Бандман О.Л.
Институт вычислительной математики
и математической геофизики СО РАН, Новосибирск
A fine-grained parallel algorithm is proposed, which is intended for
simulation spatial dynamics in active media. The algorithm
combines into a single iterative procedure Boolean operations
of Cellular Automaton Diffusion with Cellular-Neural
simulation of nonlinear reaction of active medium.
Methods for transforming a continuous spatial function into its
boolean equivalent (Boolean discretization), and the inverse methods
to transform a Boolean space into a function in real numbers
(averaging) are elaborated to be used on each iteration.
Such a "hybrid'' (discrete + continuous) algorithm is absolutely
stable relative to round off errors and allows natural
parallelization. Examples are given to show simulation of nonlinear
waves in ecological system.
Процессы динамики в активных средах (реакционно-диффузионные процессы в физике, химии, биологии, экологии [6,7]) традиционно представляются дифференциальными уравнениями (или системами уравнений) с частными производными. Правая часть этих уравнений состоит из двух частей: диффузионной, представленной лапласианом, и реакционной, представленной нелинейной функцией, отображающей активную составляющую. Уравнения этого типа изучаются "поштучно'' и с большим трудом, так как аналитические решения получить невозможно из-за нелинейного члена, а численные методы либо плохо распараллеливаются (неявные схемы решений), либо ограничены условиями устойчивости и точности (явные схемы). А между тем алгоритмы КА-диффузии таких ограничений не имеют. Они достаточно хорошо разработаны и теоретически обоснованы [8,2]. Отсюда вытекает стремление использовать дискретные КА- алгоритмы для моделирования диффузионной составляющей и клеточно-нейронную (КН) модель [5] - для нелинейной реакции. В статье предлагается такая "гибридная'' модель и делается попытка ее обосновать теоретически и подтвердить экспериментально.
Кроме введения, статья содержит 4 раздела и заключение. Во втором разделе дана формальная постановка задачи и общая схема предлагаемого алгоритма. В третьем разделе представлены методы КА-диффузии и КН-реакции. В четвертом - приведены результаты экспериментов. В заключении намечены проблемы для дальнейших исследований.
(1) |
(2) |
(3) |
(4) |
В исследованиях по экологии функции, удовлетворяющие условиям (2),
называются логистическими и считаются базовыми, хотя
применяются также полиномы третьей степени (рис.1b)
(5) |
При начальных условиях (3) и вида (5)
скорость бегущего фронта
(6) |
(7) |
Уравнения второго порядка моделируют более сложные явления
(химические реакции, распространение волн, эпидемий,
образование вихрей и др.) Например, модель Тайсона-Файфа реакции
Белоусова--Жаботинского [6], порождающей концентрические
расходящиеся волны.
(8) |
Представленные выше примеры реакционно-диффузионных уравнений и их известных свойств затем будут использованы для сравнения с аналогичными свойствами, полученными с помощью модели клеточно-нейронного автомата.
Как и для конечно-разностных методов решения дифференциальных
уравнений с частными производными, КН-модель содержит процедуры
дискретизации пространственных координат и времени,
так что
. При уравнение (1)
приобретает вид
(9) |
(10) |
Клеточно-нейронная модель (также как и автоматная) имеют дело с дискретными величинами основной переменной, которые являются "предельно дискретными'', т.е. булевыми. Поскольку КН-автомат использует и дискретные и непрерывные переменные, то для описания его работы далее применяются Формализмы универсальной модели клеточных Вычислений - алгоритма параллельных подстановок (АПП) [1]. В этой модели функция представляется в виде клеточного множества , элементами которого служат пары вида , называемые клетками. В них A - символ алфавита A, обозначающий состояние клетки, а M - имя клетки из множества имен M. Множество имен (в общем случае, счетное), обычно, состоит из номеров клеток или наборов пространственных координат. Например, если функция определена в двумерном декартовом пространстве , то множество имен M . В каждой точке с именем значение функции является состоянием клетки .
Операции над клеточными множествами задаются системами
параллельных подстановок вида
(11) |
(12) |
Параллельные подстановки применяются все одновременно и параллельно ко всем тем клеткам клеточного множества, для которых локальная конфигурация совпадает с левой частью подстановки. В результате их применения состояния клеток базовой части заменяются на результат вычисления функций . Клетки локальной конфигурации , называемой контекстом не меняют состояний. Такое итерационное применение подстановок моделирует эволюцию клеточного множества и продолжается до тех пор, пока система не придет в устойчивое состояние.
Исходное состояние может быть задано
клеточным множеством
, где A - булевы константы.
или вещественной функцией в дискретизированном пространстве.
В первом случае чтобы получить вещественные значения необходимо
выполнить над подстановку
, где
R,
в котором значения получены путем применения
процедуры
осреднения,
(13) |
Функционирование КН-автомата моделирует итерационнный алгоритм конечно-разностного уравнения (10), на каждом шаге вычисляя первые два члена правой части как КА-диффузию, и третий член как ''клеточно-нейронную реакцию''. Формально работа КН-автомата описывается следующим образом. Пусть результат -го шага в булевом представлении равен клеточному множеству . Один итерационный шаг КН-автомата состоит из следующих двух операций.
1. Выполнение одного шага КА-диффузии (раздел 3.1).
2. Выполнение одного шага клеточно-нейронной реакции. При этом клетка выполняет функцию вероятностного нейрона (раздел 3.2), которая состоит в том, чтобы изменить булево состояние клетки в зависимости от значения .
Исходным является клеточное множество
,
которое может быть получено путем применения процедуры булевой
дискретизации к заданной пространственной функции
распределения концентрации. Строится два разбиения множества имен
M{[i,j]}на
блоки, размером 2х2: четное разбиение, в котором диагональные
клетки блоков имеют четную сумму координат (), и
нечетное, в котором диагональные клетки блоков имеют нечетную
сумму координат (). Каждая итерация алгоритма разделена
на два шага. На четных шагах клеточно-автоматное правило перехода
применяется к четным блокам, на нечетных - то же самое правило
применяется к нечетным. Правило состоит в следующем. На каждом четном (нечетном)
шаге все четные (нечетные) блоки поворачиваются на
по часовой или против часовой стрелки с равной вероятностью. В
терминах АПП это выражается формально в виде системы
из двух подстановок
, где
(14) |
Одномерный ПБ-метод отличается от двумерного тем, что блоки в нем состоят из пар клеток, причем четные (нечетные) блоки имеют четное (нечетное) имя левой клетки. На четных (нечетных) шагах клетки четных (нечетных) блоков обмениваются состояниями.
(15) |
(16) |
(17) |
(18) |
Точного решения поставленная задача не имеет. Приближенно она
решается следующим образом. Состояние каждой клетки
определяется из условия: вероятность того, что оно равно 1
равна
(19) |
(20) |
Предположим, что функция в области соседства клетки постоянна, т.е.
.
Тогда, согласно (20) и (21)
.
Следовательно, в этом вырожденном случае ошибка булевой дискретизации
. Пусть
среднее отклонение состояний клеток в окрестности осреднения
(21) |
(22) |
Из (22) можно сделать заключение, что если функция имеет постоянную пространственную производную в окрестности осреднения точки (функция линейна), то , так как положительные и отрицательные отклонения компенсируют друг друга. По той же причине для функций вида , ( - произвольные константы) и всех остальных парабол нечетной степени.
Точность булевой дискретизации зависит от выбора двух параметров:
1) размеров пространственного шага (будем считать что он одинаков по всем координатным направлениям и равен ),
2) мощности окрестности осреднения , которая в случае 1D равна , а в случае 2D равеа (-радиус осреднения).
Эти параметры должны быть выбраны так, чтобы, с одной стороны, минимизировать "автоматный шум'', и, с другой стороны, чтобы была минимальной ошибка осреднения. Эти два требования противоречивы, первое требует большой окрестности, второе - маленькой.
Требование малого автоматного шума может быть выражено следующим
образом:
(23) |
Требование малой ошибки осреднения формулируется исходя из
того, что на каждом пространственном шаге отклонение от
от средней ошибки равно
(24) |
(25) |
(26) |
Моделировался процесс распространения концентрации, описанный типовым уравнением (1), c реакционной составляющей вида (2) при , и начальными условиями типа "вспышки''. Размеры клеточного множества 32х256 клеток. Распространение фронта происходит вдоль оси , . В каждом подмножестве клеток с , (строке клеточной структуры) выполняется алгоритм одномерной КА-диффузии. Осреднение (вычисление ) по окрестности . Функции КН-реакции вычисляется по алгоритму вероятностного нейрона (16) с вероятностями . По расстояниями между фронтами при разных определялась скорость распространения, которая постепенно увеличивалась с увеличением времени, начиная с при и кончая при , (рис.2.a) (для сравнения по формуле (4) . Форма фронта совпадает с расчитанной по (4) с точностью до . То же уравнение c теми же начальными условиями и параметрами моделирования, но с вида (5) дали затухающую вспышку (рис.2b).
Концентрические волныМоделировалась система уравнений (8) на клеточном множестве размерами 200х200 при и начальных концентрациях на всем моделируемом пространстве, кроме трех точек возбуждения (рис.3). КА-диффузия выполнялась двумерным алгоритмом поворота блоков, КН-реакция - по формулам (17). На рис. 3 показаны возникающие вокруг точек возбуждения концентрические волны.
Ваши комментарии |
[Головная страница] [Конференции] [СО РАН] |
© 2001, Сибирское отделение Российской академии наук, Новосибирск
© 2001, Объединенный институт информатики СО РАН, Новосибирск
© 2001, Институт вычислительных технологий СО РАН, Новосибирск
© 2001, Институт систем информатики СО РАН, Новосибирск
© 2001, Институт математики СО РАН, Новосибирск
© 2001, Институт цитологии и генетики СО РАН, Новосибирск
© 2001, Институт вычислительной математики и математической геофизики СО РАН, Новосибирск
© 2001, Новосибирский государственный университет
Дата последней модификации Tuesday, 11-Sep-2001 16:54:34 NOVST