用于近似一类广义（$$\alpha ,\beta$$）-非扩张映射不动点的新型迭代方法及其在 SEIR 疫情模型中的应用

这对疾病建模为何重要

当我们听到计算机模型预测流行病如何传播时，这些预测归根结底依赖于求解复杂的数学方程。通常这些方程无法一步求解，因此科学家使用称为迭代方案的逐步近似过程。本文提出了一种新的、更快速且更可靠的逐步计算方法，并展示了它如何用于改善包含传染记忆效应的现代 SEIR 疫情模型的分析。

改进许多模拟背后的引擎

在物理、工程、经济学和流行病学的无数模型中，核心思想是“不变点”：在应用系统规则后保持不变的状态。找到这样的状态很少是简单的，因此研究人员使用迭代程序：从一个猜测出发，应用变换，然后重复，直到更新稳定下来。多年来提出了许多此类程序，各自针对不同的技术假设。作者关注一类非常广泛的变换，这类变换不会过度拉伸距离，称为广义（α，β）-非扩张映射。这个宽泛的设定已包含若干常用方法，因此此处更强大的方案可同时影响许多应用领域。

一种新的逐步配方

论文提出了一种新的四阶段迭代，每轮系统地改进初始猜测。在每个循环中，当前猜测首先被变换一次，然后与该变换的更深入评估进行融合，最后再次通过变换。这些融合步骤类似受控加权平均，旨在稳定迭代路径并纳入有关系统行为的更深信息。从数学上，作者证明在一致凸的巴拿赫空间这一处理无限维问题的标准框架下——在自然条件下——当存在不动点时，这一新方案总能产生收敛于不动点的序列。他们给出“弱收敛”和“强收敛”两种形式的证明，分别对应在越来越严格意义上逼近真实解。

实践中更快、更稳定的收敛

为检验新方案是否不仅优雅而且高效，作者将其与几种流行迭代方法进行比较，包括经典的皮卡迭代和近年的多步变体。通过精心选取的测试问题，他们跟踪每种方法逼近正确不动点的速度以及在数值误差可忽略前所需的步数。表格和图形显示，在困难示例中该新方案通常在更少迭代或表现出更稳定行为的情况下达到目标。除速度外，作者还分析了该方法对基础规则微小变化的敏感性——即数据依赖性，并证明了称为 G-稳定性和近似 G-稳定性的性质。这些结果表明该过程具有鲁棒性：小扰动不会破坏收敛，只会在最终结果中引入受控的、有界的变化。

将抽象数学与疫情曲线联系起来

为展示现实世界的相关性，作者将其不动点工具应用于 SEIR 疫情模型，该模型将人口划分为易感、暴露、感染和康复四类。作者没有使用只关注当前变化率的常规导数，而采用了 Caputo 型分数阶导数，它包含对过去的记忆——这一特性对具有长潜伏期或持续效应的疾病尤为重要。该分数阶 SEIR 系统可以改写为一个等价的积分方程，其解对应于某一合适算子的不动点。通过证明该算子满足其广义非扩张框架并满足技术性的 Lipschitz 有界条件，作者表明其新迭代方案会收敛到疫情模型的唯一解。实际上，可以从对四个群体随时间演化的初始猜测开始，反复应用该方案以获得越来越精确的疫情轨迹。

研究的最终结论

简而言之，作者为支持许多科学模型的逐步计算构建了一个更通用且更可靠的引擎。他们表明这一新迭代能够统一并扩展若干现有方法，快速且稳定地收敛，并能处理具有记忆效应的复杂系统，例如分数阶 SEIR 疫情模型。对非专业读者而言，关键结论是：不动点近似基础数学的进步能够直接提高我们模拟和理解复杂动力系统的能力——从疾病在人群中的传播到其他非线性过程的演化——从而带来更值得信赖的预测和分析。

引用: 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

关键词: 不动点迭代, 分数阶 SEIR 模型, 流行病动态, 数值收敛, 非线性动力系统