摘要
我们研究了在参数系数多项式系统族中寻找泛型系统解集的方法。我们提出了一个用修饰图描述基于单值函数的解算器的框架。根据理论。在单调作用是一致生成的情况下,我们证明了遵循该框架的算法所跟踪的同伦路径的预期数量在解的数量上是线性的。我们证明了我们的软件实现与其他软件包中实现的现有最先进的方法具有竞争力。
1.简介
同伦延拓已成为求多项式系统解的近似值的标准技术。有一篇关于该主题及其在研究中的应用的早期流行文本摩根(1987)这项技术是数值代数几何的支柱,该领域通过采用数值近似计算的算法经典地解决复杂代数几何的问题。研究中的章节索梅塞等。(2005,第8节)是最早的介绍Sommese&Wampler(2005年)是该地区的主要参考。
具有参数系数的多项式系统族发挥着中心作用之一。大多数同伦延拓技术可以被视为从家族中的一个通用系统发展到一个特定系统。此过程通常称为退化.朝相反的方向走,可以称之为变形,分解或再生取决于文献。了解通用系统的解决方案后,可以使用系数参数同伦(Sommese&Wampler,2005年,第7节),以获得特定问题的解决方案。
我们这里要解决的主要问题是如何解决一系列系统中的通用系统,具有有限多个参数第页和n个变量x个在本文的主体中,我们将注意力局限于线性参数族系统,定义为具有仿射线性参数系数的系统,例如对于泛型第页我们有一个非空的有限解集x个到|$F_{p}(x)=0$|。这意味着N个≥n个。参数的数量是任意的,但对于泛型x个存在第页具有|$F_{p}(x)=0$|。这些限制是为了简单起见。我们在第节中解释了在更一般的设置中应用我们的方法需要进行哪些修改7. 线性参数系统形成了一个大类,其中包括稀疏多项式系统.这些是方形的(n个=N个)每个方程有固定的单项式支持,每个单项式的系数有不同的参数的系统。多面体同构求解稀疏系统的方法源于BKK(Bernstein、Khovanskii、Kouchnirenko)对解数的限制(伯恩斯坦,1975年); 算法开发的早期工作是由弗舍尔德等。(1994年)和Huber&Sturmfels(1995年)多面体同伦为稀疏系统提供了一个最佳解决方案,因为它们被设计成遵循与一般系统的解数相同的路径(BKK界)。
在上述意义上,我们提出的方法显然不是最优的。然而,所遵循的同伦路径的预期数量可能大于解的数量不太大。我们还使用线性段同伦简单得多而且在实践中遵循成本更低。我们当前的实现表明,它与PHCpack中最先进的多面体同伦实现相竞争(Verschelde,1999年)和HOM4PS2(李等。, 2008)用于求解稀疏系统。在一个比稀疏更通用的设置中,我们演示了线性参数系统的示例,对于这些系统,我们的实现超越了基于其他思想的现有稀疏系统解算器和黑箱解算器的能力。
利用参数空间正则轨迹的基本群诱导的单值作用的思想已成功地应用于整个数值代数几何中。该地区的主要工具之一,数值不可约分解,可以使用单反分裂算法,首次出现在研究中的是索梅塞等。(2001)研究中描述了单值分解算法的一个并行体现Leykin&Verschelde(2009年)事实上,这部作品的主要思想在精神上与我们在本文中提出的观点很接近。使用单值函数寻找解的想法推动了数值隐式化(Chen&Kileel,2016年)并出现在其他作品中,例如del Campo&Rodriguez(2017).用数字计算单峰群,如Leykin&Sottile(2009年)和豪恩斯坦等。(2017),需要更多的计算,而不仅仅是寻找解决方案。人们可以用我们提出的相同方法来进行这种计算;见第5节7.
我们的主要贡献是提供了一个新的框架来描述使用monodromy求解多项式系统的算法;我们称之为单峰解算器(MS)框架。我们分析了我们的主要算法的复杂性,从理论上假设了某种统计模型,并在一系列示例上进行了实验。通过分析,我们有理由说,随着解决方案数量的增加,我们的方法跟踪的路径的预期数量是线性的,系数很小。我们的方法及其实现不仅为求解多项式系统提供了一种新的通用工具,而且可以解决其他现有软件无法解决的一些问题。
本文的结构如下。我们在第节中简要概述了MS方法以及一些必要的预备工作2遵循MS框架的算法取决于策略的选择,第节概述了几种可能性三该方法的统计分析是第节的主题4第节讨论了实施5以及附带的主题认证解决方案集的。我们对选定示例族的实验结果强调了各种实际计算方面,见第节6。读者可能还需要查看第节中的系统示例6.1和6.2在阅读之前的部分之前。MS技术的可能推广和未来探索方向在第节中介绍7.
2.背景和框架概述
让|$m,n\in{\mathbb{n}$|.我们考虑平方系的复线性空间|$F_{p}$|,|$p\in{\mathbb{C}}^{m}$|,其中单项式支持|$f_{p}^{(1)},\点,\,f_{p2}^{(n)}$|在变量中|$x=(x{1},\点,x{n})$|固定,系数变化。由基本空间B我们指的是系统的参数化线性变化。我们认为它是仿射线性映射的图像|$\varphi:p\mapsto F_{p}$|从参数空间|${\mathbb{C}}^{m}$|带坐标|$p=(p_{1},\ldot,p_{m})$|系统空间。
我们假设我们的家庭结构是这样的|$\pi美元$|来自溶液种类到B类给了我们一个分支覆盖层,即纤维|$\pi^{-1}\左(F_{p}\右)$|泛型具有相同基数的有限第页.判别变量D类在这种情况下,是具有非generic fibers的基本空间中系统的子集;它也被称为分支轨迹属于|$\pi$|. 这个基本群|$\pi_{1}(B\set-D)$|-请注意|$\pi_{1}$|是与地图无关的常用拓扑符号|美元\pi$|上面的集合由循环组成,即B类∖D类以固定的速度开始和结束第页∈B类∖D类被认为是同伦等价的。有关定义和更多详细信息,请参阅第节2.1,不取决于点第页,自B类∖D类已连接。每个环路都会引起纤维的排列|$\pi^{-1}\左(F_{p}\右)$|,称为单峰行动。
我们的目标是在我们的家庭中找到一个通用系统的纤维。我们的方法是找到一对|V中的$(p_{0},x_{0{)$|在纤维上使用单峰作用|$\pi^{-1}\左(F_{p_{0}\右)$|找到它的要点。我们假设此操作是可传递的,这是当且仅当解决方案变化时的情况V(V)是不可约的。如果V(V)正好可以被我们替换V(V)其独特的主导不可约分量如备注所述2.2.
2.1单峰
我们简要回顾了关于分支覆盖物的单dromy群的基本事实。使用之前的符号修复系统|B\set-D中的$F_{p}$|考虑一个循环|美元\套$|没有基于的分支点|$F_{p}$|; 也就是说,一条连续的路径这样的话|$τ(0)=τ(1)=F{p}$|假设我们也得到一分|$x{i}$|在纤维中|$\pi^{-1}\左(F_{p}\右)$|具有d日点|$x{1}、x{2}、\ldot、x{d}$|自|美元\pi$|这对是一张覆盖图吗|$(\tau,x{i})$|对应于唯一的举起|$\widetilde{\tau_{i}}$|一条路径这样的话|$\widetilde{\tau{i}}(0)=x{i}$|和|$\widetilde{\tau{i}}(1)=x{j}$|对于某些1≤j个≤d日注意|美元\套$|和|$x{j}$|提升至反转|$\widetilde{\tau_{i}$|因此,循环|美元\套$|诱导集合的置换|$\pi^{-1}\左(F_{p}\右)$|我们有一个群同态其域是B类∖D类基于|$F_{p}$|。的图像|美元\varphi$|是单反群关联到|$\pi^{-1}\左(F_{p}\右)$|单峰群作用于纤维|$\pi^{-1}\左(F_{p}\右)$|通过排列|$F_{p}$|. 备注2.1熟悉单峰环路在讨论中Sommese和Wampler(2005,第15.4节)可能会想到这个关键字是指基本群元素的代表,以及它对溶液种类的提升和对纤维的诱导作用。出于本文的目的,我们需要明确本术语中捆绑的成分。
到目前为止,我们还没有使用任何代数性质。上述单值群的构造适用于有限多片的任意覆盖。单峰群是|${\mathrm{S}}_{d}$|无论何时连接总空间。在我们的环境中,因为我们正在工作|${\mathbb{C}}$|,这恰好发生在解变量不可约的时候。
备注2.2对于线性族,我们可以证明解簇至多有一个不可约分量V(V)其中投影的限制|$\左(F_{p},x\右)\mapsto x$|占主导地位(也就是说,它的图像是稠密的)。我们称这种组件为主导成分的确,让U型是点的轨迹|$\左(F_{p},x\右)\in\pi^{-1}(B\set-D)$|这样的话
局部满射可以解释为Zarisk拓扑的意义,也可以解释为在切线空间上诱导满射。然后要么U型为空或|$\上划线{U}$|是我们需要的主导分量,因为它是不可约簇上的向量丛,因此是不可约化的。 在报纸的其余部分,当我们说溶液种类,我们的意思是溶液种类的主要成分特别是,对于稀疏系统,将注意力集中在主要组件上会转化为只在圆环中寻找解决方案|$\左({\mathbb{C}}^{\ast}\right)^{n}$|.
2.2同伦延拓
给出两点|$F_{p_{1}}$|和|$F_{p_{2}}$|在基础空间B类,我们可以组成系统家族被称为线性段同伦在两个系统之间。如果|$p_{1}$|和|$p_{2}$|对于每一个都足够通用t吨∈[0,1],我们有H(H)(t吨)实余维2集之外D类因此,每个系统H(H)(t吨)解的数量有限且相等。这个同伦是B类; 解决方案种类中此路径的提升V(V)称为同伦路径.的同伦路径H(H)(t吨)在纤维之间建立一对一的对应关系|$\pi^{-1}\左(F_{p_{1}\右)$|和|$\pi^{-1}\左(F_{p_{2}}\右)$|. 备注2.3请注意|$\gamma F_{p}$|对于|$\gamma\在{\mathbb{C}}\setminus\{0\}中$|具有与相同的解决方案|$F_{p}$|.让我们通过在|$\伽马_{1} F类_{p{1}}$|和|$\伽马_{2} 如果_{p{2}}$|对于通用|$\gamma_{1}$|和|$\gamma_{2}$|.如果|$F_{p}$|是同质的第页然后是同伦匹配解|$\pi^{-1}\left(F_{p_{1}}\right)$|和|$\pi^{-1}\左(F_{p_{2}}\右)$|,其中匹配可能不同于H(H)(t吨). 类似地,对于仿射线性族,|$F{p}=F^{\prime}_{p}+C$|,其中|$F^{prime}_{p}$|在中是同质的第页和C类是一个恒定的系统,我们有我们忽略了这样一个事实H′(t吨)可以出去B类对于t吨∈(0,1),由于其缩放,不离开B类显然有相同的同伦路径。请注意H(H)″(t吨)定义为|$(1-t)\gamma_{1}+t\gamma_2}\neq 0$|为所有人t吨∈[0,1]对于泛型|$\gamma_{1}$|和|$\gamma_{2}$|. 可以使用以下方法数值同伦延拓,例如在书中由Sommese&Wampler(2005年,第2.3节),以跟踪解决方案t吨从0更改为1。在某些情况下B类可能会靠近分支轨迹D类必须考虑数值问题。
备注2.4如果家庭|$F_{p}$|参数是非线性的第页一个人必须接受参数线性段同伦在参数空间中,即。,|$H(t)=F_{(1-t)p_{1}+tp_{2}}$|,t吨∈ [0, 1]. 这不会改变整体结构;然而,更换系统的自由|$F_{p_{1}}$|和|$F_{p_{2}}$|在具有其标量倍数的同伦论的末端,如注2.3丢失了。
2.3同伦图:主要思想
一些读者可能会发现使用第节中的示例很有帮助2.4为了图形直观,我们在下面介绍符号和定义。
为了组织新解的发现,我们用一个有限无向图来表示一组同源图克.让E类(克)和V(V)(克)表示的边和顶点集克分别是。任意顶点v(v)在里面V(V)(克)与点关联|$F_{p}$|在基础空间中。边缘e(电子)在里面E类(克)连接|$v_{1}$|和|$v_{2}$|在里面V(V)(克)用两个复数装饰,|$\gamma_{1}$|和|$\gamma_{2}$|,表示线性同伦连接|$\伽马_{1} F类_{p{1}}$|和|$\gamma _{2}F_{p_{2}}$|沿线段(备注2.3). 我们假设两者都是|$p_{i}$|和|$\gamma_{i}$|选择时,应确保线段不与分支轨迹相交。随机选择这些(参见第节5.1对于可能的分布选择)满足假设,因为发生这种交集的例外选择集包含在真实的Zarisk闭集中,请参见Sommese&Wampler(2005年,引理7.1.3)。
我们允许两个不同的顶点之间有多条边,但不允许有循环,因为后者会导致平凡的同伦。对于图形克要在单值计算中潜在有用,它必须包含一个循环。图结构背后的一些一般思想克如下所示。
对于每个顶点|$v_{i}$|我们维护一个子集已知点|$Q_{i}\子集\pi^{-1}\左(F_{p_{i{}\右)$|.
对于每个边缘e(电子)之间|$v_{i}$|和|$v_{j}$|我们记录这两个复数|$\gamma_{1}$|和|$\gamma_{2}$|,我们存储已知的部分对应|$C_{e}\!\子集\!\圆周率^{-\!1}\!\左(F_{p_{i}}\右)\!\时间\pi^{-\!1}\!\左(F_{p_{j}}\右)$|已知点之间|$Q_{i}$|和|$Q_{j}$|.
在每次迭代中,我们选择一条边和方向,从尚未匹配的点开始跟踪相应的同伦,并更新已知点和它们之间的对应关系。
我们可以作为种子对|$(p_{0},x_{0{)$|通过采摘|$x_{0}\在{\mathbb{C}}^{n}中$|随机选择|$p_{0}$|是线性系统的通解|$F_{p}(x_{0})=0$|.
我们列出了导致在捕获的算法的一种状态之间转换的基本操作克,|$Q_{i}$|对于|v(G)中的$v_{i}$|和|$C_{e}$|对于e(电子)∈E类(克)到另一个。对于边缘|$e=v{i}\超集{(\gamma_{1},\gamma_2})}{\overleftrightarrow{\hphantom{(\ gamma_},\ gamma_2{)}}}v{j}$|考虑同伦哪里|$\left(\gamma _{1},\gamma _{2}\right)\ in{\mathbb{C}}^{2}$|是的标签e(电子). 获取起点|$S_{i}$|成为已知点集的子集|$Q_{i}$|与中的点没有确定的对应关系|$Q_{j}$|.
轨道|$S_{i}$|沿着|$H^{(e)}$|对于t吨∈[0,1]得到|$S_{j}\子集\pi^{-1}\左(F_{p_{j}}\右)$|.
扩展的已知点|$v_{j}$|也就是说,|$Q_{j}:=Q_{j}\杯S_{j}$|并记录新建立的通信。
添加与对应的新顶点|$F_{p}$|对于泛型第页∈B类∖D类.
添加新边|$e=v{i}\超集{(\gamma_{1},\gamma_2})}{\overleftrightarrow{\hphantom{(\ gamma_},\ gamma_2{)}}}v{j}$|使用泛型装饰的两个现有顶点之间|$\gamma_{1},\gamma_2}\!\在\!{\mathbb{C}}$|.
此时,准备查看基于这些思想的算法的读者可以跳到算法3.1.
2.4同伦图:示例
我们通过两个例子来演示同伦图的思想,这是MS框架的核心思想。
例子2.5图1显示了一个图形克两个顶点和三条边嵌入在基础空间中B类路径部分提升到解的多样性,这是一个三片覆盖空间。这两种纤维|$\{x{1}、x{2}和x{3}$|和|$\{y_{1},y_{2},y_{3}\}$|由三条egde路径的提升引起的三个部分对应连接。
请注意,本图中的几个方面都是虚构的。在实际的复杂基础空间中只有一个分支点B类我们希望读者能够想象。解决方案变体的可见自交集V(V)是在真实空间中绘制图片的人工制品。此外,在实践中,我们使用尽可能简单的同伦路径,然而,为了在打印中区分它们,这里涉及的路径更多。
我们设想的算法可以假设采取以下步骤:
(1)种子第一种纤维|$x_{1}$|;
(2) 使用边缘提升|$e_{a}$|得到|$y_{1}$|从|$x_{1}$|;
(3) 使用边缘提升|$e_{b}$|得到|$x{2}$|从|$y_{1}$|;
(4) 使用边缘提升|$e_{c}$|得到|$y_{2}$|从|$x_{1}$|;
(5) 使用边缘提升|$e_{a}$|得到|$x{3}$|从|$y_{2}$|.
请注意,它是不完成信函(a)、(b)和(c)所必需的。这样做需要跟踪九条连续路径,而上面的假设运行仅使用四条路径来查找光纤。 例子2.6图2说明了与两条边关联的两个部分对应关系|$e_{a}$|和|$e_{b}$|,两者都连接两个顶点|$v_{1}$|和|$v_{2}$|在里面V(V)(克). 每个顶点|$v_{i}$|存储已知点的数组|$Q_{i}$|,用实体表示。图片中的两个对应都是完美匹配的子集,完美匹配是由与边缘相关联的同伦建立的一对一对应。
注意,采用一组起点|$S_{1}=\{x_{3}\}$|并遵循同伦论|$H^{(e_{a})}$|从左到右是放心发现第二根纤维中的新点。另一方面,通过跟踪获取新知识是不可能的|$H^{(e_{a})}$|从右向左。同伦|$H^{(e_{b})}$|有一个潜在的发现新的点,如果在任何一个方向跟踪。我们可以选择|$S_{1}=\{x_{1},x_{3}\}$|作为一个方向的起点|$S_{2}={y_{3}$|另一方面。在这种情况下,遵循从左到右的同伦可以保证产生至少一个新点,而按照另一种方式可能会产生一个新的点,或者只是增加已知点之间的对应关系。如果(a)和(b)中的对应完成为由边缘诱导的同伦纤维的一对一对应|$e_{a}$|从左到右跟随由边诱导的同伦论|$e_{b}$|从右到左会产生排列。然而,由这种排列产生的群必须稳定|$\{x_{2}\}$|因此,它不会对|$v_{1}$|。人们还可以想象这样一个完成过程,即给定的边不足以发现|$x{5}$|和|$y_{4}$|.
图。2
由边引起的两个部分对应|$e_{a}$|和|$e_{b}$|对于覆盖度图的纤维d日示例中=52.6.
在我们的算法中,我们记录并使用通信;然而,它们被视为第二类知识。特别是在第节3.2.4我们开发了由边势函数驱动的启发式算法,该算法寻求最大化新发现的解的数量,换句话说,以贪婪的方式扩展初级知识。
3.算法和策略
第节中列出的操作2.3在发现解决方案时给予很大的自由。然而,并非所有应用这些操作的策略都同样有效。我们区分静止的策略,其中图形在整个发现过程中是固定的(仅第节的基本操作12.3使用)和动态策略,其中可以添加顶点和边(操作2和3)。
3.1朴素的动态策略
要在我们的框架中可视化此策略,请跳到花图中的图形。三从顶点的种子溶液开始|$v_{0}$|并继续创建循环作为此图中的花瓣:例如,使用基本操作2和3创建|$v_{1}$|和两个边缘之间|$v_{0}$|和|$v_{1}$|,在中跟踪已知解决方案|$v_{0}$|沿着新花瓣寻找新的解决方案|$v_{0}$|然后“忘记”花瓣,在下一次迭代中创建一个全新的花瓣。
此策略填充光纤|$\pi^{-1}\左(F_{p_{0}}\右)$|,但有多快?假设由花瓣置换引起的置换|$\pi^{-1}\左(F_{p_{1}\右)$|均匀分布。那么对于第一个花瓣,找到新解的概率等于(d日− 1)/d日哪里|$d=\left|\pi^{-1}\left(F_{p_{1}}\right)\right|$|,这是很大的。但是,对于其他花瓣,在一条跟踪路径的末尾到达任何新的花瓣的概率会随着已知解集的增长而降低。
找到发现整个光纤的预期迭代次数(花瓣)相当于求解优惠券收集者问题。迭代次数为d⁄(d日)其中|$\ell(d):={1\over 1}+{1\ over 2}+\cdots+{1\\over d}$|。的值ℓ(d日)可以看作函数的两个积分的上下和|$x\mapsto x^{-1}$|,通向边界|$\ln(d+1)\leq\ell(d)\leq \ln。同时跟踪花瓣上的所有已知点会带来更好的复杂性,因为不同的路径无法产生相同的解决方案。
我们注意到,现有的数值不可约分解在Bertini中的实现(贝茨等。, 2013),PHC包(Verschelde,1999年)和数字代数几何用于Macaulay 2(莱金,2011年)使用单峰的是朴素动态策略的一个版本。
3.2静态图策略
事实证明,重用图的边是一个优势。在静态策略中,图是固定的,我们根据以下算法发现解决方案。
该算法可以通过多种方式进行专门化。我们可以
我们在第节中讨论第一选择3.2.1通过列出可以使用的几个图形布局。停车标准在第节中讨论3.2.2和节3.2.3,而选择边缘的策略在第节中讨论3.2.4. 备注3.2我们注意到,如果停止标准从未满足,则算法跟踪的路径数3.1最多是d日|E类(克)|,其中d日是通用系统的解决方案数。
3.2.1两种静态图形布局
我们提出了两种用于静态策略的图形布局(图。三).
3.2.2已知溶液计数时的停止标准
假设纤维的基数|$\pi^{-1}\左(F_{p}\右)$|对于的泛型值第页已知。那么,我们算法的一个自然停止准则是,当已知解集|$Q_{i}$|在任何节点我达到基数。特别是,对于具有固定单项式支持的一般稀疏系统,由于BKK界,我们可以依赖此停止准则(伯恩斯坦,1975年)可以通过混合体积计算。
3.2.3如果不知道溶液计数,则停止标准
对于静态策略,一个自然停止标准是饱和已知解沿所有边对应。在这种情况下,算法根本无法导出任何附加信息。考虑基于稳定。当在固定次数的迭代中没有发现新点时,算法终止。这避免了不必要的通信饱和。特别是,如果静态策略算法是Section的动态策略的一部分,那么这可能很有用3.3.
备注3.3在某些情况下,可以使用痕迹试验(索梅塞等。,2002;莱金等。,2016). 当族中存在方程式时,这一点尤其有用|$F_{p}(x)=0$|它描述了参数空间中的一般超曲面,例如具有不确定系数的仿射线性方程。一般来说,可以将参数空间限制为通用线,从而将解的变化限制为曲线。现在,想想|$F_{p}(x)=0$|作为双齐次方程组第页和x个,可以使用多均匀跟踪测试(豪恩斯坦和罗德里格斯,2015;莱金等。,2016).
我们注意到,多同质跟踪测试的复杂性取决于解决方案变化的程度,这可能远远高于d日覆盖图,其中后者是本文主要问题的复杂性度量。例如,系统(7)对应于图中的反应网络。4有四个解决方案,但执行跟踪测试还需要另外一组11个点。请参见跟踪CRN.m2示例在(达夫等。).
3.2.4边缘选择策略
我们提出了两种选择边缘的方法e(电子)在算法中3.1默认为随机选择边和方向。一种更复杂的方法是根据选择的潜力选择边和方向,以提供新信息:参见示例中的讨论2.6.让|$e=v_{i}\overset{(\gamma _{1},\gamma _{2})}{\overleftrightarrow{\hphantom{(\gamma _{1},\gamma _{2})}}}v_{j}$|是从以下方向考虑的边缘|$v_{i}$|到|$v_{j}$|.
潜在下限等于使用最大起始点批跟踪选定同伦所保证发现的最小新点数|$S_{i}$|也就是说,它等于已知不匹配点的数量之差|$\左(|Q_{i}|-|C_{e}|\right)-\左(\left|Q_j}\right|-|C_{e{|\rift)=\left| Q_{i}\right |-\ left|Q_{j}\right|$|如果这个差值为正,否则为0。
电势E等于通过跟踪一个不匹配的点获得的新点的预期数量e(电子)这是比率|$d-|Q_{j}|\在d-|C_{e}上|$|所有未匹配点中未发现点的数量,如果|$\左|Q_{i}\右|-|C_{e}|>0$|否则为0。
请注意潜在E假设我们知道纤维的基数,而潜在下限不依赖于那条信息。
在我们的算法框架中,选择势有很大的自由度。上述两个势是自然的“贪婪”选择,易于描述和实现。从我们的实验中可以明显看出(第6.1.1)它们可能会以不同的顺序排列边,从而导致不同的性能。
3.3增量动态图策略
考虑一种动态策略,一旦上述“静态”标准之一终止Algorithm,该策略就相当于增加图形3.1用于当前图形。设计动态停止准则的一种简单方法,我们称之为动态稳定决定如何进行增强,并确定允许算法在不增加解数的情况下进行的增强步骤数。动态策略是从一个小图开始的,实现起来很简单克并在必要时进行补充。
我们强调,本小节和第节部分中描述的标准3.2.3是启发式的这样的设计有很大的自由度。在节中6.2我们成功地用一个静态稳定判据进行了实验,并给出了一些例子,其中的解数通常是未知的。
4.统计分析
图中的有向循环克起点和终点|$v_{1}$|给出基本群的元素|$\pi_{1}(B\set-D)$|,对应于单峰群的元素M(M)(克)单峰群|$M(\pi_{1}(B\set-D))$|。后者是|${\mathrm{S}}_{d}$|,其中|$d=\left|\pi^{-1}\left(F_{p_{1}}\right)\right|$|例如,如果|$G={\t完成图形}(2,j+1)$|然后j个边缘产生的循环|$e_{1}$|和|$e_{2}$|,|$e_{2}$|和|$e_{3},\点,e_{j}$|和|$e_{j+1}$|足以生成M(M)(克). 最小数量j个生成所需的循环数M(M)(克)一般情况下是|$\beta_{1}(G)$|,第一个Betti数字克作为拓扑空间。
为了简化统计分析,我们假设选取一个随机装饰图克具有|$j=β{1}(G)$|诱导均匀独立分布排列|{\mathrm{S}}{d}$|中的$\sigma{1}、\ldots、\sigma{j},其中|${\mathrm{S}}_{d}$|是作用在纤维上的对称群|$\pi^{-1}\左(F_{p_{1}}\右)$|。即使单峰群是完全对称群,在实践中也很难实现一致性:见第节5.1.
4.1传递作用的概率
假设解决方案的数量d日已知且停止(d日)表示相应的停止标准。我们的目标是分析通过算法生成完整解集的概率3.1或者,相当于最多在之后终止j个迭代,假设|$\beta_{1}(G)=j$|在j个第次迭代。这等于|$\langle\sigma_{1}、\ldots、\sigma_{j}范围$|过渡性行为,即。,|$\Pr\left[X_{d}\leqj\right]$|,其中|$X_{d}$|是随机变量什么时候?d日>1我们有|$\Pr[X_{d}=0]=0$|,同时|$\Pr[X_{d}=1]$|与d日-单峰群中的周期。当单值群是完全对称的时,我们可以计算并给出分布的渐近估计|$X_{d}$|以下定理是Dixon关于这种情况的结果的推广j个= 2. 我们在第节中给出的证据4.2遵循研究策略狄克逊(1969). 定理4.1对于j个≥ 2,|$\Pr\left[X_{d}\le j\right]=1-d ^{1-j}+R_{j}(d)$|其中错误项|$R_{j}$|满足|$\左|R_{j}(d)\右|=O\左(d^{-j}\右)$|.
备注4.2作为推论,我们可以推断|$X_{d}$|是渐近有限的,并且|$\mathrm{E}\left[X_{d}\right]\到2$|作为|$d\to\infty$|表中的数值近似值1向大家展示|$\mathrm{E}\左[X_{d}\右]\leq 2.1033$|为所有人d日此外,第节中的证明4.2意味着|$\左|R_{j}(d)\右|<C\左({d\over 2}\右)^{-j}$|使用常量C类不依赖于j个因此,|$\Pr\left[X_{d}>j\right]$|指数衰减j个.
在理想主义假设下,图中的新循环导致纤维的独立和均匀分布排列|$Q_{1}$|算法中完成所需的预期Betti数3.4最多为2.1033。如果我们假设加强通过最多添加固定数量的边,将Betti数增加一预期的跟踪路径数在中是线性的d日.
备注4.3我们指出了这一点鲍鲍伊(1989)证明了Dixon的猜想,即|${\mathrm{S}}_{d}$|由两个随机排列生成的是|${\mathrm{S}}_{d}$|或|${\mathrm{A}}_{d}$|有概率的|$1-d^{-1}+O\左(d^{-2}\右)$|这表明其他亚组很少见。然而,很容易用既不是完全对称也不是交替的传递单值群来构造家庭。例如,以|${x{1}^{2}}-c_{1}={x{2}^{2]}-c_{2}=0$|具有不可约解的多样性,以及|$c_{1}$|和|$c_{2}$|.使用相同的解决方案跟踪两个解决方案|$x{1}$|坐标,作为|$c_{1}$|和|$c_{2}$|变化时,跟踪路径上的移动点将继续具有相等的投影|$x_{1}$|。单峰群为|${\mathbb{Z}}_{2}\times{\mathbb{Z{}_{2]$|.
我们重申,单频群的生成器是未知的先验的。计算它们的成本可能高得令人望而却步,而且我们的算法选取单峰群元素的概率分布未知,因为分析起来非常困难。
4.2狄克逊定理推广的证明
修正任意整数j个≥ 2. 我们希望证明定理4.1通过估算数量哪里|$\sigma_{1}、\ldots、\sigma _{j}$|独立且均匀分布于|${\mathrm{S}}_{d}$|.假设我们划分集合{1,2,d日}以这样的方式|$k{i}$|尺寸等级我每1≤我≤d日。所有这样的分区方案都由集合索引每个分区对应的分区数|k_{d}中的$\vec{k}\$|是|${d!}/\big(\!\prod_{i=1}^{d}(i!\!)^{k_{i}}\cdotk_{i}!\!\大)$|对于每个|$\vec{k}\在k_{d}中$|由轨道给出的划分|$\langle\sigma_{1}、\ldots、\sigma_{j}范围$|是|$\vec{k}$|-当该组在与|$\vec{k}$|中的元组数|${S_{i}^{j}}$|坐标生成传递作用于的组|$\{1,\点,i\}$|是|$t_{i}\,\左(i!\!\右)^{j}$|因此,我们可以计算集合|$\下大括号{{\mathrm{S}}_{d}\times\cdots\times{\mathm{S}{d}}{j}$|作为让|$\widehat{F}$|表示序列的生成函数|$F(d)=(d!\!)^{j-1}$|注意形式标识接下来是出租克(x个)将右手边表示为形式幂级数x个,|$f(x)=\总和y_{i}x^{i}$|并注意等效形式f′g(千克)=g′具有|$f(0)=y_{0}$|我们有其中第一个方程后面是幂级数的形式微分|$\widehat{F}$|,上述两个恒等式中的第二个,其值已正确替换为|$y_{i}$|第三,应用链式法则和|$\宽帽{F}$|第四种是通过指数替换重新排列术语|$d^{\prime}=i+d$|.在等式系数|$x^{d-1}$|对于|$d=1,\点$|我们获得
表1数值近似值|$t_{d}$|-概率j个随机排列对大小纤维的传递作用d日对于j个= 2, 3, 4. 计算较大值后j个,的数值近似值|$\mathrm{E}\左[X_{d}\右]$|已提取
d日. | j个= 2. | j个= 3. | j个= 4. | |$\mathrm{E}\左[X_{d}\右]$|. |
---|
1 | 1 | 1 | 1 | 0 |
2 | 0.75 | 0.875 | 0.9375 | 2 |
三 | 0.72222222 | 0.89814815 | 0.96450617 | 2.10000000 |
4 | 0.73958333 | 0.93012153 | 0.98262080 | 2.10329381 |
5 | 0.76833333 | 0.95334722 | 0.99115752 | 2.08926525 |
10 | 0.88180398 | 0.98954768 | 0.99898972 | 2.02976996 |
20 | 0.94674288 | 0.99747856 | 0.99987487 | 2.00591026 |
30 | 0.96536852 | 0.99888488 | 0.99996295 | 2.00245160 |
d日. | j个= 2. | j个= 3. | j个= 4. | |$\mathrm{E}\左[X_{d}\右]$|. |
---|
1 | 1 | 1 | 1 | 0 |
2 | 0.75 | 0.875 | 0.9375 | 2 |
三 | 0.72222222 | 0.89814815 | 0.96450617 | 2.10000000 |
4 | 0.73958333 | 0.93012153 | 0.98262080 | 2.10329381 |
5 | 0.76833333 | 0.95334722 | 0.99115752 | 2.08926525 |
10 | 0.88180398 | 0.98954768 | 0.99898972 | 2.02976996 |
20 | 0.94674288 | 0.99747856 | 0.99987487 | 2.00591026 |
30 | 0.96536852 | 0.99888488 | 0.99996295 | 2.00245160 |
表1数值近似值|$t_{d}$|-概率j个随机排列对大小纤维的传递作用d日对于j个= 2, 3, 4. 计算较大值后j个,的数值近似值|$\mathrm{E}\左[X_{d}\右]$|被提取
d日. | j个= 2. | j个= 3. | j个= 4. | |$\mathrm{E}\左[X_{d}\右]$|. |
---|
1 | 1 | 1 | 1 | 0 |
2 | 0.75 | 0.875 | 0.9375 | 2 |
三 | 0.72222222 | 0.89814815 | 0.96450617 | 2.10000000 |
4 | 0.73958333 | 0.93012153 | 0.98262080 | 2.10329381 |
5 | 0.76833333 | 0.95334722 | 0.99115752 | 2.08926525 |
10 | 0.88180398 | 0.98954768 | 0.99898972 | 2.02976996 |
20 | 0.94674288 | 0.99747856 | 0.99987487 | 2.00591026 |
30 | 0.96536852 | 0.99888488 | 0.99996295 | 2.00245160 |
d日. | j个= 2. | j个= 3. | j个= 4. | |$\mathrm{E}\左[X_{d}\右]$|. |
---|
1 | 1 | 1 | 1 | 0 |
2 | 0.75 | 0.875 | 0.9375 | 2 |
三 | 0.72222222 | 0.89814815 | 0.96450617 | 2.10000000 |
4 | 0.73958333 | 0.93012153 | 0.98262080 | 2.10329381 |
5 | 0.76833333 | 0.95334722 | 0.99115752 | 2.08926525 |
10 | 0.88180398 | 0.98954768 | 0.99898972 | 2.02976996 |
20 | 0.94674288 | 0.99747856 | 0.99987487 | 2.00591026 |
30 | 0.96536852 | 0.99888488 | 0.99996295 | 2.00245160 |
备注4.4方程式(1)给出了概率的线性方程列表|$t_{1},t_{2},\点$|允许我们通过向后替换连续地确定这些值。在表中1我们列出了一些解决方案j个= 2, 3, 4.
完成定理证明4.1,正如Dixon的证明一样,我们引入了辅助量注意到|$\binom{d}{i}^{1-j}i+\binom{d}{d-i}^{1-j}(d-i)={d\over2}\左,我们有发件人j个≥2,则括号内的表达式(2)是|$O\左(d^{-j}\右)$|使用(1),|$t_{i}=1-{r{i}\在i}\leq1-{r{i}\在d}上$|以及|$c_{d}$|我们可以绑定|$r_{d}$|:绑定错误术语|$R_{j}(d):=t_{d}-\左(1-d^{1-j}\右)$|,我们首先考虑其符号为正的情况。扩大|$t_{d}=1-{r_{d}\超过d}$|使用上面的(3)和|$i\,t_{i}=i-{r{i}$|,我们可以专注于最后一个求和d日≥ 2,案例中|$R_{j}(d)\le 0$|可以类似地处理,使用|$t_{d}=1-{r{d}\超过d}$|,|$r_{d}\leqc_{d{$|以及我们对中括号内容的了解(2). 5.实施
我们执行该包MonodromySolver公司在麦考莱2(格雷森和斯蒂尔曼)使用包的功能数字代数几何(莱金,2011年). 下一节实验中使用的源代码和示例可在达夫等。
主要功能单值解算实现算法3.1和3.4,请参阅文档以了解详细信息和许多选项。然而,在我们的实验中,同伦路径的跟踪是使用Macaulay2内核中实现的本机例程执行的,数字代数几何提供了将这一核心任务外包给替代跟踪器(PHCpack或Bertini)的能力。主要辅助功能-创建种子对,SpareSystem系列,稀疏单峰解算和解算器系统族-是为了简化用户体验。最后两个是黑箱例程,它们不需要了解本文描述的框架。
与跟踪路径的成本相比,管理数据结构的开销应该可以忽略不计。然而,由于我们的实现将Macaulay2的解释语言用于其他任务,因此该开销可能很大(对于第节中的大型示例,该开销可能高达10%6). 然而,我们的大多数实验都集中在测量跟踪的路径数作为计算复杂性的代理。
备注5.1本文主要讨论具有非空主导分量的线性参数系统。然而,该实现适用于我们的框架可以应用的其他情况。
例如,如果系统在参数上是线性的,但没有主导分量,那么仍然可能有一个唯一的“感兴趣的分量”,它可以直接生成种子对。例如,在发现变化程度的问题上就是这样|${\mathop{SO}}(n)$|,我们在表中使用7.要点x个仅限于|${\mathop{SO}}(n)$|,特殊的正交群,作为一个变种是不可约的。这导致解决方案种类中有一个独特的“感兴趣的组件”,即投影到的组件|${\mathop{SO}}(n)$|,查看研究勃兰特等。(2017)了解详细信息。
在参数非线性系统的更一般情况下,仍然可以使用我们的软件。我们概述了需要在第4节中考虑的理论问题7.
5.1随机化
在整篇文章中,我们提到随机的,随机的我们做出的选择避免了各种非遗传位点。为了实现目的,我们做出了简单的选择。例如,图形的顶点均匀分布在基础空间的立方体中,但种子顶点除外:创建种子对挑选|$(p_{0},x_{0{)在B\times{\mathbb{C}}^{n}中$|通过选择x个在立方体中一致,然后选择|$p_{0}$|在子空间的盒子中一致|$\左\{p\mid F_{p}(x)=0\右\}$|.
概率分布的选择B类转化为对称群上的一些(离散的)分布|${\mathrm{S}}_{d}$|然而,这简直太难分析了,实际上没有这方面的研究。我们在|${\mathrm{S}}_{d}$|为了进行第节中的理论分析4,并照亮为什么?我们的框架运行良好。在研究中,有一个有趣的、更为复杂的替代方案Galligo&Poteaux(2011年)和Galligo和Miclo(2012年)这取决于案件中的直觉n个= 1.
5.2溶液计数
通过混合体积计算的BKK界限在章节中的稀疏系统示例中用作解决方案计数6.1.1和6.1.2在后者中,我们通过涉及永久物的闭合公式计算混合体积,而前者依赖于几个软件包中实现的通用算法。我们当前的实施使用PHCpack(Verschelde,1999年),其中包含了在Hom4PS-2中进一步开发的MixedVol的例程(李等。, 2008). 其他替代方案是pss5(Malajovich,2017年)和Gfanlib(Jensen,2016年). 虽然有些实现是随机的,但后者使用符号扰动来实现精确性。混合体积的计算为不我们算法中的一个瓶颈。与其他计算相比,该预处理阶段所花费的时间可以忽略不计。
5.3认证
读者应该意识到,我们使用的数字同伦延拓部分是由启发式驱动的。作为后处理步骤,我们可以证明(即正式证明)用我们的主方法计算的多项式系统的解集的完整性和正确性。在以下情况下,这是可能的
我们可以用斯梅尔的|$\阿尔法$|-理论(布鲁姆等。1998年,第8节),以证明平方系正则解的近似。在Macaulay 2软件包中数字认证,我们实现了|$\阿尔法$|-测试在找到近似解以证明我们的解是近似零在严格意义上。的主要功能之一数字认证是证书解决方案,它确定给定解是否是给定多项式系统的近似零。它还生成了近似值到与其关联的精确解之间距离的上限。
请参见纸质示例/示例-NashCertificaty.m2在(达夫等。),这是一个示例|$\阿尔法$|-测试第节所述问题的解决方案6.1.2在认证实施中,所有算术和线性代数运算都是在高斯有理数域上进行的,|${mathbb{Q}}[{mathbf{i}]/\big({mathbf{i}}^{2}+1\big)$|为了使用这种证明方法,我们首先将系统的系数转换为高斯有理数,然后用数字进行证明。查看研究Hauenstein&Sottile(2012)对于单机软件包alpha认证以及详细的实施说明。
6.实验
在本节中,我们首先在第节中报告了我们的实现和各种示例的实验6.1和6.2.然后我们调查算法的完成率3.1在第节中6.3最后,我们与第节中的其他软件进行了比较6.4.
(#vertices-1,边缘多重性). | (3,2). | (4,2). | (5,2). | (3,3). | (4,3). |
---|
|E类(克)| | 6 | 8 | 10 | 9 | 12 |
|$\beta_{1}(G)$| | 三 | 4 | 5 | 6 | 8 |
|E类(克)|·924 | 5544 | 7392 | 9240 | 8316 | 11088 |
完成率 | 100% | 100% | 100% | 100% | 100% |
随机边(Random Edge) | 5119 | 6341 | 7544 | 6100 | 7067 |
潜在下限 | 5252 | 6738 | 8086 | 6242 | 7886 |
电势E | 4551 | 5626 | 6355 | 4698 | 5674 |
(#vertices-1,边缘多重性). | (3,2). | (4,2). | (5.2). | (3,3). | (4,3). |
---|
|E类(克)| | 6 | 8 | 10 | 9 | 12 |
|$\beta_{1}(G)$| | 三 | 4 | 5 | 6 | 8 |
|E类(克)| ⋅ 924 | 5544 | 7392 | 9240 | 8316 | 11088 |
完成率 | 100% | 100% | 100% | 100% | 100% |
随机边(Random Edge) | 5119 | 6341 | 7544 | 6100 | 7067 |
潜在下限 | 5252 | 6738 | 8086 | 6242 | 7886 |
电势E | 4551 | 5626 | 6355 | 4698 | 5674 |
(#vertices-1,边缘多重性). | (3,2). | (4,2). | (5,2). | (3,3). | (4,3). |
---|
|E类(克)| | 6 | 8 | 10 | 9 | 12 |
|$\beta_{1}(G)$| | 三 | 4 | 5 | 6 | 8 |
|E类(克)| ⋅ 924 | 5544 | 7392 | 9240 | 8316 | 11088 |
完成率 | 100% | 100% | 100% | 100% | 100% |
随机边(Random Edge) | 5119 | 6341 | 7544 | 6100 | 7067 |
潜在下限 | 5252 | 6738 | 8086 | 6242 | 7886 |
电势E | 4551 | 5626 | 6355 | 4698 | 5674 |
(#vertices-1,边缘多重性). | (3.2). | (4,2). | (5,2). | (3,3). | (4,3). |
---|
|E类(克)| | 6 | 8 | 10 | 9 | 12 |
|$\β_{1}(G)$| | 三 | 4 | 5 | 6 | 8 |
|E类(克)| ⋅ 924 | 5544 | 7392 | 9240 | 8316 | 11088 |
完成率 | 100% | 100% | 100% | 100% | 100% |
随机边(Random Edge) | 5119 | 6341 | 7544 | 6100 | 7067 |
潜在下限 | 5252 | 6738 | 8086 | 6242 | 7886 |
电势E | 4551 | 5626 | 6355 | 4698 | 5674 |
(#顶点,边多重性). | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
|E类(克)| | 三 | 4 | 5 | 6 | 6 |
|$\beta_{1}(G)$| | 2 | 三 | 4 | 4 | 三 |
|E类(克)| ⋅ 924 | 2772 | 3698 | 4620 | 5544 | 5544 |
完成率 | 65% | 80% | 90% | 100% | 100% |
随机边 | 2728 | 3296 | 3947 | 4805 | 5165 |
潜在下限 | 2727 | 3394 | 3821 | 4688 | 5140 |
电势E | 2692 | 2964 | 2957 | 3886 | 4380 |
(#顶点,边多重性). | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
|E类(克)| | 三 | 4 | 5 | 6 | 6 |
|$\beta_{1}(G)$| | 2 | 三 | 4 | 4 | 三 |
|E类(克)| ⋅ 924 | 2772 | 3698 | 4620 | 5544 | 5544 |
完成率 | 65% | 80% | 90% | 100% | 100% |
随机边(Random Edge) | 2728 | 3296 | 3947 | 4805 | 5165 |
潜在下限 | 2727 | 3394 | 3821 | 4688 | 5140 |
电势E | 2692 | 2964 | 2957 | 3886 | 4380 |
(#顶点,边多重性). | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
|E类(克)| | 三 | 4 | 5 | 6 | 6 |
|$\beta_{1}(G)$| | 2 | 三 | 4 | 4 | 三 |
|E类(克)| ⋅ 924 | 2772 | 3698 | 4620 | 5544 | 5544 |
完工率 | 65% | 80% | 90% | 100% | 100% |
随机边(Random Edge) | 2728 | 3296 | 3947 | 4805 | 5165 |
潜在下限 | 2727 | 3394 | 3821 | 4688 | 5140 |
电势E | 2692 | 2964 | 2957 | 3886 | 4380 |
(#顶点,边多重性). | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
|E类(克)| | 三 | 4 | 5 | 6 | 6 |
|$\beta_{1}(G)$| | 2 | 三 | 4 | 4 | 三 |
|E类(克)|·924 | 2772 | 3698 | 4620 | 5544 | 5544 |
完成率 | 65% | 80% | 90% | 100% | 100% |
随机边(Random Edge) | 2728 | 3296 | 3947 | 4805 | 5165 |
潜在下限 | 2727 | 3394 | 3821 | 4688 | 5140 |
电势E | 2692 | 2964 | 2957 | 3886 | 4380 |
6.1稀疏多项式系统
本小节中的示例族具有这样的特性:方程的支持是固定的,而系数可以自由变化,只要它们是通用的。我们运行静态图策略算法3.1在这些例子中。我们的时间不包括|$\阿尔法$|-试验,仅适用于第节6.1.2.
6.1.1循环根
此系统通常用于对多项式系统解算器进行基准测试。我们将研究具有随机系数的修正系统,并在中寻求解决方案|$({\mathbb{C}}\setminus\{0\})^{n}$|因此,溶液计数可以计算为左侧牛顿多边形的混合体积,提供了第节中讨论的自然停止标准3.2.2对于环7,这个界限是924。
桌子2和三包含运行20次算法试验的实验数据平均值3.1循环7。报告的主要度量是跟踪的平均路径数,因为我们算法的工作单位是跟踪单个同伦路径。实验采用了10种不同的图形布局和三种边缘选择策略。
关于跟踪的路径数,我们发现保持较高的Betti数和较低的边缘数是一个优势。
备注6.1计算预期成功率(>99%)使用备注4.4,我们得出结论,得到的排列不符合从|$S_{924}$|完成率取决于策略的选择(比较表2至表三). 然而,在理论上(假设均匀分布,如第4)在实践中(我们不知道分布),完成率确实收敛到100%随着贝蒂数的增长而迅速增长。
6.1.2纳什均衡
半混合多齐次系统是在博弈论中寻找所有完全混合纳什均衡(TMNE)时产生的。使用矩阵恒量对混合体积进行专门化,给出了TMNE问题引起的系统根计数的简明公式(Emiris和Vidunas,2014年). 根据以下研究,我们概述了此类系统是如何构建的Emiris&Vidunas(2014)。假设有N个玩家米每个选项。对于玩家我∈ {1, … ,N个}使用选项j个∈ {1, … ,米}我们有这个等式|$P_{j}^{(i)}=0$|,其中参数|$a^{(i)}_{k{1},k{2},\ldots,k{N}}$|球员的报酬率是多少我当玩家|$1,\ldot,i-1,i+1,\ldots,N$|正在使用选项|$k_{1},\ldots,k_{i-1}分别是。未知因素在这里|$p^{(i)}_{k{j}}$|,表示玩家我将使用选项|$k_{j}\in\{1,\ldots,m\}$|每个参与者的概率都有一个限制我∈ {1, …,N个},即条件系统(4)包括N个⋅米中的方程式N个⋅米未知数。使用条件(5)将未知数减少到N个(米− 1). 最后,我们消除了|$P_{j}^{(i)}$|通过构造最后一个系统是一个平方系统N个(米−1)方程式N个(米−1)未知。 对于我们的一个示例(纸张示例/示例-Nash.m2在(达夫等。)),我们选择了这种形式的通用系统N个=3名球员米=每个选项3个。结果是一个由六个未知项中的六个方程和81个参数以及10个解组成的系统。我们还使用此示例来证明这些解决方案可以使用数字认证(第节5.3).
6.2化学反应网络
一系列有趣的例子来自化学反应网络理论。根据质量作用动力学定律考虑的化学反应网络导致一个动力学多项式系统,其解代表给定反应网络的所有平衡(麦克莱恩等。, 2015;总量等。, 2016). 这些多项式系统不是一般稀疏的,我们无法轻松计算它们的根数。在我们的实验中,我们使用了稳定停止准则,在固定次数的迭代后终止算法,这些迭代不会产生新的点;默认值是10次无结果的迭代。
图4给出了一个小型化学反应网络的示例。
将质量作用动力学定律应用于上述反应网络,我们得到多项式系统(7)由相应的稳态方程和守恒方程组成。这里是|$k{i}$|s代表反应速率,|$x{i}$|s代表物种浓度|$c_{i}$|s是参数。 通常,由化学反应网络产生的系统将被过度确定。在当前的实现中,需要要么使系统平方,要么使用支持在超定系统空间中跟踪同伦的同伦跟踪器。
. | . | (#vertices-1,边缘多重性). |
---|
n个. | BKK绑定. | (3,2). | (4,2). | (5,2). | (3,3). | (4,3). |
---|
. | . | |$\beta_{1}=3$|. | |$\beta_{1}=4$|. | |$\β_{1}=5$|. | |$\beta_{1}=6$|. | |$\beta_{1}=8$|. |
---|
5 | 12 | 96.4% | 99.4% | 99.6% | 100% | 99.8% |
6 | 30 | 98.6% | 100% | 99.8% | 100% | 99.6% |
7 | 54 | 97.6% | 98.8% | 99.4% | 99.4% | 98.4% |
8 | 126 | 99.2% | 99.8% | 99.6% | 99.8% | 99.8% |
9 | 240 | 98.8% | 99.6% | 98.4% | 98.4% | 98.6% |
10 | 504 | 98.6% | 98.8% | 99.2% | 99.4% | 98.8% |
. | . | (#vertices-1,边缘多重性). |
---|
n个. | BKK绑定. | (3,2). | (4,2). | (5,2). | (3,3). | (4,3). |
---|
. | . | |$\β_{1}=3$|. | |$\beta_{1}=4$|. | |$\beta_{1}=5$|. | |$\beta_{1}=6$|. | |$\beta_{1}=8$|. |
---|
5 | 12 | 96.4% | 99.4% | 99.6% | 100% | 99.8% |
6 | 30 | 98.6% | 100% | 99.8% | 100% | 99.6% |
7 | 54 | 97.6% | 98.8% | 99.4% | 99.4% | 98.4% |
8 | 126 | 99.2% | 99.8% | 99.6% | 99.8% | 99.8% |
9 | 240 | 98.8% | 99.6% | 98.4% | 98.4% | 98.6% |
10 | 504 | 98.6% | 98.8% | 99.2% | 99.4% | 98.8% |
. | . | (#vertices-1,边缘多重性). |
---|
n个. | BKK绑定. | (3,2). | (4,2). | (5,2). | (3,3). | (4,3). |
---|
. | . | |$\beta_{1}=3$|. | |$\beta_{1}=4$|. | |$\beta_{1}=5$|. | |$\beta_{1}=6$|. | |$\beta_{1}=8$|. |
---|
5 | 12 | 96.4% | 99.4% | 99.6% | 100% | 99.8% |
6 | 30 | 98.6% | 100% | 99.8% | 100% | 99.6% |
7 | 54 | 97.6% | 98.8% | 99.4% | 99.4% | 98.4% |
8 | 126 | 99.2% | 99.8% | 99.6% | 99.8% | 99.8% |
9 | 240 | 98.8% | 99.6% | 98.4% | 98.4% | 98.6% |
10 | 504 | 98.6% | 98.8% | 99.2% | 99.4% | 98.8% |
. | . | (#vertices-1,边缘多重性). |
---|
n个. | BKK绑定. | (3,2). | (4,2). | (5,2). | (3,3). | (4,3). |
---|
. | . | |$\beta_{1}=3$|. | |$\beta_{1}=4$|. | |$\beta_{1}=5$|. | |$\beta_{1}=6$|. | |$\β_{1}=8$|. |
---|
5 | 12 | 96.4% | 99.4% | 99.6% | 100% | 99.8% |
6 | 30 | 98.6% | 100% | 99.8% | 100% | 99.6% |
7 | 54 | 97.6% | 98.8% | 99.4% | 99.4% | 98.4% |
8 | 126 | 99.2% | 99.8% | 99.6% | 99.8% | 99.8% |
9 | 240 | 98.8% | 99.6% | 98.4% | 98.4% | 98.6% |
10 | 504 | 98.6% | 98.8% | 99.2% | 99.4% | 98.8% |
尽管我们可能会获得大型系统,但与稀疏情况相比,它们的根计数通常非常低。多项式系统(7)有四种解决方案。一个更大的例子是WNT信号通路来自系统生物学(总量等。, 2016)由19个多项式方程和9个解组成。使用Algorithm在不到一秒钟的时间内获得所有九个解3.1.
. | . | (#顶点,边多重性). |
---|
n个. | BKK绑定. | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
. | . | |$\beta_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}=4$|. | |$\beta_{1}=4$|. | |$\beta_{1}=3$|. |
---|
5 | 12 | 65.6% | 88.2% | 95% | 99.2% | 98% |
6 | 30 | 77.4% | 95.2% | 99% | 99.8% | 99.6% |
7 | 54 | 74.4% | 96.2% | 99.2% | 99.6% | 99.8% |
8 | 126 | 81.8% | 97% | 99.2% | 100% | 99.8% |
9 | 240 | 85.2% | 97.6% | 99.4% | 99% | 98.2% |
10 | 504 | 89.2% | 98.2% | 99.2% | 99.4% | 99% |
. | . | (#顶点,边多重性). |
---|
n个. | BKK绑定. | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
. | . | |$\beta_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}=4$|. | |$\β_{1}=4$|. | |$\beta_{1}=3$|. |
---|
5 | 12 | 65.6% | 88.2% | 95% | 99.2% | 98% |
6 | 30 | 77.4% | 95.2% | 99% | 99.8% | 99.6% |
7 | 54 | 74.4% | 96.2% | 99.2% | 99.6% | 99.8% |
8 | 126 | 81.8% | 97% | 99.2% | 100% | 99.8% |
9 | 240 | 85.2% | 97.6% | 99.4% | 99% | 98.2% |
10 | 504 | 89.2% | 98.2% | 99.2% | 99.4% | 99% |
. | . | (#顶点,边多重性). |
---|
n个. | BKK绑定. | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
. | . | |$\beta_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}=4$|. | |$\beta_{1}=4$|. | |$\beta_{1}=3$|. |
---|
5 | 12 | 65.6% | 88.2% | 95% | 99.2% | 98% |
6 | 30 | 77.4% | 95.2% | 99% | 99.8% | 99.6% |
7 | 54 | 74.4% | 96.2% | 99.2% | 99.6% | 99.8% |
8 | 126 | 81.8% | 97% | 99.2% | 100% | 99.8% |
9 | 240 | 85.2% | 97.6% | 99.4% | 99% | 98.2% |
10 | 504 | 89.2% | 98.2% | 99.2% | 99.4% | 99% |
. | . | (#顶点,边多重性). |
---|
n个. | BKK绑定. | (2,3). | (2,4). | (2,5). | (3,2). | (4,1). |
---|
. | . | |$\beta_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}=4$|. | |$\beta_{1}=4$|. | |$\β_{1}=3$|. |
---|
5 | 12 | 65.6% | 88.2% | 95% | 99.2% | 98% |
6 | 30 | 77.4% | 95.2% | 99% | 99.8% | 99.6% |
7 | 54 | 74.4% | 96.2% | 99.2% | 99.6% | 99.8% |
8 | 126 | 81.8% | 97% | 99.2% | 100% | 99.8% |
9 | 240 | 85.2% | 97.6% | 99.4% | 99% | 98.2% |
10 | 504 | 89.2% | 98.2% | 99.2% | 99.4% | 99% |
d日. | |$\β_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}\geq 4$|. |
---|
12 | 90.5% | 99.3% | 100.0% |
30 | 96.5% | 99.9% | 100.0% |
54 | 98.1% | 100.0% | 100.0% |
126 | 99.2% | 100.0% | 100.0% |
240 | 99.6% | 100.0% | 100.0% |
504 | 99.8% | 100.0% | 100.0% |
d日. | |$\beta_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}\geq 4$|. |
---|
12 | 90.5% | 99.3% | 100.0% |
30 | 96.5% | 99.9% | 100.0% |
54 | 98.1% | 100.0% | 100.0% |
126 | 99.2% | 100.0% | 100.0% |
240 | 99.6% | 100.0% | 100.0% |
504 | 99.8% | 100.0% | 100.0% |
d日. | |$\beta_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}\geq 4$|. |
---|
12 | 90.5% | 99.3% | 100.0% |
30 | 96.5% | 99.9% | 100.0% |
54 | 98.1% | 100.0% | 100.0% |
126 | 99.2% | 100.0% | 100.0% |
240 | 99.6% | 100.0% | 100.0% |
504 | 99.8% | 100.0% | 100.0% |
d日. | |$\beta_{1}=2$|. | |$\beta_{1}=3$|. | |$\beta_{1}\geq 4$|. |
---|
12 | 90.5% | 99.3% | 100.0% |
30 | 96.5% | 99.9% | 100.0% |
54 | 98.1% | 100.0% | 100.0% |
126 | 99.2% | 100.0% | 100.0% |
240 | 99.6% | 100.0% | 100.0% |
504 | 99.8% | 100.0% | 100.0% |
问题. | wnt公司. | |${\mathop{SO}(4)$|. | |${\mathop{SO}(5)$|. | |${\mathop{SO}(6)$|. | |${\mathop{SO}(7)$|. |
---|
计数. | 9. | 40. | 384. | 4768. | 111616. |
---|
MonodromySolver公司 | 0.52 | 4 | 23 | 528 | 42791 |
贝尔蒂尼 | 42 | 81 | 10605 | 内存不足 | |
PHC包 | 862 | 103 | >一天 | | |
问题. | wnt公司. | |${\mathop{SO}}(4)$|. | |${\mathop{SO}(5)$|. | |${\mathop{SO}(6)$|. | |${\mathop{SO}(7)$|. |
---|
计数. | 9. | 40. | 384. | 4768. | 111616. |
---|
MonodromySolver公司 | 0.52 | 4 | 23 | 528 | 42791 |
贝尔蒂尼 | 42 | 81 | 10605 | 内存不足 | |
PHC包 | 862 | 103 | >一天 | | |
问题. | wnt公司. | |${\mathop{SO}(4)$|. | |${\mathop{SO}(5)$|. | |${\mathop{SO}(6)$|. | |${\mathop{SO}(7)$|. |
---|
计数. | 9. | 40. | 384. | 4768. | 111616. |
---|
MonodromySolver公司 | 0.52 | 4 | 23 | 528 | 42791 |
贝尔蒂尼 | 42 | 81 | 10605 | 内存不足 | |
PHC包 | 862 | 103 | >一天 | | |
问题. | wnt公司. | |${\mathop{SO}}(4)$|. | |${\mathop{SO}(5)$|. | |${\mathop{SO}(6)$|. | |${\mathop{SO}(7)$|. |
---|
计数. | 9. | 40. | 384. | 4768. | 111616. |
---|
MonodromySolver公司 | 0.52 | 4 | 23 | 528 | 42791 |
贝尔蒂尼 | 42 | 81 | 10605 | 内存不足 | |
PHC包 | 862 | 103 | >一天 | | |
6.3完成率
我们调查算法的完成率3.1Katsura家族参数化n个具有固定支撑和一般选择的系数。桌子4和5包含具有不同随机种子的500次跑步的成功百分比。在表中6我们使用备注显示计算出的预期值4.4.
对于|$\beta_{1}\geq 3$|观察到的成功率接近表中的预期值6。我们注意到花战略再次接近估计值。我们不希望实验中产生的数字与表中的数字相匹配1,因为为统计分析所做的假设非常理想化;然而,分析和实验都表明,随着解决方案数量的增加和第一个Betti数的增加,成功的概率迅速接近100%。
6.4时间安排和与其他求解器的比较
本节中出现的所有计时都是在一线程和上相同的机器。评论3.2和4.2表明我们应该预期算法中跟踪的路径数3.1和3.4在系统解的数量上是线性的(有一个小常数!)。在本节中,我们从两个方面强调了我们方法的实用性。
首先,单值方法极大地扩展了我们的计算能力,适用于解决方案计数明显小于对应于更一般族的计数的系统,例如,稀疏系统的BKK计数。这意味着,与我们的方法相比,现有的黑箱方法(其复杂性依赖于较大的计数)可能在计算上花费更多的时间。在表中7我们收集了最近文献中提到的几个具有挑战性的示例的时间,其中已知的解决方案数量较少,从而为我们的启发式停止标准提供了严格的测试用例。表中的第一个系统是第节中提到的wnt信号通路反应网络的系统6.2其他问题来自计算|${\mathop{SO}}(n)$|,特殊正交群,作为变种(勃兰特等。, 2017).
问题. | 周期-10. | 周期-11. | 中午-10点. |
---|
BKK绑定 | 35940 | 184756 | 59029 |
完成图形(2,3) | 610 | 7747 | 失败 |
| (107820条路径) | (540155条路径) | (59001个解决方案) |
完成图形(2,4) | 740 | 8450 | 935 |
| (129910条路径) | (737432条路径) | (236051条路径) |
PHC包 | 538 | 4256 | 751 |
主页4PS2 | 62 | 410 | 120 |
问题. | 周期-10. | 周期-11. | 中午10点. |
---|
BKK绑定 | 35940 | 184756 | 59029 |
完成图形(2,3) | 610 | 7747 | 失败 |
| (107820条路径) | (540155条路径) | (59001个解决方案) |
完成图形(2,4) | 740 | 8450 | 935 |
| (129910条路径) | (737432条路径) | (236051条路径) |
PHC包 | 538 | 4256 | 751 |
主页4PS2 | 62 | 410 | 120 |
问题. | 周期-10. | 周期-11. | 中午10点. |
---|
BKK绑定 | 35940 | 184756 | 59029 |
完整图形(2,3) | 610 | 7747 | 失败 |
| (107820条路径) | (540155条路径) | (59001个解决方案) |
完成图形(2,4) | 740 | 8450 | 935 |
| (129910条路径) | (737432条路径) | (236051条路径) |
PHC包 | 538 | 4256 | 751 |
主页4PS2 | 62 | 410 | 120 |
问题. | 周期-10. | 周期-11. | 中午10点. |
---|
BKK绑定 | 35940 | 184756 | 59029 |
完成图形(2,3) | 610 | 7747 | 失败 |
| (107820条路径) | (540155条路径) | (59001个解决方案) |
完成图形(2,4) | 740 | 8450 | 935 |
| (129910条路径) | (737432条路径) | (236051条路径) |
PHC包 | 538 | 4256 | 751 |
主页4PS2 | 62 | 410 | 120 |
以下是关于设置的评论列表:
对于我们的实现,我们选择了带有|$\beta_{1}\leq 4$|以及随机边缘选择策略。停车标准为“稳定”,如第节所述3.2.3.
虽然PHCpack的黑箱解算器最终执行多面体同伦延拓,但Bertini默认依赖于一种称为再生(请参见贝茨等。, 2013). 在某些情况下,后者可能比前者更快,这一系列示例说明了这一点。
其次,当解数由BKK界给出时,我们的方法是多面体同伦解算器的可行替代方案,因为我们跟踪的路径数在解数上是线性的。表中列出了我们当前实现的几个大型基准测试问题和其他几个软件包的时间安排8在本节的其余部分,我们的目标是表明我们的运行时间与多面体同胚处于相同的范围内。
以下是关于设置的评论列表:
对于我们的实现,我们选择了两个小图形和默认(随机)边选择策略。
对于PHCpack,有一种启动混合体积计算的方法,可以选择创建具有相同支持度和随机系数的系统及其解决方案。这是我们正在使用的选项;blackbox计算需要更长的时间。
主页4PS2(李等。, 2008)不像这里提到的所有其他软件,它不是开源的。(我们对所有系统使用HOM4PS2股票示例,并将其称为黑箱多面体同伦解算器。)HOM4PS 2可以使用即时编译用于评估的直线程序,这大大加快了计算速度。(PHCpack没有使用这种技术;我们的软件也没有,但我们在Macaulay2上的初步实验表明,在我们目前报告的时间内,速度有可能提高10到20倍。)
备注6.2对于大型示例,假设概率模型导致定理4.1和备注4.2,即使对于具有|$\beta_{1}=2$|.noon-10的运行,这是由努恩堡(1989),表明|$\beta_{1}=2$|随后在|$\beta_{1}=3$|.
关于表中的示例8我们还运行了Bertini和数值代数几何的黑盒解算器(莱金,2011年),它使用全度同伦。两人都能以与表格相似的时间完成中午至10点的工作,但所有其他问题都花费了超过一天的时间。这是意料之中的,因为10日中午的BKK界限只比Bézout界限稍微尖锐一些。
备注6.3与朴素的动态策略相比(第节3.1)我们的框架只在一个方面稍有损失:内存消耗。对于以下问题d日朴素方法存储的解决方案多达(通常接近)2个d日点。我们的方法存储的点数最多(通常远少于)d日乘以顶点数。例如,最多4个d日表中所有管路中的点8.
在我们的框架中,被跟踪的路径的数量要少得多:例如,对于循环7,朴素策略平均跟踪大约7500条路径。甚至在看桌子之前2很明显,运行花战略与科室增量动态战略相结合3.3保证主导天真的策略。
7.概括
虽然我们提出了一个更通用的算法框架,但本文的并发目标是证明,当我们将一个相对简单的实现和分析应用于简单的问题(线性参数化族)。因此,以下主题超出了本文的范围,但似乎值得进一步研究:
MS方法的一个优点是它可以容忍底层同伦跟踪器的数值故障。事实上,我们已经实现了一个简单的抗故障机制,它成功地容忍了第节中大型测试示例在某些运行中出现的一些故障6.4本文统计分析的一个自然扩展是对算法在出现故障时的性能进行建模。
理想情况下,边缘电位等启发式应包含上述故障等信息。调整潜力以适应平行设置如下所述。
MS方法的并行化不像其他同伦延拓方法那样简单。应该解决何时可以实现接近线性的加速的问题。
考虑基础空间的广义设置B类是一个不可约簇,族由有理映射给出P(P)进入系统空间。要应用我们的通用框架,一个主要要求是找到一种有效的方法来参数化两个点之间的曲线P(P)可以想象,这种参数化取决于所考虑问题的性质。某些其他成分也可能因问题而异,即使在|$P={\mathbb{C}}^{m}$|初始种子的构建|$(p_{0},x_{0{)$|由于系统的系数在参数中可能是非线性的,这使得情况变得复杂。尽管如此,这是MS框架的优势之一,因为提供了所有必需的“神谕”,程序变得有效。
在枚举几何的经典语言中,我们考虑的单值群与关联变量的Galois群同构(本质上是我们术语中的解变量)。对于一大类Schubert问题和其他有趣的关联变量,相关的Galois群证明是完全对称群(Leykin&Sottile,2009年). 对我们的动态策略进行适当修改是一种在推测案例中验证这一点的实用方法。
我们的论文证明了我们的方法相对于其他技术(如多面体同伦和再生)的优势。在我们的框架基础上,可以使用多面体同伦作为子例程来快速填充部分解集(快速丢弃任何条件较差的路径)。通过并行使用不同的技术,可以实现更多的优势。这些和其他混合方法有可能产生更快、更健壮的黑箱解算器。
基金
国家科学基金会拨款DMS-1151297和DMS-1719968部分支持T.D.、C.H.、K.L.和A.L.的研究。
工具书类
鲍鲍伊
,L。
(
1989
)生成对称群的概率
.J.库姆。理论Ser。A类
,52
,148
–153
. 贝茨
,D.J.博士。
,豪恩斯坦
,J·D·。
,索梅塞
,A.J.公司。
&Wampler公司
,C.W.公司。
(
2013
)用Bertini数值求解多项式系统
,第25卷。费城
:暹罗
. 伯恩斯坦
,D.编号。
(
1975
)方程组的根数
.恐惧。分析。普里洛日恩
,9
,1
–4
. 布鲁姆
,L。
,袖口
,F、。
,舒布
,M。
&斯梅尔
,美国。
(
1998
)复杂性与实计算
.纽约
:施普林格
. 勃兰特
,M。
,布鲁斯
,J。
,布莱塞维茨
,T。
,克朗
,R。
&罗贝娃
,E.公司。
(
2017
)SO的程度(|$n、 \mathbb{C}$|)
.组合代数几何
.纽约市
:,页。229
–246
. 陈
,J。
&基列
,J。
(
2016
)麦考利的数字隐含2
.. 德尔坎波
,上午。
&罗德里格斯
,J.I.公司。
(
2017
)通过单峰法和局部法确定临界点
.J.符号计算。
,79
,559
–574
. 狄克逊
,J·D·。
(
1969
)生成对称群的概率
.数学。Z.公司。
,110
,199
–205
. 达夫
,T。
,希尔
,C、。
,延森
,A。
,李
,英国。
,莱金
,A。
&索马斯
,J。
(
2016
)MonodromySolver:通过同伦延拓和单值求解多项式系统的Macaulay2包
. http://people.math.gatech.edu/aleykin3/MonodromySolver。 埃米利斯
,一、Z。
&维多纳斯
,R。
(
2014
)半混合系统的根数及其在纳什平衡计算中的应用
.第39届符号与代数计算国际研讨会论文集
.美国纽约州纽约市
:计算机协会
,页。154
–161
. 加利戈
,A。
&米克罗
,L。
(
2012
)随机生成子群传递性的截断现象
.随机结构。藻类。
,40
,182
–219
. 加利戈
,A。
&波托
,A。
(
2011
)用连续化方法计算随机Riemann曲面上的单值函数
.西奥。计算。科学。
,412
,1492
–1507
. 总量
,E.公司。
,哈灵顿
,H.A.公司。
,罗森
,Z.公司。
&斯图尔姆费尔斯
,B。
(
2016
)代数系统生物学:Wnt途径的个案研究
.牛市。数学。生物。
,78
,21
–51
. 豪恩斯坦
,J·D·。
&罗德里格斯
,J.I.公司。
(
2015
)多投影见证集和跟踪测试
.. 豪恩斯坦
,J·D·。
,罗德里格斯
,J.I.公司。
&Sottile公司
,F、。
(
2017
)伽罗瓦群的数值计算
.已找到。计算。数学
.. 豪恩斯坦
,J·D·。
&索蒂莱
,F、。
(
2012
)算法921:alphaCertified:验证多项式系统的解决方案
.ACM事务处理。数学。柔和。
,38
,28
. 胡贝尔
,B。
&斯图尔姆费尔斯
,B。
(
1995
)求解稀疏多项式系统的多面体方法
.数学。公司。
,64
,1541
–1555
. 延森
,答:N。
(
2016
)精确混合体积计算的实现
.数学软件-ICMS 2016-第五届国际会议,德国柏林,2016年7月11日至14日,会议记录
.瑞士查姆
:施普林格
,页。198
–205
. 李
,T.-L.公司。
,锂
,T.-Y.公司。
&济
,中心-中心。
(
2008
)HOM4PS-2.0:用多面体同伦延拓法求解多项式系统的软件包
.计算
,83
,109
–133
. 莱金
,A。
(
2011
)数值代数几何
.J.软件。藻类。地理。
,三
,5
–10
. 莱金
,A。
,罗德里格斯
,J.I.公司。
&Sottile公司
,F、。
(
2016
)痕迹测试
.. 莱金
,A。
&索蒂莱
,F、。
(
2009
)基于同伦计算的Schubert问题的Galois群
.数学。公司。
,78
,1749
–1765
. 莱金
,A。
&弗舍尔德
,J。
(
2009
)多项式系统解集的分解:一种新的并行单值分解算法
.国际期刊计算。科学。工程师。
,4
,94
–101
. 麦克莱恩
,A.L.公司。
,罗森
,Z.公司。
,拜恩
,H.M.公司。
&哈灵顿
,H.A.公司。
(
2015
)无参数方法区分Wnt通路模型并指导实验设计
.程序。国家。阿卡德。科学。
,112
,2652
–2657
. 马拉乔维奇
,G.公司。
(
2017
)计算混合体积和所有混合单元的quermassintegral时间
.已找到。计算。数学。
,17
,1293
–1334
. 摩根
,A。
(
1987
)用延拓法求解多项式系统的工程和科学问题
.新泽西州恩格尔伍德悬崖
:普伦蒂斯·霍尔公司
. 努恩堡
,V.W.公司。
(
1989
)由自适应Lotka-Volterra系统建模的神经网络
.SIAM J.应用。数学。
,49
,1779
–1792
. 索梅塞
,A.J.公司。
,弗舍尔德
,J。
&Wampler公司
,C.W.公司。
(
2001
)利用单值分解法将多项式系统解集分解为不可约分量
.代数几何在编码理论、物理和计算中的应用
,多德雷赫特
:施普林格荷兰
,页。297
–315
. 索梅塞
,A.J.公司。
,弗舍尔德
,J。
&Wampler公司
,C.W.公司。
(
2002
)对称函数在多项式系统解集分解中的应用
.SIAM J.数字。分析。
,40
,2026
–2046
. 索梅塞
,A.J.公司。
,弗舍尔德
,J。
&Wampler公司
,C.W.公司。
(
2005
)数值代数几何导论
.多项式方程的求解:基础、算法和应用
柏林,海德堡
:施普林格-柏林-海德堡
,页。301
–337
. 索梅塞
,A.J.公司。
&Wampler II公司
,C.W.公司。
(
2005
)多项式系统的数值解
.新泽西州哈肯萨克
:世界科学出版有限公司
. 弗舍尔德
,J。
(
1999
)算法795:PHCpack:基于同伦延拓的多项式系统通用求解器
.ACM事务处理。数学。柔和。
,25
,251
–276
. 弗舍尔德
,J。
,维尔林登
,第页。
&冷却
,R。
(
1994
)利用牛顿多面体求解稀疏多项式系统的同伦
.SIAM J.数字。分析。
,31
,915
–930
.
©作者2018。牛津大学出版社代表数学及其应用研究所出版。保留所有权利。