Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2504.10091v1

帮助 | 高级搜索

数学 > 数值分析

arXiv:2504.10091v1 (math)
[提交于 2025年4月14日 ]

标题: Wasserstein收敛速率用于随机粒子近似玻尔兹曼模型

标题: Wasserstein convergence rates for stochastic particle approximation of Boltzmann models

Authors:Giacomo Borghi, Lorenzo Pareschi
摘要: 我们建立了基于Nanbu型蒙特卡罗方案的随机粒子近似的定量收敛速率,该方案应用于一类广泛的碰撞动力学模型。 使用耦合技术和Wasserstein-1(Kantorovich-Rubinstein)度量中的稳定性估计,我们推导出反映模型非线性相互作用结构的精确误差界限。 我们的框架包括经典的Nanbu蒙特卡罗方法以及最近发展的时滞放松蒙特卡罗方法。 这些结果弥合了概率粒子近似与确定性数值误差分析之间的差距,并为Boltzmann型方程的蒙特卡罗方法的收敛理论提供了统一的观点。 作为副产品,我们还获得了大量Boltzmann型方程解的存在性和唯一性。
摘要: We establish quantitative convergence rates for stochastic particle approximation based on Nanbu-type Monte Carlo schemes applied to a broad class of collisional kinetic models. Using coupling techniques and stability estimates in the Wasserstein-1 (Kantorovich-Rubinstein) metric, we derive sharp error bounds that reflect the nonlinear interaction structure of the models. Our framework includes classical Nanbu Monte Carlo method and more recent developments as Time Relaxed Monte Carlo methods. The results bridge the gap between probabilistic particle approximations and deterministic numerical error analysis, and provide a unified perspective for the convergence theory of Monte Carlo methods for Boltzmann-type equations. As a by-product, we also obtain existence and uniqueness of solutions to a large class of Boltzmann-type equations.
主题: 数值分析 (math.NA)
MSC 类: 65C05, 35Q20, 82C22, 49Q22, 65M15
引用方式: arXiv:2504.10091 [math.NA]
  (或者 arXiv:2504.10091v1 [math.NA] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.10091
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Giacomo Borghi [查看电子邮件]
[v1] 星期一, 2025 年 4 月 14 日 10:55:04 UTC (28 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math.NA
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs
cs.NA
math

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号