АНАЛІТИЧНІ МЕЖІ ТОПОЛОГІЧНОЇ СТІЙКОСТІ ДИНАМІЧНИХ СИСТЕМ ЗА УМОВ ШУМУ ТА СТРУКТУРНИХ АНОМАЛІЙ

  • С. В. Єршов Інститут кібернетики імені В.М. Глушкова Національної академії наук України https://orcid.org/0000-0002-9895-777X
  • Є. Д. Симонов Інститут кібернетики імені В.М. Глушкова Національної академії наук України https://orcid.org/0009-0008-2581-2001
Ключові слова: топологічна стійкість, структурні аномалії, оператор Купмана, оператор Перрона–Фробеніуса, топологічний аналіз даних

Анотація

У статті розроблено узагальнену аналітичну модель визначення меж топологічної стійкості динамічних систем за умов шуму та структурних аномалій. Топологічна стійкість розглядається як інваріантність якісного типу динаміки – збереження індексу Конлі, морсівської декомпозиції та гомологічного класу атрактора – при стохастичних і дискретних структурних збуреннях, що змінюють геометрію та зв’язність компонентів системи. На відміну від класичних підходів, що базуються на локальній метричній стабільності, запропоновано методологію, яка поєднує операторний формалізм еволюційних потоків, спектральний аналіз генератора напівгрупи та топологічно-статистичні інваріанти. Основою методу є трактування шумових і структурних впливів як параметричних збурень системи, що дозволяє простежити неперервність спектра та визначити умови збереження топологічних інваріантів. Введено інтегральний функціонал топологічної жорсткості як кількісну міру середньої зміни структури атрактора; показано, що його поведінка задає порогові умови втрати стійкості та визначає межі інваріантності системи. Аналітично виведено граничні співвідношення, які описують область аналітичної стійкості – множину параметрів шуму, кореляційного часу, глибини й рангу структурних дефектів, у межах якої ймовірність зміни топологічного інваріанта не перевищує заданого рівня. Проведене комп’ютерне тестування підтвердило адекватність моделі: аналітичні межі збігаються з емпіричними результатами, отриманими методом топологічного аналізу даних із використанням діаграм персистентності. Виявлено, що у діапазоні малих збурень форма емпіричної межі практично тотожна аналітичній, а відхилення у перехідній зоні не перевищують очікуваної стохастичної похибки. Результати дослідження підтверджують ефективність запропонованого підходу для кількісного прогнозування моментів втрати топологічної інваріантності та оцінювання запасу стійкості в реакційно-дифузійних, мережевих, нейродинамічних і керованих технічних системах. Методика є універсальною, відтворюваною й може бути інтегрована у модулі адаптивного керування складними об’єктами, що працюють в умовах невизначеності та шумових впливів.

Посилання

1. Srzednicki R. On determining the homological Conley index of Poincaré maps in autonomous systems. Topological Methods in Nonlinear Analysis. 2022. Vol. 60, no. 1. P. 5–32. DOI: https://doi.org/10.12775/tmna.2022.006
2. Benedetti K. C. B., Gonçalves P. B., Lenci S., et al. Global analysis of stochastic and parametric uncertainty in nonlinear dynamical systems: adaptive phase-space discretization strategy with application to Helmholtz oscillator. Nonlinear Dynamics. 2023. Vol. 111. P. 15675–15703. DOI: https://doi.org/10.1007/s11071-023-08667-5
3. Lee M. Local topological stability for diffeomorphisms. Qualitative Theory of Dynamical Systems. 2023. Vol. 22. Article 51. DOI: https://doi.org/10.1007/s12346-023-00755-6
4. Strässer R., Schaller M., Worthmann K., Berberich J., Allgöwer F. Koopman-based feedback design with stability guarantees. IEEE Transactions on Automatic Control. 2024. Vol. 70, no. 1. P. 355–370. DOI: https://doi.org/10.1109/TAC.2024.3425770
5. Millán A. P., Sun H., Torres J. J., Bianconi G. Triadic percolation induces dynamical topological patterns in higher-order networks. PNAS Nexus. 2024. Vol. 3, no. 7. Article pgae270. DOI: https://doi.org/10.1093/pnasnexus/pgae270
6. Foidl H., Golendukhina V., Ramler R., Felderer M. Data pipeline quality: influencing factors, root causes of data-related issues, and processing problem areas for developers. Journal of Systems and Software. 2023. Vol. 207. Article 111855. DOI: https://doi.org/10.1016/j.jss.2023.111855
7. Pradhan C., Trehan A. Data engineering for scalable machine learning: designing robust pipelines. International Journal of Computer Engineering and Technology. 2024. Vol. 15, issue 6. P. 1840–1852. DOI: https:// doi.org/10.34218/IJCET_15_06_157
8. Chapman A., Lauro L., Missier P., Torlone R. Supporting better insights of data science pipelines with fine-grained provenance. ACM Transactions on Database Systems. 2023. Vol. 49, issue 2. Article 6. P. 1–42. DOI: https://doi.org/10.1145/364438
9. Symonov D., Symonov Y. Integration of knowledge management processes into a dynamic organizational environment. Artificial Intelligence. 2024. Vol. 29, issue 2. P. 98–106. DOI: https://doi.org/10.15407/jai2024.02.098
10. Symonov D. Maximization of entropy method for predicting the behavior of complex systems under noise conditions. Journal of Numerical and Applied Mathematics. 2025. Vol. 2. P. 52–61. DOI: https://doi.org/10.17721/2706-9699.2024.2.03
11. Lei N., Zhou S. Upper semicontinuity of uniform attractors for non-autonomous lattice systems under singular perturbations. Scientia Sinica Mathematica. 2022. Vol. 52. P. 1121–1136. DOI: https://doi.org/10.1360/SCM-2021-0372
12. Symonov D. I., Symonov Y. D. Methods for selecting models of functioning of multicomponent information and environmental systems. Mathematical Modeling. 2024. Vol. 1, issue 50. P. 57–63. DOI: https://doi.org/10.31319/2519-8106.1(50)2024.304943
Опубліковано
2025-12-30
Як цитувати
Єршов, С. В., & Симонов, Є. Д. (2025). АНАЛІТИЧНІ МЕЖІ ТОПОЛОГІЧНОЇ СТІЙКОСТІ ДИНАМІЧНИХ СИСТЕМ ЗА УМОВ ШУМУ ТА СТРУКТУРНИХ АНОМАЛІЙ. Системи та технології, 70(2), 19-27. https://doi.org/10.32782/2521-6643-2025-2-70.2
Розділ
ПРИКЛАДНА МАТЕМАТИКА