Библиография

1. 1. Кулябов Д.С., Королькова А.В. Компьютерная алгебра на Julia // Программирование. 2021. № 2. С. 44–50. https://doi.org/10.31857/S0132347421020084
2. 2. Korol’kova A.V., Gevorkyan M.N., Fedorov A.V., Shtepa K.A., Kulyabov D.S. Symbolic studies of Maxwell’s equations in space-time algebra formalism // Programming and Computer Software. 2024. V. 50. № 2. P. 166–171.
3. 3. Bittner B., Sreenath K. Symbolic Computation of Dynamics on Smooth Manifolds // In: Goldberg K., Abbeel P., Bekris K., Miller L. (eds) Algorithmic Foundations of Robotics XII. Springer Proceedings in Advanced Robotics. 2020. V. 13. Springer, Cham. P. 336–351. https://doi.org/10.1007/978-3-030-43089-4_22
4. 4. Колесов Ю.Б., Сениченков Ю.Б. Компонентное моделирование сложных динамических систем. СПб.: Санкт-Петербургский политехнический университет Петра Великого, 2020.
5. 5. Banshchikov A., Vetrov A. Application of software tools for symbolic description and modeling of mechanical systems // CEUR Workshop Proceedings. 2. ser. ”ICCSDE 2020 — Proceedings of the 2nd International Workshop on Information, Computation, and Control Systems for Distributed Environments”. 2020. P. 33–42.
6. 6. Банщиков А.В. Применение компьютерной алгебры для анализа гироскопической стабилизации равновесий орбитального гиростата // Вестник Южно-Уральского государственного университета. Серия: Математическое моделирование и программирование. 2021. Т. 14. № 2. С. 70–77. https://doi.org/10.14529/mmp210207
7. 7. Демидова А.В., Дружинина О.В., Масина О.Н., Петров А.А. Разработка алгоритмического и программного обеспечения моделирования управляемых динамических систем с применением символьных вычислений и стохастических методов // Программирование. 2023. № 2. С. 54–68.
8. 8. Bezanson J., Karpinski S., Shah V., Edelman A. Julia: A fast dynamic language for technical computing, 2012. https://arxiv.org/abs/1209.5145
9. 9. Strauss R.R., Bishnu S., Petersen M.R. Comparing the performance of Julia on CPUs versus GPUs and JuliaMPI versus Fortran-MPI: A case study with MPASOcean (Version 7.1) // EGUsphere. 2023. V. 2023. P. 1–22.
10. 10. Демидова А.В., Дружинина О.В., Масина О.Н., Петров А.А. Построение компартментальных моделей динамических систем с применением программного комплекса символьных вычислений на языке Julia // Программирование. 2024. № 2. P. 33–44.
11. 11. Brauer F. Mathematical epidemiology: Past, present, and future // Infectious Disease Modelling. 2017. V. 2. P. 113–127.
12. 12. Кабанихин С.И. Оптимизационные методы решения обратных задач иммунологии и эпидемиологии // Журнал вычислительной математики и математической физики. 2020. Т. 60. № 4. С. 590–600.
13. 13. Patlolla P., Gunupudi V., Mikler A.R., Jacob R.T. Agent-Based Simulation Tools in Computational Epidemiology // 4th International Workshop, International Conference on Innovative Internet Community Systems (I2CS ’04). Berlin/Heidelberg: Springer, 2004. P. 212–223.
14. 14. Аль-Азази А., Скворцов А.В., Масленников Б.И. Компартментная модель распространения эпидемического заболевания (на примере туберкулеза-ВИЧ) // Вестник ТвГТУ. 2013. Вып. 23. № 1. С. 3–9.
15. 15. Котин В.В., Червяков Н.М. Неопределенность начальных условий в SEIR-модели с вакцинацией // Биомедицинская радиоэлектроника. 2019. № 6. С. 40–47. https://doi.org/10.18127/j15604136-201906-07
16. 16. Martcheva M. An introduction to mathematical epidemiology. Springer, 2015.
17. 17. Романюха А.А. Математические модели в иммунологии и эпидемиологии инфекционных заболеваний. М.: БИНОМ. Лаборатория знаний, 2012. 293 с.
18. 18. Gromov D.V., Bulla I., Romero-Severson E.O., Serea O.S. Numerical optimal control for HIV prevention with dynamic budget allocation // Mathematical Medicine and Biology. 2016. V. 35. № 4. P. 469–491.
19. 19. Hamelin F., Iggidr A., Rapaport A., Sallet G. Observability, Identifiability and Epidemiology A survey, 2021.
20. 20. Котин В.В., Сычугина А.С. Оптимизация программного управления процедурами вакцинации // Биомедицинская радиоэлектроника. 2016. № 7. C. 25–30.
21. 21. Котин В.В., Литун Е.И., Литун С.И. Оптимизация последовательного режима вакцинации и оценка областей достижимости // Биомедицинская радиоэлектроника. 2017. № 9. C. 29–34.
22. 22. Жуков В.В., Котин В.В. Эффективность, контроль и оптимальность вакцинации // Биомедицинская радиоэлектроника. 2018.№ 10. C. 52–56.
23. 23. Овсянникова Н.И. Поиск оптимального управления в модели эпидемии // Журнал СВМО. 2009. Т. 11. № 2. С. 119–126.
24. 24. Hansen E., Day T. Optimal control of epidemics with limited resources // J. Math. Biol. 2011. V. 62. № 3. P. 423–451. https://doi.org/10.1007/s00285-010-0341-0
25. 25. Zhou Y., Wu J., Wu M. Optimal isolation strategies of emerging infectious diseases with limited resources // Math. Biosci. Eng. 2013. V. 10.№ 5–6. P. 1691–1701. https://doi.org/10.3934/mbe.2013.10.1691
26. 26. Zhou P., Yang X.L., Wang X.G. et al. A pneumonia outbreak associated with a new coronavirus of probable bat origin // Nature. 2020. V. 579. № 7798. P. 270–273. https://doi.org/10.1038/s41586-020-2012-7
27. 27. Yang Z., Zeng Z., Wang K. et al. Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions // J. Thorac. Dis. 2020. V. 12. № 3. P. 165–174. https://doi.org/10.21037/jtd.2020.02.64
28. 28. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. 2-е изд. М.: МГТУ им. Н.Э. Баумана, 2016.
29. 29. Demidova A.V., Druzhinina O.V., Masina O.N., Petrov A.A. Synthesis and computer study of population dynamics controlled models using methods of numerical optimization, stochastization and machine learning // Mathematics. 2021. V. 9. Iss. 24. P. 3303. https://doi.org/10.3390/math9243303
30. 30. Nowakova J., Pokorny M. Intelligent Controller Design by the Artificial Intelligence Methods // Sensors. 2020. V. 20. № 16. P. 4454. https://doi.org/10.3390/s20164454
31. 31. Lekone P.E., Finkenstadt B.F. Statistical Inference in a Stochastic Epidemic SEIR Model with Control Intervention: Ebola as a Case Study // Biometrics. 2006. V. 62. P. 1170–1177.
32. 32. Pertsev N.V., Leonenko V.N. Discrete stochastic model of HIV infection spread within a heterogeneous population // Russian Journal of Numerical Analysis and Mathematical Modelling. 2012. V. 27. P. 459–477.
33. 33. Шабунин А.В. SIRS-модель распространения инфекций с динамическим регулированием численности популяций: исследование методом вероятностных клеточных автоматов // Известия вузов. Прикладная нелинейная динамика. 2019. Т. 27. № 2. С. 5–20.
34. 34. Allen L.J.S. An Introduction to Stochastic Epidemic Models // Mathematical Epidemiology / Ed. by F. Brauer, P. van den Driessche, J. Wu. Berlin, Heidelberg: Springer Berlin Heidelberg, 2008. P. 81–130. https://doi.org/10.1007/978-3-540-78911-6_3
35. 35. Клочкова Л.В., Орлов Ю.Н., Тишкин В.Ф. Математическое моделирование стохастических процессов распространения вирусов в среде обитания людей // Препринты ИПМ им. М.В.Келдыша. 2020. № 114. 17 с. https://doi.org/10.20948/prepr-2020-114https://library.keldysh.ru/preprint.asp?id=2020-114
36. 36. Овсянникова Н.И. Стохастическая модель динамики эпидемии // Научный вестник Московского государственного технического университета гражданской авиации. 2016. № 224(2). С. 107–114.
37. 37. Геворкян М.Н., Демидова А.В., Велиева Т.Р., Королькова А.В., Кулябов Д.С., Севастьянов Л.А. Реализация метода стохастизации одношаговых процессов в системе компьютерной алгебры // Программирование. 2018. № 2. С. 18–27.
38. 38. Korolkova A., Kulyabov D. Onestep stochastization methods for open systems // EPJ Web of Conferences. 2020. V. 226. P. 02014. https://doi.org/10.1051/epjconf/202022602014