BDF-Verfahren

Die BDF-Verfahren (Vorlage:EnS Backward Differentiation Formulas) sind lineare Mehrschrittverfahren zur numerischen Lösung von Anfangswertproblemen gewöhnlicher Differentialgleichungen:

$y^{\prime }(x)=f(x,y(x)),y(x_0)=y_0,y:ℝ\to {ℝ}^n$.

Dabei wird für $y(x)$ eine Näherungslösung an den Zwischenstellen $x_i$ berechnet:

$y_i\approx y(x_i)i=1,\dots ,m$.

Die Verfahren wurden 1952 von Charles Francis Curtiss und Joseph Oakland Hirschfelder eingeführt und sind seit dem Erscheinen der Arbeiten von C. William Gear 1971 als Löser für steife Anfangswertprobleme weit verbreitet.

Beschreibung

Im Gegensatz zu Adams-Moulton-Verfahren wird bei BDF-Verfahren nicht die rechte Seite durch ein Interpolationspolynom approximiert, stattdessen konstruiert man ein Polynom $q_k$ mit (maximalem) Grad $k$, welches die letzten $k$ Approximationen $y_n,\dots ,y_{n+k-1}$ an die Lösung sowie den unbekannten Wert $y_{n+k}$ interpoliert:

$q_k(x_i)=y_i,\text{für }i=n,\dots ,n+k$.

Zusätzlich fordert man, dass das Interpolationspolynom $q_k$ die gegebene Differentialgleichung im Punkt $x_{n+k}$ löst, also dass gilt

${q_k}^{\prime }(x_{n+k})=f(x_{n+k},y_{n+k})$,

und erhält so ein nichtlineares Gleichungssystem für die Bestimmung des implizit gegebenen Wertes $y_{n+k}$.

Lagrange-Darstellung

Eine Möglichkeit für die Darstellung des Interpolationspolynoms $q_k$ ist die Lagrange-Darstellung. Dabei sind die Lagrange-Basispolynome mit den $k+1$ Stützstellen $x_n,\dots ,x_{n+k}$ definiert durch

$l_j(x_{n+i})={\delta }_{ji}=\{\begin{array}{cc}1& \text{falls }j=i,\\ 0& \text{falls }j\ne i.\end{array}$

wobei ${\delta }_{ji}$ das Kronecker-Delta ist. Damit folgt wegen $q_k(x_{n+i})=\sum _{j=0}^k{l}_j(x_{n+i})y_{n+j}=y_{n+i}$ direkt die Darstellung

$q_k(x)=\sum _{j=0}^k{l}_j(x)y_{n+j}$.

Mit der Forderung ${q_k}^{\prime }(x_{n+k})=f(x_{n+k},y_{n+k})$ erhält man nun die lineare Rekursionsformel für die BDF-Verfahren:

$\sum _{j=0}^k{\alpha }_j{y}_{n+j}=f(x_{n+k},y_{n+k})$,

wobei die Koeffizienten ${\alpha }_j$ gegeben sind durch

${\alpha }_j=l_{j^{\prime }}(x_{n+k}),j=0,\dots ,k$.

Alternative Lagrange-Darstellung

Alternativ betrachten wir die Lagrange-Basispolynome definiert durch

$L_j(-s)={\delta }_{js}=\{\begin{array}{cc}1& \text{falls }j=s,\\ 0& \text{falls }j\ne s.\end{array}$

Damit folgt die Darstellung

$q_k(x_{n+k}+sh)=\sum _{j=0}^k{L}_{k-j}(s)y_{n+j}$.

Dabei ist $h=x_{i+1}-x_i$ der Abstand der Stützstellen und die konstante Schrittweite des Verfahrens. Mit der Forderung ${q_k}^{\prime }(x_{n+k})=f(x_{n+k},y_{n+k})$, wobei hier

${q_k}^{\prime }(x)=\frac{d}{dx}{q}_k(x)=\frac{d}{d(sh)}{q}_k(x_{n+k}+sh)=\frac{1}{h}\frac{d}{ds}{q}_k(x_{n+k}+sh)$

gilt, erhält man nun für die Berechnung der Koeffizienten ${\alpha }_j$

${\alpha }_j=L_{k^{\prime }-j}(0),j=0,\dots ,k$

und damit die Rekursionsformel

$\sum _{j=0}^k{L}_{k^{\prime }-j}(0)y_{n+j}=hf(x_{n+k},y_{n+k})$

Newton-Darstellung

Die Newton-Darstellung des Interpolationspolynoms $q_k$ verwendet Rückwärtsdifferenzen, welche rekursiv definiert sind durch

${\mathrm{\nabla }}^0{y}_i=y_i,{\mathrm{\nabla }}^{j+1}{y}_i={\mathrm{\nabla }}^j{y}_i-{\mathrm{\nabla }}^j{y}_{i-1}.$

Damit lässt sich $q_k$ schreiben als

$q_k(x_{n+k}+sh)=\sum _{j=0}^k(-1{)}^j(\genfrac{}{}{0ex}{}{-s}{j}){\mathrm{\nabla }}^j{y}_{n+k}$.

Diese Formel führt wegen ${\frac{d}{ds}(-1{)}^j(\genfrac{}{}{0ex}{}{-s}{j})|}_{s=0}=\frac{1}{j}$ für $j=1,\dots ,k$ auf die Darstellung

$\sum _{j=1}^k\frac{1}{j}{\mathrm{\nabla }}^j{y}_{n+k}=hf(x_{n+k},y_{n+k})$

der BDF-Verfahren.

Berechnungsformeln

Alle oben betrachteten Darstellungen der Berechnungsformeln sind äquivalent, da sie nur verschiedene Arten der Darstellung des eindeutigen Interpolationspolynoms $q_k$ verwendet haben. Für $k\le 6$ lauten die impliziten Berechnungsformeln der BDF(k)-Verfahren:

• BDF(1) – implizites Euler-Verfahren:

$y_{n+1}-y_n=hf(x_{n+1},y_{n+1})$

• BDF(2):

$3y_{n+2}-4y_{n+1}+y_n=2hf(x_{n+2},y_{n+2})$

• BDF(3):

$11y_{n+3}-18y_{n+2}+9y_{n+1}-2y_n=6hf(x_{n+3},y_{n+3})$

• BDF(4):

$25y_{n+4}-48y_{n+3}+36y_{n+2}-16y_{n+1}+3y_n=12hf(x_{n+4},y_{n+4})$

• BDF(5):

$137y_{n+5}-300y_{n+4}+300y_{n+3}-200y_{n+2}+75y_{n+1}-12y_n=60hf(x_{n+5},y_{n+5})$

• BDF(6):

$147y_{n+6}-360y_{n+5}+450y_{n+4}-400y_{n+3}+225y_{n+2}-72y_{n+1}+10y_n=60hf(x_{n+6},y_{n+6})$

Eigenschaften

Die BDF-Verfahren sind alle implizit, da der unbekannte Wert $y_{n+k}$ in die Gleichung eingeht. BDF(k) besitzt genau die Konsistenzordnung k. Das Verfahren BDF(1) ist das implizite Euler-Verfahren. Dieses und BDF(2) sind A-stabil, die Verfahren höherer Ordnung A($\alpha$)-stabil, wobei der Öffnungswinkel $\alpha$ sich mit höherer Ordnung verkleinert. Insbesondere BDF(2) ist aufgrund seiner optimalen Eigenschaften bezüglich der zweiten Dahlquist-Barriere bei der Berechnung steifer Differentialgleichungen sehr beliebt. Für k<6 sind die Verfahren stabil und konsistent und damit auch konvergent. Der größte Anreiz der BDF-Verfahren sind ihre großen Stabilitätsgebiete, weshalb sie sich für den Einsatz bei der Lösung von steifen Anfangswertproblemen eignen. Für k>6 sind die Verfahren instabil.

• Stabilitätsgebiete der BDF-Verfahren
• 
  BDF1
• 
  BDF2
• 
  BDF3
• 
  BDF4
• 
  BDF5
• 
  BDF6

Literatur

• E. Hairer, Syvert P. Nørsett, Gerhard Wanner: Solving Ordinary Differential Equations I, Nonstiff Problems, Springer Verlag, ISBN 3-540-56670-8
• E. Hairer, G. Wanner: Solving Ordinary Differential Equations II, Stiff problems, Springer Verlag, ISBN 3-540-60452-9
• H.R. Schwarz, N. Köckler: Numerische Mathematik, Teubner (2004)
• Curtiss, Hirschfelder Integration of stiff equations, Proc. Nat. Acad. Sci. U.S.A., Band 38, 1952, 235–243.

Weblinks

• Gear, Backward Differentiation Formulas, Scholarpedia