Все выпуски

Дана постановка задачи управления движения тела в вязкой жидкости. Движение тела индуцируется перемещением внутренних материальных точек. На основе численного решения уравнений движения тела и гидродинамических уравнений получены аппроксимирующие зависимости для вязких сил. С применением аппроксимаций решается задача оптимального управления движением тела по заданной траектории с применением гибридного генетического алгоритма. Установлена возможность направленного движения тела под действием возвратно-поступательного движения внутренней точки. Оптимальное управление направлением движения осуществляется движением другой внутренней точки по круговой траектории с переменной скоростью.

В работе построены сопряженные задачи для явной и неявной параболической квазилинейной сеточной пространственно-одномерной краевой задачи: коэффициенты задачи зависят от решения в текущий и предыдущие моменты времени. Зависимость от предыстории осуществляется через вектор состояния, эволюция которого описывается дифференциальным уравнением. К подобным задачам сводятся многие модели диффузионного массопереноса. Решения исходной и сопряженной краевых задач дают возможность получить точное значение градиента некоторого функционала в пространстве параметров, от которых также зависят коэффициенты задачи. Предложены алгоритмы решения задач, в том числе с использованием высокопроизводительных вычислительных систем.

Исследованы аналитически и численно структура и свойства локализованных двух- и трех-кинковых решений уравнения синус-Гордона, возбуждаемых в области притягивающей примеси. Рассмотрены случаи одиночной и двойной пространственно протяженной примеси.

Для одномерного нелокального уравнения Фишера–Колмогорова–Петровского–Пискунова построены асимптотические решения, позволяющие описывать квазистационарные структуры. Построены асимптотические решения динамической системы Эйнштейна–Эренфеста для двумерного уравнения Фишера–Колмогорова–Петровского–Пискунова. Эти решения описывают свойства двумерных структур, локализованных на одномерных многообразиях.

В работе рассмотрена проблема повышения порядка аппроксимации прозрачных граничных условий для волнового уравнения при использовании разностных схем вплоть до шестого порядка точности по пространству. В качестве примера формулируется задача распространения волн в полубесконечном волноводе прямоугольного сечения. Предложен подход, позволивший вывести экономные и высокоточные формулы при дискретизации оператора прозрачных граничных условий. Приведены примеры численных расчетов, подтверждающие точность и устойчивость полученных разностных алгоритмов.

Целью данной работы является построение макроскопической гидродинамической модели, описывающей автомобильное движение на автодорожном перекрестке и учитывающей как распределение светофорных фаз, так и существующую дорожную разметку на перекрестке.

Представлен подход к уменьшению значения нормы поправки в ньютоновских методах оптимизации, основанных на факторизации Холесского, в основе которого лежит интеграция с техникой выбора ведущего элемента алгоритма линейного программирования как метода решения системы уравнений. Исследуются вопросы увеличения численной устойчивости разложения Холесского и метода исключения Гаусса.

В данной статье исследуются методы машинного обучения с определенным видом решающего правила. К ним относятся интерполяция по методу обратно взвешенных расстояний, метод интерполяции радиальными базисными функциями, метод многомерной интерполяции и аппроксимации на основе теории случайных функций, кригинг. Показано, что для данных методов существует способ быстрого переобучения «модели» при добавлении новых данных к существующим. Под «моделью» понимается построенная по обучающим данным интерполирующая или аппроксимирующая функция. Данный подход позволяет уменьшить вычислительную сложность построения обновленной «модели» с $O(n^3)$ до $O(n^2)$. Также будет исследована возможность быстрого оценивания обобщающих возможностей «модели» на обучающей выборке при помощи метода скользящего контроля leave-one-out cross-validation, устранив главный недостаток такого подхода — необходимость построения новой «модели» при каждом удалении элемента из обучающей выборки.

В данной работе исследуется проблема унификации процедуры разработки и калибровки математической модели движения транспортного потока на автомобильной многополосной дороге в городских условиях. При этом использовался макроскопический подход, при котором транспортный поток описывается нелинейной системой гиперболических уравнений (для плотности и скорости потока) второго порядка. Полученная модель замыкается через уравнение зависимости интенсивности транспортного потока от его плотности, получаемое эмпирическим образом для каждого отдельного участка транспортной сети с использованием данных транспортных детекторов и автомобильных GPS-треков. Проверка работоспособности разработанной нами модели и методики калибровки проводилась с использованием численных расчетов, путем проведения вычисленных экспериментов на типичных данных, таких как моделирование движения трафика на заданном участке городской транспортной сети г. Москвы.

В данной статье исследуется метод машинного обучения на основе теории случайных функций. Одной из основных проблем данного метода является то, что вид решающего правила модели метода, построенной на данных обучающей выборки, становится более громоздким при увеличении количества примеров выборки. Решающее правило модели является наиболее вероятной реализацией случайной функции и представляется в виде многочлена с количеством слагаемых, равным количеству обучающих элементов выборки. В статье будет показано, что для рассматриваемого метода существует быстрый способ сокращения обучающей выборки и, соответственно, вида решающего правила. Уменьшение примеров обучающей выборки происходит за счет поиска и удаления малоинформативных (слабых) элементов, которые незначительно влияют на итоговый вид решающей функции, и шумовых элементов выборки. Для каждого $(x_i,y_i)$-го элемента выборки было введено понятие значимости, выражающееся величиной отклонения оцененного значения решающей функции модели в точке $x_i$, построенной без $i$-го элемента, от реального значения $y_i$. Будет показана возможность косвенного использования найденных слабых элементов выборки при обучении модели метода, что позволяет не увеличивать количество слагаемых в полученной решающей функции. Также в статье будут описаны проведенные эксперименты, в которых показано, как изменение количества обучающих данных влияет на обобщающую способность решающего правила модели в задаче классификации.