如何高效地assemble一个FEM稀疏矩阵

Question

全部交易，感谢您花时间阅读我的问题。我正在使用 Eigen3.3.4(http://eigen.tuxfamily.org/index.php?title=Main_Page) 编写一些 FEM 代码。

我读了 Eigen3.3.4 文档，在这个网站（http://eigen.tuxfamily.org/dox/TopicFunctionTakingEigenTypes.html），它说我们应该使用Ref<MatrixBase>来避免额外的复制并获得高性能。

所以在我的 FEM 代码中，对于稀疏矩阵 assemble 部分，假设函数是：

FormFE(const Ref<VectorXd> &U,const Ref<VectorXd> &V,
Ref<SparseMatrix<double> > AMATRIX,Ref<VectorXd> RHS)

其中U代表位移，V代表速度项。 AMATRIX 是我的稀疏矩阵，RHS 是残差项。

然后我尝试在 assemble 之前先初始化我的 AMATRIX（我有一个包含所有非零元素及其值的 tripletList（我将值设置为零以进行初始化））所以我尝试了：

AMATRIX.setFromTriplets(ZeroTripList.begin(),ZeroTripList.end());

但是我有一个错误：

class Eigen::Ref<Eigen::SparseMatrix<double, 0, int> >’ has no member named ‘setFromTriplets

那么我该如何解决这个问题呢？

我的解决方案之一是使用：

FormFE(const Ref<VectorXd> &U,const Ref<VectorXd> &V,
SparseMatrix<double> &AMATRIX,Ref<VectorXd> RHS)

这工作得很好，但我不确定它是否有效。我不太擅长 cpp :P

其实我的问题是：

如何高效使用Eigen（尤其是FEM计算），我几乎在每个FEM相关函数中都使用了Eigen的VectorXd和MatrixXd。
如何高效地assemble一个稀疏矩阵？
是否可以为 FEM 做一些 OpenMP 并行化 assemble？
欢迎对基于 C++ 的 FEM 编码提出任何有用的建议（库推荐或任何有用的想法）！

谢谢。最好的问候。

Answer 1

是的，传递 SparseMatrix<double> & 是正确的做法。 Ref<SparseMatrix> 的目的是传递类似于 SparseMatrix 的组装对象，例如子稀疏矩阵，Map<SparseMatrix>...

使用 setFromTriplets 也是确保获得良好性能的正确做法。如果操作正确（即正确调用保留和正确的插入顺序），使用 mat.insert(i,j) = val; 直接插入元素可能会快 2 倍。但如果你弄错了，它也会慢 100 倍......请参阅文档。使用 SparseMatrix::insert 也可以使用 OpenMP 填充矩阵，但这需要更加小心和严格，这是一个典型的模式：

int n_cols = ??, n_rows = ??;
std::vector<int> nnz_per_col(n_cols);
// set each nnz_per_col[j] to the exact number
// of non-zero entries in the j-th column (or more, but NOT less)
SparseMatrix<double> mat(n_rows, n_cols);
#pragma omp parallel for
for(int j=0; j<cols; ++j) {
  for each non zero entry i in the j-th column {
    // preferably with increasing i
    double val_i_j = ...;
    mat.insert(i,j) = val_i_j;
  }
}

当然，如果对您来说更容易，您也可以按行工作。在这种情况下使用 SparseMatrix<double,RowMajor>。当然，您可以调整此模式以处理 columns/rows 等块

如果您需要使用一些密集的程序集 matrix/vectors，那么我相信它们非常小且大小固定。那么不要使用 MatrixXd/VectorXd，最好使用静态分配的 Matrix<double,N,M> 和 Matrix<double,N,1> 类型。这将防止大量内存allocation/deallocation.

最后，最重要的建议：如果您关心性能，请不要忘记分析您的代码，然后再调查时间和优化代码的努力。此外，始终 bench/profile 编译器优化开启。

如何高效地assemble一个FEM稀疏矩阵

How to efficiently assemble a FEM sparse matrix

c++

matrix

sparse-matrix

eigen

eigen3