快速开始¶
十分钟内装好 hsolve,求出一个方波导的全部传播模,并读懂结果。只需要一台 Linux x86-64 机器,不需要 GPU、MPI 或 root 权限。
1. 安装¶
三种方式任选其一。
容器镜像¶
不需要编译,适合先看效果:
镜像内置样例:依次求解、用独立评测器复核,并打印结果表。
Release 二进制包¶
curl -LO https://github.com/seuclkzsd/hsolve/releases/download/v1.0.0/hsolve-1.0.0-linux-x86_64.tar.gz
curl -LO https://github.com/seuclkzsd/hsolve/releases/download/v1.0.0/SHA256SUMS
sha256sum -c SHA256SUMS && tar -xzf hsolve-1.0.0-linux-x86_64.tar.gz
压缩包是可移植构建(不依赖构建机的指令集,glibc ≥ 2.17),解压到任意目录即可运行
hsolve-1.0.0-linux-x86_64/bin/hsolve,不需要 conda 或 root;包内的目录结构见安装与运行。
从源码构建¶
需要 conda(推荐 Miniforge),全部依赖来自 conda-forge:
git clone https://github.com/seuclkzsd/hsolve.git && cd hsolve
conda env create -f env/environment.yml && source env/activate.sh
tools/dev/build.sh release
构建先由仓库自带的 MUMPS 5.8.2 官方源码包编译打过补丁的 MUMPS(只在第一次,之后按输入哈希复用),再编译
hsolve。产物在 build/release/:命令行 hsolve 与 Python 模块 build/release/python/hsolve。
想确认构建无误,运行 tools/dev/test.sh release:重新构建同一预设并运行全部 C++ 单元测试与 Python 测试,与 CI
检查的是同一个预设。其它构建预设(本机指令集优化、ASan / UBSan)见开发与测试。
下文的命令假设在源码目录中、已经 source env/activate.sh,hsolve 指 build/release/hsolve。
2. 第一次求解:10 mm 方波导在 50 GHz 的传播模¶
10 mm × 10 mm 的空心金属方波导,TEₘₙ 与 TMₘₙ 模的截止频率为 f_c = c·√(m² + n²) / (2a) ≈ 15·√(m² + n²) GHz。 在 50 GHz 下 √(m² + n²) < 3.33 的模都能传播:TE 模 12 个、TM 模 6 个,共 18 个。用仓库里的有限元生成器 (Lee–Sun–Cendes 棱元-节点元混合公式)离散这个问题,再求 λ = −β² 最靠近 −0.5 mm⁻² 的 18 个特征值:
python -m tools.gen.waveguide --family waveguide --a 10 --b 10 --freq 50 --target-n 20000 --name wg-square-2e4
build/release/hsolve --A data/cases/wg-square-2e4/A.npz --B data/cases/wg-square-2e4/B.npz \
--sigma -0.5 --k 18 --out out/wg-square-2e4
这是一个 B 不定的广义问题(GHIEP),而且 A 有维数与内部节点数相同的零空间。hsolve 自动识别这两点:问题类型 由 B 的正定性检验自动判定,零空间由单边位移排除,返回的是 18 个传播模,而不是一串零。
3. 读结果¶
结果目录里有三个文件:
| 文件 | 内容 |
|---|---|
eigenvalues.npy |
特征值,按离 σ 由近到远排序 |
eigenvectors.npy |
特征向量,n × m,Fortran 序 |
report.json |
每个特征对的残差与后向误差、完备性证书、各阶段计时、峰值内存、告警 |
把特征值换成传播常数 β = √(−λ)(单位 mm⁻¹),并与解析值比较:
import numpy as np
lam = np.sort(np.load("out/wg-square-2e4/eigenvalues.npy"))
ref = np.sort(np.load("data/refs/wg-square-2e4/eigenvalues.npy")) # 连续模型的解析值
for l, r in zip(lam, ref[ref < 0]):
print(f"beta = {np.sqrt(-l):.6f} mm^-1 analytic {np.sqrt(-r):.6f} rel. diff {abs(l - r) / abs(r):.1e}")
离散解与解析值的差别来自有限元离散(随网格加密按 h² 减小),而不是求解器:在这个约 2 万阶的网格上,λ 的相对差
从基模的 1e-5 量级到接近截止的模的 1e-2 量级不等,而每个特征对的后向误差都在 1e-12 以下。要判断求解本身是否可信,看
report.json:
python -c "import json; r = json.load(open('out/wg-square-2e4/report.json')); \
print(r['success'], max(p['backward_error'] for p in r['pairs']), r['certificate']['note'])"
success 为真表示每个特征对的后向误差都不超过容差(默认 1e-10)。B 不定时 Sylvester 惯性不能计数,
certificate 会写明「证书不可用」;B 正定或 B = I 的问题则给出完备性证书。字段的完整解释见
结果解读与诊断。
4. 在 Python 中使用¶
import numpy as np, scipy.sparse as sp
import hsolve # PYTHONPATH=build/release/python
n = 2000
A = sp.diags([-np.ones(n - 1), 2 * np.ones(n), -np.ones(n - 1)], [-1, 0, 1], format="csr")
res = hsolve.solve(A, sigma=1.0, k=6) # 1.0 附近最近的 6 个特征值
print(res.success, res.eigenvalues)
print(res.report["certificate"]["statement"]) # B = I:完备性证书的文字陈述
hsolve.solve 接受 SciPy 稀疏矩阵、NumPy 数组或矩阵文件路径,返回 NumPy 数组;与命令行走同一条求解路径、
用同一份配置格式。详见 Python 接口。