Математическое ремоделирование представляет собой современный подход в области математического моделирования, суть которого заключается в преобразовании существующей модели одного класса в новую модель, принадлежащую к другому, часто более простому или вычислительно эффективному классу. В отличие от классического процесса моделирования, где модель создается «с нуля» на основе первичных данных, ремоделирование исходит из того, что уже существует некая адекватная исходная модель f1, достаточно точно описывающая объект или процесс. Эта модель, однако, может быть слишком сложной для практического применения, требовать значительных вычислительных ресурсов или быть представленной в форме, неудобной для дальнейшего использования, например, в системах реального времени или в устройствах с ограниченной производительностью. Ключевой задачей в процессе ремоделирования является генерация репрезентативного обучающего множества данных, на основе которого будет строиться новая модель f2. Именно от качества и структуры этого синтезированного набора данных напрямую зависит точность и адекватность вновь получаемой модели. Традиционные методы генерации, такие как равномерное случайное распределение точек в заданной области или использование методов планирования эксперимента, зачастую оказываются неэффективными: они либо не учитывают особенности поведения исходной функции, либо становятся вычислительно нереализуемыми при высокой размерности задачи. В связи с этим возникает необходимость в разработке интеллектуальных алгоритмов адаптивной генерации данных, которые могли бы целенаправленно размещать точки в тех областях пространства входных переменных, где исходная функция f1 демонстрирует наибольшую вариативность и нелинейность. Данная работа посвящена разработке и исследованию именно такого подхода, основанного на принципах интервального анализа и последовательной бисекции области определения, что позволяет оптимально распределять ограниченный объем генерируемых данных и существенно повышать точность математического ремоделирования.