Bei dissipativen dynamischen Systemen ist - insbesondere im Rahmen der Modellbildung - meist das Langzeitverhalten, und damit der sogenannte Attraktor des dynamischen Systems von besonderem Interesse. Eine wichtige Eigenschaft des Attraktors ist dabei dessen Dimension. Zum einen kann die Dimension des Attraktors einen Anhaltspunkt für die Art des vorliegenden dynamischen Systems geben: ganzzahlige Dimensionswerte deuten auf reguläre, nicht ganzzahlige Dimensionswerte hingegen auf chaotische dynamische Systeme hin. Darüber hinaus kann die Dimension des Attaktors beispielsweise bei der Modellbildung einen Anhaltspunkt für die Anzahl der benötigten unabhängigen Variablen liefern. Die vorliegende Arbeit beschäftigt sich daher mit den Möglichkeiten die Dimension eines (diskreten) dissipativen dynamischen Systems numerisch zu bestimmen. Ausgehend von einer Zusammenfassung der wichtigsten mathematischen Grundlagen und einer kurzen Einführung in die Begriffe der dynamischen Systeme, werden die verschiedenen, in der Literatur gängigen Dimensionsbegriffe einheitlich motiviert und dargelegt. Nach einer Bewertung der numerischen Bestimmbarkeit der unterschiedlichen Dimensionsbegriffe werden für die am geeignetsten erscheinenden Dimensionsbegriffe - Lyapunov-Dimension und Korrelationsdimension - Algorithmen motiviert und dargestellt sowie diese Algorithmen an Beispielen getestet. Abschließend werden die erhaltenen Resultate bzgl. der Genauigkeit der Resultate und der dafür benötigten Laufzeiten miteinander verglichen.

Das Ergebnis der Bachelorarbeit mit dem Thema: "Ein implizites parallelisierbares Runge-Kutta-Verfahren" ist das Auffinden eines problemspezifischen implizites Runge-Kutta-Verfahrens der Konsistenzordnung 2, welches die Eigenschaft der A-Stabilität erfüllt. Zunächst wird im ersten Kapitel ein kurzer Überblick über die Theorie der gewöhnlichen Differentialgleichungen gegeben. Anschließend wird auf die Grundlagen der Numerik gewöhnlicher Differentialgleichungen eingegangen, verschiedene implizite Runge-Kutta-Verfahren vorgestellt und deren Stabilitätseigenschaften beschrieben. Im fünften Kapitel werden Verfahren zur numerischen Lösung von Gleichungenssystemen vorgestellt, um somit die Gleichungen, welche bei der Berechnung der impliziten Runge-Kutta-Verfahren auftreten, zu berechnen. Das nächste Kapitel beschäftigt sich mit der Konstruktion des Runge-Kutta-Verfahrens und des Algorithmus zur Lösung eines Anfangwertproblems. Ferner wurden die Stabilitätseigenschaften des Verfahrens untersucht. Hierbei hat sich herausgestellt, dass das konstruierte Verfahren A-stabil, AN-stabil, B-stabil und algebraisch stabil ist. Allerdings sind die Voraussetzungen der starken A-Stabilität und der L-Stabilität nicht erfüllt. Anschließend wurde der Algorithmus an einem einfachen Testproblem, sowie an einer Variante des Broadwell-Modells überprüft. Im letzten Kapitel wurde mit einem adaptiven Verfahren noch eine Möglichkeit angegeben, den lokalen Diskretisierungsfehler mithilfe eines Kontrollverfahrens abschätzen zu können. Die im Unterkapitel 5.3 angegebenen Eigenschaften der Funktion J stimmen mit denen des Kollisionsoperators des allgemeinen diskreten Geschwindigkeitsmodells überein, wobei dieser parallel ausgewertet wird. Aus diesem Grund eignet sich der Algorithmus zur numerischen Lösung der Standardform des diskreten, linearisierten Geschwindigkeitsmodells der Boltzmanngleichung. Aufgrund der Stabilitätseigenschaften des impliziten Runge-Kutta-Verfahrens, lässt dieses Verfahren eine größere Schrittweite zur Berechnung der Lösung zu. Dies führt letztendlich zu einer schnelleren Berechnung der Differentialgleichungen bzw. bietet es die Möglichkeit bei komplexeren Modellen überhaupt zu einer Lösung zu gelangen.

In dieser Arbeit geht es um die näherungsweise Bestimmung von nichtlinearen skalaren Gleichungen mit festem Parameterwert a. Es wurde untersucht, ob die quadratische Konvergenz des Newtonverfahrens auf eine beliebig hohe Konvergenzordnung ausgeweitet werden kann. Dies wurde an einigen Beispielen in Maple untersucht.

Meine Diplomarbeit beschreibt die numerische Verfahren für die lineare Advektionsgleichungen. Die linearen Advektionsgleichungen sind spezielle partielle Differentialgleichungen. Mit der verschiedene numerische Verfahren kann man die Nährungswert von den liearen Advektionsgleichung bestimmen. Die verschiedene Verfahren haben verschiedene Eigenschaften, z.B Konvergent, Stabilität, CFL-Bedingung usw. Wenn ein numerische Verfahren Konsistent und Stabilität ist, ist das Verfahren Konvergent. Für mehrer Dimensionen kann man durch spezielle numerische Verfahren anwenden, z.B. Taylorreihen-Verfahren, Charaktristiken-Verfahren und Operator-Splitting-Verfahren.

Dynamische Systeme sind ein wesentlicher Bestandteil zur Beschreibung zeitabhängiger Prozesse. Da allerdings die quantitative Analyse dynamischer Systeme eien sehr komplexe Problematik ist, wurden, um diesen Sachverhalt zu vereinfachen, gewisse gemittelte größen, die sogenannten Lyapunov-Exponenten eingeführt. Diese sind ein maß dafür, wie stark sich zwei benachbarte Trajektorien im Verlauf des dynamischen Systems einander annähern oder voneinander entfernen. Die Menge aller Lyapunov-Exponenten eines Systems nennt man das LCE-Spektrum. Es dient der Klassifikation der verschiedenen Attraktortypen und des Chaos. Im Rahmen dieser Arbeit wurden drei numerische Verfahren zur Bestimmung des LCE-Spektrums aufbereitet, praktisch in Matlab umgesetzt und miteinander verglichen. Die in dieser Arbeit vorgestellten Berechnungsverfahren basieren auf der Gram-Schmidt-Orthogonalisierung, der Singulärwertzerlegung und der QR-Zerlegung. Für diese Verfahren werden Möglichkeiten zur Bestimmung einer geeigneten Anzahl an Iterationsschritten und einer günstigen Integrationsschrittweite vorgestellt, die auch als Ansatzpunkt für die Vergleiche verwendet werden.

Die Diplomarbeit beschäftigt sich mit der numerischen Approximation stabiler und instabiler Invarianzkurven von Poincaré-Abbildungen dynamischer Systeme. Bei periodisch erregten Systemen lassen sich in der Regel mehrere stabile Lösungen bestimmen. Nun stellt sich bei gegebener Anfangslösung die Frage, auf welche dieser Lösungen sich das System einschwingt. Dazu sollen mit der Fortsetzungsmethode von Philippow die Grenzen der Einzugsgebiete (die so genannten Separatrizen) stabiler periodischer Lösungen numerisch approximiert werden. Mit Hilfe eines selbst entwickelten Matlab-Programms soll das Lösungsverhalten periodisch erregter Systeme der Dimension˜2 geklärt werden. Der Fortsetzungs-Algorithmus knüpft an die langjährige Forschungsarbeit auf diesem Gebiet an und verbessert ein bereits bestehendes Programm.

In dieser Arbeit wurden mit Hilfe von C++ Programmen verschiedene numerische Untersuchungen zu diskreten Modellen der Boltzmann-Gleichung durchgeführt. Im Kapitel II. wurden am kleinsten Kollisionsmodell (6-Punkte Modelle) die Eigenschaften gezeigt und anschließend für größere Modelle verallgemeinert. Im Kapitel III. 'Numerische Untersuchungen' ist zuerst die Abhängigkeit der Lösung vom Gitter näher untersucht worden. Wir kamen zu dem Schluss, je näher der Extrempunkt (Peak) der Funktion $ M_G(v_x^{(i)},v_y^{(i)}) $ an einem Gitterpunkt liegt, um so besser wird die Energie $ E_N $ approximiert. Erhöht man die Punkte Anzahl der Modelle (vom 24-Punkte zum 96-Punkte Modell) wird die Energie $E_N$ ebenfalls besser approximiert. Probleme traten nur auf, wenn die Temperatur $ T$ sehr klein oder sehr groß wurde. Beim Test der Anfangsbedingungen wurde festgestellt, dass die Wahl der Anfangsbedingungen einen großen Einfluss auf die Berechnungen haben. In einem weiteren Punkt der Arbeit wurden die Abklingzeiten vom H- und vom M-Funktional verglichen. Wir haben festgestellt, dass das H-Funktional schneller abklingt als das M-Funktional. Bei dem M-Funktional hängt der Funktionsverlauf sehr stark von der Wahl der Variablen $ \alpha $ und $ \beta $ ab. Die Wahl der Anfangsgeschwindigkeiten spielt bei den beiden Funktionalen keine große Rolle. Im nächsten Punkt hat sich die Arbeit mit der Konstruktion diskreter Lösungen zu vorgegebenen Momenten beschäftigt. Als Grundlage diente hierfür das Newton-Verfahren. Hier hat sich gezeigt, dass die numerisch errechneten Grenzen in einigen Fällen von den theoretisch ermittelten Grenzen abweichen. Im Abschnitt III.5 haben wir das qualitative Verhalten unterschiedlicher Modelle untersucht. Mit Hilfe des Newton-Verfahrens wurde nach der Wahl von Anfangsbedingungen eine Grenzfunktion berechnet. Danach wurde mit den Anfangsbedingungen das Hauptprogramm gestartet. In jedem Schritt wurde das 4. Moment berechnet und mit dem 4. Moment der Grenzfunktion verglichen. Als Ergebnis haben wir die Funktion $\phi(t)$ erhalten und festgestellt, dass sie in den Bereichen gemäß Tabelle 1 (Kapitel III.1) einen linearen Verlauf hat. Der optimale Verlauf zeigte sich im 96-Punkte Modell mit der Anfangsbedingung $\theta=1$ und dem Vorfaktor $\alpha_1=1$ vor dem Stoßoperator. Diese Werte wurden dann im Abschnitt III.3 übernommen. Hier wurde gezeigt, dass die Lösung die Eigenschaften des BKW-Typ erfüllen. Das Kapitel IV. stellt die Programme, die während der numerischen Untersuchungen benutzt wurden, näher vor. Im Anhang sind die Abbildungen, die im Text nur schwer erkennbar sind, nochmals dargestellt. Weiterhin sind die Tabellen und die Quellcodes der einzelnen Programme angegeben.