Genelleştirilmiş ( $$\alpha ,\beta$$ )-genişlemez haritaların bir sınıfının sabit noktasının yaklaşımı için yeni yinelemeli yöntem ve SEIR salgın modeline uygulamalar

Hastalık modellemesi açısından neden önemli

Bir salgının nasıl yayılacağını tahmin eden bilgisayar modellerinden söz ettiğimizde, bu tahminler eninde sonunda karmaşık matematiksel denklemlerin çözülmesine dayanır. Genellikle bu denklemler tek adımda çözülmeyecek kadar zordur; bu yüzden bilim insanları yinelemeli şemalar adı verilen adım adım yaklaşım prosedürlerini kullanır. Bu makale, bu adım adım hesaplamaları daha hızlı ve güvenilir hâle getiren yeni bir yöntem sunar ve ardından bunun hastalık bulaşımında hafıza etkilerini içeren modern bir SEIR salgın modelinin analizini nasıl keskinleştirebileceğini gösterir.

Birçok simülasyonun motorlarını geliştirmek

Fizikte, mühendislikte, ekonomide ve epidemiyolojide sayısız modelin merkezinde sistem kuralları uygulandığında değişmeden kalan bir durum fikri vardır: sabit nokta. Böyle bir durumu bulmak nadiren basittir; bu yüzden araştırmacılar yinelemeli prosedürler kullanır: bir tahminle başla, bir dönüşüm uygula ve güncellemeler yatışana kadar tekrarla. Yıllar içinde, farklı teknik varsayımlara uyarlanmış birçok prosedür önerilmiştir. Yazarlar, noktaları çok fazla germeden nazikçe hareket ettiren, genelleştirilmiş (α, β)-genişlemez (nonexpansive) haritalar olarak bilinen çok geniş bir dönüşüm sınıfına odaklanır. Bu geniş çerçeve zaten yaygın kullanılan birkaç yöntemi içerdiğinden, burada daha güçlü bir şema birçok uygulama alanını aynı anda etkileyebilir.

Yeni bir adım adım tarif

Makale, başlangıç tahminini sistematik olarak geliştiren yeni dört aşamalı bir yineleme önerir. Her döngüde, mevcut tahmin önce bir kez dönüştürülür, sonra aynı dönüşümün daha gelişmiş değerlendirmeleriyle harmanlanır ve son olarak yeniden dönüşümden geçirilir. Bu harmanlama adımları, yolu stabilize etmek ve sistemin davranışı hakkında daha derin bilgileri dahil etmek için kontrollü bir ortalama alma gibi davranır. Matematiksel olarak, yazarlar, sonsuz boyutlu problemlere ilişkin standart bir çerçeve olan düzgün basık (uniformly convex) Banach uzayında doğal koşullar altında yeni tarifenin bir sabit nokta varsa üreteceği dizinin her zaman sabit noktaya yaklaştığını ispatlarlar. Hem "zayıf" hem de "kuvvetli" yakınsama biçimlerini kurarlar; bunlar kabaca gerçek çözüme giderek daha katı anlamlarda yaklaşmayı ifade eder.

Uygulamada daha hızlı, daha kararlı yakınsama

Yeni şemanın yalnızca şık değil aynı zamanda verimli olup olmadığını görmek için yazarlar bunu klasik Picard yinelemesi ve daha yeni çok adımlı varyantlar da dahil olmak üzere birkaç popüler yineleme yöntemiyle karşılaştırır. Özenle seçilmiş test problemleri kullanarak her yöntemin doğru sabit noktaya ne kadar hızlı yaklaştığını ve sayısal hataların göz ardı edilebilir hale gelmesi için kaç adım gerektiğini izlerler. Tablolar ve grafikler, yeni şemanın özellikle zor örneklerde hedefe genellikle daha az yineleme ile veya daha kararlı davranışla ulaştığını gösterir. Hızın ötesinde, yazarlar yöntemin altta yatan kurallardaki küçük değişikliklere karşı ne kadar hassas olduğunu—veri bağımlılığı olarak bilinen bir özellik—de analiz eder ve G-kararlılık (G-stability) ve neredeyse G-kararlılık kavramlarını ispatlarlar. Bu sonuçlar, prosedürün sağlam olduğunu; küçük sapmaların yakınsamayı bozmadığını, yalnızca son yanıtta kontrollü, sınırlı değişikliklere yol açtığını gösterir.

Soyut matematiği salgın eğrilerine bağlamak

Gerçek dünya alakasını göstermek için yazarlar sabit nokta mekaniklerini SEIR salgın modeline uygular; bu model nüfusu duyarlı, maruz kalan, bulaştırıcı ve iyileşen gruplara ayırır. Yalnızca mevcut değişim hızına bakan sıradan türevler yerine, geçmişin hafızasını içeren Caputo tipi kesirli türev kullanırlar—bu, uzun kuluçka süreleri veya kalıcı etkileri olan hastalıklar için özellikle önemlidir. Bu kesirli SEIR sistemi, çözümleri uygun bir operatörün sabit noktalarına karşılık gelen eşdeğer bir integral denklemine yeniden yazılabilir. Yazarlar bu operatörün genelleştirilmiş genişlemez çerçevesine uyduğunu ve teknik bir "Lipschitz" sınırını sağladığını ispatlayarak yeni yineleme şemasının salgın modelinin benzersiz çözümüne yakınsadığını gösterirler. Pratik anlamda, dört bölümün zaman içindeki evrimine ilişkin bir başlangıç tahmininden başlanarak şema tekrarlı şekilde uygulanabilir ve giderek daha doğru salgın yolları elde edilebilir.

Çalışmanın nihai gösterdiği

Basitçe söylemek gerekirse, yazarlar birçok bilimsel modelin temelini oluşturan adım adım hesaplamalar için daha esnek ve güvenilir bir araç geliştirmiştir. Bu yeni yinelemenin mevcut birkaç yöntemi birleştirebileceğini ve genişletebileceğini, hızlı ve kararlı bir şekilde yakınsadığını ve hafıza içeren kesirli SEIR salgın modelleri gibi karmaşık sistemleri işleyebildiğini gösterirler. Genel okuyucu için temel çıkarım şudur: sabit nokta yaklaşımının temel matematiğindeki ilerlemeler, hastalıkların bir nüfus içinde nasıl yayıldığından diğer doğrusal olmayan süreçlerin zaman içindeki evrimine kadar karmaşık dinamik sistemleri simüle etme ve anlama yeteneğimizi doğrudan iyileştirebilir; bu da daha güvenilir tahminler ve analizler sağlar.

Atıf: 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

Anahtar kelimeler: sabit nokta yinelemesi, kesirli SEIR modeli, salgın dinamiği, sayısal yakınsama, doğrusal olmayan dinamik sistemler