<p>Now perhaps it would be better to use variable damping inside SOR instead of just on the outside, but I don't know how to select that.</p>
<div class="gmail_quote">On May 25, 2012 8:42 AM, "Jed Brown" <<a href="mailto:five9a2@gmail.com">five9a2@gmail.com</a>> wrote:<br type="attribution"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
<p>The high end of the GS preconditioned operator is still high frequency. If it wasn't, then GS would be a spectrally equivalent preconditioner.</p>
<p>There is work on optimizing polynomials for damping on a chosen part of the spectrum. I think what we really want is to take estimates of a few extremal eigenvalues and construct a polynomial that damps them.</p>
<div class="gmail_quote">On May 25, 2012 8:34 AM, "Mark F. Adams" <<a href="mailto:mark.adams@columbia.edu" target="_blank">mark.adams@columbia.edu</a>> wrote:<br type="attribution"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">

Barry,<br>
<br>
The trick with Cheby is that it exploits special knowledge: the spectrum of the error reduction with an additive (diagonal) and Richardson -- on the 5-point stencil of the Laplacian -- is the worst (in the part of the spectrum that the smoother has to worry about) at the high end.  2) it is cheap to compute the highest eigenvalue and 3) Cheby is made for eigenvalues (and you only need the high end so the highest is fine and you can makeup the lowest).<br>


<br>
The spectrum for multiplicative is quite different (I think. I've never actually seen it) so I would expect to see worse performance with Cheby/GS.<br>
<br>
This trick works for elasticity but higher order discretizations can cause problems.  Likewise, as Jed points out, unsymmetric are another issue.  Cheby is a heuristic for the damping for unsymmetric problems and you are really on your own.  Note, people have done work on Cheby for unsymmetric problems.<br>


<br>
Mark<br>
<br>
On May 25, 2012, at 8:35 AM, Barry Smith wrote:<br>
<br>
><br>
> On May 24, 2012, at 10:35 PM, Jed Brown wrote:<br>
><br>
>> On Thu, May 24, 2012 at 10:19 PM, Barry Smith <<a href="mailto:bsmith@mcs.anl.gov" target="_blank">bsmith@mcs.anl.gov</a>> wrote:<br>
>><br>
>> I think I've fixed PCPre/PostSolve_Eisenstat() to work properly with kspest but seems to be with ex19 a much worse smoother than SOR (both with Cheby). I'm not sure why. With SOR we are essentially doing a few Chebyshev iterations with<br>


>> (U+D)^-1 (L+D)^-1 A  x  = b while with Eisenstat it is (L+D)^-1 A (U + D)^-1 y = (L+D)^-1 b.  Well no time to think about it now.<br>
>><br>
>>  Mark,<br>
>><br>
>>         Has anyone looked at using Cheby Eisentat smoothing as opposed to Cheby SOR smoothing?<br>
>><br>
>> Aren't they supposed to be the same?<br>
><br>
>  Well one is left preconditioning while the other is "split" preconditioning so iterates could be different.   There might also some difference with diagonal scalings?<br>
><br>
>   Barry<br>
><br>
>><br>
>><br>
>>   Barry<br>
>><br>
>> On May 24, 2012, at 1:20 PM, Jed Brown wrote:<br>
>><br>
>>> On Wed, May 23, 2012 at 2:52 PM, Jed Brown <<a href="mailto:jedbrown@mcs.anl.gov" target="_blank">jedbrown@mcs.anl.gov</a>> wrote:<br>
>>> On Wed, May 23, 2012 at 2:26 PM, Barry Smith <<a href="mailto:bsmith@mcs.anl.gov" target="_blank">bsmith@mcs.anl.gov</a>> wrote:<br>
>>><br>
>>> Note that you could use -pc_type eisenstat perhaps in this case instead. Might save lots of flops?  I've often wondered about doing Mark's favorite chebyshev smoother with Eisenstat, seems like it should be a good match.<br>


>>><br>
>>> [0]PETSC ERROR: --------------------- Error Message ------------------------------------<br>
>>> [0]PETSC ERROR: No support for this operation for this object type!<br>
>>> [0]PETSC ERROR: Cannot have different mat and pmat!<br>
>>><br>
>>> Also, I'm having trouble getting Eisenstat to be more than very marginally faster than SOR.<br>
>>><br>
>>><br>
>>> I think we should later be getting the eigenvalue estimate by applying the preconditioned operator to a few random vectors, then orthogonalizing. The basic algorithm is to generate a random matrix X (say 5 or 10 columns), compute<br>


>>><br>
>>> Y = (P^{-1} A)^q X<br>
>>><br>
>>> where q is 1 or 2 or 3, then compute<br>
>>><br>
>>> Q R = Y<br>
>>><br>
>>> and compute the largest singular value of the small matrix R. The orthogonalization can be done in one reduction and all the MatMults can be done together. Whenever we manage to implement a MatMMult and PCMApply or whatever (names inspired by VecMDot), this will provide a very low communication way to get the eigenvalue estimates.<br>


>>><br>
>>><br>
>>> I want to turn off norms in Chebyshev by default (they are very wasteful), but how should I make -mg_levels_ksp_monitor turn them back on? I'm already tired of typing -mg_levels_ksp_norm_type unpreconditioned.<br>


>><br>
>><br>
><br>
><br>
<br>
</blockquote></div>
</blockquote></div>