Розв’язання крайових задач для звичайних диференціальних рівнянь за алгоритмом диференціальної еволюції.
DOI:
https://doi.org/10.34121/1028-9763-2020-1-43-52Ключові слова:
differential evolution algorithm, boundary value problems for ordinary differential equations, approximate solutions, quadratic deviation, Chebyshev deviation, алгоритм диференціальної еволюції, крайові задачі для звичайних диференціальних рівнянь, наближені розв’язки, квадратичне відхилення, чебишовське відхиленняАнотація
У статті розглядається крайова задача для звичайного диференціального рівняння n-го порядку. Як наближений розв’язок задачі вибирається функція, що для довільних значень параметрів, які входять в неї, точно задовольняє крайові умови, а при підстановці функції у рівняння утворюється диференціальна нев’язка. Для пошуку оптимальних значень параметрів, на яких досягається мінімум функції відхилення диференціальної нев’язки від нуля, пропонується підхід із використанням алгоритму диференціальної еволюції. Даний підхід може бути поширений також на випадок, коли для довільних значень параметрів наближений розв’язок не задовольняє точно крайові умови і, окрім диференціальної нев’язки, з’являються нев’язки крайових умов. Алгоритм диференціальної еволюції служить для розв’язання задач багатовимірної оптимізації. В ньому моделюються основні еволюційні процеси в живій природі: схрещування, мутація, селекція. Це один із кращих еволюційних алгоритмів, який стабільно знаходить глобальний мінімум (максимум) функції за мінімальний час. На відміну від стандартної схеми диференціальної еволюції в алгоритмі, запропонованому у статті, еволюція здійснюється тільки за рахунок операцій мутації та селекції, без використання схрещування. Це сприяє спрощенню алгоритму без погіршення точності результатів. Алгоритм дозволяє розв’язувати як лінійні, так і нелінійні крайові задачі без внесення змін і залучення чисельних методів, а також використовувати різні норми для функції відхилення (квадратичну, чебишовську та ін.). Запропонований алгоритм реалізовано в Matlab. Наводяться результати обчислювальних експериментів із розв’язання низки тестових крайових задач для диференціальних рівнянь другого і четвертого порядків. Вони показують, що знайдені за алгоритмом диференціальної еволюції наближені розв’язки вказаних задач добре узгоджуються з їхніми точними розв’язками.Посилання
Storn R., Price K. Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization. 1997. Vol. 11. P. 341–35.
Varadarajan M., Swarup K.S. Differential evolution approach for optimal reactive power dispatch. Applied Soft Computing. 2008. Vol. 8, N 4. P. 1549–1561.
Das S., Konar, A. Automatic Image Pixel Clustering with an Improved Differential Evolution. Applied Soft Computing. 2009. Vol. 9, N 1. P. 226–236.
Develi I. A new approximation based on the differential evolution for the gaussian Q-function. International Journal of Innovative Computing, Information and Control. 2012. N 10. P. 7095–7102.
Vakal L.P. Seeking Optimal Knots for Segment Approximation. Journal of Automation and Information Sciences. 2016. Vol. 48, N 11. P. 68–75.
Вакал Л.П., Вакал Є.С. Розв’язання перевизначеної системи трансцендентних рівнянь із використанням диференціальної еволюції. Математичне та комп’ютерне моделювання. Технічні науки. 2017. Вип. 15. С. 24–30.
Вакал Л.П. Апроксимація функцій багатьох змінних із застосуванням алгоритму диференціальної еволюції. Математичні машини і системи. 2017. № 1. С. 90–96.
Вакал Л.П., Вакал Є.С. Знаходження оптимальних параметрів емпіричних формул декількох змінних за допомогою еволюційних алгоритмів. Математичні машини і системи. 2018. № 3. С. 109–116.
Ясницький Л.Н., Гладкий С.Л., Никитенко И.И., Тарасов М.А. Искусственный интеллект в решении краевых задач проектной инженерии. URL: http://www.permai.ru/files/projects/P03.pdf.
Abu-Arqub Omar, Abo-Hammour Zaer, Momani Shaher. Application of continuous genetic algorithm for nonlinear system of second-order boundary value problems. Applied Mathematics & Information Sciences. 2014. Vol. 8, N 1. P. 235–248.
Vakal L.P. Using genetic algorithm for solving boundary value problems. Journal of Automation and Information Sciences. 2015. Vol. 47, N 8. P. 52–62.
Вакал Л.П. Генетичні алгоритми як інструмент розв’язання нелінійних крайових задач. Комп’ютерні засоби, мережі та системи. 2015. № 14. С. 16–23.
Демидович Б.П., Марон И.А., Шувалова Э.З. Численные методы анализа. М.: Наука, 1967. 368 с.
Калиткин Н.Н. Численные методы. М.: Наука, 1978. 512 с.
Волков Е.А. Численные методы. М.: Наука, 1987. 248 с.
Vakal L.P. Solving uniform nonlinear approximation problem using continuous genetic algorithm. Journal of Automation and Information Sciences. 2016. Vol. 48, N 6. P. 49–59.
Каленчук-Порханова А.О., Вакал Л.П. Застосування найкращої чебишовської апроксимації для моделювання деяких фізичних процесів. Математичне та комп’ютерне моделювання. Технічні науки. 2010. Вип. 4. С. 111–118.
Vakal L.P., Kalenchuk-Porkhanova A.A., Vakal E.S. Increasing the Efficiency of Chebyshev Segment Fractional Rational Approximation. Cybernetics and Systems Analysis. 2017. Vol. 53, N 5. P. 759–765.
Довгий Б.П., Вакал Є.С., Вакал Ю.Є., Попов А.В. Використання математичного пакета matlab для розв’язування прикладних задач. Київ: Фітосоціоцентр, 2012. 78 с.
Моршнева И.В., Овчинникова С.Н. Численное решение краевых задач для обыкновенных дифференциальных уравнений. Метод стрельбы. Ростов-на-Дону: УПЛ РГУ, 2003. 29 с.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Математичні машини і системи

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
