DOI: https://doi.org/10.1038/s41598-025-94821-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40258853
تاريخ النشر: 2025-04-21
المؤلف: Sana Abdulla وآخرون
الموضوع الرئيسي: الديناميات الرياضية والكسور
نظرة عامة
تناقش الورقة البحثية التقدمات الكبيرة في الاستيفاء الفركتالي، مع التركيز بشكل خاص على منحنيات فركتالية مكعبة عقلانية (RFC)، المعروفة بمرونتها في التحكم في الشكل. يقدم المؤلفون خوارزمية جديدة للتطور التفاضلي الفركتالي (FDE) تهدف إلى تحسين عامل القياس ومعلمات الشكل لمستخلصات فركتالية قائمة على أنظمة الوظائف التكرارية (IFS). تعزز هذه الطريقة دقة وكفاءة حساب استيفاء منحنيات RFC من خلال تحسين مساحة المعلمات بشكل تكراري لتحقيق توافق أفضل مع البيانات المستهدفة. توضح مثال رقمي فعالية خوارزمية FDE، مما يظهر تحسنًا في التقارب مقارنة بأساليب التحسين التقليدية.
بالإضافة إلى تحسين منحنيات RFC، يدمج البحث التعلم الآلي من خلال تطوير نموذج تنبؤي باستخدام شبكة عصبية اصطناعية (ANN). يتم ضبط الشبكة العصبية بدقة من خلال خوارزمية FDE لتقليل المسافة الإقليدية بين منحنى RFC وتنبؤات الشبكة، مما يسهل الاستقراء القوي خارج البيانات الملاحظة. تؤكد النتائج على إمكانية دمج الاستيفاء الفركتالي مع تقنيات التعلم الآلي، مع آثار على مجالات مثل الهندسة الحاسوبية، ومعالجة الصور، وتوقعات السلاسل الزمنية. تشمل اتجاهات البحث المستقبلية توسيع خوارزمية FDE لاستيفاء الأسطح الفركتالية واستكشاف أساليب تحسين هجينة لتعزيز الأداء في السياقات عالية الأبعاد.
الطرق
تحدد قسم المنهجية تطوير استراتيجية تطورية معدلة، تُسمى خوارزمية التطور التفاضلي الفركتالي (FDE)، تهدف إلى تحسين معلمات منحنى فركتالي متكرر (RFC). تبدأ العملية ببناء منحنى RFC مستهدف، والذي يعمل كمنحنى فركتالي مرجعي للتقريب. يتم بعد ذلك صياغة مشكلة التحسين، موضحة الدالة الهدف والقيود اللازمة لضبط عامل القياس $\alpha$ ومعلمات الشكل $r$ و$t$. يتم وصف خوارزمية FDE، التي تعزز النهج التقليدي للتطور التفاضلي (DE)، بالتفصيل، بما في ذلك استراتيجيات التهيئة والطفرات.
تعمل خوارزمية FDE على مجموعة من الحلول المرشحة، مستخدمة الطفرات، والتقاطع، والاختيار للتنقل بفعالية في المناظر الطبيعية المعقدة للتحسين. يتم توفير مخطط انسيابي للخوارزمية، ويتم توضيح خطواتها بالتفصيل في الخوارزمية 1. يتم ضبط المعلمات الرئيسية مثل عامل قياس الطفرة $F_{i,k}$ واحتمالية التقاطع $CR_{i,k}$ ديناميكيًا بناءً على عتبات احتمالية، مما يضمن استكشافًا قويًا لمساحة الحل. تهدف هذه العملية التحسينية في النهاية إلى تحسين دقة المنحنيات الفركتالية المقربة للبيانات المستهدفة، مع استخدام ANN للتنبؤ بنقاط الحدود الخارجية لمنحنى RFC، والتي يتم تحسينها بشكل أكبر من خلال خوارزمية FDE كما هو موضح في الخوارزمية 2.
النتائج
يتم هيكلة قسم النتائج في الدراسة إلى ستة أقسام فرعية، توضح نتائج البحث. يبدأ بتطبيق خوارزمية التطور التفاضلي الفركتالي (FDE) لتحسين معلمات نظام الوظائف التكرارية (IFS)، موضحة من خلال أمثلة عددية ورمز R. يبرز تحليل مقارن فعالية الطريقة المقترحة مقابل التقنيات الموجودة، بينما يحدد تحليل الحساسية المعلمات الرئيسية التي تؤثر على مخرجات النموذج. يعد هذا التحليل حاسمًا لفهم ديناميات عملية التحسين.
يتم توضيح عملية تحسين FDE، بدءًا من تهيئة المعلمات مثل حجم السكان، وعامل قياس الطفرة، واحتمالية التقاطع. يتم تقديم التكوينات الأولية للمنحنيات العقلانية، والتي تعمل كخط أساس لتقييم تحسينات التحسين. يتم استخدام دالة الملاءمة، المحددة بالنسبة لمعلمات المنحنى المستهدف، لتقييم نجاح التحسين. بالإضافة إلى ذلك، يناقش القسم تحسين FDE للشبكات العصبية، موضحًا التعديلات التي تم إجراؤها على معلمات معدل التعلم وحجم الشبكة. يوضح رمز R المقدم خطوات التحسين، مما يؤدي إلى تدريب نموذج شبكة عصبية يلتقط بفعالية الخصائص الفركتالية لمنحنى RFC. توضح الأشكال والجداول عملية التحسين التكرارية، مما يعرض تطور معلمات الشبكة العصبية وقيم الملاءمة المقابلة عبر التكرارات.
المناقشة
في هذا القسم، يناقش المؤلفون بناء وتحسين دالة استيفاء فركتالية مكعبة عقلانية (RFC) باستخدام مجموعة من نقاط بيانات الاستيفاء. يتم تعريف RFC من خلال كثيرات الحدود المكعبة في البسط ودالة خطية في المقام، مع معلمات تتحكم في الشكل والقياس للاستيفاء. يوضح المؤلفون الخطوات المتضمنة في بناء منحنى الهدف، بما في ذلك حساب تباعد الشبكة المحلية، والفروق المقسمة، واختيار معلمات الشكل. يؤكدون على أهمية الحفاظ على إيجابية المقام في منحنى الفركتالي العقلاني، وهو ما يتحقق من خلال تقييد معلمات الشكل لتكون إيجابية.
تُصاغ مشكلة التحسين لضبط عامل القياس العمودي (VSF) ومعلمات الشكل، مما يضمن أن الاستيفاء الفركتالي يمثل بدقة المنحنيات ذات التشابه الذاتي. يقترح المؤلفون استخدام التطور التفاضلي (DE) كطريقة تحسين لتقليل المسافة الإقليدية بين المنحنى الفركتالي المستهدف والمنحنى المقرب مع الالتزام بقيود معينة على المعلمات. تتضمن خوارزمية DE عمليات الطفرة، والتقاطع، والاختيار لتكرار تحسين المعلمات، مما يؤدي في النهاية إلى شبكة عصبية محسّنة تقرب دالة الاستيفاء الفركتالية. يختتم القسم بوصف تنفيذ الخوارزمية، مع تسليط الضوء على إمكانياتها في تعزيز تطبيقات النمذجة القائمة على الفركتلات.
DOI: https://doi.org/10.1038/s41598-025-94821-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40258853
Publication Date: 2025-04-21
Author(s): Sana Abdulla et al.
Primary Topic: Mathematical Dynamics and Fractals
Overview
The research paper discusses the significant advancements in fractal interpolation, particularly focusing on Rational Fractal Cubic (RFC) splines, which are known for their flexibility in shape control. The authors introduce a novel Fractal Differential Evolution (FDE) algorithm aimed at optimizing the scaling factor and shape parameters of IFS-based fractal interpolants. This method enhances the accuracy and computational efficiency of RFC spline interpolation by iteratively refining the parameter space to achieve a better fit to target data. A numerical example illustrates the effectiveness of the FDE algorithm, demonstrating improved convergence compared to traditional optimization methods.
In addition to optimizing RFC splines, the study integrates machine learning by developing a predictive model using an Artificial Neural Network (ANN). The ANN is fine-tuned through the FDE algorithm to minimize the Euclidean distance between the RFC spline and the network’s predictions, facilitating robust extrapolation beyond observed data. The findings underscore the potential of combining fractal interpolation with machine learning techniques, with implications for fields such as computational geometry, image processing, and time series forecasting. Future research directions include extending the FDE algorithm for fractal surface interpolation and exploring hybrid optimization methods to enhance performance in high-dimensional contexts.
Methods
The methodology section outlines the development of a modified evolutionary strategy, termed the Fractal Differential Evolution (FDE) algorithm, aimed at optimizing the parameters of the Recursive Fractal Curve (RFC) spline. The process begins with constructing an RFC target spline, which serves as the reference fractal curve for approximation. The optimization problem is then formulated, detailing the objective function and constraints necessary for fine-tuning the scaling factor $\alpha$ and shape parameters $r$ and $t$. The FDE algorithm, which enhances the traditional Differential Evolution (DE) approach, is described in detail, including its initialization and mutation strategies.
The FDE algorithm operates on a population of candidate solutions, utilizing mutation, crossover, and selection to navigate complex optimization landscapes effectively. The algorithm’s flowchart is provided, and its detailed steps are articulated in Algorithm 1. Key parameters such as the mutation scaling factor $F_{i,k}$ and crossover probability $CR_{i,k}$ are dynamically adjusted based on probabilistic thresholds, ensuring robust exploration of the solution space. This optimization process ultimately aims to improve the fidelity of the approximated fractal curves to the target data, with the ANN employed to predict the outer boundary points of the RFC spline, further refined through the FDE algorithm as described in Algorithm 2.
Results
The results section of the study is structured into six subsections, detailing the outcomes of the research. It begins with the application of the Fractal Differential Evolution (FDE) algorithm for optimizing Iterated Function System (IFS) parameters, illustrated through numerical examples and R code. A comparative analysis highlights the effectiveness of the proposed method against existing techniques, while a sensitivity analysis identifies key parameters influencing model outputs. This analysis is crucial for understanding the optimization process’s dynamics.
The FDE optimization process is elaborated, starting with the initialization of parameters such as population size, mutation scaling factor, and crossover probability. The initial configurations of rational splines are presented, serving as a baseline for assessing optimization improvements. The fitness function, defined in relation to the target curve parameters, is utilized to evaluate the optimization’s success. Additionally, the section discusses the FDE optimization for neural networks, detailing the adjustments made for learning rate and network size parameters. The R code provided outlines the optimization steps, culminating in the training of a neural network model that effectively captures the fractal characteristics of the RFC spline. Figures and tables illustrate the iterative optimization process, showcasing the evolution of neural network parameters and their corresponding fitness values across iterations.
Discussion
In this section, the authors discuss the construction and optimization of a rational fractal cubic interpolation function (RFC) using a set of interpolation data points. The RFC is defined through a cubic polynomial in the numerator and a linear function in the denominator, with parameters that control the shape and scaling of the interpolation. The authors detail the steps involved in constructing the target spline, including the calculation of local mesh spacing, divided differences, and the selection of shape parameters. They emphasize the importance of maintaining the positivity of the denominator in the rational fractal spline, which is achieved by constraining the shape parameters to be positive.
The optimization problem is framed to fine-tune the vertical scaling factor (VSF) and shape parameters, ensuring that the fractal interpolation accurately represents self-similar curves. The authors propose using Differential Evolution (DE) as an optimization technique to minimize the Euclidean distance between the target fractal curve and the approximated curve while adhering to specific constraints on the parameters. The DE algorithm involves mutation, crossover, and selection processes to iteratively refine the parameters, ultimately leading to an optimized neural network that approximates the fractal interpolation function. The section concludes with a description of the algorithm’s implementation, highlighting its potential for enhancing fractal-based modeling applications.