技术摘要：关于 DPG 方法的五场讲座

问题陈述

这些讲座探讨了使用不连续佩特罗夫-加勒金（Discontinuous Petrov-Galerkin, DPG）方法求解偏微分方程（PDE）的问题。其核心挑战在于解决 Petrov-Galerkin (PG) 方法的稳定性与最优性问题，在 PG 方法中，试探空间（trial space, $X_h$）与测试空间（test space, $Y_h$）是不同的。虽然连续问题满足 Babuška-Brezzi 条件（特别是 inf-sup 条件），但当选择任意有限维子空间作为 $X_h$ 和 $Y_h$ 时，实现稳定性所需的离散 inf-sup 条件并不一定能自动满足。标准的 PG 方法如果测试空间构建不当，往往会面临不稳定或收敛次优的问题。

方法论

1. 最优测试空间与理想 DPG 方法

讲座引入了最优测试空间的概念以保证稳定性。给定一个试探空间 $X_h$ 和一个连续双线性型 $b(\cdot, \cdot): X \times Y \to \mathbb{C}$，通过 Riesz 表示定理定义试探-测试算子 $T: X \to Y$，使得对于所有 $y \in Y$，都有 $(Tz, y)_Y = b(z, y)$。

• 最优测试空间： 定义为 $Y_h^{opt} = T(X_h)$。
• 理想 PG 方法： 该方法寻求 $x_h \in X_h$，使得对于所有 $y_h \in Y_h^{opt}$，均有 $b(x_h, y_h) = \ell(y_h)$。
• 关键性质： 如果连续问题满足 inf-sup 条件，那么使用 $Y_h^{opt}$ 的离散方法将自动满足具有相同常数的离散 inf-sup 条件。这确保了拟最优性（quasi-optimality）：能量范数中的误差被试探空间中的最佳逼近误差所控制。

2. 残差最小化与混合 formulation

讲座阐明了理想 DPG 方法等价于：

• 残差最小化： 在对偶范数下最小化残差 $\|\ell - Bz_h\|_{Y^*}$。
• 混合 Galerkin 形式： 通过引入误差表示函数 $\varepsilon = R_Y^{-1}(\ell - Bx_h)$，该方法可以重构为在 $Y \times X_h$ 上的标准混合 Galerkin 形式。该形式同时求解解 $x_h$ 和误差表示 $\varepsilon$。

3. 不连续测试空间（“DPG”之名）

为了实现计算可行性，测试空间 $Y$ 被选为网格单元上的乘积空间（定义 16），即 $Y = \prod_{K \in \Omega_h} Y(K)$。这允许函数在单元界面处是不连续的。

• 局部性： 借助这种选择，试探-测试算子 $T$ 变为局部的。计算针对某个单元 $K$ 上的基函数的最优测试函数，仅需在 $K$ 上求解一个微小的、独立的子问题，而非求解全局问题。

4. 实际 DPG 方法（不精确测试空间）

由于计算精确的最优测试空间 $Y_h^{opt}$ 通常需要求解无限维问题，讲座引入了实际 DPG 方法。

• 逼近： 使用有限维子空间 $Y_r \subset Y$。算子 $T^r: X \to Y_r$ 的定义与 $T$ 类似，但限制在 $Y_r$ 内。
• 稳定性条件： 如果存在一个保持残差正交性的投影算子 $\Pi: Y \to Y_r$，则稳定性得到保证（假设 32）。
• 结果： 如果测试空间的增强（enrichment）足够充分（例如，$Y_r$ 包含相对于试探空间具有足够高阶数的多项式），则实际方法仍保持拟最优性。

5. 杂化（Hybridization）

讲座讨论了杂化，即将变量分为单元内未知量和单元间（面/边）未知量（数值通量/迹）。

• 这种结构允许将全局测试空间进行分解，进一步增强了试探-测试算子的局部性。
• 杂化形式（同时求解场变量和通量）被证明与非杂化形式等价，但在计算上更高效，因为它避免了为了构造测试空间而求解全局弱一致（weakly conforming）问题。

核心贡献

1. 视角的统一： 本文将 DPG 方法统一在三种等价的视角之下：
   • 非标准范数下的最小二乘法。
   • 具有最优测试空间的 Petrov-Galerkin 方法。
   • 涉及误差表示函数的非标准混合方法。
2. 拟最优性的证明： 文中严谨地证明了，通过选择 $Y_h = T(X_h)$，离散 inf-sup 常数等于连续 inf-sup 常数，从而确保了无论试探空间如何选择（只要连续问题是适定的），稳定性都能得到保证。
3. 误差表示： 引入误差表示函数 $\varepsilon$ 为后验误差估计提供了一种自然的机制。证明了 $\varepsilon$ 在测试空间 $Y$ 中的范数与解在能量范数中的误差是等价的。
4. 拉普拉斯方程的具体应用： 理论被应用于 Poisson 方程（拉普拉斯方程）。本文构建了涉及 $H^1$ 一致分量和不连续分量的特定试探与测试空间，证明了通过适当的测试空间多项式阶数增强（$r \ge p+N$），该方法是稳定且具有最优收敛阶（$O(h^{p+1})$）的。

结果

• 理论层面： 定理 8、13 和 33 确立了理想 DPG 方法和实际 DPG 方法的存在性、唯一性和拟最优性。定理 54 特别证明了对于具有分片多项式试探空间的拉普拉斯方程，充分增强的测试空间可确保稳定性。
• 数值层面：
  • 收敛性： 在平滑解的单位正方形上的数值实验证实了线性单元（$p=1$）具有理论上的 $O(h^2)$ 收敛阶。
  • 自适应性： 由误差表示函数（$\varepsilon_r$）导出的误差估计器被证明是有效的。在自适应算法中，估计器能正确识别高误差区域（例如，靠近奇异点或陡峭层处），并驱动网格细化，从而实现对解的高效解析。
  • 对比： 在一维示例中，采用分部积分的 DPG 方法（示例 20）优于不带分部积分的标准最小二乘形式（示例 19），且计算出的解在特定情况下与精确解的 $L^2$ 投影一致。

重要性与主张

本文将 DPG 方法定位为一个求解 PDE 的鲁棒框架，它克服了 Petrov-Galerkin 方法的“标准困难”：即满足离散 inf-sup 条件的困难。

• 设计保证稳定性： 主要声称的重要意义在于，DPG 方法通过使用最优（或充分增强的）测试空间，从设计上保证了稳定性，从而无需像其他 DG 方法那样使用启发式的稳定化项。
• 后验误差估计： 该方法自然地产生了一个可靠且高效的误差估计器（$\varepsilon$），使其非常适合自适应网格细化策略。
• 灵活性： 该框架允许使用不连续试探空间和杂化变量（通量），这有助于处理复杂几何形状和边界条件，同时不会牺牲稳定性。

讲座总结道，DPers 方法提供了一种系统的方法，用于为广泛的问题设计稳定的数值方案，在保留不连续 Galerkin 方法灵活性的同时，架起了最小二乘法与混合形式之间的桥梁。