| Название: | Моделирование и разработка регуляторных сетей развития |
| Грантодатель: | РФФИ |
| Область знаний: | 01 - МАТЕМАТИКА, ИНФОРМАТИКА, МЕХАНИКА |
| Научная дисциплина: | 01-201 Математическое моделирование |
| Ключевые слова: | обратная задача математического моделирования, образование пат тернов, нелинейные уравнения реакции-диффузии, методы вычислений, генные сети |
| Время действия проекта: | 2005-2007 |
| Тип: | исследовательский |
| Руководитель(и): | Самсонов,АМ |
| Подразделения: | |
| Код проекта: | 05-01-89004 |
| Финансирование 2005 г.: | 500000 |
Фундаментальной проблемой математического моделирования, связанной с определением неизвестных параметров, характеризующих изучаемый объект и его поведение, является проверка соответствия модели и независимого эксперимента. В современной науке о дин амике сложных систем накоплен большой объем экспериментальных данных, который постоянно растет. Однако, многие важнейшие функциональные и структурные свойства изучаемых объектов пока не могут быть исследованы экспериментально, что и требует математического моделирования. Основным направлением работы будет сокращение временных затрат на решение обратной задачи математического моделирования путем построения комбинированного метода оптимизации, сочетающего достоинства методов случайного поиска и градиентного спуска с автоматическим выявлением ограничений и дефектов моделирования . Планируется использование новых подходов к построению алгоритмов поиска параметров математических моделей (чередование случайного и направленного поиска, туннелирование и методы искусственного интеллекта) и новых технологий разработки программного обеспечения (технология клиент-сервер, использование параллельных вычислений, оптимизация для конкретной архитектуры вычислительной системы). Будет изучена эффективность таких известны х методов случайного поиска, как метод Монте-Карло и метод Метрополиса (\"численный отжиг\"), на втором этапе комбинированного метода оптимизации будет применен недавно разработанный авторами новый метод обработки больших массивов экспериментальных д анных (МОНС - Метод оптимального наискорейшего спуска) на основе теории оптимального управления. Визуальный анализ поведения модели, занимающий большое количес тво времени, часто остается единственным способом отсева негод ных результатов. Таким образом, важной задачей является автоматическое выявление дефек тов и ограничений моделирования, для решения которой будет разработан вариант метода искусственного интеллекта с обучением по независимым экспериментальным данным при использовании вейвлетного преобразования.
