Все выпуски

Распространение устойчивых когерентных образований электромагнитного поля в нелинейных средах с меняющимися в пространстве параметрами может быть описано в рамках итераций нелинейных интегральных преобразований. Показано что для ряда актуальных геометрий задач нелинейной оптики численное моделирование путем сведения к динамическим системам с дискретным временем и непрерывными пространственными переменными, основанное на итерациях локальных нелинейных отображений Фейгенбаума и Икеды, а также нелокальных диффузионно-дисперсионных линейных интегральных преобразований, эквивалентно в довольно широком диапазоне параметров дифференциальным уравнениям в частных производных типа Гинзбурга–Ландау. Такие нелокальные отображения, представляющие собой при численной реализации произведения матричных операторов, оказываются устойчивыми численно-разностными схемами, обеспечивают быструю сходимость и адекватную аппроксимацию решений. Реалистичность данного подхода позволяет учитывать влияние шумов на нелинейную динамику путем наложения на расчетный массив чисел при каждой итерации пространственного шума, задаваемого в виде многомодового случайного процесса, и производить отбор устойчивых волновых конфигураций. Нелинейные волновые образования, описываемые данным методом, включают оптические фазовые сингулярности, пространственные солитоны и турбулентные состояния с быстрым затуханием корреляций. Определенный интерес представляют полученные данным численным методом периодические конфигурации электромагнитного поля, возникающие в результате фазовой синхронизации, такие как оптические решетки и самоорганизованные вихревые кластеры.

Метод Монте-Карло (Monte Carlo, MC) в обучении с подкреплением показывает низкую эффективность при высокой сложности обучающей выборки — в средах с редким вознаграждением, большим пространством состояний и коррелирующими траекториями. Эти ограничения приводят к повышенной вариативности оценок возврата и существенно замедляют процесс сходимости, особенно в задачах, где требуется выделить наиболее информативные эпизоды из большого множества доступных данных. При прямом использовании всех траекторий возникает избыток информации, что ухудшает качество итоговых оценок и увеличивает вычислительную нагрузку. В данной работе мы предлагаем подход, позволяющий преодолеть указанные проблемы за счет оптимизации отбора обучающих данных и структурирования выборки перед применением классического метода Монте-Карло. Задача отбора обучающих траекторий формулируется как квадратичная неограниченная бинарная оптимизация (Quadratic Unconstrained Binary Optimization, QUBO) и решается с помощью алгоритма квантового отжига. Предлагаемый метод MC+QUBO интегрирует комбинаторный фильтрующий шаг в стандартную процедуру оценки: из множества потенциальных траекторий выбирается поднабор, максимизирующий суммарное вознаграждение, обеспечивая при этом достаточное покрытие пространства состояний и снижение взаимной корреляции эпизодов. В QUBO-формулировке линейные члены поощряют включение эпизодов с высоким значением возврата, тогда как квадратичные члены регулируют разнообразие и баланс траекторий, уменьшая риск переобучения на узком подмножестве данных. В качестве решателей из категории «черного ящика» используются алгоритмы симуляции квантового отжига (Simulated Quantum Annealing, SQA) и симулированная бифуркация (Simulated Bifurcation, SB), что позволяет эффективно решать задачи с большим числом потенциальных эпизодов и быстро находить приближенные оптимальные решения. Эксперименты в среде GridWorld показывают, что MC+QUBO превосходит классический метод Монте-Карло по скорости сходимости, устойчивости оценок и качеству итогового обучения, демонстрируя потенциал квантовой оптимизации как инструмента повышения эффективности принятия решений в задачах обучения с подкреплением.

Оптимизация промысла остается важной задачей математической биологии. Концепция максимального равновесного изъятия MSY, популярная в теории оптимальной эксплуатации, предполагает поддержание численности популяции на уровне максимального воспроизводства, что в теории позволяет балансировать между экономической выгодой и сохранением биоресурсов. Однако этот подход имеет ограничения, обусловленные сложной структурой популяций и нелинейностью динамических процессов. Особую проблему представляют эволюционные последствия: селективный промысел изменяет условия отбора, что ведет к трансформации поведенческих характеристик, ухудшению качества потомства и изменению генофонда. Влияние неселективного промысла на генетический состав изучено меньше.

В работе исследуется влияние неселективного промысла с постоянной долей изъятия на эволюцию генетически неоднородной популяции. Предполагается, что генетическое разнообразие контролируется одним локусом с двумя аллелями. При высокой и низкой численности преимущество получают разные генотипы: одни более плодовиты (r-стратегия), другие более устойчивы к ограничению по ресурсам (K-стратегия). Рассматривается классическая эколого-генетическая модель с дискретным временем в предположении, что приспособленность каждого из генотипов линейно зависит от популяционной численности. Включение в модель коэффициента промыслового изъятия позволяет связать задачу оптимизации промысла с задачей прогноза отбора генотипов.

Аналитически показано, что при промысле, обеспечивающем максимальный устойчивый улов (MSY), равновесный генетический состав не меняется, а численность снижается вдвое, при этом тип генетического равновесия может измениться. Это связано с тем, что оптимальная доля изъятия для одного генетического равновесия не является оптимальной для других. В отсутствие промысла доминируют K-стратеги, но изъятие особей может сместить баланс в пользу r-стратегов, чья высокая плодовитость компенсирует потери. Определены критические уровни изъятия, при которых происходит смена доминирующей стратегии.

Результаты объясняют, почему промысловые популяции медленно восстанавливаются после прекращения эксплуатации: промысел закрепляет адаптации, выгодные при изъятии, но снижающие устойчивость в естественных условиях. Например, у песцов в неволе закрепляются высокопродуктивные генотипы, тогда как в природе преобладают особи с меньшей плодовитостью, но большей выживаемостью. Это указывает на необходимость учета генетической динамики при разработке стратегий устойчивого промысла.