSEVIER SCIENCE2022

Chargement

The aim of this project is to implement the Rosenbrock method ROS3P in the C++ Finite Element library LifeV for the solution of systems of ordinary differential equations arising in electrophysiology. In the domain of electrophysiology LifeV implements cardiac cell models which can require the resolution of stiff reaction-diffusion equations. To solve this system the use of implicit methods is required. We focus in particular on one step methods. Implicit methods need the solution of a non linear system at each time step. The Rosenbrock methods derive from the linearly implicit Runge Kutta methods and just requires the solution of s linear systems per time step, where s is the number of stages. Most of the implicit Runge Kutta methods suffer from order reduction when applied to parabolic problems. For this reason we have chosen the third order Rosenbrock method ROS3P, which satisfies additional order conditions to keep the same convergence order even when applied to non linear parabolic problems. In the first part of this work we derive the Rosenbrock methods from Runge Kutta methods, explaining the time adaptivity strategy and finally giving the algorithm of our implementation in LifeV. After we present the cardiac reaction-diffusion models, deriving the mono-domain model from the bi-domain model. In the following we explain the strategy that we adopt to solve these models and how we discretize them. Finally we show some numerical experiments obtained with our approach and compare our results with the ones given by other methods.

2013

Chargement

Afficher plus