使用斜坡基函数求解非线性泛函Volterra积分方程的近似解

《Mathematics and Computers in Simulation》:Approximate solutions of nonlinear functional Volterra integral equations using ramp basis functions

【字体: 大 中 小 】 时间:2026年05月09日 来源:Mathematics and Computers in Simulation 4.4

编辑推荐:

  佩曼·阿博尔加塞米·卡拉赫博拉格 | 索赫拉布·巴兹姆 马拉格赫大学理学院数学系,伊朗马拉格赫,55136-553 **摘要** 提出了一种基于斜坡基函数的配置方法,用于求解乌里索恩型非线性泛函沃尔泰拉积分方程。利用斜坡函数的局部支持特性,所得配置系统具有下三角结构

  佩曼·阿博尔加塞米·卡拉赫博拉格 | 索赫拉布·巴兹姆
马拉格赫大学理学院数学系,伊朗马拉格赫,55136-553

**摘要**
提出了一种基于斜坡基函数的配置方法,用于求解乌里索恩型非线性泛函沃尔泰拉积分方程。利用斜坡函数的局部支持特性,所得配置系统具有下三角结构,这使得近似解可以依次计算,避免了求解大型非线性代数系统的问题。本文进行了收敛性分析,并在温和的正则性假设下利用非线性格龙沃尔不等式推导出误差估计,保证了该方法的一阶收敛性。通过几个数值示例展示了所提出方法的准确性和计算效率。特别是,使用一个基准测试问题将斜坡配置方法与欧拉离散化方法和海维赛德-Sigmoid配置方法进行了比较。数值结果验证了理论结论,并表明对于足够光滑的问题,在实践中可以获得更高的收敛速率。报告的CPU时间与预测的O(n2)计算复杂性一致,证明了所提出方法在准确性和效率之间的良好平衡。

**引言**
人工神经网络因其通用逼近能力而受到广泛关注[1], [2], [3], [4], [5], [6]。根据通用逼近定理,单隐藏层的前馈网络可以以任意精度逼近紧致域上的任何连续函数。数学上,这类网络表示为∑j=0?cjσ(wj?x+θj),其中x∈R?,d∈N?,cj∈R是系数,wj∈R?是权重,θj∈R是阈值。这里,wj?x表示wj和x在R?中的内积,σ:R→R表示激活函数[7], [8], [9], [10], [11], [12], [13]。虽然传统神经网络是基于样本数据进行训练的,但在本研究中,神经网络算子仅作为理论逼近工具使用。具有局部支持的斜坡激活函数定义了一个逼近空间,允许通过显式递归公式依次计算系数,从而在不进行传统网络训练的情况下实现收敛。
Sigmoid激活函数(包括斜坡函数)在逼近理论中发挥了核心作用。Cybenko[14]的开创性工作以及后续的研究[1], [6], [15], [16], [17], [18], [19], [20]证明了它们的通用逼近能力。带有此类激活函数的神经网络算子在积分方程、积分-微分方程和微分方程的数值求解中得到了成功应用[21], [22], [23]。
泛函积分方程是一类广泛的非线性问题,应用于生物学、控制理论、经济学、交通建模和动力学理论[24], [25], [26], [27], [28], [29], [30]。许多问题自然可以转化为积分或泛函积分形式[28], [31], [32]。使用不动点定理和非紧凑性度量已经建立了解的存在性和唯一性分析[33], [34], [35], [36], [37], [38], [39]。由于解析解的可用性有限,计算方法起着核心作用。例如,Krasnoselskij迭代法用于沃尔泰拉-乌里索恩方程[40],基于Sigmoid基函数的配置方法[29],欧拉和梯形离散化[41],三次B样条方案[42],变分迭代方法[43],谱元方法[44],Nystr?m方法[45],以及基于操作矩阵的配置方法[46], [47]。最近还提出了结合准线性化和谱技术的混合方法[48], [49]。
在本研究中,我们考虑以下形式的非线性泛函沃尔泰拉积分方程:z(t)=p(t)+g(t,∫atk(t,s,z(s))ds),其中t∈[a,b],p:I→R,g:I×R→R,k:I×I×R→R是已知函数,z:I→R是未知解。L2([0,1])中解的存在性和唯一性已在[46], [47]中得到研究。

**定理1.1** [50]
设p(t), g(t,u), 和 k(t,s,u) 在 a≤s≤t≤b 期间是连续的,u∈U,其中U?R是一个紧致区间。假设Nemytskii算子g和核函数k满足 |g(t,u)?g(t,v)|≤τg|u?v|,a≤t≤b,u,v∈U,|k(t,s,u)?k(t,s,v)|≤τk|u?v|,a≤s≤t≤b,u,v∈U,且τg和τk与t, s, u, v无关。那么(1.1)在[a,b]上有一个唯一的连续解。

**数值实验**
受[51]的启发,我们开发了一种数值配置方法来逼近(1.1)。解通过带有斜坡激活函数的神经网络插值算子来近似:?(Inz)(t)?∑k=0?nz(tk)φ(t?tk),其中φ是由斜坡函数生成的密度函数,n∈N?,且?tk?a+kh,h=b?an。尽管实现形式为配置方案,但使用神经网络算子定义了逼近空间,通过通用逼近性质确保了理论上的收敛性,并实现了基于局部支持基函数的显式递归求解器。这明显区分了该方法和传统的数值技术。与使用全局支持基函数并需要求解密集非线性系统的经典配置方法相比,所提出的递归公式显著降低了计算负担,并实现了有利的O(n2)复杂度,这是通过我们的理论分析证实的。

**论文其余部分组织结构**
第2节介绍Sigmoid函数,重点介绍斜坡函数,并回顾了带有斜坡激活的神经网络插值算子。第3节开发了(1.1)的配置方案。第4节使用非线性格龙沃尔不等式提供了误差分析和收敛性结果。第5节展示了准确性和效率的数值实验,包括详细的计算复杂性分析。第6节给出了结论性评论。

**插值与逼近使用斜坡函数**
由于其通用逼近性质,Sigmoid函数在神经网络逼近理论中起着基础性作用。然而,在本工作中,神经网络算子并非作为数据驱动模型使用,而是作为数值计算的结构化逼近工具。特别是,斜坡激活函数生成了特别适合应用于非线性泛函积分方程的局部支持基函数。

**基于斜坡函数的配置方法**
在本节中,我们基于插值算子(2.7)开发了一种数值配置方案,用于逼近非线性泛函积分方程(1.1)的解。设n∈N?,h=(b?a)/n,并定义均匀网格tk=a+kh,k=0,1,…,n。考虑配置空间?Σn?span{φkn:k=0,1,…,n},其中φkn是在(2.5)中引入的局部支持斜坡基函数。根据(2.6)的部分(ii),这些函数是线性独立的。因此,空间Σn的维度为n+1。

**误差分析**
本节分析了第3节介绍的方法所关联的误差。考虑定义为?en(t)?z(t)?(Nnz)(t)的误差函数,其中z(t)表示(1.1)中给出的泛函沃尔泰拉积分方程的精确解,Nnz(t)表示其配置近似,如(3.1)所述。这些近似中的系数zi是使用定理3.1确定的。

**结论**
开发了一种基于斜坡基函数的配置方法,用于求解乌里索恩型非线性泛函沃尔泰拉积分方程(1.1)。由于斜坡函数的局部支持特性,所得配置系统具有下三角结构,允许逐个计算展开系数。因此,该方法避免了求解大型非线性代数系统的问题,实现了高效的数值过程。

**作者贡献声明**
佩曼·阿博尔加塞米·卡拉赫博拉格:写作——审阅与编辑、原始草稿撰写、验证、软件开发、方法论研究、形式分析。
索赫拉布·巴兹姆:写作——审阅与编辑、原始草稿撰写、验证、项目监督、软件开发、方法论研究、形式分析、概念化。

**资金情况**
在准备本文期间,未收到任何资金、资助或其他支持。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系,这些关系可能会影响本文报告的工作。

**致谢**
作者衷心感谢匿名审稿人提供的有见地的评论和建议,这些评论和建议显著提高了本文的清晰度和质量。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号