{"id":901,"date":"2026-07-30T12:23:17","date_gmt":"2026-07-30T12:23:17","guid":{"rendered":"https:\/\/matforge.org\/?p=901","raw":"https:\/\/matforge.org\/?p=901"},"modified":"2026-07-30T12:23:17","modified_gmt":"2026-07-30T12:23:17","slug":"nonlinear-solver-methods-newton-broyden-quasi-newton-pdes","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/nonlinear-solver-methods-newton-broyden-quasi-newton-pdes\/","title":{"rendered":"Nichtlineare Solver-Methoden: Newton, Broyden und Quasi-Newton f\u00fcr PDEs","raw":"Nichtlineare Solver-Methoden: Newton, Broyden und Quasi-Newton f\u00fcr PDEs"},"content":{"rendered":"Reading Time: <\/span> 10<\/span> minutes<\/span><\/span>

Wenn Sie eine nichtlineare partielle Differentialgleichung diskretisieren, erhalten Sie ein nichtlineares algebraisches System. Um es zu l\u00f6sen, muss die richtige Solver-Methode ausgew\u00e4hlt werden. Newtons Methode konvergiert quadratisch, verlangt aber einen vollen Jacobian. Broydens Methode baut den Jacobian billiger, kann aber destabilisieren. Der Jacobi-Free Newton-Krylov (JFNK)-Ansatz vermeidet den Jacobianer und st\u00fctzt sich nur auf Produkte von Jacobian-Vektoren mit physikbasierter Vorkonditionierung, um die Konvergenz r\u00fcckwirkend zu halten.<\/p>\n

Die Wahl ist nicht theoretisch. Es bestimmt, ob Ihre Simulation \u00fcberhaupt konvergiert, wie viel Speicher sie verbraucht und ob sie in Minuten oder Tagen endet.<\/p>\n

Link zum vorhandenen Artikel: Zeitintegrationsmethoden f\u00fcr PDE-Solver<\/a><\/strong> deckt die breitere Landschaft von expliziten versus impliziten Schemata und Operator-Splitting ab. Link zum vorhandenen Artikel: Implizite vs. explizite Methoden <\/a> <\/strong> Erl\u00e4utert Stabilit\u00e4tsbereiche, Genauigkeitskriterien und wenn implizite Schemata erforderlich werden. Dieser Artikel konzentriert sich speziell auf die nichtlinearen L\u00f6ser, die sich in jedem impliziten Schema befinden.<\/p>\n

Wenn implizite Methoden einen nichtlinearen Solver erfordern<\/h2>\n

Die implizite Zeitintegration erfordert die L\u00f6sung eines nichtlinearen Systems bei jedem Zeitschritt. Betrachten Sie die r\u00fcckst\u00e4ndige Euler-Diskretisierung eines generischen PDE:<\/p>\n

F(u\u207f\u207a\u00b9) = 0<\/code><\/pre>\n
Das unbekannte u\u207f\u207a\u00b9<\/code> erscheint im Operator F<\/code> durch Diffusionsterme, Reaktionskinetik oder gekoppelte Multiphysik-Gleichungen. Nach r\u00e4umlicher Diskretisierung (finites Volumen, finites Element oder endlicher Unterschied) wird das System:<\/p>\n
F(x) = 0, where x \u2208 \u211d\u207f<\/code><\/pre>\n
Die Dimension n<\/code> ist die Anzahl der Freiheitsgrade \u2013 typischerweise das Produkt aus Gitterzellen, physikalischen Feldern und Zeitschritt-Iterationen. In einer 3D-Phasenfeldsimulation mit 500\u00b3-Zellen und zwei gekoppelten Feldern kann n<\/code> 10\u2078 leicht \u00fcberschreiten.<\/p>\n
Die Herausforderung besteht darin, dass F<\/code>  nichtlinear ist. Sie k\u00f6nnen nicht x = F\u207b\u00b9(0)<\/code> schreiben. Stattdessen ben\u00f6tigen Sie einen iterativen Algorithmus, der eine Sequenz konstruiert, die zur Wurzel konvergiert.<\/p>\n
Newton-Methode: Die Basislinie<\/h2>\n
Die Newton-Methode ist die Referenz, anhand derer alle anderen nichtlinearen L\u00f6ser gemessen werden. F\u00fcr das System F(x) = 0<\/code> konstruiert es die Jacobi-Matrix:<\/p>\n
J = \u2202F\/\u2202x<\/code><\/pre>\n
und iteriert:<\/p>\n
x\u2096\u208a\u2081 = x\u2096 \u2212 J\u207b\u00b9\u00b7F(x\u2096)<\/code><\/pre>\n
Die Schl\u00fcsseleigenschaft ist quadratische Konvergenz<\/strong>. Wenn der Jacobian Lipschitz kontinuierlich ist und die anf\u00e4ngliche Vermutung innerhalb des Konvergenzbeckens liegt, erf\u00fcllt der Fehler:<\/p>\n
\u2016x\u2096\u208a\u2081 \u2212 x*\u2016 \u2264 C \u00b7 \u2016x\u2096 \u2212 x*\u2016\u00b2<\/code><\/pre>\n
Dies bedeutet, dass sich die Anzahl der korrekten Ziffern bei jeder Iteration ungef\u00e4hr verdoppelt. Bei gut erzogenen PDE-Systemen konvergiert die Newton-Methode h\u00e4ufig in 3\u20135 Iterationen.<\/p>\n
Voller Jacobian: Analytisch vs. endlicher Unterschied<\/h3>\n
Der Bau des Jacobian ist der teuerste Teil von Newtons Methode. Die Optionen sind:<\/p>\n
Analytical Jacobian.<\/strong> Sie leiten \u2202F\/\u2202x<\/code> von Hand oder durch automatische Differenzierung ab. In Bibliotheken wie Fenics erzeugt die Variationsformulierung automatisch den Jacobian durch symbolische Differenzierung. Das Ergebnis ist exakt (bis zur Gleitkommagenauigkeit).<\/p>\n
Finite-Difference Jacobian.<\/strong> Sie st\u00f6ren jede Spalte von J<\/code> durch \u03b5<\/code> und bewerten F<\/code> neu:<\/p>\n
J\u1d62 \u2248 (F(x + \u03b5\u00b7e\u1d62) \u2212 F(x)) \/ \u03b5<\/code><\/pre>\n
Dies erfordert n<\/code> zus\u00e4tzliche Funktionsbewertungen pro Newton-Iteration. F\u00fcr gro\u00dfe n<\/code>  dominiert dies die Kosten.<\/p>\n
Block Jacobian.<\/strong> In gekoppelten Systemen mit k<\/code>-Feldern ist der Jacobian blockstrukturiert:<\/p>\n
J = [ \u2202F\u2081\/\u2202x\u2081  \u2202F\u2081\/\u2202x\u2082  ... ]\n    [ \u2202F\u2082\/\u2202x\u2081  \u2202F\u2082\/\u2202x\u2082  ... ]\n    [          ...       ... ]<\/code><\/pre>\n
Wenn Sie nur diagonale Bl\u00f6cke \u2202F\u1d62\/\u2202x\u1d62<\/code>  ben\u00f6tigen, k\u00f6nnen Sie diese unabh\u00e4ngig bewerten – eine Technik, die als Diagonales Einfrieren <\/strong> oder  vollst\u00e4ndig gekoppelt gegen getrennte Solver <\/strong> bezeichnet wird.<\/p>\n
Globale Konvergenz: Liniensuche und Vertrauensregionen<\/h3>\n
Die Methode von Pure Newton ist eine lokale Methode. Wenn die anf\u00e4ngliche Vermutung weit von der L\u00f6sung entfernt ist, k\u00f6nnen die Iterationen unterschiedlich sein, obwohl die quadratische Konvergenz in der N\u00e4he der Wurzel gilt.<\/p>\n
Liniensuche<\/strong> \u00c4ndert den Newton-Schritt, indem er ihn skaliert:<\/p>\n
x\u2096\u208a\u2081 = x\u2096 \u2212 \u03b1\u00b7J\u207b\u00b9\u00b7F(x\u2096)<\/code><\/pre>\n
wobei \u03b1 \u2208 (0, 1]<\/code> gew\u00e4hlt wird, um eine Verdienstfunktion zu reduzieren. Der klassische Ansatz minimiert \u2016F(x\u2096 \u2212 \u03b1\u00b7J\u207b\u00b9\u00b7F(x\u2096))\u2016<\/code> .<\/p>\n
Vertrauensregionen<\/strong> Definieren Sie einen Radius \u0394<\/code>, in dem das quadratische Modell vertrauensw\u00fcrdig ist:<\/p>\n
min q(s) = F(x\u2096) + J\u00b7s + \u00bd\u00b7s\u1d40\u00b7H\u00b7s\nsubject to \u2016s\u2016 \u2264 \u0394<\/code><\/pre>\n
Wenn die Reduktion der Leistungsfunktion nicht ausreicht, schrumpft der Radius. Wenn es ausreicht, w\u00e4chst der Radius.<\/p>\n
Das Paket SNES<\/code>  von PETSC (SNU Nonlinear Equation Solver) bietet sowohl die Liniensuche als auch die Globalisierung der Vertrauensregion. Die Auswahl wirkt sich auf die Gesamtiterationszahl aus, die mehr als die Kosten pro Iteration sind.<\/p>\n
Praktischer Newton: Wenn es funktioniert und wann nicht<\/h3>\n
Die Newton-Methode zeichnet sich aus, wenn:<\/p>\n