{"id":907,"date":"2026-07-30T12:23:15","date_gmt":"2026-07-30T12:23:15","guid":{"rendered":"https:\/\/matforge.org\/?p=907","raw":"https:\/\/matforge.org\/?p=907"},"modified":"2026-07-30T12:23:15","modified_gmt":"2026-07-30T12:23:15","slug":"implicit-vs-explicit-methods-stability-accuracy","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/implicit-vs-explicit-methods-stability-accuracy\/","title":{"rendered":"Implizite vs. explizite Methoden: Stabilit\u00e4t, Genauigkeit und wann jeder","raw":"Implizite vs. explizite Methoden: Stabilit\u00e4t, Genauigkeit und wann jeder"},"content":{"rendered":"Reading Time: <\/span> 9<\/span> minutes<\/span><\/span>
\n

Die Wahl einer Zeitintegrationsmethode ist eine der wichtigsten Entscheidungen in einer wissenschaftlichen Simulation. Das Verfahren bestimmt, wie sich die numerische L\u00f6sung von einer Zeitstufe zur n\u00e4chsten bewegt, wie klein der Zeitschritt sein muss, wie viel jeder Schritt kostet und ob schnelle physikalische Prozesse aufgel\u00f6st oder unterdr\u00fcckt werden.<\/p>\n

Die gemeinsame Unterscheidung zwischen expliziten und impliziten Methoden ist n\u00fctzlich, bietet jedoch keine vollst\u00e4ndige Auswahlregel. Eine implizite Methode ist nicht automatisch genauer, und eine explizite Methode ist nicht automatisch f\u00fcr ernsthafte Simulationen geeignet. Stabilit\u00e4t, Genauigkeit, Rechenkosten, Steifigkeit, numerische D\u00e4mpfung und die physikalischen Zeitskalen des Problems m\u00fcssen zusammen betrachtet werden.<\/p>\n

Das zentrale Prinzip ist einfach: Die numerische Stabilit\u00e4t sagt uns nur, ob Fehler kontrolliert bleiben. Es sagt uns nicht, ob die berechnete L\u00f6sung der wahren physikalischen L\u00f6sung nahe kommt.<\/p>\n

Was ist Zeitintegration?<\/h2>\n

Nachdem eine PDE im Raum diskretisiert wurde, wird sie oft zu einem System gew\u00f6hnlicher Differentialgleichungen:<\/p>\n

du\/dt = F(u, t)<\/code><\/pre>\n
Ein Zeitintegrator n\u00e4hert sich der Ver\u00e4nderung des Vektors u<\/code> \u00fcber einen endlichen Schritt:<\/p>\n
t\u207f \u2192 t\u207f\u207a\u00b9 = t\u207f + \u0394t<\/code><\/pre>\n
Die genaue Entwicklung ist normalerweise nicht verf\u00fcgbar, daher erstellt der Algorithmus eine Ann\u00e4herung aus bekannten Werten, abgeleiteten Bewertungen oder einem System, das den unbekannten zuk\u00fcnftigen Zustand betrifft.<\/p>\n
Eine explizite Methode berechnet den neuen Zustand direkt aus bereits verf\u00fcgbaren Informationen. Eine implizite Methode definiert den neuen Zustand durch eine Gleichung, die gel\u00f6st werden muss.<\/p>\n
Explizite Zeitintegration<\/h2>\n
Forward Euler ist die einfachste explizite Methode:<\/p>\n
u\u207f\u207a\u00b9 = u\u207f + \u0394t F(u\u207f, t\u207f)<\/code><\/pre>\n
Alles auf der rechten Seite ist bekannt. Es ist kein lineares oder nichtlineares System erforderlich. Dies macht jeden Schritt kosteng\u00fcnstig und einfach zu parallelisieren.<\/p>\n
Explizite Runge-Kutta-Methoden h\u00f6herer Ordnung berechnen mehrere Zwischenstufen. Die klassische Methode vierter Ordnung verwendet vier Derivateauswertungen:<\/p>\n
k\u2081 = F(u\u207f, t\u207f)\n\nk\u2082 = F(\n    u\u207f + 0.5 \u0394t k\u2081,\n    t\u207f + 0.5 \u0394t\n)\n\nk\u2083 = F(\n    u\u207f + 0.5 \u0394t k\u2082,\n    t\u207f + 0.5 \u0394t\n)\n\nk\u2084 = F(\n    u\u207f + \u0394t k\u2083,\n    t\u207f + \u0394t\n)\n\nu\u207f\u207a\u00b9 = u\u207f\n      + \u0394t(k\u2081 + 2k\u2082 + 2k\u2083 + k\u2084) \/ 6<\/code><\/pre>\n
Explizite Methoden sind attraktiv, wenn jede Derivatbewertung erschwinglich ist und die Stabilit\u00e4tsgrenze keine \u00fcberm\u00e4\u00dfige Anzahl von Schritten erzwingt.<\/p>\n
Implizite Zeitintegration<\/h2>\n
R\u00fcckw\u00e4rts Euler bewertet das Derivat im unbekannten zuk\u00fcnftigen Zustand:<\/p>\n
u\u207f\u207a\u00b9 = u\u207f + \u0394t F(u\u207f\u207a\u00b9, t\u207f\u207a\u00b9)<\/code><\/pre>\n
Der neue Wert erscheint auf beiden Seiten. Ein lineares Problem kann eine Matrixl\u00f6sung erfordern, w\u00e4hrend ein nichtlineares Problem Newton-Iterationen oder einen anderen nichtlinearen Algorithmus erfordert.<\/p>\n
Crank-Nicocolson mittelt die Ableitung zwischen dem aktuellen und dem zuk\u00fcnftigen Zustand:<\/p>\n
u\u207f\u207a\u00b9 = u\u207f\n      + 0.5 \u0394t [\n          F(u\u207f, t\u207f)\n          + F(u\u207f\u207a\u00b9, t\u207f\u207a\u00b9)\n        ]<\/code><\/pre>\n
Implizite Methoden kosten pro Schritt mehr, aber geeignete Schemata k\u00f6nnen f\u00fcr Zeitschritte stabil bleiben, die eine explizite Methode divergieren w\u00fcrden. Dies ist besonders wertvoll f\u00fcr steife Systeme und feine r\u00e4umliche Gitter.<\/p>\n
Stabilit\u00e4t ist keine Genauigkeit<\/h2>\n
Eine stabile Berechnung liefert nicht unbedingt eine genaue physikalische Flugbahn. Die Unterscheidung kann mit der linearen Testgleichung untersucht werden:<\/p>\n
dy\/dt = \u03bby<\/code><\/pre>\n
Die genaue L\u00f6sung nach einem Malschritt ist:<\/p>\n
y(t + \u0394t) = exp(\u03bb\u0394t)y(t)<\/code><\/pre>\n
Eine numerische Methode erzeugt stattdessen:<\/p>\n
y\u207f\u207a\u00b9 = R(z)y\u207f\n\nz = \u03bb\u0394t<\/code><\/pre>\n
Die Funktion R(z)<\/code> ist der Verst\u00e4rkungsfaktor. Absolute Stabilit\u00e4t erfordert:<\/p>\n
|R(z)| \u2264 1<\/code><\/pre>\n
Diese Bedingung verhindert ein unbegrenztes numerisches Wachstum f\u00fcr ein abklingendes Testproblem. Es garantiert nicht, dass R(z)<\/code> exp(z)<\/code> sehr nahe kommt.<\/p>\n
Ein implizites Verfahren kann mit einem sehr gro\u00dfen Zeitschritt begrenzt bleiben, w\u00e4hrend die Zerfallsrate, Phase oder das vor\u00fcbergehende Ansprechen schlecht wiedergegeben werden. Der NASA-Bericht  explizite, implizite und hybride Methoden <\/a> er\u00f6rtert die Notwendigkeit, die Genauigkeit zu ber\u00fccksichtigen, anstatt die Stabilit\u00e4t allein zu verwenden, um eine Methode zu rechtfertigen.<\/p>\n
Stabilit\u00e4tsbereiche verstehen<\/h2>\n
Der Stabilit\u00e4tsbereich ist der Wertsatz von z = \u03bb\u0394t<\/code>, f\u00fcr den der Amplifikationsfaktor begrenzt bleibt.<\/p>\n
vorw\u00e4rts Euler<\/h3>\n
Vorw\u00e4rts hat Euler:<\/p>\n
R(z) = 1 + z<\/code><\/pre>\n
Sein Stabilit\u00e4tsbereich erf\u00fcllt:<\/p>\n
|1 + z| \u2264 1<\/code><\/pre>\n
Dies bildet eine Scheibe mit dem Radius Eins bei \u22121<\/code> zentriert. Entlang der negativen realen Achse ist das stabile Intervall:<\/p>\n
\u22122 \u2264 z \u2264 0<\/code><\/pre>\n
Klassische RK4<\/h3>\n
Die klassische Runge-Kutta-Methode vierter Ordnung hat einen gr\u00f6\u00dferen, aber immer noch begrenzten Stabilit\u00e4tsbereich. Entlang der negativen realen Achse bleibt es ungef\u00e4hr stabil bis:<\/p>\n
z \u2248 \u22122.785<\/code><\/pre>\n
Dies ist erheblich gr\u00f6\u00dfer als das Vorw\u00e4rts-Euler-Intervall, aber keine explizite Runge-Kutta-Methode kann die gesamte linke H\u00e4lfte der komplexen Ebene umfassen.<\/p>\n
Eine praktische Einf\u00fchrung in die absolute Stabilit\u00e4t, A-Stabilit\u00e4t und L-Stabilit\u00e4t finden Sie im  Crash-Kurs \u00fcber numerische Oden <\/a>.<\/p>\n
R\u00fcckw\u00e4rts Euler<\/h3>\n
R\u00fcckw\u00e4rts Euler hat:<\/p>\n
R(z) = 1 \/ (1 - z)<\/code><\/pre>\n
Sein Stabilit\u00e4tsbereich enth\u00e4lt die komplette linke Halbebene. Es ist daher a-stabil.<\/p>\n
Wenn z<\/code> zunehmend negativ wird, n\u00e4hert sich der Verst\u00e4rkungsfaktor Null. Stark abfallende Modi werden schnell unterdr\u00fcckt. Dies macht r\u00fcckw\u00e4rts Euler L-stabil, obwohl es nur erste Ordnung genau ist.<\/p>\n
Crank-Niconson<\/h3>\n
Crank-Nicocolson hat:<\/p>\n
R(z) = (1 + z\/2) \/ (1 - z\/2)<\/code><\/pre>\n
Es ist auch a-stabil, da sein Stabilit\u00e4tsbereich die linke Halbebene umfasst. Als z \u2192 \u2212\u221e<\/code>:<\/p>\n
R(z) \u2192 \u22121<\/code><\/pre>\n
Hochsteife Modi werden nicht auf Null gefahren. Stattdessen k\u00f6nnen sie sich im Vorzeichen abwechseln, w\u00e4hrend sie nahezu konstante Gr\u00f6\u00dfe beibehalten. Crank-Niconson ist daher nicht L-stabil und kann nichtphysische zeitliche Schwingungen erzeugen, wenn sehr gro\u00dfe Schritte auf steife Systeme angewendet werden.<\/p>\n
A-Stabilit\u00e4t und L-Stabilit\u00e4t<\/h2>\n
Eine a-stabile Methode ist f\u00fcr jeden Test-Gleichwert mit einem nicht-positiven Realteil stabil, unabh\u00e4ngig von der Zeitschrittgr\u00f6\u00dfe.<\/p>\n
Eine L-stabile Methode ist a-stabil und erf\u00fcllt auch:<\/p>\n
R(z) \u2192 0 as z \u2192 \u2212\u221e<\/code><\/pre>\n
Diese Unterscheidung ist wichtig f\u00fcr steife Systeme. A-Stabilit\u00e4t verhindert explosives Wachstum, w\u00e4hrend L-Stabilit\u00e4t sorgt daf\u00fcr, dass ungel\u00f6ste schnelle Abklingmodi stark ged\u00e4mpft werden.<\/p>\n
Nicht jede implizite Methode ist a-stabil, und nicht jede a-stabile Methode ist L-stabil. Die Eigenschaften geh\u00f6ren eher zum einzelnen Schema als zur gesamten impliziten Kategorie.<\/p>\n
Reihenfolge der Genauigkeit<\/h2>\n
Die Reihenfolge eines Verfahrens bestimmt, wie schnell sein Fehler abnimmt, wenn der Zeitschritt kleiner wird.<\/p>\n
F\u00fcr eine Bestellmethode p<\/code>:<\/p>\n
Local truncation error = O(\u0394t^(p+1))\nGlobal error           = O(\u0394t^p)<\/code><\/pre>\n\n\n\n\n\n\n\n\n\n
Verfahren<\/th>\nTyp<\/th>\nBestellen<\/th>\nLokaler Fehler<\/th>\nGlobaler Fehler<\/th>\n<\/tr>\n
vorw\u00e4rts Euler<\/td>\nExplizit<\/td>\n1<\/td>\nO(\u0394t\u00b2)<\/code><\/td>\nO(\u0394t)<\/code><\/td>\n<\/tr>\n
R\u00fcckw\u00e4rts Euler<\/td>\nImplizit<\/td>\n1<\/td>\nO(\u0394t\u00b2)<\/code><\/td>\nO(\u0394t)<\/code><\/td>\n<\/tr>\n
Crank-Niconson<\/td>\nImplizit<\/td>\n2<\/td>\nO(\u0394t\u00b3)<\/code><\/td>\nO(\u0394t\u00b2)<\/code><\/td>\n<\/tr>\n
BDF2<\/td>\nImpliziter Multischritt<\/td>\n2<\/td>\nO(\u0394t\u00b3)<\/code><\/td>\nO(\u0394t\u00b2)<\/code><\/td>\n<\/tr>\n
Klassische RK4<\/td>\nExplizit<\/td>\n4<\/td>\nO(\u0394t\u2075)<\/code><\/td>\nO(\u0394t\u2074)<\/code><\/td>\n<\/tr>\n
Dormand\u2013Prinz 5(4)<\/td>\nExplizite eingebettete RK<\/td>\n5 mit Sch\u00e4tzer vierter Ordnung<\/td>\nmethodenabh\u00e4ngig<\/td>\nungef\u00e4hr O(\u0394t\u2075)<\/code> f\u00fcr die L\u00f6sung f\u00fcnfter Ordnung<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
Vorw\u00e4rts und r\u00fcckw\u00e4rts haben Euler die gleiche formale Ordnung, obwohl sich ihre Stabilit\u00e4tseigenschaften stark unterscheiden. RK4 kann bei gleicher Schrittweite viel genauer sein als r\u00fcckw\u00e4rts Euler, wenn die Stabilit\u00e4t den Einsatz erm\u00f6glicht.<\/p>\n
Das explizite oder implizite Label beschreibt in erster Linie, wie ein Schritt berechnet wird. Es bestimmt nicht die formale Reihenfolge.<\/p>\n
Was ist Steifheit?<\/h2>\n
Ein System ist steif, wenn es stark getrennte Zeitskalen enth\u00e4lt, und explizite Stabilit\u00e4tsanforderungen erzwingen Schritte, die viel kleiner sind als die, die zur Aufl\u00f6sung des interessierenden Verhaltens erforderlich sind.<\/p>\n
Bedenken Sie:<\/p>\n
dy\/dt = -1000(y - cos(t)) - sin(t)<\/code><\/pre>\n
Die gew\u00fcnschte L\u00f6sung kann auf einer Zeitskala der Reihenfolge eins variieren, aber eine schnell abfallende Komponente hat eine Zeitskala nahe 0.001<\/code>. Eine explizite Methode muss m\u00f6glicherweise den schnellen Modus f\u00fcr Stabilit\u00e4t aufl\u00f6sen, auch wenn dieser Modus physisch unwichtig geworden ist.<\/p>\n
Eine geeignete implizite Methode kann den schnellen Zerfall \u00fcberschreiten und der langsameren L\u00f6sung folgen. Dies ist der Hauptgrund, warum implizite Methoden f\u00fcr steife Reaktionssysteme, Diffusionsgleichungen, elektrische Schaltkreise und eng gekoppelte Multiphysikmodelle verwendet werden.<\/p>\n
Numerische D\u00e4mpfung<\/h2>\n
Implizitheit bedeutet nicht automatisch eine starke D\u00e4mpfung. Die D\u00e4mpfung wird durch den Verst\u00e4rkungsfaktor der Methode gesteuert.<\/p>\n
R\u00fcckw\u00e4rts Euler unterdr\u00fcckt die Modi stark, wenn |\u03bb\u0394t|<\/code> gro\u00df ist. Dies kann erw\u00fcnscht sein, wenn diese Moden eine ungel\u00f6ste Steifheit darstellen. Es kann unerw\u00fcnscht sein, wenn sie Wellen oder Transienten darstellen, die gemessen werden sollten.<\/p>\n
Crank-Niconson f\u00fchrt viel weniger hochfrequente D\u00e4mpfung ein. Dies bewahrt ein gewisses Oszillationsverhalten, kann aber auch unerw\u00fcnschte steife numerische Schwingungen erhalten.<\/p>\n
Die Flow-3D-Diskussion von  Implizite und explizite numerische Methoden <\/a> veranschaulichen, wie gro\u00dfe implizite Schritte das vor\u00fcbergehende Verhalten verzerren k\u00f6nnen. Der Effekt sollte nicht als universeller fester Unterentspannungsfaktor interpretiert werden. Seine Gr\u00f6\u00dfe h\u00e4ngt vom Integrationsschema, dem Zeitschritt, der Gleichung und dem iterativen Solver ab.<\/p>\n
Unterentspannung ist ein separates Thema<\/h2>\n
Unterrelaxation wird h\u00e4ufig in nichtlinearen oder gekoppelten iterativen L\u00f6sern verwendet:<\/p>\n
u(updated) =\n    u(old)\n    + \u03b1 [\n        u(computed)\n        - u(old)\n      ]<\/code><\/pre>\n
Der Parameter \u03b1<\/code> liegt normalerweise zwischen Null und Eins. Kleinere Werte k\u00f6nnen eine iterative L\u00f6sung stabilisieren, verlangsamen jedoch ihre Konvergenz und ver\u00e4ndern den scheinbaren \u00dcbergang, wenn die Iterationen vor der vollst\u00e4ndigen Konvergenz gestoppt werden.<\/p>\n
Unterentspannung ist nicht unvermeidbare Eigenschaft jedes impliziten Zeitintegrators. Es handelt sich um eine zus\u00e4tzliche algorithmische Wahl, die innerhalb des nichtlinearen L\u00f6sungsprozesses auftreten kann.<\/p>\n
CFL-Einschr\u00e4nkungen f\u00fcr explizite Methoden<\/h2>\n
F\u00fcr eine Advektionsgleichung folgen explizite Methoden \u00fcblicherweise einer Courant-Bedingung:<\/p>\n
\u0394t \u2264 C \u0394x \/ |v|<\/code><\/pre>\n
Die Konstante C<\/code> h\u00e4ngt von der r\u00e4umlichen Methode und dem Zeitintegrator ab.<\/p>\n
Bei einer explizit integrierten Diffusionsgleichung skaliert die Grenze typischerweise wie folgt:<\/p>\n
\u0394t \u2264 C \u0394x\u00b2 \/ D<\/code><\/pre>\n
Diese quadratische Abh\u00e4ngigkeit kann auf feinen Maschen teuer werden. Die Halbierung der Zellengr\u00f6\u00dfe kann f\u00fcr ein diffusionskontrolliertes explizites Schema ungef\u00e4hr viermal so viele Zeitschritte erfordern.<\/p>\n
Diese Einschr\u00e4nkungen bedeuten nicht, dass explizite Methoden ungenau sind. Sie definieren einen Stabilit\u00e4tsbereich. Bei hyperbolischen Simulationen erfordert die physikalische Notwendigkeit, die Wellenfahrt aufzul\u00f6sen, bereits einen Schritt \u00e4hnlich dem CFL-Grenzwert.<\/p>\n
Kosten pro Schritt<\/h2>\n
Explizite Methoden erfordern normalerweise Funktionsbewertungen, Flussberechnungen oder sp\u00e4rliche Matrix-Vektor-Produkte. Ihre Schritte sind relativ kosteng\u00fcnstig und skalieren auf paralleler Hardware oft gut.<\/p>\n
Implizite Methoden k\u00f6nnen Folgendes erfordern:<\/p>\n