Nouvelle méthode itérative pour l'approximation du point fixe d'une classe de applications généralisées ( $$\alpha ,\beta$$ )-non expansives avec applications au modèle épidémique SEIR

Pourquoi cela compte pour la modélisation des maladies

Quand on entend parler de modèles informatiques prédisant la propagation d'une épidémie, ces prévisions reposent en fin de compte sur la résolution d'équations mathématiques compliquées. Souvent, ces équations sont trop difficiles à résoudre en une seule étape, si bien que les chercheurs utilisent des procédures d'approximation itératives — des schémas qui progressent étape par étape. Cet article présente une nouvelle méthode, plus rapide et plus fiable, pour effectuer ces calculs itératifs, puis montre comment elle peut affiner l'analyse d'un modèle SEIR moderne qui prend en compte des effets de mémoire dans la transmission de la maladie.

Améliorer les moteurs derrière de nombreuses simulations

Au cœur d'innombrables modèles en physique, ingénierie, économie et épidémiologie se trouve l'idée de point fixe : un état qui reste inchangé lorsque l'on applique les règles du système. Trouver un tel état est rarement trivial, aussi les chercheurs recourent-ils à des procédures itératives : partir d'une estimation, appliquer une transformation, et répéter jusqu'à stabilisation des mises à jour. Au fil des ans, de nombreuses procédures ont été proposées, chacune adaptée à des hypothèses techniques différentes. Les auteurs se concentrent sur une classe très large de transformations qui déplacent les points sans trop étirer les distances, connues sous le nom d'applications généralisées (α, β)-non expansives. Ce cadre général englobe déjà plusieurs méthodes largement utilisées, de sorte qu'un schéma plus puissant ici peut avoir des répercussions dans de nombreux domaines d'application simultanément.

Une nouvelle recette étape par étape

L'article propose une nouvelle itération en quatre étapes qui affine systématiquement une estimation initiale. À chaque cycle, l'estimation courante est d'abord transformée une fois, puis mélangée avec des évaluations plus avancées de la même transformation, et enfin repassée par la transformation. Ces étapes de mélange agissent comme des moyennages contrôlés, conçus pour stabiliser la trajectoire et incorporer une information plus profonde sur le comportement du système. Sur le plan mathématique, les auteurs démontrent que, sous des conditions naturelles dans un espace de Banach uniformément convexe — un cadre standard pour traiter des problèmes de dimension infinie — la nouvelle recette produit toujours une suite qui converge vers un point fixe dès qu'il en existe un. Ils établissent à la fois des formes de convergence « faible » et « forte », qui correspondent en gros à des manières de s'approcher de la solution vraie avec des degrés d'exigence croissants.

Convergence plus rapide et plus stable en pratique

Pour déterminer si le nouveau schéma est simplement élégant ou aussi efficace, les auteurs le comparent à plusieurs méthodes itératives populaires, y compris l'itération classique de Picard et des variantes multi‑étapes plus récentes. À l'aide de problèmes-tests soigneusement choisis, ils suivent la vitesse à laquelle chaque méthode atteint le point fixe correct et le nombre d'itérations nécessaires avant que les erreurs numériques deviennent négligeables. Les tableaux et graphiques montrent que, typiquement, le nouveau schéma atteint la cible en moins d'itérations ou avec un comportement plus stable, en particulier pour des exemples difficiles. Au‑delà de la vitesse, les auteurs analysent aussi la sensibilité de la méthode aux petites variations des règles sous‑jacentes, une propriété appelée dépendance aux données, et prouvent des notions nommées G‑stabilité et quasi G‑stabilité. Ces résultats montrent que la procédure est robuste : de petites perturbations ne compromettent pas la convergence mais n'entraînent que des variations contrôlées et bornées de la solution finale.

Relier les mathématiques abstraites aux courbes épidémiques

Pour démontrer la pertinence pratique, les auteurs appliquent leur mécanique de point fixe à un modèle épidémique SEIR, qui divise la population en groupes susceptibles, exposés, infectieux et rétablis. Au lieu d'utiliser des dérivées ordinaires qui ne regardent que le taux de changement présent, ils adoptent une dérivée fractionnaire de type Caputo, qui incorpore la mémoire du passé — une caractéristique particulièrement importante pour des maladies à longue période d'incubation ou à effets persistants. Ce système SEIR fractionnaire peut être réécrit comme une équation intégrale équivalente dont les solutions correspondent aux points fixes d'un opérateur approprié. En prouvant que cet opérateur s'inscrit dans leur cadre généralisé non expansif et satisfait une borne technique de type Lipschitz, les auteurs montrent que leur nouveau schéma itératif converge vers l'unique solution du modèle épidémique. En termes pratiques, on peut partir d'une estimation initiale de l'évolution temporelle des quatre compartiments et appliquer répétitivement le schéma pour obtenir des trajectoires épidémiques de plus en plus précises.

Ce que l'étude démontre au final

En résumé, les auteurs ont construit un moteur plus polyvalent et plus fiable pour les calculs itératifs qui sous-tendent de nombreux modèles scientifiques. Ils montrent que cette nouvelle itération peut unifier et étendre plusieurs méthodes existantes, converger rapidement et de manière stable, et traiter des systèmes complexes comme les modèles SEIR fractionnaires avec mémoire. Pour le lecteur non spécialiste, l'essentiel est que des progrès dans les mathématiques sous‑jacentes de l'approximation de points fixes peuvent améliorer directement notre capacité à simuler et comprendre des systèmes dynamiques complexes — de la propagation des maladies dans une population à l'évolution d'autres processus non linéaires — aboutissant à des prévisions et des analyses plus fiables.

Citation: Alharthi, N.H., Okeke, G.A., Udo, A.V. et al. Novel iterative method for the approximation of fixed point of a class of generalized (\(\alpha ,\beta\))-nonexpansive mapping with applications to seir epidemic model. Sci Rep 16, 11833 (2026). https://doi.org/10.1038/s41598-026-38884-y

Mots-clés: itération de point fixe, modèle SEIR fractionnaire, dynamique épidémique, convergence numérique, systèmes dynamiques non linéaires