Fluent中的AMG稳定算法

在求解复杂问题时，有时无论怎么调网格和调参数，计算始终难以平稳进行下去，此时可以考虑调整AMG参数中的稳定性方法。Fluent中可以使用的稳定性方法包括：BCGSTAB、RPM及GMRES。如下图所示。

注意：AMG参数并不是首选调整的参数，只有当其他的方法实在控制不了残差振荡发散的时候，才考虑调整AMG参数。

”

1 BCGSTAB

BCGSTAB（Bi-Conjugate Gradient Stabilized，双共轭梯度稳定）算法是对经典 BiCG 算法的改进。BiCG 算法在求解非对称系统时残量极易出现剧烈震荡甚至发散。BCGSTAB 通过引入一个低阶的局部最小残量多项式，极大地平滑了收敛曲线，增强了稳定性。

BCGSTAB算法的主要优势包括：

• 内存极其节省： 它是短复现（Short Recurrence）算法，每一步迭代只需要存储固定数量的几个向量，内存消耗是 O(1)（不随迭代步数增长）。
• 计算效率高： 不需要像 GMRES 那样进行昂贵的全局正交化，每步迭代的计算量也是恒定的。

BCGSTAB算法的主要缺点在于：

• 缺乏理论单调收敛保证： 虽然比 BiCG 稳定得多，但在矩阵特征值具有很大虚部、或者接近奇异时，BCGSTAB 仍可能会出现残量震荡、停滞甚至崩塌（Breakdown）。
• 不适合极其病态的系统： 严重依赖良好的预处理（Preconditioning），否则容易失效。

2 RPM

RPM（Recursive Projection Method，递归投影法）与其他两者有本质不同。RPM 最初并不是纯粹为了解 Ax=b 设计的，而是由 Shroff 和 Keller 提出，专门用于稳定不稳定不动点迭代、求解分叉问题（Bifurcation）以及加速非线性系统的收敛。

RPM算法的核心思想为：系统收敛慢（或不稳定）通常是因为少数几个特征值（主导特征值）跨过了稳定边界或非常接近 1。RPM 通过递归地将空间投影为两个子空间：不稳定/慢子空间（广义本征空间）和稳定/快子空间。在快子空间用普通的不动点迭代，在慢子空间用牛顿法或 Krylov 法特殊对待。

RPM的优势包括：

• 能够处理不稳定系统： 能够使原本发散的迭代系统（如某些非线性不动点迭代）重新收敛。
• 揭示系统动力学特性： 自动提取出导致系统不稳定或收敛慢的少数关键特征向量，非常适合参数分叉分析。
• 定点加速： 当系统大部分特征值很平庸、极少数特征值很糟糕时，RPM 效率极高。

RPM算法的主要缺点包括：

• 通用线性方程组求解不如 GMRES/BCGSTAB： 如果矩阵的特征值均匀分布，没有明显的“快慢分离”特性，RPM 的优势就无法发挥。
• 算法复杂度高： 需要动态监测特征值并递归调整投影空间，实现起来比标准的 Krylov 子空间算法复杂得多。

3 GMRES

GMRES（Generalized Minimal Residual Method，广义最小残量法）是一种基于 Krylov 子空间的投影方法。它的核心思想是通过 Gram-Schmidt 正交化构造一组正交基，并在该子空间内寻找一个使残量      最小的解。

GMRES算法的优势包括：

• 理论收敛性极佳： 具有单调收敛性（残量每一步都会严格递减或保持不变），绝对不会像某些算法那样出现剧烈的残量震荡。
• 适用面广： 对任意非对称、不定矩阵 A，只要条件数不是太恶劣，GMRES 都能稳定求解。

GMRES算法的主要缺点包括：

• 工作量与存储随迭代步数线性/二次方增长： 随着迭代步数 k 的增加，需要存储所有历史基向量，内存消耗为 O(k)，计算量为 O(k^2)。
• 必须使用重启技术（Restarted GMRES, 如 GMRES(m)）： 为了防止内存耗尽，通常迭代 m 步后就要清空历史并重启。但重启可能导致算法停滞，即残量不再下降。

4 总结

简单总结一下。

（完）