Компьютерное исследование детерминированных и стохастических моделей «два конкурента-два ареала миграции» с учетом вариативности параметров

Обложка

Цитировать

Полный текст

Аннотация

Анализ траекторной динамики и решение задач оптимизации с применением компьютерных методов относится к актуальным направлениям исследования динамических популяционномиграционных моделей. В настоящей работе изучаются четырехмерные динамические модели, описывающие процессы конкуренции и миграции в экосистемах. Во-первых, мы рассматриваем модификацию модели «два конкурента - два ареала миграции», в которой учитывается равномерная внутривидовая и межвидовая конкуренция в двух популяциях, а также неравномерная двунаправленная миграция обеих популяций. Во-вторых, мы рассматриваем модификацию модели «два конкурента - два ареала миграции», в которой внутривидовая конкуренция является равномерной, а межвидовая конкуренция и двунаправленная миграция являются неравномерными. Для указанных двух типов моделейисследованиепроводитсясучетомвариативностипараметров.Решенызадачипоискамодельных параметров на основе реализации двух критериев оптимальности. Первый критерий оптимальности связан с выполнением такого условия сосуществования популяций, которое в математической форме представляет собой максимизацию интеграла от произведения функций, характеризующих плотности популяций. Второй критерий оптимальности включает в себя проверку предположения о существовании такого четырехмерного положительного вектора, который будет являться состоянием равновесия. Результатом работы алгоритмов, разработанных на основе первого и второго критериев оптимальности с применением метода дифференциальной эволюции, являются оптимальные наборы параметров изучаемых популяционно-миграционных моделей. Полученные наборы параметров используются для нахождения положительных состояний равновесия и для анализа траекторной динамики. С помощью метода построения самосогласованных одношаговых моделей и автоматизированной процедуры стохастизации выполнен переход к стохастическому случаю. Структурное описание и возможность анализа двух типов популяционно-миграционных стохастических моделей обеспечиваются получением уравнений Фоккера-Планка и уравнений в форме Ланжевена с соответствующими коэффициентами. Использованы алгоритмы генерирования траекторий винеровского процесса и многоточечных распределений и модификации метода Рунге-Кутты. Проведена серия вычислительных экспериментов с применением специализированного программного комплекса, возможности которого позволяют выполнять построение и анализ динамических моделей высокой размерности с учетом оценки влияния стохастики. Исследована траекторная динамика двух типов популяционно-миграционных моделей и выполнен сравнительный анализ результатов как в детерминированном, так и в стохастическом случае. Результаты могут найти применение в задачах моделирования и оптимизации динамических моделей естествознания.

Об авторах

И. И. Васильева

Елецкий государственный университет им. И.А. Бунина

Email: irinavsl@yandex.ru
ORCID iD: 0000-0002-4120-2595

Assistant professor of Department of Mathematical Modeling, Computer Technologies and Information Security

ул. Коммунаров, д. 28, Елец, 399770, Российская Федерация

А. В. Демидова

Российский университет дружбы народов

Email: demidova-av@rudn.ru
ORCID iD: 0000-0003-1000-9650

Candidate of Physical and Mathematical Sciences, Assistant professor of Department of Probability Theory and Cyber Security

ул. Миклухо-Маклая, д. 6, Москва, 117198, Российская Федерация

О. В. Дружинина

Федеральный исследовательский центр «Информатика и управление» Российской академии наук

Email: ovdruzh@mail.ru
ORCID iD: 0000-0002-9242-9730

Doctor of Physical and Mathematical Sciences, Chief Researche

ул. Вавилова, д. 44, корп. 2, Москва, 119333, Российская Федерация

О. Н. Масина

Елецкий государственный университет им. И.А. Бунина

Автор, ответственный за переписку.
Email: olga121@inbox.ru
ORCID iD: 0000-0002-0934-7217

Doctor of Physical and Mathematical Sciences, Professor of Department of Mathematical Modeling, Computer Technologies and Information Security

ул. Коммунаров, д. 28, Елец, 399770, Российская Федерация

Список литературы

  1. Lotka, A. J. Elements of Physical Biology (Williams and Wilkins Company, Baltimore, MD, USA, 1925).
  2. Volterra, V. Fluctuations in the abundance of a species considered mathematically. Nature, 558-560. doi: 10.1038/118558a0 (1926).
  3. Bazykin, A. D. Nonlinear Dynamics of Interacting Populations Russian. [in Russian] (Institute of Computer Research, Moscow-Izhevsk, 2003).
  4. Pykh, Y. A. Generalized Lotka-Volterra Systems: Theory and Applications Russian. [in Russian] (SPbGIPSR, St. Petersburg, 2017).
  5. Li, A. Mathematical Modelling of Ecological Systems in Patchy Environments in Electronic Thesis and Dissertation Repository (2021), 8059.
  6. Hsu, S. B., Ruan, S. & Yang, T. H. Analysis of three species Lotka-Volterra food web models with omnivory. Journal of Mathematical Analysis and Applications 426, 659-687. doi: 10.1016/j.jmaa.2015.01.035 (2015).
  7. Shestakov, A. A. Generalized Direct Method for Systems with Distributed Parameters Russian. [in Russian] (URSS, Moscow, 2007).
  8. Moskalenko, A. I. Methods of Nonlinear Mappings in Optimal Control. Theory and Applications to Models of Natural Systems Russian. [in Russian] (Nauka, Novosibirsk, 1983).
  9. Zhou, Q. Modelling Walleye Population and Its Cannibalism Effect in Electronic Thesis and Dissertation Repository (2017), 4809.
  10. Sadykov, A. & Farnsworth, K. D. Model of two competing populations in two habitats with migration: Application to optimal marine protected area size. Theoretical Population Biology 142, 114-122. doi: 10.1016/j.tpb.2021.10.002 (2021).
  11. Chen, S., Shi, J., Shuai, Z. & Wu, Y. Global dynamics of a Lotka-Volterra competition patch model. Nonlinearity 35, 817. doi: 10.1088/1361-6544/ac3c2e (2021).
  12. Demidova, A. V. Equations of Population Dynamics in the Form ofStochastic Differential Equations. Russian. RUDN Journal of Mathematics, Information Sciences and Physics 1. [in Russian], 67-76 (2013).
  13. Gevorkyan, M. N., Velieva, T. R., Korolkova, A. V., Kulyabov, D. S. & Sevastyanov, L. A. Stochastic Runge-Kutta Software Package for Stochastic Differential Equations in Dependability Engineering and Complex Systems (eds Zamojski, W., Mazurkiewicz, J., Sugier, J., Walkowiak, T. & Kacprzyk, J.) (Springer International Publishing, Cham, 2016), 169-179. doi: 10.1007/978-3-319-39639-2_15.
  14. Korolkova, A. & Kulyabov, D. One-step Stochastization Methods for Open Systems. EPJ Web of Conferences 226, 02014. doi: 10.1051/epjconf/202022602014 (2020).
  15. Gardiner, C. W. Handbook of Stochastic Methods: For Physics, Chemistry and the Natural Sciences (Springer, Heidelberg, 1985).
  16. Van Kampen, N. G. Stochastic Processes in Physics and Chemistry (Elsevier, Amsterdam, 1992).
  17. Demidova, A. V., Druzhinina, O. V., Masina, O. N. & Petrov, A. A. Synthesis and Computer Study of Population Dynamics Controlled Models Using Methods of Numerical Optimization, Stochastization and Machine Learning. Mathematics 9, 3303. doi: 10.3390/math9243303 (2021).
  18. Vasilyeva, I. I., Demidova, A.V., Druzhinina, O.V. & Masina, O. N. Construction, stochastization and computer study of dynamic population models “two competitors - two migration areas”. Discrete and Continuous Models and Applied Computational Science 31, 27-45. doi: 10.22363/2658-4670-2023-31-1-27-45 (2023).
  19. Sullivan, E. Numerical Methods - An Inquiry-Based Approach with Python 2021.
  20. Demidova, A. V., Druzhinina, O. V., Masina, O. N. & Petrov, A. A. Development of Algorithms and Software for Modeling Controlled Dynamic Systems Using Symbolic Computations and Stochastic Methods. Programming and Computer Software 49, 108-121. doi: 10.1134/S036176882302007X (2023).
  21. Storn, R. & Price, K. Differential Evolution: A Simple and Efficient Adaptive Scheme for Global Optimization Over Continuous Spaces. Journal of Global Optimization 23 (1995).
  22. Das, S. & Suganthan, P. N. Differential Evolution: A Survey of the State-of-the-Art. IEEE Transactions on Evolutionary Computation 15, 4-31. doi: 10.1109/TEVC.2010.2059031 (2011).
  23. Eltaeib, T. & Mahmood, A. Differential Evolution: A Survey and Analysis. Applied Sciences 8, 1945. doi: 10.3390/app8101945 (2018).
  24. Petrov, A. A., Druzhinina, O. V., Masina, O. N. & Vasilyeva, I. I. The construction and analysis of four-dimensional models of population dynamics taking into account migration flows. Russian. Uchenye zapiski UlGU. Series: Mathematics and Information Technology”. [in Russian], 43-55 (2022).
  25. Vucetic, D. Fuzzy Differential Evolution Algorithm in Electronic Thesis and Dissertation Repository (2012), 503.
  26. Karpenko, A. P. Modern Search Engine Optimization Algorithms. Algorithms Inspired by Nature 2nd ed. Russian. [in Russian] (N.E. Bauman MSTU, Moscow, 2016).
  27. Simon, D. Evolutionary Optimization Algorithms. Biologically-Inspired and Population-Based Approaches to Computer Intelligence (John Wiley & Sons, Inc., New York, 2013).

© Васильева И.И., Демидова А.В., Дружинина О.В., Масина О.Н., 2024

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

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах