Тау-прыгающий
В вероятностей теории тау-прыжк , или τ-прыжк , — это приближенный метод моделирования стохастической системы . [1] Он основан на алгоритме Гиллеспи , выполняющем все реакции в течение интервала длины tau перед обновлением функций склонности. [2] Реже обновляя ставки, это иногда позволяет более эффективно моделировать и, следовательно, учитывать более крупные системы.
Рассмотрено множество вариантов базового алгоритма. [3] [4] [5] [6] [7]
Алгоритм
[ редактировать ]Алгоритм аналогичен методу Эйлера для детерминированных систем, но вместо внесения фиксированного изменения
изменение
где представляет собой распределенную по Пуассону случайную величину со средним значением .
Учитывая состояние с событиями происходит со скоростью и с векторами изменения состояния (где индексирует переменные состояния и индексирует события), метод заключается в следующем:
- Инициализируйте модель с начальными условиями .
- Рассчитать стоимость мероприятия .
- Выберите временной шаг . Это может быть исправлено или с помощью какого-либо алгоритма, зависящего от различных частот событий.
- Для каждого события генерировать , то есть сколько раз каждое событие происходит в течение интервала времени .
- Обновите состояние с помощью
- где это изменение переменной состояния из-за события . На этом этапе может возникнуть необходимость проверить, что никакие популяции не достигли нереалистичных значений (например, популяция не становится отрицательной из-за неограниченного характера переменной Пуассона). ).
- Повторяйте, начиная с шага 2 и далее, пока не будет выполнено какое-либо желаемое условие (например, определенная переменная состояния не достигнет 0 или время достигается).
Алгоритм эффективного выбора размера шага
[ редактировать ]Этот алгоритм описан Cao et al. [4] Идея состоит в том, чтобы ограничить относительное изменение частоты каждого события. по заданному допуску (Цао и др. рекомендуют , хотя это может зависеть от особенностей модели). Это достигается за счет ограничения относительного изменения каждой переменной состояния. к , где зависит от скорости, которая изменяется больше всего при данном изменении . Обычно равна частоте событий высшего порядка, но в различных ситуациях это может быть более сложным (особенно эпидемиологические модели с нелинейной частотой событий).
Этот алгоритм обычно требует вычислений вспомогательные значения (где количество переменных состояния ), и должен требовать только повторного использования ранее вычисленных значений . Важным фактором при этом является является целочисленным значением, то существует минимальное значение, на которое оно может измениться, предотвращая относительное изменение ограничено 0, что приведет к также стремится к 0.
- Для каждой переменной состояния , вычисляем вспомогательные значения
- Для каждой переменной состояния , определить событие высшего порядка, в котором оно участвует, и получить
- Вычислить временной шаг как
Это вычислено затем используется на этапе 3 прыгающий алгоритм.
Ссылки
[ редактировать ]- ^ Гиллеспи, DT (2001). «Приближенное ускоренное стохастическое моделирование химически реагирующих систем» (PDF) . Журнал химической физики . 115 (4): 1716–1733. Бибкод : 2001JChPh.115.1716G . дои : 10.1063/1.1378322 .
- ^ Эрхард, Ф.; Фридель, CC; Циммер, Р. (2010). «FERN - Стохастическое моделирование и оценка реакционных сетей». Системная биология для сигнальных сетей . п. 751. дои : 10.1007/978-1-4419-5797-9_30 . ISBN 978-1-4419-5796-2 .
- ^ Цао, Ю.; Гиллеспи, DT ; Петцольд, ЛР (2005). «Избежание отрицательной популяции при явном тау-прыжке Пуассона». Журнал химической физики . 123 (5): 054104. Бибкод : 2005JChPh.123e4104C . CiteSeerX 10.1.1.123.3650 . дои : 10.1063/1.1992473 . ПМИД 16108628 . S2CID 1652735 .
- ^ Jump up to: а б Цао, Ю.; Гиллеспи, DT ; Петцольд, ЛР (2006). «Эффективный выбор размера шага для метода моделирования тау-прыжка» (PDF) . Журнал химической физики . 124 (4): 044109. Бибкод : 2006JChPh.124d4109C . дои : 10.1063/1.2159468 . ПМИД 16460151 .
- ^ Андерсон, Дэвид Ф. (7 февраля 2008 г.). «Включение проверок после прыжка в тау-прыжко». Журнал химической физики . 128 (5): 054103. arXiv : 0708.0377 . Бибкод : 2008JChPh.128e4103A . дои : 10.1063/1.2819665 . ISSN 0021-9606 . ПМИД 18266441 . S2CID 1166923 .
- ^ Чаттерджи, Абхиджит; Влахос, Дионисиос Г.; Кацулакис, Маркос А. (8 января 2005 г.). «Ускоренное стохастическое моделирование на основе биномиального распределения на основе τ-скачка». Журнал химической физики . 122 (2): 024112. Бибкод : 2005JChPh.122b4112C . дои : 10.1063/1.1833357 . ISSN 0021-9606 . ПМИД 15638577 .
- ^ Мораес, Альваро; Темпоне, Рауль; Виланова, Питер (24 апреля 2014 г.). «Гибрид Чернова Тау-Прыжок». Многомасштабное моделирование . 12 (2): 581–615. CiteSeerX 10.1.1.756.9799 . дои : 10.1137/130925657 . ISSN 1540-3467 .