Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...
Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...
Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Prediction<br />
Graded tree<br />
Fig. 19 – Raffinement prédictif dans le cas mono-dimensionnel dyadique<br />
1. Raffinement prédictif : construction de ˜ Λn+1 ε à partir de Λn ε et de MU n (voir algorithme 16)<br />
2. Décodage partiel M−1T˜ n+1<br />
Λε MU n pour avoir les valeurs moyennes de la solution sur la grille hybride (voir<br />
algorithme 15)<br />
3. Évolution de la solution sur la grille hybride<br />
u n+1<br />
λ = unλ − ˜b n λ pour λ ∈ S(˜ Λn+1 ε )<br />
4. Codage partiel MU n+1 (voir algorithme 14)<br />
5. Seuillage des coefficients (48) et restriction de ˜ Λn+1 ε à Λn+1 ε<br />
– Fin de Pour n<br />
5.4 L’initialisation<br />
En toute rigueur, il faut partir de la solution donnée initialement sur la grille la plus fine pour pouvoir,<br />
après analyse (codage) et seuillage des coefficients, définir la grille hybride initiale. Cette étape nécessite<br />
donc l’occupation mémoire maximale, même si ultérieurement cette mémoire peut être libérée. Cependant,<br />
si la condition initiale est donnée par une fonction sous sa forme explicite, on peut envisager de calculer<br />
directement une représentation compressée de cette condition initiale, en partant du niveau grossier, ce qui<br />
optimise l’occupation mémoire.<br />
Algorithme 14 Codage partiel de la solution<br />
voir Proposition 1.<br />
Algorithme 15 Décodage partiel de la solution<br />
5.5 Le raffinement prédictif<br />
En pratique, dans l’étape (5) de seuillage et restriction de l’algorithme 13 on applique seulement la première<br />
étape de l’algorithme 8, sans imposer la structure d’arbre graduel qui sera de toute façon assurée par l’étape<br />
(1) de raffinement adaptatif décrite ci-dessous.<br />
Algorithme 16 Raffinement prédictif<br />
La solution est connue sous la forme codée (MUλ)λ∈Λn ε<br />
– Initialisation ˜ Λn+1 ε = Λnε ∪ ∇0 (48)<br />
– Raffinement prédictif (voir figure 19<br />
Pour j = J ↘ 0 Boucle sur les niveaux<br />
Pour γ ∈ Λn ε , |γ| = j<br />
µ ∈ ˜ Λn+1 ε ∀µ ∈ V t λ (transport des singularités)<br />
calcul de n(λ) (98) (croissance des singularités)<br />
∀ µ, Si Ωµ ⊂ Ωλ et |µ| ≤ |λ| + n(λ) , Alors µ ∈ ˜ Λn+1 ε<br />
Fin de Pour γ<br />
Fin de Pour j<br />
– Structure d’arbre (voir algorithme 8)<br />
– Graduation de l’arbre (voir algorithme 8)<br />
40