Алгоритмические решения в задаче оценки информационного воздействия на электорат при проведении выборных кампаний

Автор: Полянский И.С., Полянская И.В., Логинов К.О.

Журнал: Физика волновых процессов и радиотехнические системы @journal-pwp

Статья в выпуске: 4 т.24, 2021 года.

Бесплатный доступ

В статье для решения задачи оценки информационного воздействия на электорат при проведении выборных кампания сформированы алгоритмические решение, включающие математическую модель, численную схему и алгоритмические реализации. Указанная оценка сводится к определению мгновенных значений числа избирателей, отдающих предпочтение кандидату (партии) при учете: положительного или отрицательного стохастического характера воздействия средств масс-медиа; межличностного взаимодействия; двухшагового усвоения информации; наличия многообразия средств масс-медиа, социальных групп и списка кандидатов. Математическая модель базируется на обобщенной модели информационного противоборства в структурированном социуме и при введении стохастических компонент в интенсивностях агитации сводится к решению уравнения Фоккера - Планка - Колмогорова. Для его исследование в постановке метода Галеркина предложена численная схема и определен порядок ее сходимости. В отношении основных процедур численной схемы уточнены особенности алгоритмической реализации.

Еще

Оценка информационного воздействия, избирательная кампания, алгоритмические решения, уравнение фоккера - планка - колмогорова, гауссовы базисные функции, оценка сходимости, триангуляция многомерного многогранника, численное интегрирование по многомерному симплексу

Еще

Короткий адрес: https://sciup.org/140290776

IDR: 140290776   |   DOI: 10.18469/1810-3189.2021.24.4.72-80

Текст научной статьи Алгоритмические решения в задаче оценки информационного воздействия на электорат при проведении выборных кампаний

На сегодняшний день избирательные процедуры – неотъемлемая часть демократических государств. Несмотря на существенные различия исторических путей становления и развития электоральных институтов в различных странах, в настоящий момент содержание избирательных кампаний неизменно базируется на понятиях профессионализма и эффективного менеджмента. Основу для реализации указанных принципов составляет качественное информационно-аналитическое сопровождение выборных кампаний, необходимое как конкурирующим кандидатам, так и организаторам выборов. При этом обеспечение подобного сопровождения с учетом текущего уровня развития систем коммуникации, вычислительной техники и методов математического моделирования [1] невозможно без применения эффективных алгоритмических решений, позволяющих формировать точную оценку информационного воздействия. Основные особенности, которые необходимо принять во внимание при разработке алгоритмических решений в указанной предметной области, связаны с учетом: 1) воздействия средств масс-медиа на избирателей и межличностного взаимодействия; 2) положительного и отрицательного влияния на общественное мнение средствами масс-медиа; 3) двухшагового усвоения информации [5]; 4) наличия многообразия средств масс-медиа, социальных групп и списка кандидатов (партий); 5) cтохастического характера воздействия средств масс-медиа.

Принимая во внимание основные результаты работ [2–6] по математическому моделированию информационного влияния, управления и противоборства в социуме и выделенные особенности, цель настоящей статьи состоит в разработке алгоритмических решений в задаче оценки информационного воздействия на электорат при проведении выборных кампаний.

В

1. Математическая модель оценки информационного воздействия на электорат при проведении выборных кампаний соответствии с [6] электорат представим группой взаимодействующих индивидов численностью Nо, составленной из M подгрупп. Обозначим Nm (m = 1, M) число индивидов в m-й

M подгруппе при Nm < N0, Nm > 1 и £ Nm = N0.

m = 1

Предпочтения у индивидов формируются в отношении K кандидатов с учетом распространя- емой информации через L внешних источников (средства масс-медиа) и за счет межличностной коммуникации. Внешний l-й ( l = 1, L) источник в момент времени t е[0,TQ ] пропагандирует к-го кандидата с интенсивностями а^ (t) и у^ (t), формируя положительное и отрицательное отношение соответственно. Разнородность влияния на m-ю подгруппу индивидов l-го внешнего источника характеризуется коэффициентом восприятия Xml G[0,1] •

Следуя [6], общую группу индивидов разделим на три класса: 1) неохваченные; 2) предадепты; 3) адепты. У неохваченных индивидов отсутствуют предпочтения в отношении какого-либо кандидата.

Предадептами mk назовем индивидов m -й подгруппы, отдающих предпочтение k -му кандидату, но не распространяющих о нем информации при межличностной коммуникации. Число предадептов mk в момент времени t обозначим У тк ( t Ы0, N m ]

Адептами mk назовем индивидов m -й подгруппы, отдающих предпочтение k -му кандидату и распространяющих положительную информац ию в его отношении среди индивидов т ' -й ( т' = 1, M ) подгруппы путем межличностной коммуникации с интенсивностью в m m 0. Число адептов тк в момент времени t обозначим x mk ( t ) е[ 0, N m ] • Уточним, что адепт тк в отношении к' -го кандидата ( к , к 'е{ 1, K } ) не распространяет отрицательной информации.

Переход неохваченных индивидов в адепты осуществляется за два шага [6]. Под воздействием положительной информации из внешних источников и за счет межличностной коммуникации первоначально индивид m -й подгруппы становится предадептом тк , а затем - адептом тк • Под воздействием негативной информации из внешних источников в отношении k -го кандидата происходит обратный переход. Уточним, что адептом кандидата может стать только предадепт соответствующего кандидата, а неохваченным индивидом – предадепт.

Для введенных представлений задача оценки сводится к выбору к' -го кандидата, способного по итогам выборной кампании набрать наибольшее число голосов к' = argmax N^, к е[1, K ]

M где Nк = E[xтк (T0 ) + yтк (T0 )]

т = 1

Ее решение требует максимально правдоподобно- го определения числа адептов хтк (t) и предадеп-тов yтк(t) •

Для заданного содержательного представления математическую модель сформируем, принимая во внимание основные предположения о скорости изменения хт к ( t ) , ут к ( t ) [6] и допущения.

  • 1.    Значения х т , в т - т не зависят от t и определяются экспертным оцениванием.

  • 2.    Переменные хт к ( t ) , ут к ( t ) составляют непрерывный векторный марковский процесс.

  • 3.    Интенсивности а к1 ( t ) , у ^ ( t ) складываются из соответствующих истинных значений 0 0 1 ( t ) , у 0 1 ( t ) и ошибок наблюдения а ^ ( t ) , у к1 ( t ) , являющихся белым шумом с соответствующими характеристиками: Е [а ^ ]= Е [у к1 ] = 0; cov н ] = cov Л н ] = 5 ( t ) ; cov [ d а н ] = и ] ; cov [ d Y н ] = [sY i ]

Для заданных представлений решение задачи оценки xт к ( t ) и у т к ( t ) выполним усреднением:

Z (t ) = JZ p (Z, t) dZ, Q где

Z = ( Z ) d = ( f W..... z < M ) ^ ;

: ( " > -( « кт * 1   = ( Хт „У т ,

V 72 K

•, ХтК ,

утК ) ;

Q = Б( 1 ) X ••• Х£( M ) с К d

d -мерный выпуклый

многогранник (d = 2MK); s(т) с К2К симплекс

с 2 К +1 вершинами Р( т ) = ( 0,0V„, 0), P2 т ) = = (Nm,0,•••,0), ", P2K+1 = (0,0,•••,Nm ); p(Z,t) -функция плотности распределения вероятности, удовлетворяющая уравнению Фоккера – Планка – Колмогорова (ФПК):

dp ( Z, t ) Idt = L [ p ( 'Z, t ) ] ,

где

L [ p ] = -Ei(A.p) +1E E l=1dZl           21=11 '=1 dZldZl'

  • - диффузионный оператор; D = ( D ll ') d X d и A = ( A l ) d - тензор диффузии и вектор сноса соответственно, компоненты которых формируются из следующих представлений:

  • 1) для вектора сноса:

    -             ( : ( 1 )     : ( M ))

A = ( A ,). = a ,•••, a ;

l d V                  J

im)-fa(m))   -f/1)/2)

a “I a i    I “I f m 1 , f m 1

V     72 K  V

f ( 1 ) /2) \ fmK , fmK I ;

предлагается выполнять численно в соответствии со следующей схемой.

f m ^X> Y > t ) = ( x mk - У тк )r mk +

+

0 mk

M

+ / ’ x m ' к в m ' m m '“ 1

x

2. Численная оценка информационного воздействия на электорат при проведении выборных кампаний

K

Зададим разбиение Q=

U

U «< u >

набором из U

u = 1

симплексов

N m - h ( x mk ' + y mk ' ) - y mk к '“1

;

fi.^ X Y, t ) = ymk Amk+ M         " / ’ xm' k в m' m xmk Г 0 mk L 00 Г mk /

to

, ,      f d+1 / \ / \ f d +1

1 uMh-(u)Piu): h-

11=1               V l=1

aTvI = 1, d +1, -(u)

V

•( u ) l

■■ Г

)

=1 a

d

(u = 1, U) с d +1 вершинами P(u), P2(u),

…,

u

^d+) и

(mm') kJ • V ii

A /уmlekl ) , v i=1

if m = m' л imod2 * 0 a i = i';

ymk. ^^(xmlEkl) ,

if m = m ' л i mod 2 = 0 л i = i';

= <

(xmk

-

L2 ymk L h(xmlekl ) ,

if m = m'aimod2 * 0лi-1 = i';

K

Nmh (xmk' +ymk' ) - ymk k '=1

L h(xml«a), l=1

x

if m = m 'a i mod 2 = 0 л i -1 = i';

0, otherwise.

Решение дифференциального уравнения (2) при заданном начальном условии p (Z, 0) и требований p (Z, t )>0, J p (Z, t) dZ = 1 для (Z, t )eQxr0, TQ ]

Q

r (u)

барицентрическими координатами -1 ' (u) _ (u')

при to Oto =0 I u * u; u, u = {1, U}).

Обозначим ^-,-^q скалярное произведение

r(u)

Zd+1

( П, Ф^=/п( Z )ф( Z) dZ                           (3)

Q

для некоторых функций n и ф.

Зададим аппроксимацию p (Z, t):

Р (Z, t )=E h c (u *( t )4 ’(Z),                   (4)

u=1 jeMd

подстановка которой в (2) в проекционном представлении метода Галеркина сведет исходную к системе обыкновенных дифференциальных уравнений:

d<5 (t)/dt = S-1Q (t) <5 (t);   <5 (0 ) = S-W, где i f(u)\ )

W = I\p0, vj      I ;

V'         'q7u| Md

p 0 = p(Z,0);   C = fcj1 )1

v   7u md

– вектор искомых коэффициентов разложения, зависящих от t;

n f/ (u) T Г (u')1\

Q = j L V j

V L     J/qJu| Md IxulMd

Md - множество мультииндексов j, j' е Мr [8]:

Мd = Ь = (ji,...,ji,..., jd+i): ji е^+,

1         .(6)

Z i е[1; d+1]

ее наилучшее среднеквадратичное приближение с коэффициентами разложения Cj. Тогда справедлива оценка

IIn-nrl Ito5M2

II4/^r71,

где M2– не зависящая от r положительная постоянная.

где r е N - порядок аппроксимации на to

В формулировке леммы 2 для

+ = N u{o}; V") — базисная функция частичной

to =

подобласти to(") eQ, которую зададим произведе-

k+1       Z к+1

ZZkPk:ZZk =1 k=1        \ k=1

A

нием:

d+i v ju 472/^(r+1)Пф^ i=i

a(v k = 1, K +1,

Zk20)[

G КK,

Гауссовых базисных функций [9]:

m -[2jl +1-2Z i (r+1)J2 /[2( d+1)] фji = e                              .

Решение (5) определяется в виде

C (t) = exp

t

S-1jQ (t) d т

S A,

r е N, j е Mк приняты обозначения:

к+1 хПe k=1

to

11-Z1

X

;

для

к-1 1-ZZ; k=1

где exp ^-J - матричная экспонента.

Сходимость решения (9) задачи (2) в проекционном представлении (5) с учетом известной, например из [10, с. 80], теоремы Л.В. Канторовича

составляет последовательное исследование задач приближения непрерывной функции на [0,1J и to(") Гауссовыми базисными функциями вида (7), (8).

Лемма 1. Пусть n(Z) - непрерывно дифференци-r руемая на [0,1J функция, а n (z) = Z cФj (Z) “ ее j=0

наилучшее среднеквадратичное приближение с коэффициентами разложения cj . Тогда справедлива оценка IIn-nrll[0,1J- M1IH[0,1]/^, (10)

(n,ф)to=j j ... j n(Z)ф(Z)dZK...dZ2dZ1 000

K при ZK+1 = 1 -ZZk. k=1

Из результатов лемм 1, 2 получено следующее утверждение.

Теорема 1. Пусть

P (Z, t )=Z Z c (u)(tH")(Z), u=1 jeM d тогда метод Галеркина для уравнения (2) сходится и справедлива оценка

где M1– не зависящая от r положительная посто-

янная.

В формулировке леммы 1 для Z е [0,1], r е N приняты следующие обозначения:

где M3– не зависящая от r положительная постоянная, и - максимальный линейный размер симплек-

(u) сов to

.

ф j (Z) = 2- (r +1) e' '2

(j = °, .);

II П[0,1]=/п, n[0,1J

при Z*^0,1J = jn(Z)*(Z)dZ.

Лемма 2. Пусть

n(Z) - непрерывно дифферен-

цируемая на to функция, а i](Z)= ZCjVj (z) -

7еМ K

3. Алгоритмическая реализация решений в задаче оценки информационного воздействия на электорат при проведении выборных кампаний

Основу алгоритмической реализации сформированной численной схемы составляют:

1) построение d-мерного выпуклого многогранника Q при формировании множеств его

  • 1:    function VehtPoly(^ M, K)

  • 2:    for m = 0 to M — 1 do

  • 3:      ym = PlacePol\t(2K, Wm+i);

  • 4:        jm= 0;

  • 5:    repeatv = 0

  • 6:      for m = 0 to M — 1 do

  • 7:          v = vU(vm)Jm;

  • 8:         V<= v;

  • 9:   until NextPlacementO, 2K, M - 1);

  • 10:    return V

  • 1:    function PlacePol\t(K, N)

  • 2:    for к = 0 to К — 1 do

  • 3:          (v0)fc = 0;

  • 4:    for к = 1 to К do

  • 5:          Vfc = Vo;

  • 6:         (Vk)fc_i = A ;

  • 7:    return V

Рис. 2. Псевдокод функции PLACEPOINT

Fig. 2. Pseudocode of the PLACEPOINT function

Рис. 1. Псевдокод алгоритма формирования V

Fig. 1. Pseudocode of the V formation algorithm

l-мерных граней (вершин V, ребер E, граней B0, ячеек B1 и пр.);

  • 2)    разбиение Q = |^J®(u) на симплексы ю(u); u=1

  • 3)    правила вычисления элементов вектора W,

т       т  Т    Т матриц Q, S и усреднения Z (t) = I Zp (Z, t)dZ,

Q уточняемые реализацией процедуры численного

  • 1:    function NextPlacement(j, K, M)

  • 2:    г = M;

  • 3:    while (г > 0) Л (jj = K) do i = i — 1;

  • 4:    if г< 0 then return false;

  • 5:     if ji > К then 2 = -i — l;

  • 6:     ji = ji + 1;

  • 7:    if 2 = M then return true;

  • 8:    for к = г + 1 to M do jk = 0;

  • 9:    return true

Рис. 3. Псевдокод функции NEXTPLACEMENT

Fig. 3. Pseudocode of the NEXTPLACEMENT function

интегрирования по Q.

Известно из [11], что количественная характеристика l-мерных граней (l = 0, d -1) Q определяется f- и h-векторами, соотнесенными с F- и

H-полиномами. Исходя из правила

  • (1)         ( m )

Q = 8 x... x8   c Rd 2K-мерными

  • (m)

ми 8  , справедливо представление

построения симплекса-

F-полинома

8(m)

в виде

h-вектора, определяемые суммами мультимодальных коэффициентов из (13) по правилу:

h(q)= E f M     ^,                (14)

q^MMK Vq1,q2,...,q2K+1 J sq =1

где sq = Z (k +1) qk+1.

kel" 1;2 K "I qk+1 *0

F

2K f 2 K +1

k +1

т k

Элементы Д (q) f-вектора вычисляются из (14) выражением [11]

а H -полинома:

fi‘A fl Q   z i hl (Q).

2K mm

H 8(), т = F 8(), т-1 = > тk.

X ; X           ; k =0

l '=l V J

Тогда H -полином Q, с учетом обобщения бинома Ньютона при введении мультимодальных коэффициентов, задается соотношением

f 2 K  AM

H (Q т)= £т k

V k=0   J

z qeMM "V

M

q1, q2,..., q2 K+1

2K

Пт qk-1

Jk=0

d

= Zhl (П)т*.

l=0

Здесь MM - множество мультииндексов q, заданное по аналогии с (5) (быстрый алгоритм формирования Мd приведен в [12]); hi (q) - элементы

С учетом заданных количественных характеристик Q выполняется формирование множеств его l-мерных граней. При этом изначально задается множество вершин V с числом элементов f 0 (Q) = |v| = (2K +1)M - алгоритм VERTPOLY (рис. 1).

Основу работы алгоритма составляют функции определения множества исходных точек PLACEPOINT (рис. 2) и задания нового размещения с повторением NEXTPLACEMENT (рис. 3) [13].

Затем определяется множество ребер E c V x V с числом элементов f1 (q) = E| = (2K +1)M KM, составляемых комбинацией пар неповторяющихся вершин V – алгоритм EDGEPOLY (рис. 4).

Множество граней B0 с числом элементов f 2 (Q) = B0| формируется по заданным V и E при представлении Q в виде неориентированного

function EdgePoly(V, M, K)

2:

3:

1:

6:

7:

8:

9:

10:

11:

for п = 0 to |У| — 2 do

for 7?/ =s n + 1 to |У| — 1 do

г = 0;

for m = 0 to M — 1 do

jm= 0;

for к = 0 to 2K — 1 do

if ^Ti^mK+k Ё ^^ImK-Vk fhenjm = jm + К if jm > 0 then z = i+l;

if (^ < 1) V (M = 1) then

j _ v^M-l . .

Z^m=0 Jm i

12:

13:

14:

if J < 2K then

E 4= (??. n')T;

return E

Рис. 4. Псевдокод алгоритма формирования E

Fig. 4. Pseudocode of the E generation algorithm к function SearchCycles^VjB)

  • 2:    while true do

  • 3:      D = KirhgofMai kix^, V);

  • 4:         r = 0;

  • 5:        for г = 0 to |V| — 1 do

  • 6:          if Da > 1 then

  • 7:             £'= MST(D, V,i):

H:             if E' ^ T then

  • 9:                 Тт = E'; г = r + 1;

  • 10:       if r — 0 then break:

  • 11:        E' = 0:

  • 12:       for г = 0 to J — 1 do

  • 13:          E' = E’ U Td

  • 11:         Ё = Е\Е:

  • 15:           for nV = 0 to 1 do

  • 16:               Ё = Tf.

  • 17:               for n = 0 to |Б| — 1 do jn = 71 + 1;

  • 18:              repeat

  • 19:                 for m = 0 to m' do £|r. |_|_m = Ejm_^

  • 20:              c = DFSCycle^, V,Ly,

  • 2. 1:                   if с ^ C then

  • 22:                       C<= c:

  • 23:             until Nex i Combination^, г + 1, |5|):

  • 24:       E = E\E'-

  • 25:    return C

Рис. 5. Псевдокод алгоритма поиска циклов для G длиной L

Fig. 5. Pseudocode of the loop search algorithm for G of length L графа G (V, E) = ^V, E^ и последовательном поиске в G всех циклов без хорд длиной L = |^3; 4] . Полиномиальный алгоритм поиска циклов базируется на алгоритмах построения остового дерева (алгоритм Прима [13] – MST) и рекурсивного поиска в глубину [13] – DFSCYCLE. Алгоритм поиска циклов SEARCHCYCLES для G длиной L приведен

на рис. 5.

В алгоритме поиска циклов используются дополнительные функции построения матрицы Кирхгофа KIRHGOFMATRIX для G и задания но-

вого сочетания без повторения NEXTCOMBINATION (рис. 6).

Множество ячеек В1 с числом элементов f 3 (q) = = |в1| формируется по В0. Каждая грань представляется бинарным числом разрядностью, равной мощности множества E. Разрядом числа кодирует содержание соответствующего номера ребра из E: значение 1 характеризует наличие данного элемента в грани, значение 0 – отсутствие. Затем выделяются ячейки при определении сочетаний 4, 5 и 6 граней из общего числа:

  • 1:    function NextCombination (j, m, n)

  • 2:    к = m;

  • 3:    for i = к — 1 to 0 do

  • 4:       if jj < n — к + i + 1 then

  • 5:             jt = jt + 1;

  • 6:           for i! = i + 1 to к do jv = jv-i + 1;

return true;

  • 7:    return false

d

X0= X Хх (l = 1, d);

jl           jljk

/ k=1

Xi (i=1 I)

– корни многочлена Лежандра первого

* рода порядка I [14]; B =

при

Рис. 6. Псевдокод функции NEXTCOMBINATION

Fig. 6. Pseudocode of the NEXTCOMBINATION function

(bj) м i|

d bj=ПГ( X -I+

  • 1)    4 граней, составленных только из 3 ребер;

  • 2)    5 граней, где четыре составлены из 3 ребер, а одна – из 5;

  • 3)    5 граней: две составлены из 3 ребер, а три – из 5;

  • 4)    6 граней, составленных только из 4 ребер.

Критерий в определении ячейки состоит в том, что сумма по модулю два всех двоичных чисел составляющих граней равна нулю.

Дальнейшая процедура формирования l-мерных граней выполняется по индукции.

Для П симплексы to(и) задаются при построении барицентрической триангуляции, которая реализуется индукцией по размерности триангуляцией l-мерных граней [11].

U (и)

С учетом разбиения П = ^ to интеграл

и обозначении гамма-функции г();

d          jk

O"(OH')мdPIмd| при 0"'=П(Xjk)

Заключение

Таким образом, в настоящей статье в развитие моделей [2–6] информационного влияния, управления и противоборства в социуме при формализации содержательной постановки задачи, выделении системы ограничений и допущений, разработке математической модели, численной схемы и алгоритмических реализаций сформиро-

I = Jn( Z) dZ n

u=1

по П от некоторой функции n за-

меняется суммой I =

U                   (u)

^ J n(Z)dZ по ю' исво-

вано алгоритмическое решение в задаче оценки информационного воздействия на электорат при проведении выборных кампаний. Математическая модель базируется на обобщенной модели информационного противоборства в структурированном социуме [2–5]. При разделении общества численностью N0 на M подгрупп и введении сто-

U=1 ( u) to дится к реализации процедуры численного интегрирования:

I(u) = J n(Z)dZ = ^ n(^j)кj, to(u)              jeMI

где I e N - порядок численного интегрирования; узловые точки *j и весовые коэффициенты кj, вычисляемые по правилам кубатурных формул для симплексов. Для мастер-элемента to единичной размерности значения *j eto и кj определяются по правилам:

хастических компонент данная модель сводится к стохастическому дифференциальному уравнению, которое при понимании в смысле Ито [7] приводит к необходимости решения уравнения ФПК (2) для определения эволюции функции плотности вероятности p (Z, t). Решение (2) предложено выполнять численно в проекционной постановке метода Галеркина при задании кусочно-полиномиальной аппроксимации (4), требующей разбиения области анализа П на симплексы to(и). Для сфор-

мированной численной схемы определена оценка сходимости (12) и уточнены особенности алгорит-

н X0. - X0d )T;  к=0-1B, где

мической реализации, сводящиеся к построению

П, его разбиению П =

U и to(u)

и уточнению реали-

u=1

зации процедур численного интегрирования по П.

Список литературы Алгоритмические решения в задаче оценки информационного воздействия на электорат при проведении выборных кампаний

  • Самарский А.А., Михайлов А.П. Математическое моделирование. М.: Физматлит, 2001. 320 с.
  • Петров А.П., Маслов А.И., Цаплин Н.А. Моделирование выбора позиций индивидами при информационном противоборстве в социуме // Математическое моделирование. 2015. Т. 27, № 12. С. 137–148. URL: http://mi.mathnet.ru/mm3684
  • Моделирование спада общественного внимания к прошедшему разовому политическому событию / А.П. Михайлов [и др.] // ДАН. 2018. Т. 480, № 4. С. 397–400. DOI: https://doi.org/10.7868/S0869565218160028
  • Петров А.П., Прончева О.Г. Моделирование выбора позиций индивидами при информационном противоборстве с двухкомпонентной повесткой // Математическое моделирование. 2019. Т. 31, № 7. C. 91–108. DOI: https://doi.org/10.1134/S0234087919070062
  • Развитие модели распространения информации в социуме / А.П. Михайлов [и др.] // Математическое моделирование. 2014. Т. 26, № 3. С. 65–74. URL: http://mi.mathnet.ru/mm3459
  • Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальные сети: модели информационного влияния, управления и противоборства. М.: Физматлит, 2010. 228 с.
  • Кузнецов Д.Ф. Некоторые вопросы теории численного решения стохастических дифференциальных уравнений Ито // Дифференциальные уравнения и процессы управления. 1998. № 1. С. 66–367. URL: https://diffjournal.spbu.ru/RU/numbers/1998.1/article.1.3.html
  • Ильинский А.С., Полянский И.С., Степанов Д.Е. О сходимости барицентрического метода в решении внутренних задач Дирихле и Неймана в R2 для уравнения Гельмгольца // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2021. Т. 31, № 1. С. 3–18. DOI: https://doi.org/10.35634/vm210101
  • Kainen P.C., Kurkova V., Sanguineti M. Estimates of approximation rates by Gaussian radial-basis functions // CANNGA 2007: Adaptive and Natural Computing Algorithms. 2007. P. 11–18. DOI: https://doi.org/10.1007/978-3-540-71629-7_2
  • Даугавет И.К. Теория приближенных методов. Линейные уравнения. 2-е изд., перераб. и доп. СПб.: БХВ-Петербург, 2006. 288 с.
  • Емеличев В.А., Ковалев М.М., Кравцов М.К. Многогранники, графы, оптимизация (комбинаторная теория многогранников). М.: Наука; Глав. ред. физ-мат лит., 1981. 344 с.
  • Электродинамический анализ зеркальных антенн в приближении барицентрического метода / И.С. Полянский [и др.] // Физика волновых процессов и радиотехнические системы. 2020. Т. 23, № 4. C. 36–47. DOI: https://doi.org/10.18469/1810-3189.2020.23.4.36-47
  • Алгоритмы: построение и анализ. 2-е изд. / Т.Х. Кормен [и др.]; пер. с англ. М.: Вильямс, 2010. 1296 с.
  • Ильинский А.С., Полянский И.С. Приближенный метод определения гармонических барицентрических координат для произвольных многоугольников // Журнал вычислительной математики и математической физики. 2019. Т. 59, № 3. C. 391–408. DOI: https://doi.org/10.1134/S0044466919030098
Еще
Статья научная