MARC

 008250123s2024        us                              c    eng  d
■001000017160854
■00520250211151126
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382808697
■035    ▼a(MiAaPQ)AAI31147093
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aKarntikoon,  Kritkorn.▼0(orcid)0000-0002-6398-3097
■24510▼aDynamics  of  Averaging  Systems:  Convergence  and  Cyclical  Trends
■260    ▼a[Sl]▼bPrinceton  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a184  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Chazelle,  Bernard.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2024.
■520    ▼aAveraging  dynamics  drives  countless  processes  in  biology,  social  science,  physics,  and  engineering.  Notable  examples  include  opinion  dynamics,  bird  flocking,  and  synchronization  processes.  These  processes  involve  agents  interacting  across  a  dynamic  network  by  averaging  their  state  variables  with  those  of  their  neighbors.  The  dynamics  of  averaging  systems  therefore  depend  on  the  structure  of  the  underlying  network  sequences.  Under  mild  conditions,  such  systems  are  known  to  converge  to  fixed-point  attractors  but  are  hard  to  analyze  because  of  the  time-varying  nature  of  networks.  The  s-energy,  a  generating  function  over  inter-agent  distances,  has  emerged  as  a  powerful  tool  to  deal  with  this  issue.In  this  thesis,  we  refine  the  analysis  of  the  s-energy  by  highlighting  the  impact  of  network  connectivity.  This  allows  us  to  address  an  intriguing  exponential  gap  in  the  convergence  rate  of  averaging  systems.  We  also  apply  this  new  s-energy  bound  to  resolve  open  questions  in  several  areas  including  bird  flocking,  where  we  establish  sufficient  conditions  for  the  first  polynomial  bound  in  bird  flocking  convergence.  Additionally,  we  investigate  the  emergence  of  cyclical  trends  in  opinion  dynamics.  Augmenting  the  model  with  a  separation  rule  reveals  that  the  systems  either  converge  to  a  nonconsensual  equilibrium  or  are  attracted  to  periodic  or  quasi-periodic  orbits.  Our  analysis  includes  exploring  geometric  properties  such  as  dimensionality,  periodicity,  and  conditions  for  various  behaviors.Later,  we  shift  our  focus  from  averaging  systems  to  explore  compelling  examples  of  dynamic  multi-agent  systems,  such  as  epidemiological  and  traffic  network  models.  Furthermore,  our  emphasis  is  not  on  convergence  rates  or  dynamic  evolution  but  rather  on  practical  applications:  approximating  the  relevant  values  within  these  systems.
■590    ▼aSchool  code:  0181.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■653    ▼aAveraging  systems
■653    ▼aConvergence  rate
■653    ▼aCyclical  trends
■653    ▼as-energy
■653    ▼aSynchronization  processes
■690    ▼a0984
■690    ▼a0489
■690    ▼a0464
■71020▼aPrinceton  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160854▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books