Numerika pro teoretické fyziky ← →

Kapitola 9

Numerické řešení ODR – Absolutní stabilita. Systémy se silným tlumením. Adaptivní metody

Absolutní stabilita

Metoda, která je stabilní pro \(k \to 0\), může být nestabilní pro konečné \(k\), a to nezávisle na tom, zda jde o jedno- nebo vícekrokovou metodu.

Příklad

Uvažujme ODR

\[ u'(t) = \lambda u(t) \]

s počáteční podmínkou \(u(t_0) = u_0\). Jejím řešením je \(u(t) = u_0 e^{\lambda(t-t_0)}\). Pro Eulerovu metodu máme odhad

\begin{equation}\label{eq:08:euler_chyba} e^{n+1} = (1+k\lambda)\,e^n - k\tau^n , \end{equation}

takže k růstu chyby nedochází, pokud

\begin{equation}\label{eq:08:euler_podminka} |1+k\lambda| \le 1 , \end{equation}

což platí pro \(-2 \le k\lambda \le 0\), tj. pouze pro \(\lambda \le 0\) a pro \(k \le \left|\dfrac{2}{\lambda}\right|\).

Poznámka

Odhad

\[ |e^n| \le e^{|\lambda|T}\, T\, \|\tau\|_\infty = \mathcal{O}(k) \]

stále platí pro \(k \to 0\), ale výraz \(e^{|\lambda|T} T\) může být velký, a tedy \(k\) musí být velmi malé, aby byl tento odhad rozumný.

Pro vyšetřování stability numerického řešení ODR se proto zavádějí pojmy absolutní stabilita a oblast absolutní stability, které říkají, pro jaká konečná \(k\) je metoda stabilní. Jsou založené na vyšetřování stability pro lineární problém

\begin{equation}\label{eq:08:linearni_problem} u'(t) = \lambda u(t) + g(t), \qquad u(t_0) = u_0 , \end{equation}

a obecně hledáme oblast v komplexní rovině, pro kterou je metoda stabilní, s tím, že komplexní proměnnou je součin \(z = k\lambda\).

Příklad

Pro Eulerovu metodu máme podmínku

\[ |1+k\lambda| = |1+z| \le 1 , \]

tedy oblastí stability je kruh o poloměru \(1\) se středem v bodě \(-1\) (viz interaktivní ukázka).

Interaktivní ukázka · Oblast stability Eulerovy metody

Komplexní rovina s osami \(\mathrm{Re}(z)\) a \(\mathrm{Im}(z)\); vyšrafovaný kruh o poloměru \(1\) se středem v \(-1\), procházející body \(-2\) a \(0\), je oblast stability. Bodem \(z = k\lambda\) lze táhnout: uvnitř kruhu je \(|1+z| \le 1\) a chyba Eulerovy metody podle \eqref{eq:08:euler_chyba} klesá, vně roste geometricky. Rámeček v rohu ukazuje posloupnost \(|e^n| = |1+z|^n\) v logaritmickém měřítku; posuvníkem se mění počet kroků.

Pro obecnou lineární vícekrokovou metodu, kterou pro problém \(u'(t) = \lambda u(t)\) můžeme psát ve tvaru

\begin{equation}\label{eq:08:vicekrokova} \sum_{j=0}^{s} \alpha_j v^{n+j} = k \sum_{j=0}^{s} \beta_j \lambda v^{n+j} \quad \text{neboli} \quad \sum_{j=0}^{s} (\alpha_j - z\beta_j)\, v^{n+j} = 0 , \end{equation}

bude podmínkou stability omezenost řešení této lineární diferenční rovnice.

Oblast stability lineárních vícekrokových metod

Definice (Absolutní stabilita)

Řekneme, že lineární vícekroková metoda je absolutně stabilní pro konečné \(z = k\lambda\), pokud každé řešení diferenční rovnice

\begin{equation}\label{eq:08:pi_z} \pi_z(E)\, v^n = \big(\varrho(E) - z\sigma(E)\big)\, v^n = 0 \end{equation}

je omezené, neboli pokud pro všechny kořeny tzv. polynomu stability

\begin{equation}\label{eq:08:polynom_stability} \pi_z(\xi) = \varrho(\xi) - z\sigma(\xi) = \sum_{j=0}^{s} \alpha_j \xi^j - z \sum_{j=0}^{s} \beta_j \xi^j \end{equation}

platí \(|\xi_i| \le 1\), přičemž \(|\xi_i| = 1\) může nastat jen pro jednoduché kořeny.

Definice (Oblast absolutní stability)

Oblast (absolutní) stability je oblast v komplexní rovině \(z\), kde je lineární vícekroková metoda absolutně stabilní, tj.

\begin{equation}\label{eq:08:oblast_S} S = \{ z \in \mathbb{C};\ \pi_z(\xi) \text{ má kořeny } |\xi_i| \le 1 \text{ a } |\xi_i| = 1 \text{ platí pro jednoduché kořeny} \} . \end{equation}
Poznámka

Pro \(z = 0\) máme podmínku na zero-stabilitu, a tedy metoda je stabilní pro \(k \to 0\), pokud \(z = 0 \in S\).

Příklad
  1. Eulerova metoda \(v^{n+1} - v^n = k\lambda v^n\): \[ \left.\begin{aligned} \varrho(\xi) &= \xi - 1 \\ \sigma(\xi) &= 1 \end{aligned}\right\} \quad \pi_z(\xi) = \xi - 1 - z \ \Rightarrow\ |\xi| = |1 + z| \le 1 \] jako výše.
  2. Implicitní Eulerova metoda \(v^{n+1} - v^n = k\lambda v^{n+1}\): \[ \left.\begin{aligned} \varrho(\xi) &= \xi - 1 \\ \sigma(\xi) &= \xi \end{aligned}\right\} \quad \pi_z(\xi) = \xi - 1 - z\xi \ \Rightarrow\ |\xi| = \frac{1}{|1-z|} \le 1 , \] neboli \(|1 - z| \ge 1\). Tedy např. pro \(\lambda \le 0\) je metoda stabilní pro libovolné \(k > 0\) (viz interaktivní ukázka).
Interaktivní ukázka · Implicitní Eulerova metoda: \(|1-z| \ge 1\)

Oblastí stability je vnějšek kružnice se středem v bodě \(1\) a poloměrem \(1\), procházející body \(0\) a \(2\) — vyšrafovaně. Táhnutím bodu \(z\) se přepočítává \(|\xi| = 1/|1-z|\) i odpovídající posloupnost \(|\xi|^n\); zaškrtnutím lze pro srovnání přidat kruh explicitní Eulerovy metody a přímo vidět, že celá levá polorovina \(\mathrm{Re}(z) \le 0\) patří do oblasti stability implicitní metody, kdežto u explicitní jen malý kruh.

Hranice oblasti stability

Obecně lze pro lineární vícekrokové metody určit hranici oblasti stability \(S\) tak, že kořen s \(|\xi_i| = 1\) musí mít tvar \(e^{i\theta}\), a tedy na hranici musí mít alespoň jeden kořen tento tvar. Z podmínky \(\varrho(e^{i\theta}) - z\sigma(e^{i\theta}) = 0\) dostáváme body

\begin{equation}\label{eq:08:hranice} z = \frac{\varrho(e^{i\theta})}{\sigma(e^{i\theta})} , \end{equation}

a měníme-li \(\theta \in \langle 0, 2\pi \rangle\), dostaneme křivku v komplexní rovině, která může být hranicí oblasti stability.

Problém ještě je, že vnitřek či vnějšek oblasti ohraničené touto křivkou může, ale nemusí patřit do oblasti stability \(S\) dané metody; je nutné to vyzkoušet alespoň pro jeden bod z dané podoblasti.

Příklad

Adamsova–Bashforthova metoda 4. řádu dá křivku znázorněnou v interaktivní ukázce.

Interaktivní ukázka · Hranice oblasti stability Adamsových–Bashforthových metod

Uzavřená hraniční křivka Adamsovy–Bashforthovy metody 4. řádu s malými smyčkami nahoře i dole a úzká šrafovaná oblast stability vlevo od imaginární osy. Křivka se počítá z \eqref{eq:08:hranice}, výplň oblasti se ale na křivku nespoléhá: v každém bodě rastru se Durandovou–Kernerovou iterací najdou všechny kořeny \(\pi_z(\xi)\) a testuje se \(|\xi_i| \le 1\). Přepínačem se mění řád metody, táhnutím sondy \(z\) se vypisují moduly jednotlivých kořenů — vpravo od imaginární osy je vždy jeden větší než \(1\).

Příklad

Pro midpoint metodu (též leap-frog)

\begin{equation}\label{eq:08:midpoint} v^{n+1} - v^{n-1} = 2\lambda k\, v^n \end{equation}

je

\[ \left.\begin{aligned}\varrho(\xi) &= \xi^2 - 1\\ \sigma(\xi) &= 2\xi\end{aligned}\right\} \Rightarrow \pi_z(\xi) = \xi^2 - 2z\xi - 1 = 0 \]

s kořeny

\[ \xi_{1,2} = \frac{2z \pm \sqrt{4z^2+4}}{2} = z \pm \sqrt{z^2+1} . \]

Pro \(z = i\alpha\), \(|\alpha| < 1\), máme \(\xi_{1,2} = i\alpha \pm \sqrt{1-\alpha^2}\), a tedy \(|\xi_{1,2}| = 1\), ale jde o různé kořeny. Pro \(z = \pm i\) budou \(\xi_1 = \xi_2 = \pm i\) (dvojnásobné kořeny). Pro libovolné jiné \(z\) bude jeden z kořenů v absolutní hodnotě větší než \(1\). Oblastí stability je tedy pouze úsečka na imaginární ose (viz interaktivní ukázka).

Interaktivní ukázka · Midpoint metoda: oblast stability je úsečka

Oblastí stability je pouhá úsečka na imaginární ose mezi body \(i\) a \(-i\). Sytost pozadí je hodnota \(\max_i |\xi_i| - 1\) spočtená z kořenů \(\xi_{1,2} = z \pm \sqrt{z^2+1}\), takže nevybarvená zůstane právě jen ona úsečka. Dolní graf je rekurence \(v^{n+1} = v^{n-1} + 2z v^n\) se startem \(v^0 = 1\), \(v^1 = e^z\), porovnaná s přesným řešením \(e^{nz}\).

V blízkosti \(z = 0\) je obecně vždy jeden kořen

\begin{equation}\label{eq:08:koren_exp} \xi_1(z) = e^z + \mathcal{O}(z^{p+1}) , \end{equation}

avšak \(|e^z| < 1\) pouze pro \(\mathrm{Re}(z) < 0\), a proto lze očekávat, že oblast stability bude nalevo od \(z = 0\) (ovšem existují výjimky, jako je midpoint metoda výše).

Jednokrokové metody typu Runge–Kutta

Pro jednokrokové metody typu Runge–Kutta dostaneme pro ODR \(u'(t) = \lambda u(t)\) obecně

\begin{equation}\label{eq:08:rk_R} v^{n+1} = R(z)\, v^n , \qquad z = k\lambda , \end{equation}

kde \(R(z)\) je obvykle polynom pro explicitní metody a racionální funkce pro implicitní metody. Přitom platí \(R(z) = e^z + \mathcal{O}(z^{p+1})\) pro \(z \to 0\) (Taylorův rozvoj, resp. Padé aproximace \(e^z\)).

Příklad

Pro Rungeovu–Kuttovu metodu 2. řádu a ODR \(u'(t) = \lambda u(t)\) dostaneme z obecného předpisu

\[ \left.\begin{aligned} y_1 &= v^n\\ y_2 &= v^n + \frac{k}{2} f(u^n)\\ v^{n+1} &= v^n + k f(y_2)\end{aligned}\right\} \Rightarrow \begin{aligned} v^{n+1} &= v^n + k\lambda\left(v^n + \frac{k}{2}\lambda v^n\right) =\\ &= \underbrace{\left(1 + z + \frac{z^2}{2}\right)}_{e^z + \mathcal{O}(z^3)} v^n .\end{aligned} \]

Pokud \(|R(z)| \le 1\), je metoda stabilní a oblast absolutní stability je ohraničena konturou danou rovností \(|R(z)| = 1\) (viz ukázky v Mathematice).

Stabilita pro systém ODR

Máme-li soustavu \(m\) rovnic, obecně nelineárních, můžeme odhadnout, zda bude určitá metoda stabilní pro určitý krok \(k\) v určitém čase \(\tilde{t}\), pomocí linearizace. Zapíšeme-li řešení jako \(u(t) = \tilde{u} + w(t)\), kde \(\tilde{u} = u(\tilde{t})\), pak pro \(w(t)\) dostaneme

\begin{equation}\label{eq:08:linearizace} \begin{aligned} w'(t) = u'(t) &= f(\tilde{u} + w(t), t) =\\ &= f(\tilde{u}, t) + J(\tilde{u},\tilde{t})\, w(t) + \mathcal{O}(\|w\|^2) ,\end{aligned} \end{equation}

kde jakobián \(J_{ij} = \dfrac{\partial f_i}{\partial u_j}\) je vyčíslený v \(\tilde{u}\) a \(\tilde{t}\). Neboli \(w(t)\) splňuje přibližně lineární systém ODR

\begin{equation}\label{eq:08:linearni_system} w'(t) = A w(t) + b \qquad \big(A = J(\tilde{u},\tilde{t})\big) , \end{equation}

a stabilita určité metody bude záviset na \(A\) (obdoba \(\lambda\)).

Je-li matice \(A\) systému \(u'(t) = Au(t)\) diagonalizovatelná, tj. \(A = R \Lambda R^{-1}\), kde \(\Lambda\) je diagonální matice s vlastními čísly \(\underbrace{(\lambda_1, \dots, \lambda_m)}_{\text{vlastní čísla}}\) na diagonále a

\[ R = \left(r_1 \middle| r_2 \middle| \dots \middle| r_m\right) \]

je matice vlastních vektorů, pak je systém \(u'(t) = Au(t)\) ekvivalentní systému

\begin{equation}\label{eq:08:diagonalizace} R^{-1} u'(t) = (R^{-1} A R)\, R^{-1} u(t) , \end{equation}

neboli \(v'(t) = \Lambda v(t)\), což je \(m\) nezávislých rovnic. Pro každou z nich musí platit \(k\lambda_i \in S\) dané metody, aby byla stabilní.

Příklad (Chemická kinetika)

Uvažujme reakci \(A \overset{\beta_1}{\to} B \overset{\beta_2}{\to} C\), kde \(\beta_1\) a \(\beta_2\) jsou rychlostní konstanty pro přeměnu \(A\) na \(B\), resp. \(B\) na \(C\), které se mohou řádově lišit. Systém je popsán rovnicemi (\(u_1\) pro množství \(A\), \(u_2\) pro \(B\) atd.)

\[ \begin{aligned} u_1'(t) &= -\beta_1 u_1(t)\\ u_2'(t) &= \beta_1 u_1(t) - \beta_2 u_2(t)\\ u_3'(t) &= \beta_2 u_2(t)\end{aligned} \qquad \text{a tedy}\quad A = \begin{pmatrix} -\beta_1 & 0 & 0\\ \beta_1 & -\beta_2 & 0\\ 0 & \beta_2 & 0\end{pmatrix} \]

s vlastními čísly

\[ \begin{aligned} \lambda_1 &= -\beta_1\\ \lambda_2 &= -\beta_2\\ \lambda_3 &= 0 .\end{aligned} \]

Pro \(\beta_1 \ne \beta_2\) je řešení

\begin{equation}\label{eq:08:kinetika_reseni} u_j(t) = c_{j1} e^{-\beta_1 t} + c_{j2} e^{-\beta_2 t} + c_{j3} \end{equation}

s konstantami \(c_{ji}\) závislými na počátečních podmínkách. Například Eulerova metoda bude stabilní, pokud \(k \max(\beta_1, \beta_2) \le 2\), a podobně pro další metody.

Příklad (Tlumený harmonický oscilátor)

Rovnici

\[ y''(t) = -ay(t) - \underbrace{b y'(t)}_{\text{tlumení}} \]

převedeme substitucí

\[ \left.\begin{aligned} u_1(t) &= y(t)\\ u_2(t) &= y'(t)\end{aligned}\right\} \Rightarrow u'(t) = Au(t), \text{ kde } A = \begin{pmatrix} 0 & 1\\ -a & -b\end{pmatrix} . \]

Nyní

\begin{equation}\label{eq:08:oscilator_lambda} \lambda_{1,2} = \frac{1}{2}\left(-b \pm \sqrt{b^2 - 4a}\right) . \end{equation}

Pro silné tlumení (velké \(b\)) je vhodná Eulerova metoda a podobné metody, ovšem pro slabé tlumení už ne. Pro \(b = 0\) dostaneme \(\lambda_{1,2} = \pm\sqrt{-a} = \pm i \sqrt{|a|}\), kdy je vhodná midpoint metoda.

Interaktivní ukázka · Pohyb vlastních čísel tlumeného oscilátoru

Komplexní rovina s vyšrafovanou levou polorovinou \(\mathrm{Re}(z) < 0\). Posuvníky mění \(a\) a \(b\), \(\lambda_{1,2}\) se počítají z \eqref{eq:08:oscilator_lambda} a čárkovaná dráha ukazuje, kudy se pohybují, když tlumení roste od nuly: nejprve po svislé přímce \(\mathrm{Re}\,\lambda = -\frac{b}{2}\), po srážce v \(-\sqrt{a}\) pak po reálné ose na obě strany. Dolní graf je řešení \(y(t)\) integrované metodou Runge–Kutta 4. řádu.

Ideální metoda by byla taková, která by měla \(S = \{z \in \mathbb{C} : \operatorname{Re}(z) \le 0\}\); tou je lichoběžníková (nebo též Crankova–Nicolsonové) metoda

\begin{equation}\label{eq:08:lichobeznikova} v^{n+1} = v^n + \frac{k}{2}\left[f(v^{n+1}, t_{n+1}) + f(v^n, t_n)\right] \qquad \text{(implicitní metoda 2. řádu)} , \end{equation}

pro kterou

\[ \left.\begin{aligned} \varrho(\xi) &= \xi - 1\\ \sigma(\xi) &= \frac{\xi+1}{2}\end{aligned}\right\} \quad \pi_z(\xi) = \xi - 1 - \frac{z}{2}(\xi + 1) = 0 \ \Rightarrow\ |\xi| = \left|\frac{2+z}{2-z}\right| \le 1 , \]

a rovnost nastává pro \(z = i\alpha\), \(\alpha \in \mathbb{R}\).

Volba kroku

Volba kroku \(k\) závisí jednak na tom, jakou požadujeme přesnost (danou globální diskretizační chybou), tj. volíme \(k \le k_{\mathrm{acc}}\), kde \(k_{\mathrm{acc}}\) odpovídá požadované přesnosti. Jednak závisí na oblasti absolutní stability dané metody, kdy musíme volit \(k \le k_{\mathrm{stab}}\), kde \(k_{\mathrm{stab}}\) je maximální krok, pro nějž je ještě metoda pro danou úlohu stabilní. Typicky je pro explicitní metody \(k_{\mathrm{stab}}\) konečné, ale pro implicitní metody může být \(k_{\mathrm{stab}} = \infty\).

Pokud \(k_{\mathrm{stab}} \ll k_{\mathrm{acc}}\), je vhodné zvolit jinou metodu, protože jinak potřebujeme příliš mnoho kroků pro dosažení určité přesnosti.

ODR se silným tlumením (stiff ODE)

Příklad

Uvažujme ODR

\begin{equation}\label{eq:08:stiff_ODR} u'(t) = \lambda\big(u(t) - \cos t\big) - \sin t , \qquad u(0) = 1 . \end{equation}

Pro zadanou počáteční podmínku je řešením \(u(t) = \cos t\) pro libovolné \(\lambda\). Pro obecnou počáteční podmínku \(u(t_0) = u_0\) bude řešení

\begin{equation}\label{eq:08:stiff_reseni} u(t) = e^{\lambda(t-t_0)}(u_0 - \cos t_0) + \cos t . \end{equation}

Pro \(\lambda \ll 0\) nastává velmi rychlé tlumení. I pro \(u(0) = 1\), kdy je řešení nezávislé na \(\lambda\), rozhoduje o stabilitě součin \(k\lambda\): i drobná odchylka způsobí nestabilitu a chyba se nekontrolovaně zvětšuje, pokud není \(k\) dostatečně malé.

Interaktivní ukázka · Silné tlumení: rodina řešení a chování metod

Silně vytažená křivka typu kosinu, k níž se z různých počátečních bodů rychle přimykají tenčí křivky. Tenké šedé křivky jsou přesná řešení \eqref{eq:08:stiff_reseni} pro různá \(t_0\), \(u_0\) a zvolené \(\lambda\). Barevná lomená čára je numerické řešení z \(u(0) = 1\) zvolenou metodou a krokem \(k\): explicitní Euler se rozkmitá a uteče, jakmile \(k|\lambda| > 2\), zatímco implicitní Euler i lichoběžníková metoda \eqref{eq:08:lichobeznikova} zůstávají u \(\cos t\) pro libovolné \(k\).

Charakteristiky silného tlumení jsou následující:

  1. velmi různé časové škály (velmi rychlé změny v řešení oproti pomalejším);
  2. nutnost použít velmi malé \(k\), zvláště u explicitních metod, k dosažení přesnosti kvůli stabilitě, \(k < k_{\mathrm{stab}} < k_{\mathrm{acc}}\);
  3. nefunkčnost explicitních metod pro rozumné \(k\), takže je nutné používat např. zpětné diference a podobné implicitní metody.

Někdy se pro charakterizaci silného tlumení používá poměr

\begin{equation}\label{eq:08:pomer} \frac{\max|\lambda_i|}{\min|\lambda_i|} , \end{equation}

tj. poměr maximálního a minimálního vlastního čísla matice \(A\) systému \(u'(t) = A u(t)\). Existují ovšem i případy, kdy je tento poměr malý, a přesto jde o problém se silným tlumením. Viz např. Higham, Trefethen: Stiffness of ODEs, BIT 33 (1993) 285, kde je ukázán příklad, kdy \(A\) není tzv. normální a je nutné zkoumat pseudospektra místo vlastních čísel \(A\).

Na druhou stranu, jsou-li \(\lambda_i\) blízko imaginární osy a velká, nemusí jít nutně o problém se silným tlumením; spíše jsou řešením rychle oscilující funkce, na něž se používají speciální metody.

Protože jde o důležitý problém a jsou pro něj vhodné metody, které mají oblast stability \(S\) takovou, že obsahuje celou polorovinu \(\mathrm{Re}(z) \le 0\), nebo alespoň co největší její část, zavádí se pojem tzv. A-stability (obsahuje-li \(S\) celou polorovinu), případně \(A(\Theta)\)-stability (obsahuje-li \(S\) výseč, viz interaktivní ukázka). Lze např. ukázat, že A-stabilní lineární vícekroková metoda může mít řád nejvýše \(2\) (viz lichoběžníková metoda).

Interaktivní ukázka · \(A(\Theta)\)-stabilita a oblasti stability BDF metod

K pojmu \(A(\Theta)\)-stability: klínovitá výseč s polovičními úhly \(\Theta\) nad osou a pod osou, vepsaná do oblasti stability metod zpětné diference (viz příklad níže). Výplň se počítá z kořenů \(\pi_z(\xi)\) bod po bodu, hranice z \eqref{eq:08:hranice} a úhel \(\Theta\) se hledá půlením intervalu jako největší výseč \(|\arg(-z)| \le \Theta\), která se do \(S\) vejde. Přepínáním řádu je vidět, jak se \(\Theta\) od BDF3 zmenšuje.

Příklad (Metody zpětné diference)

Pro systém \(u'(t) = A u(t) + g(t)\) lze \(s\)-krokovou metodu

\begin{equation}\label{eq:08:bdf} \sum_{j=0}^{s} \alpha_j v^{n+j} = k\,\beta_s\big(A v^{n+s} + g(t_{n+s})\big) \end{equation}

přepsat (pro \(\alpha_s = 1\)) na

\begin{equation}\label{eq:08:bdf_system} \left(\mathrm{1\kern-0.24em l} - k\beta_s A\right) v^{n+s} = k\beta_s\, g(t_{n+s}) - \sum_{j=0}^{s-1} \alpha_j v^{n+j} , \end{equation}

což je systém lineárních rovnic pro neznámý vektor \(v^{n+s}\). Oblast stability těchto metod obsahuje celou polopřímku \(z < 0\), avšak pro vyšší řád přesnosti \(s\) se stále více zmenšuje úhel \(\Theta\), vyšetřujeme-li \(A(\Theta)\)-stabilitu.

Adaptivní metody

Potřebujeme-li zajistit určitou přesnost řešení, je někdy nezbytné měnit krok podle toho, jak se chyba chová. K tomu slouží odhad lokální chyby pomocí současného použití dvou metod s různými řády přesnosti. Používají se dvě standardní strategie.

Tentýž postup s krokem \(h\) a \(2h\)

Jednu metodu použijeme s krokem \(h\) a \(2h\) a rozdíl těchto dvou řešení slouží k odhadu chyby.

Příklad

Uvažujme metodu Runge–Kutta 4. řádu: spočteme \(y_1\) pomocí kroku \(2h\) a \(y_2\) pomocí dvou kroků o délce \(h\). Pak pro přesné řešení platí

\begin{equation}\label{eq:08:adapt_odhad} \begin{aligned} u(x+2h) &= y_1 + (2h)^5 C + \mathcal{O}(h^6) &&\leftarrow \text{krok } 2h \\ u(x+2h) &= y_2 + 2h^5 C + \mathcal{O}(h^6) &&\leftarrow \text{krok } h , \end{aligned} \end{equation}

z čehož plyne, že \(\Delta \equiv y_2 - y_1\) se bude chovat jako \(\mathcal{O}(h^5)\). Pokud chceme dosáhnout určité lokální přesnosti \(\Delta_0\), porovnáme obě řešení a případně změníme krok pomocí

\begin{equation}\label{eq:08:novy_krok} \tilde{h} = h \left|\frac{\Delta_0}{\Delta}\right|^{0{,}2} . \end{equation}

Vnořené Rungeovy–Kuttovy metody

Byly též objeveny tzv. vnořené (embedded) Rungeovy–Kuttovy metody, které se liší pouze vektorem \(b\), tj. koeficienty určujícími \(v^{n+1}\) z \(v^n\) a z mezikroků, a které jsou 4. a 5. řádu. Stačí nám pak 6 vyčíslení \(f(u,t)\) na jeden krok (oproti například 11 u metody Runge–Kutta 4. řádu s kroky \(h\) a \(2h\)). Opět je rozdíl řešení řádu \(\mathcal{O}(h^5)\) a úprava kroku se provádí jako výše. Viz např. Cashova–Karpova metoda v Mathematice.

Bulirschova–Stoerova metoda

V současnosti je asi nejefektivnější metodou, pokud potřebujeme vysokou přesnost, Bulirschova–Stoerova metoda. Kombinuje midpoint metodu na podintervalech \(\frac{h}{n}\), kde se \(n\) volí různě, a pak se extrapoluje podobně jako při Richardsonově extrapolaci u derivací či při Rombergově integraci. I zde se využívá toho, že právě pro midpoint metodu se v chybě objevují jen sudé mocniny \(h^{2k}\).

Podrobnosti viz Numerical Recipes, kap. 16, a další knihy o numerickém řešení ODR.