Все выпуски

Коллективное поведение может выступать в роли механизма терморегуляции и играть ключевую роль при выживании группы организмов. Такие явления в среде животных, как правило, являются предметом изучения биологии, так как внезапные переходы к коллективному поведению трудно дифференцировать от психологической и социальной адаптации животных в группе. Тем не менее в работе указывается важный пример, когда стая животных демонстрирует фазовые переходы, сходные с явлением классической тепловой конвекции в жидкостях и газах. Этот вопрос может быть изучен также экспериментально в рамках синтетических систем, состоящих из самодвижущихся роботов, которые действуют по определенному заданному алгоритму. Обобщая оба эти случая, мы рассматриваем задачу о фазовых переходах в плотной группе взаимодействующих самодвижущихся агентов. Врамк ах микроскопической теории мы предлагаем математическую модель явления, в которой агенты представлены в виде тел, взаимодействующих друг с другом в соответствии с эффективным потенциалом особого вида, выражающим стремление агентов двигаться в направлении градиента общего теплового поля. Показано, что управляющим параметром задачи является численность группы. Дискретная модель с индивидуальной динамикой агентов воспроизводит большинство явлений, наблюдаемых как в естественных стаях животных, демонстрирующих коллективную терморегуляцию, так и в синтетических сложных системах, состоящих из роботов. Наблюдается фазовый переход 1-го рода со сменой агрегатного состояния в среде агентов, который заключается в самосборке первоначальной слабоструктурированной массы агентов в плотные квазикристаллические структуры. Кроме того, показано, что с увеличением численности скопления наблюдается фазовый переход 2-го рода в форме тепловой конвекции, который включает внезапное ожижение группы и переход к вихревому движению. Последнее обеспечивает более эффективное расходование энергии в случае синтетической системы взаимодействующих роботов и коллективное выживание всех особей в случае природных стай животных. С ростом численности группы происходят вторичные бифуркации, вихревая структура толпы агентов усложняется.

Сеточно-характеристический метод успешно применяется для решения различных гиперболических систем уравнений в частных производных (например, уравнения переноса, акустики, линейной упругости). Он позволяет корректно строить алгоритмы на контактных границах и границах области интегрирования, в определенной степени учитывать физику задачи (распространение разрывов вдоль характеристических поверхностей), обладает важнымдля рассматриваемых задач свойством монотонности. В случае двумерных и трехмерных задач используется процедура расщепления по пространственным направлениям, позволяющая решить исходную систему путем последовательного решения нескольких одномерных систем. На настоящий момент во множестве работ используются схемы до третьего порядка точности при решении одномерных задач и простейшие схемы расщепления, которые в общем случае не позволяют получить порядок точности по времени выше второго. Значительное развитие получило направление операторного расщепления, доказана возможность повышения порядка сходимости многомерных схем. Его особенностью является необходимость выполнения шага в обратном направлении по времени, что порождает сложности, например, для параболических задач.

В настоящей работе схемы расщепления 3-го и 4-го порядка были применены непосредственно к решению двумерной гиперболической системы уравнений в частных производных линейной теории упругости. Это позволило повысить итоговый порядок сходимости расчетного алгоритма. В работе эмпирически оценена сходимость по нормам $L_1$ и $L_\infty$ с использованиемана литических решений определяющей системы достаточной степени гладкости. Для получения объективных результатов рассмотрены случаи продольных и поперечных плоских волн, распространяющихся как вдоль диагонали расчетной ячейки, так и не вдоль нее. Проведенные численные эксперименты подтверждают повышение точности метода и демонстрируют теоретически ожидаемый порядок сходимости. При этом увеличивается в 3 и в 4 раза время моделирования (для схем 3-го и 4-го порядка соответственно), но не возрастает потребление оперативной памяти. Предложенное усовершенствование вычислительного алгоритма сохраняет простоту его параллельной реализации на основе пространственной декомпозиции расчетной сетки.

Высокочастотная алгоритмическая торговля — это подкласс трейдинга, ориентированный на получение прибыли на субсекундных временных интервалах. Такие торговые стратегии не зависят от большинства факторов, подходящих для долгосрочной торговли, и требуют особого подхода. Было много попыток использовать методы машинного обучения как для высоко-, так и для низкочастотной торговли. Однако они по-прежнему имеют ограниченное применение на практике из-за высокой подверженности переобучению, требований к быстрой адаптации к новым режимам рынка и общей нестабильности результатов. Мы провели комплексное исследование по сочетанию известных количественных теорий и методов обучения с подкреплением, чтобы вывести более эффективный и надежный подход при построении автоматизированной торговой системы в попытке создать поддержку для известных алгоритмических торговых техник. Используя классические теории поведения цен, а также современные примеры применения в субмиллисекундной торговле, мы применили модели обучения с усилением для улучшения качества алгоритмов. В результате мы создали надежную модель, использующую глубокое обучение с усилением для оптимизации параметров статических торговых алгоритмов, способных к онлайн-обучению на живых данных. Более конкретно, мы исследовали систему на срочном криптовалютном рынке, который в основном не зависит от внешних факторов в краткосрочной перспективе. Наше исследование было реализовано в высокочастотной среде, и итоговые модели показали способность работать в рамках принятых таймфреймов высокочастотной торговли. Мы сравнили различные комбинации подходов глубинного обучения с подкреплением и классических алгоритмов и оценили устойчивость и эффективность улучшений для каждой комбинации.