Эффективные алгоритмы решения функциональных уравнений с суперпозицией на примере уравнения Фейгенбаума

Обложка

Цитировать

Полный текст

Аннотация

Цель. Рассмотреть новые алгоритмы решения функциональных уравнений на примере уравнения Фейгенбаума. Данное уравнение представляет большой интерес в теории детерминированного хаоса и является хорошим показательным примером в классе функциональных уравнений с суперпозицией. Методы. В статье предлагаются три новых эффективных метода решения функциональных уравнений — метод последовательных приближений, метод последовательных приближений с применением быстрого преобразования Фурье и численно-аналитический метод с применением малого параметра. Результаты. Были приведены три новых метода решения функциональных уравнений, рассмотренных на примере уравнения Фейгенбаума. Для каждого из них были исследованы особенности их применения, а также оценена сложность получаемых в результате алгоритмов. Проведено сравнение методов, используемых ранее исследователями для решения функциональных уравнений, с описанными в данной статье. В описании последнего, численно-аналитического метода, были выписаны несколько коэффициентов разложений универсальных постоянных Фейгенбаума. Заключение. Полученные алгоритмы позволяют решать функциональные уравнения с суперпозицией, основываясь на методах простой итерации, без необходимости обращения матрицы Якоби. Данная особенность сильно упрощает использование компьютерной памяти и дает выигрыш по времени работы рассматриваемых алгоритмов, по сравнению с ранее используемыми. Также последний, численно-аналитический метод позволил получать последовательно коэффициенты разложений универсальных постоянных Фейгенбаума, что, по сути, может являться аналитическим представлением данных констант.

Об авторах

Андрей Андреевич Полуновский

Институт проблем передачи информации им. А. А. Харкевича РАН; Курчатовский Институт

г. Москва, Большой Каретный переулок, д.19 стр. 1.

Список литературы

  1. Шустер Г. Детерминированный хаос. М.: Мир, 1988. 253 c.
  2. Фейгенбаум М. Универсальность в поведении нелинейных систем // Успехи физических наук. 1983. Т. 141, № 2. С. 343–374. doi: 10.3367/UFNr.0141.198310e.0343.
  3. Feigcnbaum M. J. The universal metric properties of nonlinear transformations // Journal of Statistical Physics. 1979. Vol. 21, no. 6. P. 669–706. doi: 10.1007/BF01107909.
  4. Feigenbaum M. J. Quantitative universality for a class of nonlinear transformations // Journal of Statistical Physics. 1978. Vol. 19, no. 1. P. 25–52. doi: 10.1007/BF01020332.
  5. Briggs K. How to calculate the Feigenbaum constants on your PC // Australian Mathematical Society Gazette. 1989. Vol. 16. P. 89–92.
  6. Broadhurst D. Feigenbaum constants to 1018 decimal places [Electronic resource]. 22 March 1999. Available from: http://www.plouffe.fr/simon/constants/feigenbaum.txt.
  7. Briggs K. A precise calculation of the Feigenbaum constants // Mathematics of Computation. 1991. Vol. 57, no. 195. P. 435–439. doi: 10.2307/2938684.
  8. Molteni A. An efficient method for the computation of the Feigenbaum constants to high precision [Electronic resource] // arXiv:1602.02357. arXiv Preprint, 2016. Available from: https://arxiv.org/ abs/1602.02357.
  9. Кузнецов C. Динамический хаос. 2-е изд. М.: Физматлит, 2006. 356 с.
  10. Faa di Bruno F. Sullo sviluppo delle funzioni // Annali di Scienze Matematiche e Fisiche. 1855. Vol. 6. P. 479–480.
  11. Bell E. T. Partition polynomials // Annals of Mathematics. 1927. Vol. 29, no. 1–4. P. 38–46. doi: 10.2307/1967979.
  12. Heideman M. T., Johnson D., Burrus C. Gauss and the history of the fast Fourier transform // IEEE ASSP Magazine. 1984. Vol. 1, no. 4. P. 14–21. doi: 10.1109/MASSP.1984.1162257.
  13. Полуновский А. А. Временные разложения решений уравнений математической физики // Дифференциальные уравнения. 2020. Т. 56, № 3. С. 393–402. doi: 10.1134/S0374064120030103.
  14. Ван-Дайк М. Методы возмущений в механике жидкости. М.: Мир, 1967. 296 с.
  15. Бейкер Дж., Грейвс-Моррис П. Аппроксимации Паде. М: Мир, 1986. 502 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».