Numerical Solution of Nonlinear Integral Equations With Multi-Layer Neural Networks

Abstract

Bu tezde, kısıtsız optimizasyon yoluyla eğitilmiş çok katmanlı bir sinir ağı (MLNN) kullanarak Fredholm ve Volterra tiplerinin doğrusal olmayan integral denklem sistemlerin çözmek için bir yaklaşım sunmaktadır.Öğrenme süreci, hem Fredholm hem de Volterra denklemlerinde verimli yakınsama sağlayan Nelder-Mead simpleks yöntemini (NMSM) kullanarak integral denklem hata fonksiyonunu en aza indirmeyi içerir. Yöntem, karmaşık problemler için potansiyel olarak zaman alıcı hesaplamalara rağmen yüksek doğruluk sağlayarak yakınsama ve yaklaşım hassasiyetini korur. Ayrıca, önerilen yaklaşım, yüksek boyutlu ve değişken denklemlere karşı sağlamlık göstermektedir. NMSM'yi kullanan sayısal örnekler, mevcut yöntemlere kıyasla üstün performans göstermektedir. Bu araştırma, doğrusal olmayan integral denklem sistemini verimli ve doğru bir şekilde çözmek için sağlıklı bir yol sunmaktadır ve başka alanlarda da uygulanabilirlik sağlamaktadır.

In this thesis, we present an approach to solve systems of nonlinear integral equations of Fredholm and Volterra types using a multilayer neural network (MLNN) trained through unconstrained optimization. The learning process involves minimizing the integral equation error function using the Nelder-Mead simplex method (NMSM), enabling efficient convergence in both Fredholm and Volterra equations. Our method ensures high accuracy despite potentially time-consuming computations for complex problems, maintaining convergence and approximation precision. Furthermore, the proposed approach demonstrates robustness against high-dimensional and variant equations. Numerical experiments employing the NMSM showcase its superior performance compared to existing methods. This research offers a convenient way for solving a system of nonlinear integral equations efficiently and accurately, with broad applicability across diverse domains.