Оптимизационное моделирование эволюции жизненного цикла

• Автор: Терехин, Анатолий Тимофеевич
• Шифр специальности: 03.00.16
• Научная степень: Докторская
• Год защиты: 2001
• Место защиты: Москва
• Количество страниц: 250 с. : ил

Введение цели и задачи работы.

I. Общая методология экологического моделирования .

I Основные этапы и методы моделирования

1.2. Феноменологический анализ функциональные модели

1.3. Анализ механизма явления дифференциальные модели

1.4. Анализ генезиса механизма оптимизационные модели

II. Методология оптимизационного моделирования

эволюции жизненного цикла.

2.1. Постановка задачи

2.2. Уровни оптимизационного моделирования

2.3. Кривые компромисса.

2.4. Оптимизация распределения ресурсов.
2.5. Управление распределением ресурсов.
2.6. Генная регуляции.
III. Эволюционная оптимизация продолжительности жизни и возраста наступления половой зрелости
3.1. Постановка задачи
3.2. Оптимизационная модель.
3.3. Роль пищевых ресурсов и агрессивности среды
3.4. Роль скорости роста популяции
3.5. Роль репродукционных ограничений
3.6. Сравнение с реальными данными
3.7. Общие выводы.
IV. Эволюционная оптимизация возрастной динамики
роста в сезонно изменяющейся среде
4.1. Постановка задачи
4.2. Оптимизационная модель.
4.3. Влияние сезонной смертности
4.4. Влияние возрастной смертности.
4.5. Сравнение с кривой Бсрталанффи
4.6. Общие выводы.
V. Эволюционная оптимизация возрастной динамики
старения .
5.1. Постановка задачи
5.2. Оптимизационная модель .
5.3. Оптимизация компромисса между репродукцией и выживанием
5.4. Оптимизация компромисса между репродукцией и репарацией .
5.5. Оптимизация компромисса между выживанием и репарацией
5.6. Общие выводы
VI. Эволюционная оптимизация полового диморфизма
продолжительности жизни и роста человека.
6.1. Постановка задачи.
6.2. Описание исходных данных
6.3. Оптимизационная модель
6.4. Результаты моделирования
6.5. Демографическая модель
6.6. Диморфизм продолжительности жизни.
6.8. Диморфизм размера тела
6.9. Общие выводы
Заключение основные выводы и перспективы
дальнейших исследований
Цитированная литература.
Приложения
Введение


Для поиска качественных факторов используется группа методов, известная под названием кластерный анализ см. Райская и др. Терехин, . Результатом кластерного анализа является разбиение всей совокупности наблюдений на классы. Полученной классификации соответствует качественная переменная или несколько переменных, если используются несколько классификаций разной степени дробности или пересекающиеся классификации, категориями которой служат номера классов. Именно эта переменная или переменные и будет искомым качественным фактором. Найдя такой фактор классифицирующую переменную, мы получаем возможность объяснять сходство или различие в значениях откликов для разных наблюдений принадлежностью их к одному или к разным классам. Если же неизвестные факторы ищутся в форме количественных переменных, то используются методы факторного анализа. В этом случае задача состоит в представлении имеющихся откликов, К, в виде линейных комбинаций неизвестных количественных факторов, X см. Носов, . С практической точки зрения применение этого метода оправдано, если удается с достаточной степенью приближения выразить большое количество откликов через малое число факторов. Одним из наиболее часто используемых методов этог о класса является метод главных компонент, основанный на ортогональном проектировании исходного многомерного пространства в пространство меньшей размерности, в котором точкинаблюдения имеют наибольший разброс. Метод позволяет записать исходные данные в более компактном виде с сохранением максимума содержащейся в них информации и даже представить их графически на плоскости для случая двух факторов. В случае априорного разделения переменных на зависимые и независимые см. X. Выбор метода решения зависит прежде всего от того, являются ли качественными или количественными зависимые переменные . Окончательное решение о выборе метода анализа данных принимается в зависимости от типа независимых переменных X. Кендалл. Стьюарт, . В обоих случаях откликами служат количественные переменные, однако факторы в дисперсионном анализе качественные, а в регрессионном количественные. Задачей дисперсионного анализа является установление связи между независимыми качественными переменными и зависимыми количественными. Однако поскольку функциональная структура связи очень проста отклики представляются как линейные комбинации бинарных переменных, уровней факторов, и произведений этих бинарных переменных, то основное внимание в дисперсионном анализе уделяется вопросам статистической значимости влияния отдельных факторов и их уровней на отклики Шеффе, Панченко, . В случае возможности планирования эксперимента решается задача оптимального с точки зрения минимизации ошибки прогноза значений У по значениям X выбора значений факторов Маркова. Однако в своей структурной основе любая схема дисперсионного анализа это всегда модель функционального типа. Функциональный характер модели наиболее явно виден в регрессионном анализе. Задача регрессионного анализа прямо формулируется как задача поиска функциональной зависимости У от Л, причем задача поиска формы связи не менее важна, чем вопросы статистической значимости полученных результатов. Наиболее широко применяется модель множественного линейного регрессионного анализа, позволяющая получать аналитически все стандартные статистические оценки см. Мятлев, . В более сложных ситуациях например, при использовании пошаговых процедур для получения статистических выводов приходится применять методы, основанные на стохастическом моделировании, такие как случайная пермутация или бутстрэп Девяткова, Терехин. Левич. Терехин. Как и в дисперсионном анализе, в случае возможности выбора значений факторов ставится задача нахождения оптимального плана эксперимента Налимов, Чернова, Налимов, Налимов, Голикова. Максимов, Федоров, Адлер и др. Если отклики У качественные, то для анализа используется группа методов, известная под общим названием распознавания образов. Наиболее используемым методом распознавания в случае количественных факторов является дискриминантный анализ см. Кендалл. Стьюарт. Айвазян и др.