15.07.2013 Views

Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...

Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...

Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...

SHOW MORE
SHOW LESS

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

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!