强非对称性、且矩阵元大小差异很大的线性系统迭代求解器组合推荐

对于大规模稀疏矩阵、具有强非对称性、且矩阵元大小差异很大的线性系统（如 $ Ax = b $），选择合适的迭代求解器（solver）和预处理器（preconditioner）组合至关重要。这类问题常见于计算流体力学（CFD）、输运问题、对流占优扩散方程等。

✅ 问题特征分析

1. 大规模稀疏：适合使用迭代法（如 Krylov 子空间方法），避免直接法的高内存消耗。
2. 强非对称性：矩阵 $ A \neq A^T $，排除对称求解器（如 CG），应使用适用于非对称系统的求解器。
3. 矩阵元大小差异大：可能导致矩阵条件数很差，收敛困难，需要强健的预处理器进行缩放和平衡。

✅ 推荐的求解器 + 预处理器组合

🔹 求解器（Solver）推荐：

1. GMRES（Generalized Minimal Residual）

   • 适用于非对称系统。
   • 收敛性较好，尤其配合重启（GMRES(m)）可控制内存。
   • 对非对称、病态系统鲁棒性较强。
   • 缺点：内存随迭代步数增长，建议使用重启（如 GMRES(30) 或 GMRES(50)）。

2. BiCGSTAB（Biconjugate Gradient Stabilized）

   • 适合非对称系统，内存需求低。
   • 收敛可能不稳定，尤其在矩阵极病态或非对称性强时。
   • 比 GMRES 节省内存，但可能收敛振荡。

3. ** IDR(s)**（Induced Dimension Reduction）

   • 近年表现良好的非对称求解器，内存低、收敛快。
   • 对某些对流占优问题比 BiCGSTAB 更稳定。

✅ 首选：GMRES(m)，尤其当内存允许时。若内存受限，可尝试 IDR(s) 或 BiCGSTAB(l)。

🔹 预处理器（Preconditioner）推荐：

目标是改善矩阵的谱性质（特征值分布集中、减少条件数），并保持计算开销可控。

1. ILU 类预处理（不完全 LU 分解）

   • 特别是 ILU(k) 或 ILU(t)（带阈值的不完全 LU）
   • 对非对称稀疏矩阵效果较好。
   • 推荐使用 ILUTP（ILU with threshold and pivoting）：
     • 带阈值和行交换，增强数值稳定性。
     • 对大小差异大的矩阵元尤其重要。
   • 参数调整关键：drop tolerance 和 fill-in level。

2. RAS（Restricted Additive Schwarz）

   • 基于区域分解的并行预处理器。
   • 在 PETSc、Trilinos 中实现良好。
   • 可与 ILU 在子域上结合（如 RAS + ILU(0)）。

3. Jacobi 或 SSOR

   • 简单但对强非对称或病态系统效果有限。
   • 可作为对比基准，不推荐为主力。

4. AMG 类预处理（谨慎使用）

   • 如 BoomerAMG（来自 Hypre）可用于非对称系统，但通常针对对称正定设计。
   • 对强非对称问题，可能需要启用“non-Galerkin”或“coupled”模式。
   • 可尝试，但不如 ILU 稳定。

5. 平衡预处理（Matrix Balancing）

   • 在预处理前对矩阵进行 对角缩放（如通过 MC64 算法）：
     • 使行列范数均衡，减少元素大小差异。
     • 显著提升 ILU 稳定性和收敛性。
   • 推荐与 ILUTP 联合使用。

✅ 推荐组合（按优先级排序）

✅ 实践建议

1. 使用成熟库：

   • PETSc：支持上述所有求解器和预处理器，易于调参。
   • Trilinos（特别是 Belos + Ifpack2 + MueLu）
   • Hypre（BoomerAMG、BiCGSTAB、GMRES）

2. 参数调优示例（PETSc 风格）：

   -ksp_type gmres -ksp_gmres_restart 50
   -pc_type ilut
   -pc_ilu_levels 2 -pc_ilu_fill 2
   -pc_ilu_drop_tolerance 1e-4
   -ksp_norm_type unpreconditioned
   -ksp_monitor
   -mat_balance
   

3. 尝试矩阵重排序：

   • 如使用 RCM 或 AMD 重排，改善 ILU 质量（尽管对非对称矩阵效果有限）。
   • 更推荐 symmetric permutation 或 maximum product transversal（如 MC64）。

✅ 总结

对于大规模、稀疏、强非对称、矩阵元大小差异大的系统，推荐使用 GMRES(m) 求解器，配合 ILUTP 预处理器，并在预处理前进行矩阵平衡（如 MC64）。

该组合在工业级求解器（如 COMSOL、OpenFOAM、PETSc 应用）中被广泛验证，具有良好的鲁棒性和收敛性。

如需进一步优化，可结合区域分解（RAS）或代数多重网格（非对称 AMG）进行尝试。