ДИФФЕРЕНЦИРОВАНИЕ И ИНТЕГРИРОВАНИЕ В ФУНКЦИОНАЛЬНО-ВОКСЕЛЬНОМ МОДЕЛИРОВАНИИ

Обложка

Цитировать

Полный текст

Аннотация

Рассматривается способ простой генерации частных производных для многомерной функции на функционально-воксельных моделях (ФВ-моделях). Рассматривается общий принцип построения ФВ-модели, её дифференцирования и интегрирования на примере двумерной функции. Под интегрированием понимается получение локальных геометрических характеристик для первообразной локальной функции с дальнейшим решением задачи Коши при окончательном построении ФВ-модели. Алгоритм прямой и обратной задачи дифференцирования базируется на применении основных свойств локальных геометрических характеристик ФВ-моделирования и заложенного принципа линейной аппроксимации области задания алгебраической функции. Он позволяет посредством простых компьютерных вычислений получить искомый результат в виде ФВ-модели, пригодной к любым дальнейшим алгебраическим операциям. Рассматривается пример построения ФВ-модели сложной двумерной алгебраической функции. На основе такой модели получены ФВ-модели частных производных. На основе этих моделей и краевого условия в заданной точке получена исходная ФВ-модель сложной алгебраической функции. Подход применим для работы с алгебраическими функциями, заданными на области различных измерений.

Об авторах

А. В Толок

Институт проблем управления им. В.А. Трапезникова РАН

Автор, ответственный за переписку.
Email: tolok_61@mail.ru
г. Москва, Россия

Н. Б Толок

Институт проблем управления им. В.А. Трапезникова РАН

Email: nat_tolok@mail.ru
г. Москва, Россия

Список литературы

  1. Рысцов Д. Автоматическое дифференцирование // Abnormal programming, Mathematics. - М.: Habr LLC, 2009. http://habrahabr.ru/post/63055/
  2. Neidinger, R.D.Introduction to Automatic Differentiation and MATLAB Object-Oriented Programming // SIAM Review. - 2010. - Vol. 52, no. 3. - P. 545-563. doi: 10.1137/080743627
  3. Baydin, A.G., Pearlmutter, B.A., Radul, A.A., Siskind, J. Automatic Differentiation in Machine Learning: a Survey // Journal of Machine Learning Research. - 2018. - Vol. 18, art. no. 153. - P. 1--43.
  4. Ралл Л.Б. Автоматическая дифференциация: методы и приложения / Конспекты лекций по информатике. - 1981. - Т. 120. Springer. - 174 c. ISBN 978-3-540-10861-0.
  5. Conal, E. The Simple Essence of Automatic Differentiation // Proc. ACM Program. Lang. - 2018. - Vol. 2, iss. ICFP, art. no. 70. - P. 1-29. - DOI: https://doi.org/10.1145/3236765.
  6. Liao, H., Pearlmutter, B.A., Potluru, V.K., and Woodruff, D.P. Automatic Differentiation of Sketched Regression // Proceedings of the 23rdInternational Conference on Artificial Intelligence and Statistics (AISTATS). - Palermo, Italy, 2020. - PMLR, vol. 108. - P. 4367-4376.
  7. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы / 3-е изд., доп. и перераб. - М.: БИНОМ. Лаборатория знаний, 2004. - 636 с. ISBN 5-94774-175-X.
  8. Березин, И.С., Жидков Н.П. Методы вычислений. - 1962. - Т. I. 2-е изд., стереотипное. - М.: ГИФМЛ. - 464 c.
  9. Мысовских И.П. Лекции по методам вычислений. - М.: Наука. 1982. - 342 с.
  10. Толок А.В. Функционально-воксельный метод в компьютерном моделировании. - М.: Физматлит, 2016. - 112 с.
  11. Толок А.В. Локальная компьютерная геометрия. Учебное пособие. - М.: Ай Пи Ар Медиа, 2022. - 147 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).