Метод оптимального расположения узлов аппроксимации

Обложка
  • Авторы: Конопацкий Е.В.1, Котова О.В.2
  • Учреждения:
    1. ФГБОУ ВО "Нижегородский государственный архитектурно-строительный университет"
    2. ФГБОУ ВО "Донбасская национальная академия строительства и архитектуры"
  • Выпуск: Том 27, № 3 (2025)
  • Страницы: 325-340
  • Раздел: Математика
  • Статья получена: 17.10.2025
  • Статья одобрена: 17.10.2025
  • Статья опубликована: 27.08.2025
  • URL: https://journal-vniispk.ru/2079-6900/article/view/332260
  • ID: 332260

Цитировать

Полный текст

Аннотация

В настоящей статье предложен метод оптимизации расположения узлов аппроксимации, реализованный на примере функции Рунге.  В основу предложенного метода заложена идея о нелинейности пространства по осям декартовой системы координат. Для управления нелинейностью использована полиномиальная функция с параметром, равномерно распределенным на отрезке $[0,1]$. Проведен  сравнительный анализ следующих стандартных методов выбора узлов аппроксимации  функции Рунге: равномерно по оси абсцисс, равномерно по оси ординат, равномерно по длине кривой, по узлам Чебышева. Для сравнения интерполяционных полиномов Лагранжа проведена оценка погрешностей аппроксимации функции Рунге.  Представлены графики построенных полиномов Лагранжа для пяти и семи узлов, выбранных разными способами. Для выбора оптимального расположения узлов аппроксимации предложенного метода составлена целевая функция, минимизация которой и обеспечивает оптимальное расположение узлов $x_i$ по оси абсцисс.  Расположение узлов аппроксимации по оси ординат определено вычислением значений $y_i$ на основе исходной функции Рунге. В результате найдены узлы, которые обеспечивают минимальные отклонения от исходной аппроксимируемой функции Рунге. В качестве примера рассмотрены случаи пяти и семи узлов аппроксимации. Для визуализации полученных результатов приведены графики исходной функции Рунге и её аппроксимации с указанием найденных оптимальных узлов. Данный метод является устойчивым к увеличению количества узлов, расположение которых каждый раз оптимизируется и адаптируется к исходной функции.

Об авторах

Евгений Викторович Конопацкий

ФГБОУ ВО "Нижегородский государственный архитектурно-строительный университет"

Email: e.v.konopatskiy@mail.ru
ORCID iD: 0000-0003-4798-7458

д.т.н., доцент, директор института информационных технологий ННГАСУ

Россия, 603000, Россия, г. Нижний Новгород, ул. Ильинская, д. 65

Ольга Викторовна Котова

ФГБОУ ВО "Донбасская национальная академия строительства и архитектуры"

Автор, ответственный за переписку.
Email: o.v.kotova@donnasa.ru
ORCID iD: 0009-0004-6292-1080

 к.ф.-м.н., доцент кафедры высшей математики ФГБОУ ВО "ДОННАСА"

Россия, 286123, Россия, г.о. Макеевка, г. Макеевка, ул. Державина, д. 2

Список литературы

  1. Kvasnikov V. P., Yehorov S. V., Shkvarnytska T. Yu. Technology for restoring functional dependencies to determine reliability parameters. Bulletin of the Karaganda University. Mathematics Series. 2021. Vol. 101, no. 1. P. 78–86. doi: 10.31489/2021M1/78-86
  2. Заляжных В. В. Аппроксимация процентных точек критерия Гири // Математический вестник Вятского государственного университета. 2022. Т. 27, № 4. С. 4–9. doi: 10.25730/VSU.0536.22.031
  3. Горский В. В., Реш В. В. Конечно-разностная аппроксимация смешанных производных в уравнениях математической физики // Математическое моделирование и численные методы. 2021. Т. 32, № 4. С. 58–79. doi: 10.18698/2309-3684-2021-4-5879
  4. Грицевич М. И., Лукашенко В. Т., Турчак Л. И. Аппроксимация решения уравнений метеорной физики элементарными функциями // Математическое моделирование. 2015. Т. 27, № 2. С. 25–33.
  5. Konopatskiy E. V., Mashtaler S. N., Bezditnyi A. A. Study of high-strength steel fiber concrete strength characteristics under elevated temperatures using mathematical modelling methods. IOP Conference Series: Materials Science and Engineering: International Conference on Construction, Architecture and Technosphere Safety - 2. Building Materials and Products (Chelyabinsk, September 25–27, 2019). Chelyabinsk:
  6. Institute of Physics Publishing, 2019. Vol. 687. P. 022040. doi: 10.1088/1757- 899X/687/2/022040
  7. Конопацкий Е. В. Моделирование аппроксимирующего 16-точечного отсека поверхности отклика применительно к решению неоднородного уравнения теплопроводности // Геометрия и графика. 2019. Т. 7, № 2. С. 39–46. doi: 10.12737/article 5d2c1a551a22c5.12136357
  8. Буянова И. В., Замулин И. С. Применение приближения с помощью кривых для определения вычислительной сложности решений задач по программированию // Современные наукоемкие технологии. 2022. Т. 2, № 5. С. 232–236. doi: 10.17513/snt.39176
  9. Sobol V. R., Torishnyy R. O. Smooth Approximation of the Quantile Function Derivatives. Bulletin of the South Ural State University. Series: Mathematical Modelling, Programming and Computer Software. 2022. Vol. 15, no. 4. P. 115–122. doi: 10.14529/mmp220411
  10. Patseika P. G., Rouba Ya. A., Smatrytski K. A. On the approximation of conjugate functions and their derivatives on the segment by partial sums of Fourier - Chebyshev series. Journal of the Belarusian State University. Mathematics and Informatics. 2024. no. 2. P. 6–18.
  11. Вдовина Е. С., Дорофеев Б. В. Задача аппроксимации законов пенсионного страхования // Процессы управления и устойчивость. 2015. Т. 2, № 1. С. 579–583.
  12. Садыкова З. Ф., Абаев В. А. Построение математических моделей с использованием полиномиальных функций и матричных исчислений с применением систем нечетких линейных уравнений при решении экономических задач // Мягкие измерения и вычисления. 2023. Т. 66, № 5. С. 94–107. doi: 10.36871/2618-9976.2023.05.008
  13. Кутышкин А. В. Моделирование динамики валового регионального продукта // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2021. Т. 21, № 2. С. 104–113. doi: 10.14529/ctcr210210
  14. Konopatskiy, E. V., Bezditnyi A. A. Geometric modeling of multifactor processes and phenomena by the multidimensional parabolic interpolation method. Journal of Physics: Conference Series: XIII International Scientific and Technical Conference "Applied Mechanics and Systems Dynamics" (Omsk, November 5-7, 2019). Omsk: Institute of Physics Publishing, 2020. Vol. 1441. P. 012063. doi: 10.1088/1742-6596/1441/1/012063
  15. Badalyan N. P., Shmelev V. E. A method of piece-quadratic interpolation of a tabled function with a continuous first derivative based on linear combination of Centralsymmetric parabolas. Proceedings of National Polytechnic University of Armenia. Electrical Engineering, Energetics. 2023. no. 1. P. 50–58. doi: 10.53297/18293328-
  16. 2023.1-50
  17. Botchkarev A. M. Using interpolation for generating input data for the Gross Domestic Product Monte Carlo simulation. Beneficium. 2023. Vol. 49, no. 4. P. 33–37. doi: 10.34680/BENEFICIUM.2023.4(49).33-37
  18. Чередниченко В. Г. О двух исторических примерах полиномиальной аппроксимации // Сибирские электронные математические известия. 2013. Т. 10. С. 55–58.
  19. Тихомиров В. М. Некоторые вопросы теории приближений. – М.: МГУ, 1976. – 304 с.
  20. Хачумов В. М. Оптимизация расположения узлов интерполирующего сплайна в задачах отработки типовых траекторий движения // Информационнотелекоммуникационные технологии и математическое моделирование высокотехнологичных систем: Материалы Всероссийской конференции с международным участием (Москва, 15–19 апреля 2019 г.). Москва: Российский университет дружбы народов, 2019. С. 329–334.
  21. Rouba Ya. A., Smatrytski K. A., Dirvuk Ya. V. On a Lebesgue constant of interpolation rational process at the Chebyshev - Markov nodes. Journal of the Belarusian State University. Mathematics and Informatics. 2018. no. 3. P. 12–20.
  22. Price K. V., Storn R. M., Lampinen J. A. Differential Evolution: A Practical Approach to Global Optimization. Berlin, Heidelberg: Springer, 2005. doi: 10.1007/3-540-31306-0
  23. Галкин В. А., Гавриленко Т. В., Смородинов А. Д. Некоторые аспекты аппроксимации и интерполяции функций искусственными нейронными сетями // Вестник КРАУНЦ. Физико-математические науки. 2022. Т. 38, № 1. С. 54–73. doi: 10.26117/2079-6641-2022-38-1-54-73
  24. Романчак В. М. Аппроксимация сингулярными вейвлетами // Системный анализ и прикладная информатика. 2018. № 2. С. 23–28.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Конопацкий Е.В., Котова О.В., 2025

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

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».