Основные понятия и принципы математического моделирования. Основные понятия математического моделирования

С.П. БОБКОВ, Д.О. БЫТЕВ

МОДЕЛИРОВАНИЕ СИСТЕМ

Учебное пособие

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

Ивановский государственный химико-технологический университет

Международный университет бизнеса и новых технологий (институт)

С.П. БОБКОВ, Д.О. БЫТЕВ

МОДЕЛИРОВАНИЕ СИСТЕМ

для студентов высших учебных заведений.

Бобков С.П. Моделирование систем: учеб. пособие / С.П. Бобков,

Д.О. Бытев; Иван. гос. хим.-технол. ун-т. – Иваново, 2008. – 156 с. - ISBN

Цель учебного пособия – дать студентам общее представление о со- временных методах моделирования технических и технико-экономических систем и объектов.

В пособии рассматриваются общие вопросы и современная методо-

логия моделирования, непрерывные и дискретные детерминированные мо-

дели объектов и систем, стохастические модели с дискретным и непрерыв- ным временем. Большое внимание уделено методам имитационного моде- лирования систем с вероятностными характеристиками. Дается обзор дру- гих подходов к моделированию сложных систем, таких как информацион- но-энтропийный, использование нейронных сетей и сетей Петри.

Учебное пособие предназначено для студентов, обучающихся по специальностям подготовки 080801 «Прикладная информатика» и 230201

«Информационные системы и технологии». Кроме того, пособие может быть полезным для студентов других специальностей и направлений.

Табл.7. Ил.92. Библиогр.:10 назв.

Печатается по решению редакционно-издательского совета Иванов-

ского государственного химико-технологического университета.

Рецензенты:

кафедра прикладной математики Ивановского государственного энергетического университета; доктор физико-математических наук В.А.Соколов, (Ярославский государственный университет).

ISBN 5-9616-0268-6 © ГОУ ВПО Ивановский государст- венный химико-технологический университет», 2008

1.5. Понятие математической схемы моделирования. . . . . . . . . . . . . . 12

1.6. Общая методика создания математических моделей. . . . . . . . . . . 13

1.7. Основные понятия системного подхода к созданию

математических моделей. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2. ДЕТЕРМИНИРОВАННЫЕ МОДЕЛИ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.1. Математические модели технических объектов. . . . . . . . . . . . . . . 20

2.1.1. Компонентные функциональные уравнения объектов. . . . . 20

2.1.2. Фазовые переменные и их аналогии. . . . . . . . . . . . . . . . . . . . 23

2.1.3. Топологические уравнения. . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.1.4. Примеры создания моделей технических объектов. . . . . . . 25

2.1.5. Модели технологических аппаратов. . . . . . . . . . . . . . . . . . . 29

2.2. Конечные автоматы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.1. Понятие конечного автомата. . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.2. Способы описания и классы конечных автоматов. . . . . . . . 32

2.2.3. Другие виды конечных автоматов. . . . . . . . . . . . . . . . . . . . . 37

3. СТОХАСТИЧЕСКИЕ МОДЕЛИ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1. Элементы теории марковских случайных процессов. . . . . . . . . . . 39

3.1.1. Понятие случайного процесса. . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1.2. Дискретные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.1.3. Стационарное распределение вероятностей. . . . . . . . . . . . . 43

3.1.4. Непрерывные марковские цепи. . . . . . . . . . . . . . . . . . . . . . . 45

3.1.5. Уравнения А.Н. Колмогорова. . . . . . . . . . . . . . . . . . . . . . . . . 46

3.1.6. Потоки событий. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.2. Основы теории массового обслуживания. . . . . . . . . . . . . . . . . . . . . 51

3.2.1. Обобщенная структурная схема СМО. Параметры

и характеристики. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2.2. Разомкнутые СМО с ожиданием и терпеливыми заявками. 58

3.2.3. Предельные варианты разомкнутой СМО. . . . . . . . . . . . . . . 62

3.2.4.Общий случай разомкнутой СМО. . . . . . . . . . . . . . . . . . . . . . 64

3.2.5. Замкнутые СМО. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

3.2.6. Сети массового обслуживания

с простейшими потоками событий. . . . . . . . . . . . . . . . . . . . . . . . . . 73

3.3. Вероятностные автоматы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ. . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Определение метода имитационного моделирования. . . . . . . . . .
4.2. Основные понятия имитационного моделирования. . . . . . . . . . . .
4.3. Основные этапы имитационного моделирования. . . . . . . . . . . . . .
4.4. Время в имитационных моделях. Псевдопараллелизм. . . . . . . . . .
4.5. Обобщённые алгоритмы имитационного моделирования. . . . . . .
4.6. Моделирование случайных факторов. . . . . . . . . . . . . . . . . . . . . . . .
4.6.1. Моделирование базовых случайных величин. . . . . . . . . . . .
4.6.2. Моделирование непрерывных случайных величин
с произвольным распределением. . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.3. Моделирование дискретных случайных величин. . . . . . . . .
4.6.4. Моделирование случайных событий и их потоков. . . . . . .
4.7 Моделирование случайных процессов. . . . . . . . . . . . . . . . . . . . . . . .
4.7.1 Дискретные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.2 Непрерывные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . .
4.8. Обработка и анализ результатов имитационного моделирования.
4.8.1. Оценка вероятностных параметров. . . . . . . . . . . . . . . . . . . .
4.8.2. Оценка корреляционных параметров. . . . . . . . . . . . . . . . . . .
4.8.3. Расчет средних по времени параметров СМО. . . . . . . . . . . .
4.9. Планирование экспериментов с имитационными моделями. . . . .
4.10. Общие проблемы имитационного моделирования. . . . . . . . . . . .
5. ОБЗОР АЛЬТЕРНАТИВНЫХ ПОДХОДОВ К МОДЕЛИРОВАНИЮ
СЛОЖНЫХ СИСТЕМ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1. Сети Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1. Определение сети Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.2. Функционирование сети Петри. . . . . . . . . . . . . . . . . . . . . . . .
5.1.3. Анализ сетей Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Нейронные сети. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.1. Понятие нейронной сети. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.2. Искусственный нейрон. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.3. Основные виды активационных функций искусственных
нейронов. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.4. Виды простейших нейронных сетей. . . . . . . . . . . . . . . . . . . .
5.2.5. Рекуррентные и самоорганизующиеся нейронные сети. . .
5.2.6. Общие замечания по использованию нейронных сетей. . . .
5.3. Информационно-энтропийный подход к моделированию систем
СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .

ВВЕДЕНИЕ

Моделирование является универсальным методом получения и использо- вания знаний об окружающем мире. Моделирование всегда используется чело- веком в целенаправленной деятельности, особенно в исследовательской. В со- временных условиях усиливается роль и значение математического моделиро- вания, которое с развитием средств вычислительной техники часто стали назы- вать компьютерным.

Математические (компьютерные) модели, в силу своей логичности и строгого формального характера, позволяют выявить основные факторы, опре- деляющие свойства изучаемых систем и исследовать их реакции на внешние воздействия и изменения параметров. Часто математические модели проще и удобнее использовать, чем натуральные (физические). Они позволяют прово- дить вычислительные эксперименты, реальная постановка которых затруднена или невозможна.

Изучение основных принципов математического моделирования является неотъемлемой частью подготовки специалистов в технических областях дея- тельности. Дисциплины, связанные с изучением основных аспектов моделиро- вания объектов и систем в обязательном порядке входят в соответствующие учебные планы, являясь компонентами федеральных образовательных стандар- тов.

Целью данного учебного пособия является последовательное изложение современных методов моделирования. Пособие предназначено главным обра- зом для студентов, обучающихся по специальностям и направлениям «Инфор- мационные системы» и «Прикладная информатика (по отраслям». Однако, учи- тывая опыт преподавания подобных дисциплин в технических вузах, авторы сочли целесообразным не ограничиваться рассмотрением только информаци- онных систем, но и включить в текст рассмотрение технических и технико- экономических систем и объектов.

Материал пособия выстроен следующим образом. В первой главе рас- сматриваются общие вопросы и современная методология моделирования, ис- пользование системного подхода при создании математических моделей. Вто- рая глава посвящена рассмотрению непрерывных и дискретных детерминиро- ванных моделей объектов и систем. Предлагается использование метода анало- гий при синтезе и анализе моделей технических объектов различной физиче- ской природы. В третьей главе изучаются стохастические модели с дискретным и непрерывным временем. Большое внимание в пособии уделено методам ими- тационного моделирования систем с вероятностными характеристиками, что составляет содержание четвертой главы. В пятой главе дается обзор других подходов к моделированию сложных систем, таких как информационно- энтропийный, использование нейронных сетей и сетей Петри.

ОБЩИЕ ПОНЯТИЯ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

Понятие модели и моделирования.

Модель в широком смысле - это любой образ, аналог мысленный или установленный изображение, описание, схема, чертеж, карта и т. п. какого либо объема, процесса или явления, используемый в качестве его заменителя или представителя. Сам объект, процесс или явление называется оригиналом данной модели.

Моделирование - это исследование какого либо объекта или системы объектов путем построения и изучения их моделей. Это использование моделей для определения или уточнения характеристик и рационализации способов построения вновь конструируемых объектов.

На идее моделирования базируется любой метод научного исследования, при этом, в теоретических методах используются различного рода знаковые, абстрактные модели, в экспериментальных - предметные модели.

При исследовании сложное реальное явление заменяется некоторой упрощенной копией или схемой, иногда такая копия служит лишь только для того чтобы запомнить и при следующей встрече узнать нужное явление. Иногда построенная схема отражает какие - то существенные черты, позволяет разобраться в механизме явления, дает возможность предсказать его изменение. Одному и тому же явлению могут соответствовать разные модели.

Задача исследователя - предсказывать характер явления и ход процесса.

Иногда, бывает, что объект доступен, но эксперименты с ним дорогостоящи или привести к серьезным экологическим последствиям. Знания о таких процессах получают с помощью моделей.

Важный момент - сам характер науки предполагает изучение не одного конкретного явления, а широкого класса родственных явлений. Предполагает необходимость формулировки каких - то общих категорических утверждений, которые называются законами. Естественно, что при такой формулировке многими подробностями пренебрегают. Чтобы более четко выявить закономерность сознательно идут на огрубление, идеализацию, схематичность, то есть изучают не само явление, а более или менее точную ее копию или модель. Все законы- это законы о моделях, а поэтому нет ничего удивительного в том, что с течением времени некоторые научные теории признаются непригодными. Это не приводит к краху науки, поскольку одна модель заменилась другой более современной .

Особую роль в науке играют математические модели, строительный материал и инструменты этих моделей - математические понятия. Они накапливались и совершенствовались в течении тысячелетий. Современная математика дает исключительно мощные и универсальные средства исследования. Практически каждое понятие в математике, каждый математический объект, начиная от понятия числа, является математической моделью. При построении математической модели, изучаемого объекта или явления выделяют те его особенности, черты и детали, которые с одной стороны содержат более или менее полную информацию об объекте, а с другой допускают математическую формализацию. Математическая формализация означает, что особенностям и деталям объекта можно поставить в соответствие подходящие адекватные математические понятия: числа, функции, матрицы и так далее. Тогда связи и отношения, обнаруженные и предполагаемые в изучаемом объекте между отдельными его деталями и составными частями можно записать с помощью математических отношений: равенств, неравенств, уравнений. В результате получается математическое описание изучаемого процесса или явление, то есть его математическая модель.

Изучение математической модели всегда связанно с некоторыми правилами действия над изучаемыми объектами. Эти правила отражают связи между причинами и следствиями.

Построение математической модели - это центральный этап исследования или проектирования любой системы. От качества модели зависит весь последующий анализ объекта. Построение модели - это процедура не формальная. Сильно зависит от исследователя, его опыта и вкуса, всегда опирается на определенный опытный материал. Модель должна быть достаточно точной, адекватной и должна быть удобна для использования.

Математическое моделирование.

Классификация математических моделей.

Математические модели могут быть детерменированными и стохастическими .

Детерменированные модели- это модели, в которых установлено взаимно-однозначное соответствие между переменными описывающими объект или явления.

Такой подход основан на знании механизма функционирования объектов. Часто моделируемый объект сложен и расшифровка его механизма может оказаться очень трудоемкой и длинной во времени. В этом случае поступают следующим образом: на оригинале проводят эксперименты, обрабатывают полученные результаты и, не вникая в механизм и теорию моделируемого объекта с помощью методов математической статистики и теории вероятности, устанавливают связи между переменными, описывающими объект. В этом случае получают стахостическую модель. В стахостической модели связь между переменными носит случайный характер, иногда это бывает принципиально. Воздействие огромного количества факторов, их сочетание приводит к случайному набору переменных описывающих объект или явление. По характеру режимов модель бывают статистическими и динамическими .

Статистическая модель включает описание связей между основными переменными моделируемого объекта в установившемся режиме без учета изменения параметров во времени.

В динамической модели описываются связи между основными переменными моделируемого объекта при переходе от одного режима к другому.

Модели бывают дискретными и непрерывными , а также смешанного типа. В непрерывных переменные принимают значения из некоторого промежутка, в дискретных переменные принимают изолированные значения.

Линейные модели - все функции и отношения, описывающие модель линейно зависят от переменных и не линейные в противном случае.

Математическое моделирование.

Требования,п редъявляемые к моделям.

1. Универсальность - характеризует полноту отображения моделью изучаемых свойств реального объекта.

1. Адекватность - способность отражать нужные свойства объекта с погрешностью не выше заданной.
2. Точность - оценивается степенью совпадения значений характеристик реального объекта и значения этих характеристик полученных с помощью моделей.
3. Экономичность - определяется затратами ресурсов ЭВМ памяти и времени на ее реализацию и эксплуатацию.

Математическое моделирование.

Основные этапы моделирования.

1. Постановка задачи.

Определение цели анализа и пути ее достижения и выработки общего подхода к исследуемой проблеме. На этом этапе требуется глубокое понимание существа поставленной задачи. Иногда, правильно поставить задачу не менее сложно чем ее решить. Постановка - процесс не формальный, общих правил нет.

2. Изучение теоретических основ и сбор информации об объекте оригинала.

На этом этапе подбирается или разрабатывается подходящая теория. Если ее нет, устанавливаются причинно - следственные связи между переменными описывающими объект. Определяются входные и выходные данные, принимаются упрощающие предположения.

3. Формализация.

Заключается в выборе системы условных обозначений и с их помощью записывать отношения между составляющими объекта в виде математических выражений. Устанавливается класс задач, к которым может быть отнесена полученная математическая модель объекта. Значения некоторых параметров на этом этапе еще могут быть не конкретизированы.

4. Выбор метода решения.

На этом этапе устанавливаются окончательные параметры моделей с учетом условия функционирования объекта. Для полученной математической задачи выбирается какой - либо метод решения или разрабатывается специальный метод. При выборе метода учитываются знания пользователя, его предпочтения, а также предпочтения разработчика.

5. Реализация модели.

Разработав алгоритм, пишется программа, которая отлаживается, тестируется и получается решение нужной задачи.

6. Анализ полученной информации.

Сопоставляется полученное и предполагаемое решение, проводится контроль погрешности моделирования.

7. Проверка адекватности реальному объекту.

Результаты, полученные по модели сопоставляются либо с имеющейся об объекте информацией или проводится эксперимент и его результаты сопоставляются с расчётными.

Процесс моделирования является итеративным. В случае неудовлетворительных результатов этапов 6. или 7. осуществляется возврат к одному из ранних этапов, который мог привести к разработке неудачной модели. Этот этап и все последующие уточняются и такое уточнение модели происходит до тех пор, пока не будут получены приемлемые результаты.

Математическая модель - это приближенное описание какого-либо класса явлений или объектов реального мира на языке математики. Основная цель моделирования - исследовать эти объекты и предсказать результаты будущих наблюдений. Однако моделирование - это еще и метод познания окружающего мира, дающий возможность управлять им.

Математическое моделирование и связанный с ним компьютерный эксперимент незаменимы в тех случаях, когда натурный эксперимент невозможен или затруднен по тем или иным причинам. Например, нельзя поставить натурный эксперимент в истории, чтобы проверить, «что было бы, если бы...» Невозможно проверить правильность той или иной космологической теории. В принципе возможно, но вряд ли разумно, поставить эксперимент по распространению какой-либо болезни, например чумы, или осуществить ядерный взрыв, чтобы изучить его последствия. Однако все это вполне можно сделать на компьютере, построив предварительно математические модели изучаемых явлений.

1.1.2 2. Основные этапы математического моделирования

1) Построение модели . На этом этапе задается некоторый «нематематический» объект - явление природы, конструкция, экономический план, производственный процесс и т. д. При этом, как правило, четкое описание ситуации затруднено. Сначала выявляются основные особенности явления и связи между ними на качественном уровне. Затем найденные качественные зависимости формулируются на языке математики, то есть строится математическая модель. Это самая трудная стадия моделирования.

2) Решение математической задачи, к которой приводит модель . На этом этапе большое внимание уделяется разработке алгоритмов и численных методов решения задачи на ЭВМ, при помощи которых результат может быть найден с необходимой точностью и за допустимое время.

3) Интерпретация полученных следствий из математической модели. Следствия, выведенные из модели на языке математики, интерпретируются на языке, принятом в данной области.

4) Проверка адекватности модели. На этом этапе выясняется, согласуются ли результаты эксперимента с теоретическими следствиями из модели в пределах определенной точности.

5) Модификация модели. На этом этапе происходит либо усложнение модели, чтобы она была более адекватной действительности, либо ее упрощение ради достижения практически приемлемого решения.

1.1.3 3. Классификация моделей

Классифицировать модели можно по разным критериям. Например, по характеру решаемых проблем модели могут быть разделены на функциональные и структурные. В первом случае все величины, характеризующие явление или объект, выражаются количественно. При этом одни из них рассматриваются как независимые переменные, а другие - как функции от этих величин. Математическая модель обычно представляет собой систему уравнений разного типа (дифференциальных, алгебраических и т. д.), устанавливающих количественные зависимости между рассматриваемыми величинами. Во втором случае модель характеризует структуру сложного объекта, состоящего из отдельных частей, между которыми существуют определенные связи. Как правило, эти связи не поддаются количественному измерению. Для построения таких моделей удобно использовать теорию графов. Граф - это математический объект, представляющий собой некоторое множество точек (вершин) на плоскости или в пространстве, некоторые из которых соединены линиями (ребрами).

По характеру исходных данных и результатов предсказания модели могут быть разделены на детерминистические и вероятностно-статистические. Модели первого типа дают определенные, однозначные предсказания. Модели второго типа основаны на статистической информации, а предсказания, полученные с их помощью, имеют вероятностный характер.

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ВСЕОБЩАЯ КОМПЬЮТЕРИЗАЦИЯ ИЛИ ИМИТАЦИОННЫЕ МОДЕЛИ

Сейчас, когда в стране происходит чуть ли не всеобщая компьютеризация, от специалистов различных профессий приходится слышать высказывания: "Вот внедрим у себя ЭВМ, тогда все задачи сразу же будут решены". Эта точка зрения совершенно не верна, сами по себе ЭВМ без математических моделей тех или иных процессов ничего сделать не смогут и о всеобщей компьютеризации можно лишь мечтать.

В подтверждение вышесказанного попытаемся обосновать необходимость моделирования, в том числе математического, раскроем его преимущества в познании и преобразовании человеком внешнего мира, выявим существующие недостатки и пойдем… к имитационному моделированию, т.е. моделированию с использованием ЭВМ. Но все по порядку.

Прежде всего, ответим на вопрос: что такое модель?

Модель – это материальный или мысленно представленный объект, который в процессе познания (изучения) замещает оригинал, сохраняя некоторые важные для данного исследования типичные свойства.

Хорошо построенная модель доступнее для исследования – нежели реальный объект. Например, недопустимы эксперименты с экономикой страны в познавательных целях, здесь без модели не обойтись.

Резюмируя сказанное можно ответить на вопрос: для чего нужны модели? Для того, чтобы

• понять, как устроен объект (его структура, свойства, законы развития, взаимодействия с окружающим миром).
• научиться управлять объектом (процессом) и определять наилучшие стратегии
• прогнозировать последствия воздействия на объект.

Что положительного в любой модели? Она позволяет получить новые знания об объекте, но, к сожалению, в той или иной степени не полна.

Модель сформулированная на языке математики с использованием математических методов называется математической моделью.

Исходным пунктом ее построения обычно является некоторая задача, например экономическая. Широко распространены, как дескриптивные, так и оптимизационные математические, характеризующие различные экономические процессы и явления, например:

• распределение ресурсов
• рациональный раскрой
• транспортные перевозки
• укрупнение предприятий
• сетевое планирование.

Каким образом происходит построение математической модели?

• Во–первых , формулируется цель и предмет исследования.
• Во–вторых , выделяются наиболее важные характеристики, соответствующие данной цели.
• В–третьих, словесно описываются взаимосвязи между элементами модели.
• Далее взаимосвязь формализуется.
• И производится расчет по математической модели и анализ полученного решения.

Используя данный алгоритм можно решить любую оптимизационную задачу, в том числе и многокритериальную, т.е. ту в которой преследуется не одна, а несколько целей, в том числе противоречивых.

Приведем пример. Теория массового обслуживания – проблема образования очередей. Нужно уравновесить два фактора – затраты на содержание обслуживающих устройств и затраты на пребывание в очереди. Построив формальное описание модели производят расчеты, используя аналитические и вычислительные методы. Если модель хороша, то ответы найденные с ее помощью адекватны моделирующей системе, если плоха, то подлежит улучшению и замене. Критерием адекватности служит практика.

Оптимизационные модели, в том числе многокритериальные, имеют общее свойство– из вестна цель(или несколько целей) для достижения которой часто приходится иметь дело со сложными системами, где речь идет не столько о решении оптимизационных задач, сколько об исследовании и прогнозировании состояний в зависимости от избираемых стратегий управления. И здесь мы сталкиваемся с трудностями реализации прежнего плана. Они состоят в следующем:

• сложная система содержит много связей между элементами
• реальная система подвергается влиянию случайных факторов, учет их аналитическим путем невозможен
• возможность сопоставления оригинала с моделью существует лишь в начале и после применения математического аппарата, т.к. промежуточные результаты могут не иметь аналогов в реальной системе.

В связи с перечисленными трудностями, возникающими при изучении сложных систем, практика потребовала более гибкий метод, и он появился – имитационное моделирование "Simujation modeling ".

Обычно под имитационной моделью понимается комплекс программ для ЭВМ, описывающий функционирование отдельных блоков систем и правил взаимодействия между ними. Использование случайных величин делает необходимым многократное проведение экспериментов с имитационной системой (на ЭВМ) и последующий статистический анализ полученных результатов. Весьма распространенным примером использования имитационных моделей является решение задачи массового обслуживания методом МОНТЕ–КАРЛО.

Таким образом, работа с имитационной системой представляет собой эксперимент, осуществляемый на ЭВМ. В чем же заключаются преимущества?

–Большая близость к реальной системе, чем у математических моделей;

–Блочный принцип дает возможность верифицировать каждый блок до его включения в общую систему;

–Использование зависимостей более сложного характера, не описываемых простыми математическими соотношениями.

Перечисленные достоинства определяют недостатки

–построить имитационную модель дольше, труднее и дороже;

–для работы с имитационной системой необходимо наличие подходящей по классу ЭВМ;

–взаимодействие пользователя и имитационной модели (интерфейс) должно быть не слишком сложным, удобным и хорошо известным;

–построение имитационной модели требует более глубокого изучения реального процесса, нежели математическое моделирование.

Встает вопрос: может ли имитационное моделирование заменить методы оптимизации? Нет, но удобно дополняет их. Имитационная модель – это программа, реализующая некоторый алгоритм, для оптимизации управления которым прежде решается оптимизационная задача.

Итак, ни ЭВМ, ни математическая модель, ни алгоритм для ее исследования порознь не могут решить достаточно сложную задачу. Но вместе они представляют ту силу, которая позволяет познавать окружающий мир, управлять им в интересах человека.

1.2 Классификация моделей

1.2.1 Классификация с учетом фактора времени и области использования (Макарова Н.А.) Статическая модель - это как бы одномоментный срез информации по объекту (результат одного обследования) Динамическая модель-позволяет увидеть изменения объекта во времени(Карточка в поликлинике) Можно классифицировать модели и по тому, к какой области знаний они принадлежат (биологические,исторические , экологические и т.п.) Возврат в начало

1.2.2 Классификация по области использования (Макарова Н.А.) Учебные- наглядные пособия, тренажеры,о бучающие программы Опытные модели-уменьшенные копии (автомобиль в аэродинамической трубе) Научно-технические- синхрофазотрон , стенд для проверки электронной аппаратуры Игровые- экономические , спортивные, деловые игры Имитационные- не просто отражают реальность, но имитируют ее(на мышах испытываеется лекарство, в школах проводятся эксперементы и т.п. .Такой метод моделирования называется методом проб и ошибок Возврат в начало

1.2.3 Классификация по способу представления Макарова Н.А.) Материальные модели-иначе можно назвать предметными. Они воспринимают геометрические и физические свойства оригинала и всегда имеют реальное воплощение Информационные модели-нельзя потрогать или увидеть. Они строятся только на информации.И нформационная модель совокупность информации, характеризующая свойства и состояния объекта, процесса, явления, а также взаимосвязь с внешним миром. Вербальная модель - информационная модель в мысленной или разговорной форме. Знаковая модель-информационная модель выраженная знаками,т .е . средствами любого формального языка. Компьютерная модель -м одель, реализованная средствами программной среды.

1.2.4 Классификация моделей, приведенная в книге "Земля Информатика" (Гейн А.Г.)) "...вот нехитрая на первый взгляд задача: сколько потребуется времени, чтобы пересечь пустыню Каракумы? Ответ,разумеется зависит от способа передвижения. Если путешествоватьна верблюдах , то потребуется один срок, другой-если ехать на автомобиле, третий - если лететь самолетом. А самое главное - для планирования путешествия требуются разные модели. Для первого случая требуемую модель можно найти в мемуарах знаменитых исследователей пустынь: ведь здесь не обойтись без информации об оазисах и верблюжьих тропах. Во втором случае незаменимая информация, содержащаяся в атласе автомобильных дорог. В третьем - можно воспользоваться расписанием самолетных рейсов. Отличаются эти три модели - мемуары, атлас и расписание и характером предьявления информации. В первом случае модель представлена словесным описанием информации (описательная модель) , во втором- как бы фотографией с натуры (натурная модель) , в третьем - таблицей содержащей условные обозначения: время вылета и прилета, день недели, цена билета (так называемая знаковая модель) Впрочем это деление весьма условно- в мемуарах могут встретиться карты и схемы (элементы натурной модели), на картах имеются условные обозначения (элементы знаковой модели), в расписании приводится расшифровка условных обозначений (элементы описательной модели). Так что эта классификация моделей... на наш взгля малопродуктивна" На мой взгляд этот фрагмент демонстрирует общий для всех книг Гейна описательный (замечательный язык и стиль изложения) и как бы, сократовский стиль обучения (Все считают что это вот так. Я совершенно согласен с вами, но если приглядеться, то...). В таких книгах достаточно сложно найти четкую систему определений (она и не предполагается автором). В учебнике под редакцией Н.А. Макаровой демонстрируется другой подход - определения понятий четко выделены и несколько статичны.

1.2.5 Классификация моделей приведенная в пособии А.И.Бочкина Способов классификации необычно много.П риведем лишь некоторые, наиболее известные основания и признаки:дискретность и непрерывность,матричные и скалярные модели, статические и динамические модели, аналитические и информационные модели, предметные и образно-знаковые модели, масштабные и немасштабные... Каждый признак даетопределенное знание о свойствах и модели, и моделируемой реальности. Признак может служить подсказкой о способе выполненного или предстоящего моделирования. Дискретность и непрерывностьДискретность - характерный признак именно компьютерных моделей.В едь компьютер может находиться в конечном, хотя и очень большом количестве состояний. Поэтому даже если объект непрерывен (время), в модели он будет изменяться скачками. Можно считать непрерывность признаком моделей некомпьютерного типа. Случайность и детерминированность . Неопределенность, случайность изначально противостоит компьютерному миру: Запущенный вновь алгоритм должен повториться и дать те же результаты. Но для имитации случайных процессов используют датчики псевдослучайных чисел. Введение случайности в детерминированные задачи приводит к мощным и интересным моделям (Вычисление площади методом случайных бросаний). Матричность - скалярность . Наличие параметров у матричной модели говорит о ее большей сложности и, возможно, точности по сравнению со скалярной . Например, если не выделить в населении страны все возрастные группы, рассматривая его изменение как целое, получим скалярную модель (например модель Мальтуса), если выделить, - матричную (половозрастную). Именно матричная модель позволила объяснить колебания рождаемости после войны. Статичность динамичность . Эти свойства модели обычно предопределяются свойствами реального объекта. Здесь нет свободы выбора. Просто статическая модель может быть шагом к динамической , либо часть переменных модели может считаться пока неизменной. Например, спутник движется вокруг Земли, на его движение влияет Луна. Если считать Луну неподвижной за время оборота спутника, получим более простую модель. Аналитические модели . Описание процессов аналитически , формулами и уравнениями. Но при попытке построить график удобнее иметь таблицы значений функции и аргументов. Имитационные модели . Имитационные модели появились давно в виде масштабных копий кораблей, мостов и пр. появились давно, но в связи с компьютерами рассматриваются недавно. Зная как связаны элементы модели аналитически и логически, проще не решать систему неких соотношений и уравнений, а отобразить реальную систему в память компьютера, с учетом связей между элементами памяти. Информационные модели . Информационные модели принято противополагать математическим , точнее алгоритмическим. Здесь важно соотношение объемов данные/алгоритмы. Если данных больше или они важнее имеем информационную модель, иначе - математичеескую . Предметные модели . Это прежде всего детская модель - игрушка. Образно-знаковые модели . Это прежде всего модель в уме человека: образная , если преобладают графические образы, и знаковая , если больше слов или (и) чисел. Образно-знаковые модели строятся на компьютере. Масштабные модели . К масштабным моделям те из предметных или образных моделей, которые повторяют форму объекта (карта).

В предложенной вашему вниманию статье мы предлагаем примеры математических моделей. Кроме этого, мы обратим внимание на этапы создания моделей и разберем некоторые задачи, связанные с математическим моделированием.

Еще один наш вопрос - это математические модели в экономике, примеры, определение которых мы рассмотрим немного позже. Начать наш разговор мы предлагаем с самого понятия «модель», кратко рассмотрим их классификацию и перейдем к основным нашим вопросам.

Понятие «модель»

Мы часто слышим слово «модель». Что же это такое? Данный термин имеет множество определений, вот только три из них:

• специфический объект, который создается для получения и хранения информации, отражающий некоторые свойства или характеристики и так далее оригинала данного объекта (этот специфический объект может выражаться в разной форме: мысленный, описание при помощи знаков и так далее);
• еще под моделью подразумевается отображение какой-либо конкретной ситуации, жизненной или управленческой;
• моделью может служить уменьшенная копия какого-либо объекта (они создаются для более подробного изучения и анализа, так как модель отражает структуру и взаимосвязи).

Исходя из всего, что было сказано ранее, можно сделать небольшой вывод: модель позволяет подробно изучить сложную систему или объект.

Все модели можно классифицировать по ряду признаков:

• по области использования (учебные, опытные, научно-технические, игровые, имитационные);
• по динамике (статические и динамические);
• по отрасли знаний (физические, химические, географические, исторические, социологические, экономические, математические);
• по способу представления (материальные и информационные).

Информационные модели, в свою очередь, делятся на знаковые и вербальные. А знаковые - на компьютерные и некомпьютерные. Теперь перейдем к подробному рассмотрению примеров математической модели.

Математическая модель

Как не трудно догадаться, математическая модель отражает какие-либо черты объекта или явления при помощи специальных математических символов. Математика и нужна для того, чтобы моделировать закономерности окружающего мира на своем специфическом языке.

Метод математического моделирования зародился достаточно давно, тысячи лет назад, вместе с появлением данной науки. Однако толчок для развития данного способа моделирования дало появление ЭВМ (электронно-вычислительных машин).

Теперь перейдем к классификации. Ее так же можно провести по некоторым признакам. Они представлены в таблице ниже.

Мы предлагаем остановиться и подробнее рассмотреть последнюю классификацию, так как она отражает общие закономерности моделирования и цели создаваемых моделей.

Дескриптивные модели

В данной главе мы предлагаем остановиться подробнее на дескриптивных математических моделях. Для того чтобы было все предельно понятно, будет приведен пример.

Начнем с того, что этот вид можно назвать описательным. Это связано с тем, что мы просто делаем расчеты и прогнозы, но никак не можем повлиять на исход события.

Ярким примером описательной математической модели является вычисление траектории полета, скорости, расстояния от Земли кометы, которая вторглась в просторы нашей Солнечной системы. Эта модель является описательной, так как все полученные результаты могут только предупредить нас о какой-либо опасности. Повлиять на исход события, увы, мы не можем. Однако, основываясь на полученных расчетах, можно предпринять какие-либо меры для сохранения жизни на Земле.

Оптимизационные модели

Сейчас мы немного поговорим об экономико-математических моделях, примерами которых могут служить разные сложившиеся ситуации. В данном случае речь идет о моделях, которые помогают найти верный ответ в определенных условиях. Они обязательно имеют некие параметры. Чтобы стало предельно понятно, рассмотрим пример из аграрной части.

У нас есть зернохранилище, но зерно очень быстро портится. В этом случае нам необходимо правильно подобрать температурный режим и оптимизировать процесс хранения.

Таким образом, мы можем дать определение понятию «оптимизационная модель». В математическом смысле это система уравнений (как линейных, так и нет), решение которой помогает найти оптимальное решение в конкретной экономической ситуации. Пример математической модели (оптимизационной) мы рассмотрели, но хочется еще добавить: данный вид относится к классу экстремальных задач, они помогают описать функционирование экономической системы.

Отметим еще один нюанс: модели могут носить разный характер (см. таблицу ниже).

Многокритериальные модели

Сейчас предлагаем вам поговорить немного о математической модели многокритериальной оптимизации. До этого мы привели пример математической модели оптимизации процесса по какому-либо одному критерию, но что делать, если их много?

Ярким примером многокритериальной задачи служит организация правильного, полезного и одновременно экономного питания больших групп людей. С такими задачами часто встречаются в армии, школьных столовых, летних лагерях, больницах и так далее.

Какие критерии нам даны в данной задаче?

1. Питание должно быть полезным.
2. Расходы на пищу должны быть минимальными.

Как видите, эти цели совсем не совпадают. Значит, при решении задачи необходимо искать оптимальное решение, баланс между двумя критериями.

Игровые модели

Говоря об игровых моделях, необходимо понимать понятие «теория игр». Если говорить просто, то данные модели отражают математические модели настоящих конфликтов. Только стоит понимать, что, в отличие от реального конфликта, игровая математическая модель имеет свои определенные правила.

Сейчас будет приведен минимум информации из теории игр, которая поможет вам понять, что такое игровая модель. И так, в модели обязательно присутствуют стороны (две или более), которых принято называть игроками.

Все модели имеют некие характеристики.

Игровая модель может быть парной или множественной. Если у нас есть два субъекта, то конфликт парный, если больше - множественный. Также можно выделить антагонистическую игру, ее еще называют игрой с нулевой суммой. Это модель, в которой выигрыш одного из участников равняется проигрышу другого.

Имитационные модели

В данном разделе мы обратим внимание на имитационные математические модели. Примерами задач могут служить:

• модель динамики численности микроорганизмов;
• модель движения молекул, и так далее.

В данном случае мы говорим о моделях, которые максимально приближены к реальным процессам. По большому счету, они имитируют какое-либо проявление в природе. В первом случае, например, мы можем моделировать динамику численности муравьев в одной колонии. При этом можно наблюдать за судьбой каждой отдельной особи. В данном случае математическое описание используют редко, чаще присутствуют письменные условия:

• через пять дней женская особь откладывает яйца;
• через двадцать дней муравей погибает, и так далее.

Таким образом, используются для описания большой системы. Математическое заключение - это обработка полученных статистических данных.

Требования

Очень важно знать, что к данному виду модели предъявляют некоторые требования, среди которых - приведенные в таблице ниже.

Универсальность	Это свойство позволяет использовать одну и ту же модель при описании однотипных групп объектов. Важно отметить, что универсальные математические модели совершенно не зависят от физической природы исследуемого объекта
Адекватность	Здесь важно понимать, что данное свойство позволяет максимально правильно воспроизводить реальные процессы. В задачах эксплуатации очень важно данное свойство математического моделирования. Примером модели может служить процесс оптимизации использования газовой системы. В данном случае сопоставляются расчетные и фактические показатели, в результате проверяется правильность составленной модели
Точность	Данное требование подразумевает совпадение значений, которые мы получаем при расчете математической модели и входных параметров нашего реального объекта
Экономичность	Требование экономичности, предъявляемое к любой математической модели, характеризуется затратами на реализацию. Если работа с моделью осуществляется ручным способом, то необходимо рассчитать, сколько времени уйдет на решение одной задачи при помощи данной математической модели. Если речь идет об автоматизированном проектировании, то рассчитываются показатели затрат времени и памяти компьютера

Этапы моделирования

Всего в математическом моделировании принято выделять четыре этапа.

1. Формулировка законов, связывающих части модели.
2. Исследование математических задач.
3. Выяснение совпадений практических и теоретических результатов.
4. Анализ и модернизация модели.

Экономико-математическая модель

В этом разделе кратко осветим вопрос Примерами задач могут служить:

• формирование производственной программы выпуска мясной продукции, обеспечивающей максимальную прибыль производства;
• максимизация прибыли организации путем расчета оптимального количества выпуска столов и стульев на мебельной фабрике, и так далее.

Экономико-математическая модель отображает экономическую абстракцию, которая выражена при помощи математических терминов и знаков.

Компьютерная математическая модель

Примерами компьютерной математической модели являются:

• задачи гидравлики при помощи блок-схем, диаграмм, таблиц, и так далее;
• задачи на механику твердого тела, и так далее.

Компьютерная модель - это образ объекта или системы, представленный в виде:

• таблицы;
• блок-схемы;
• диаграммы;
• графика, и так далее.

При этом данная модель отражает структуру и взаимосвязи системы.

Построение экономико-математической модели

Мы уже ранее сказали о том, что такое экономико-математическая модель. Пример решения задачи будет рассмотрен прямо сейчас. Нам необходимо произвести анализ производственной программы для выявления резерва повышения прибыли при сдвиге в ассортименте.

Полностью рассматривать задачу мы не будем, а только построим экономико-математическую модель. Критерий нашей задачи - максимизация прибыли. Тогда функция имеет вид: Л=р1*х1+р2*х2…, стремящееся к максимуму. В данной модели р - это прибыль за единицу, х - это количество производимых единиц. Далее, основываясь на построенной модели, необходимо произвести расчеты и подвести итог.

Пример построения простой математической модели

Задача. Рыбак вернулся со следующим уловом:

• 8 рыб - обитатели северных морей;
• 20% улова - обитатели южных морей;
• из местной реки не обнаружилось ни одной рыбы.

Сколько рыб он купил в магазине?

Итак, пример построения математической модели данной задачи выглядит следующим образом. Обозначаем общее количество рыб за х. Следуя условию, 0,2х - это количество рыб, обитающих в южных широтах. Теперь объединяем всю имеющуюся информацию и получаем математическую модель задачи: х=0,2х+8. Решаем уравнение и получаем ответ на главный вопрос: 10 рыб он купил в магазине.

По учебнику Советова и Яковлева : «модель (лат. modulus - мера) - это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.» (с. 6) «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием.» (с. 6) «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи.»

Наконец, наиболее лаконичное определение математической модели: "Уравнение , выражающее идею . "

Классификация моделей

Формальная классификация моделей

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов дихотомий :

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом - распределённые модели и т. д.

Классификация по способу представления объекта

Наряду с формальной классификацией, модели различаются по способу представления объекта:

• Структурные или функциональные модели

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение (функционирование) объекта. В их предельном выражении они называются также моделями «чёрного ящика» Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

Содержательные и формальные модели

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель . Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель , умозрительная модель или предмодель . При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели (предмодели). Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т. п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий (передний край физики , биология , экономика , социология , психология , и большинство других областей), создание содержательных моделей резко усложняется.

Содержательная классификация моделей

Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман :

«У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть.»

Если модель первого типа построена, то это означает что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только вре́менной паузой: статус модели первого типа может быть только вре́менным.

Тип 2: Феноменологическая модель (ведем себя так, как если бы …)

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус вре́менных решений. Считается, что ответ всё ещё неизвестен и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до статуса гипотезы. Аналогично, новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира , проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Тип 3: Приближение (что-то считаем очень большим или очень малым )

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае - использование приближений (моделей типа 3). Среди них модели линейного отклика . Уравнения заменяются линейными. Стандартный пример - закон Ома .

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Тип 8: Демонстрация возможности (главное - показать внутреннюю непротиворечивость возможности )

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципам и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов - геометрия Лобачевского (Лобачевский называл её «воображаемой геометрией»). Другой пример - массовое производство формально - кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна - Подольского - Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа - демонстрацию возможности квантовой телепортации информации.

Пример

Рассмотрим механическую систему, состоящую из пружины, закрепленной с одного конца, и груза массой m , прикрепленного к свободному концу пружины. Будем считать, что груз может двигаться только в направлении оси пружины (например, движение происходит вдоль стержня). Построим математическую модель этой системы. Будем описывать состояние системы расстоянием x от центра груза до его положения равновесия. Опишем взаимодействие пружины и груза с помощью закона Гука (F = − k x ) после чего воспользуемся вторым законом Ньютона , чтобы выразить его в форме дифференциального уравнения :

где означает вторую производную от x по времени: .

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором ».

По формальной классификация эта модель линейная, детерминисткая, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений (об отсутствии внешних сил, отсутствии трения, малости отклонений и т.~д.), которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), такая модель достаточно хорошо описывает реальную механическую систему, поскольку отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой (хотя и снова ограниченной) областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная (и, формально, «более правильная»).

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия («учтём только некоторые особенности»).

Жёсткие и мягкие модели

Гармонический осциллятор - пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения, - некоторый малый параметр. Явный вид функции f нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида , то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания . Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор - пример структурно-неустойчивой (негрубой) системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Универсальность моделей

Важнейшие математические модели обычно обладают важным свойством универсальности : принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в U -образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем ».

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задается как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача : структура модели и все её параметры считаются известными, главная задача - провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку (например, на марш роты солдат, или на прохождение поезда ни различной скорости), как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера , - вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Англии обрушился металлический мост через реку Тей , конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача : известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования ). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение ) или быть результатом специально планируемого в ходе решения экперимента (активное наблюдение ).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

Дополнительные примеры

где x s - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению x s , причем такое поведение структурно устойчиво.

Эта система имеет равновесное состояние , когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора . Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым : малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения . Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать . Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра - Лотки ответа не дает: здесь требуются дополнительные исследования.

Примечания

1. «A mathematical representation of reality»(Encyclopaedia Britanica)
2. Новик И. Б. , О философских вопросах кибернетического моделирования. М., Знание, 1964.
3. Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
4. Самарский А. А. , Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры. . - 2-е изд., испр.. - М.: Физматлит, 2001. - ISBN 5-9221-0120-X
5. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
6. Wiktionary: mathematical model
7. CliffsNotes
8. Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena, Springer, Complexity series, Berlin-Heidelberg-New York, 2006. XII+562 pp. ISBN 3-540-35885-4
9. «Теория считается линейной или нелинейной в зависимости от того, какой - линейный или нелинейный - математический аппарат, какие - линейные или нелинейные - математические модели она использует. … ез отрицание последней. Современный физик, доведись ему заново создавать определение столь важной сущности, как нелинейность, скорее всего, поступил бы иначе, и, отдав предпочтение нелинейности как более важной и распространенной из двух противоположностей, определил бы линейность как „не нелинейность“.» Данилов Ю. А. , Лекции по нелинейной динамике. Элементарное введение. Серия «Синергетика: от прошлого к будущему». Изд.2. - M.: URSS, 2006. - 208 с. ISBN 5-484-00183-8
10. «Динамические системы, моделируемые конечным числом обыкновенных дифференциальных уравнений, называют сосредоточенными или точечными системами. Они описываются с помощью конечномерного фазового пространства и характеризуются конечным числом степеней свободы. Одна и та же система в различных условиях может рассматриваться либо как сосредоточенная, либо как распределенная. Математические модели распределенных систем - это дифференциальные уравнения в частных производных, интегральные уравнения или обыкновенные уравнения с запаздывающим аргументом. Число степеней свободы распределенной системы бесконечно, и требуется бесконечное число данных для определения ее состояния.» Анищенко В. С. , Динамические системы, Соросовский образовательный журнал, 1997, № 11, с. 77-84.
11. «В зависимости от характера изучаемых процессов в системе S все виды моделирования могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные. Детерминированное моделирование отображает детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий; стохастическое моделирование отображает вероятностные процессы и события. … Статическое моделирование служит для описания поведения объекта в какой-либо момент времени, а динамическое моделирование отражает поведение объекта во времени. Дискретное моделирование служит для описания процессов, которые предполагаются дискретными, соответственно непрерывное моделирование позволяет отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.» Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
12. Обычно в математической модели отражается структура (устройство) моделируемого объекта, существенные для целей исследования свойства и взаимосвязи компонентов этого объекта; такая модель называется структурной. Если же модель отражает только то, как объект функционирует - например, как он реагирует на внешние воздействия,- то она называется функциональной или, образно, черным ящиком. Возможны и модели комбинированного типа. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
13. «Очевидный, но важнейший начальный этап построения или выбора математической модели - это получение по возможности более четкого представления о моделируемом объекте и уточнение его содержательной модели, основанное на неформальных обсуждениях. Нельзя жалеть времени и усилий на этот этап, от него в значительной мере зависит успех всего исследования. Не раз бывало, что значительный труд, затраченный на решение математической задачи, оказывался малоэффективным или даже потраченным впустую из-за недостаточного внимания к этой стороне дела.» Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4, с. 35.
14. «Описание концептуальной модели системы. На этом подэтапе построения модели системы: а) описывается концептуальная модель М в абстрактных терминах и понятиях; б) дается описание модели с использованием типовых математических схем; в) принимаются окончательно гипотезы и предположения; г) обосновывается выбор процедуры аппроксимации реальных процессов при построении модели.» Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2, с. 93.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

1. Основные понятия математического моделирования

Решение практических задач математическими методами последовательно осуществляется путем формулировки задачи (разработки математической модели), выбора метода исследования полученной математической модели, анализа полученного математического результата. Математическая формулировка задачи обычно представляется в виде геометрических образов, функций, систем уравнений и т.п. Описание объекта (явления) может быть представлено с помощью непрерывной или дискретной, детерминированной или стохастической и другими математическими формами.

Теория математического моделирования обеспечивает выявление закономерностей протекания различных явлений окружающего мира или работы систем и устройств путем их математического описания и моделирования без проведения натурных испытаний. При этом используются положения и законы математики, описывающие моделируемые явления, системы или устройства на некотором уровне их идеализации.

Математическая модель (ММ) представляет собой формализованное описание системы (или операции) на некотором абстрактном языке, например, в виде совокупности математических соотношений или схемы алгоритма, т. е. такое математическое описание, которое обеспечивает имитацию работы систем или устройств на уровне, достаточно близком к их реальному поведению, получаемому при натурных испытаниях систем или устройств. Любая ММ описывает реальный объект, явление или процесс с некоторой степенью приближения к действительности. Вид ММ зависит как от природы реального объекта, так и от задач исследования.

Математическое моделирование общественных, экономических, биологических и физических явлений, объектов, систем и различных устройств является одним из важнейших средств познания природы и проектирования самых разнообразных систем и устройств. Известны примеры эффективного использования моделирования в создании ядерных технологий, авиационных и аэрокосмических систем, в прогнозе атмосферных и океанических явлений, погоды и т.д.

Однако для таких серьезных сфер моделирования нередко нужны суперкомпьютеры и годы работы крупных коллективов ученых по подготовке данных для моделирования и его отладки. Тем не менее, и в этом случае математическое моделирование сложных систем и устройств не только экономит средства на проведение исследований и испытаний, но и может устранить экологические катастрофы - например, позволяет отказаться от испытаний ядерного и термоядерного оружия в пользу его математического моделирования или испытаний аэрокосмических систем перед их реальными полетами.

Между тем математическое моделирование на уровне решения более простых задач, например, из области механики, электротехники, электроники, радиотехники и многих других областей науки и техники в настоящее время стало доступным выполнять на современных ПК. А при использовании обобщенных моделей становится возможным моделирование и достаточно сложных систем, например, телекоммуникационных систем и сетей, радиолокационных или радионавигационных комплексов.

Целью математического моделирования является анализ реальных процессов (в природе или технике) математическими методами. В свою очередь, это требует формализации ММ процесса, подлежащего исследованию. Модель может представлять собой математическое выражение, содержащее переменные, поведение которых аналогично поведению реальной системы. Модель может включать элементы случайности, учитывающие вероятности возможных действий двух или большего числа «игроков», как, например, в теории игр; либо она может представлять реальные переменные параметры взаимосвязанных частей действующей системы.

Математическое моделирование для исследования характеристик систем можно разделить на аналитическое, имитационное и комбинированное. В свою очередь, ММ делятся на имитационные и аналитические.

2. Особенности построения математических моделей

Для использования ЭВМ при решении прикладных задач прежде всего прикладная задача должна быть "переведена" на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена егоматематическая модель.

Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи.

Для построения математической модели необходимо:

Тщательно проанализировать реальный объект или процесс;

Выделить его наиболее существенные черты и свойства;

Определить переменные, т.е. параметры, значения которых влияют на основные черты и свойства объекта;

Описать зависимость основных свойств объекта, процесса или системы от значения переменных с помощью логико-математических соотношений (уравнения, равенства, неравенства, логико-математические конструкций);

Выделить внутренние связи объекта, процесса или системы с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций;

Определить внешние связи и описать их с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций.

Математическое моделирование, кроме исследования объекта, процесса или системы и составления их математического описания, также включает:

Построение алгоритма, моделирующего поведение объекта, процесса или системы;

Проверка адекватности модели и объекта, процесса или системы на основе вычислительного и натурного эксперимента;

Корректировка модели;

Использование модели.

Математическое описание исследуемых процессов и систем зависит от:

Природы реального процесса или системы и составляется на основе законов физики, химии, механики, термодинамики, гидродинамики, электротехники, теории пластичности, теории упругости и т.д.

Требуемой достоверности и точности изучения и исследования реальных процессов и систем.

На этапе выбора математической модели устанавливаются: линейность и нелинейность объекта, процесса или системы, динамичность или статичность, стационарность или нестационарность, а также степень детерминированности исследуемого объекта или процесса. При математическом моделировании сознательно отвлекаются от конкретной физической природы объектов, процессов или систем и, в основном, сосредотачиваются на изучении количественных зависимостей между величинами, описывающими эти процессы.

Математическая модель никогда не бывает полностью тождественна рассматриваемому объекту, процессу или системе. Основанная на упрощении, идеализации, она является приближенным описанием объекта. Поэтому результаты, полученные при анализе модели, носят приближенный характер. Их точность определяется степенью адекватности (соответствия) модели и объекта.

Построение математической модели обычно начинается с построения и анализа простейшей, наиболее грубой математической модели рассматриваемого объекта, процесса или системы. В дальнейшем, в случае необходимости, модель уточняется, делается ее соответствие объекту более полным.Возьмем простой пример. Нужно определить площадь поверхности письменного стола. Обычно для этого измеряют его длину и ширину, а затем перемножают полученные числа. Такая элементарная процедура фактически обозначает следующее: реальныйобъект (поверхность стола) заменяется абстрактной математической моделью - прямоугольником. Прямоугольнику приписываются размеры, полученные в результате измерения длины и ширины поверхности стола, и площадь такого прямоугольника приближенно принимается за искомую площадь стола.

Однако модель прямоугольника для письменного стола - это простейшая, наиболее грубая модель. При более серьезном подходе к задаче прежде, чем воспользоваться для определения площади стола моделью прямоугольника, эту модель нужно проверить. Проверки можно осуществить следующим образом: измерить длины противоположных сторон стола, а также длины его диагоналей и сравнить их между собой. Если, с требуемой степенью точности, длины противоположных сторон и длины диагоналей попарно равны между собой, то поверхность стола действительно можно рассматривать как прямоугольник. В противном случае модель прямоугольника придется отвергнуть и заменить моделью четырехугольника общего вида. При более высоком требовании к точности может возникнуть необходимость пойти в уточнении модели еще дальше, например, учесть закругления углов стола.

С помощью этого простого примера было показано, что математическая модель не определяется однозначно исследуемым объектом, процессом или системой. Для одного и того же стола мы можем принять либо модель прямоугольника, либо более сложную модель четырехугольника общего вида, либо четырехугольника с закругленными углами. Выбор той или иной модели определяется требованием точности. С повышением точности модель приходится усложнять, учитывая новые и новые особенности изучаемого объекта, процесса или системы.

Рассмотрим другой пример: исследование движения кривошипно-шатунного механизма (Рис. 4).

Для кинематического анализа этого механизма, прежде всего, необходимо построить его кинематическую модель. Для этого:заменяем механизм его кинематической схемой, где все звенья заменены жесткими связями.Пользуясь этой схемой, мы выводим уравнение движения механизма.Дифференцируя последнее, получаем уравнения скоростей и ускорения, которые представляют собой дифференциальные уравнения 1-го и 2-го порядка.

Запишем эти уравнения:

где С 0 - крайнее правое положение ползуна С:

r - радиус кривошипа AB;

l - длина шатуна BC;

Угол поворота кривошипа;

Полученные трансцендентные уравнения представляют математическую модель движения плоского аксиального кривошипно-шатунного механизма, основанную на следующих упрощающих предположениях:нас не интересовали конструктивные формы и расположение масс, входящих в механизм тел, и все тела механизма мы заменили отрезками прямых. На самом деле, все звенья механизма имеют массу и довольно сложную форму. Например, шатун - это сложное сборное соединение, форма и размеры которого, конечно, будут влиять на движение механизма;при построении математической модели движения рассматриваемого механизма мы также не учитывали упругость входящих в механизм тел, т.е. все звенья рассматривали как абстрактные абсолютно жесткие тела. В действительности же, все входящие в механизм тела - упругие тела. Они при движении механизма будут как-то деформироваться, в них могут даже возникнуть упругие колебания. Это все, конечно, также будет влиять на движение механизма;мы не учитывали погрешность изготовления звеньев, зазоры в кинематических парах A, B, C и т.д.

Таким образом, важно еще раз подчеркнуть, что, чем выше требования к точности результатов решения задачи, тем больше необходимость учитывать при построении математической модели особенности изучаемого объекта, процесса или системы. Однако, здесь важно во время остановиться, так как сложная математическая модель может превратиться в трудно разрешимуюзадачу.

Наиболее просто строится модель, когда хорошо известны законы, определяющие поведение и свойства объекта, процесса или системы, и имеется большой практический опыт их применения.Более сложная ситуация возникает тогда, когда наши знания об изучаемом объекте, процессе или системе недостаточны. В этом случае при построении математической модели приходится делать дополнительные предположения, которые носят характер гипотез, такая модель называется гипотетической. Выводы, полученные в результате исследования такой гипотетической модели, носят условный характер. Для проверки выводов необходимо сопоставить результаты исследования модели на ЭВМ с результатами натурного эксперимента. Таким образом, вопрос применимости некоторой математической модели к изучению рассматриваемого объекта, процесса или системы не является математическим вопросом и не может быть решен математическими методами.

Основным критерием истинности является эксперимент, практика в самом широком смысле этого слова.

Построение математической модели в прикладных задачах - один из наиболее сложных и ответственных этапов работы. Опыт показывает, что во многих случаях правильно выбрать модель - значит решить проблему более, чем наполовину. Трудность данного этапа состоит в том, что он требует соединения математических и специальных знаний. Поэтому очень важно, чтобы при решении прикладных задач математики обладали специальными знаниями об объекте, а их партнеры, специалисты, - определенной математической культурой, опытом исследования в своей области, знанием ЭВМ и программирования.

3. Обобщенная математическая модель

Математическая модель описывает зависимость между исходными данными и искомыми величинами.Элементами обобщенной математической модели являются (рис. 1):

· множество входных данных (переменные) X,Y; X - совокупность варьируемых переменных; Y - независимые переменные (константы);

· математический оператор L, определяющий операции над этими данными; под которым понимается полная система математических операций, описывающих численные или логические соотношения между множествами входных и выходных данных (переменные);

· множество выходных данных (переменных) G(X,Y); представляет собой совокупность критериальных функций, включающую (при необходимости) целевую функцию.

Математическая модель является математическим аналогом проектируемого объекта. Степень адекватности ее объекту определяется постановкой и корректностью решений задачи проектирования.

Множество варьируемых параметров (переменных) X образует пространство варьируемых параметров R x (пространство поиска), которое является метрическим с размерностью n, равной числу варьируемых параметров.

Множество независимых переменных Y образуют метрическое пространство входных данных R y . В том случае, когда каждый компонент пространства R y задается диапазоном возможных значений, множество независимых переменных отображается некоторым ограниченным подпространством пространства R y .

Множество независимых переменных Y определяет среду функционирования объекта, т.е. внешние условия, в которых будет работать проектируемый объект.Это могут быть:

Технические параметры объекта, не подлежащие изменению в процессе проектирования;

Физические возмущения среды, с которой взаимодействует объект проектирования;

Тактические параметры, которые должен достигать объект проектирования.

Выходные данные рассматриваемой обобщенной модели образуют метрическое пространство критериальных показателей R G .

Схема использования математической модели в системе автоматизированного проектирования показана на рис.2.

4. Требования к математическим моделям

математический модель задача результат

Основными требованиями к МО являются требования адекватности, точности, экономичности.

1. Адекватность - способность отображать заданные свойства объекта с погрешностью не выше заданной.

2. Точность - оценивается степенью совпадения значений параметров действительного объекта и рассчитанных на математических моделях.

3. Универсальность - характеризует полноту отображения в модели свойств реального объекта.

4. Экономичность - обычно характеризуется необходимыми затратами машинной памяти и времени. Иногда оценивается по количеству операций необходимых при одном обращении к модели.Аналогичные требования по точности и экономичности фигурируют при выборе численных методов решения уравнений модели.

Требования универсальности, точности, адекватности с одной стороны и экономичности с другой противоречивы. Это обуславливает работу целого спектра моделей отличающихся теми или иными свойствами.

5. Методы получения математической модели

1. Выбор свойств объекта, которые подлежат отражению в модели. Выбор основан на анализе возможных применений модели и определяет степень универсальности ММ.

2. Сбор исходной информации о выбранных свойствах объекта. Источниками сведений могут быть: опыт и знания инженера, разрабатывающего модель; научно-техническая литература, прежде всего справочная; описания прототипов -- имеющихся ММ для элементов, близких по своим свойствам к исследуемому объекту; результаты экспериментального измерения параметров и т. п.

3. Синтез структуры ММ. Структура ММ -- общий вид математических соотношений модели без конкретизации числовых значений фигурирующих в них параметров. Структура модели может быть представлена также в графической форме, например в виде эквивалентной схемы или графа. Синтез структуры -- наиболее ответственная и наиболее трудно поддающаяся формализации операция.

4. Расчет числовых значений параметров ММ. Эта задача ставится как задача минимизации погрешности модели заданной структуры.

5. Оценка точности и адекватности ММ. Для оценки точности должны использоваться значения, которые не фигурировали при решении задачи.

6. Реализация функциональных ММ на ЭВМ подразумевает выбор численного метода решения уравнений и преобразование уравнений в соответствии с особенностями выбранного метода. Конечная цель преобразований -- получение рабочей программы анализа в виде последовательности элементарных действий (арифметических и логических операций), реализуемых командами ЭВМ. Указанные преобразования исходной ММ в последовательности элементарных действий ЭВМ выполняет автоматически по специальным программам, создаваемым инженером -- разработчиком САПР. Инженер-пользователь САПР должен лишь указать, какие программы из имеющихся он хочет использовать. Процесс преобразований ММ, относящихся к различным иерархическим уровням, иллюстрирует рисунок 3.

Рисунок 3 Процесс преобразования математических моделей ДУЧП -- дифференциальные уравнения с частными производными; ОДУ -- обыкновенные дифференциальные уравнения; АУ -- алгебраические уравнения; ЛАУ -- линейные алгебраические уравнения; 1...12 -- взаимно направленные пути дискретизации переменных в ММ

7. Инженер-пользователь задает исходную информацию об анализируемом объекте и о проектных процедурах, подлежащих выполнению, на удобном для него проблемно-ориентированном языке программного комплекса. Ветви 1 на рисунке 5.1 соответствует постановка задачи, относящейся к микроуровню, как краевой, чаще всего в виде ДУЧП. Численные методы решения ДУЧП основаны на дискретизации переменных и алгебраизации задачи.

Дискретизация заключается в замене непрерывных переменных конечным множеством их значений в заданных для исследования пространственном и временном интервалах; алгебраизация -- в замене производных алгебраическими соотношениями.

6. Использование математических моделей

Вычислительная мощность современных компьютеров в сочетании с предоставлением пользователю всех ресурсов системы, возможностью диалогового режима при решении задачи и анализе результатов позволяют свести к минимуму время решения задачи.

При составлении математической модели от исследователя требуется:

· изучить свойства исследуемого объекта;

· умение отделить главные свойства объекта от второстепенных;

· оценить принятые допущения.

Модель описывает зависимость между исходными данными и искомыми величинами. Последовательность действий, которые надо выполнить, чтобы от исходных данных перейти к искомым величинам, называют алгоритмом.

Алгоритм решения задачи связан с выбором численного метода. В зависимости от формы представления математической модели (алгебраическая или дифференциальная форма) используются различные численные методы.

Размещено на Allbest.ru

Подобные документы

Основные понятия математического моделирования, характеристика этапов создания моделей задач планирования производства и транспортных задач; аналитический и программный подходы к их решению. Симплекс-метод решения задач линейного программирования.

курсовая работа , добавлен 11.12.2011


Применение системы MathCAD при решении прикладных задач технического характера. Основные средства математического моделирования. Решение дифференциальных уравнений. Использование системы MathCad для реализации математических моделей электрических схем.

курсовая работа , добавлен 17.11.2016


Сущность понятия "дифференциальное уравнение". Главные этапы математического моделирования. Задачи, приводящие к решению дифференциальных уравнений. Решение задач поиска. Точность маятниковых часов. Решение задачи на определение закона движения шара.

курсовая работа , добавлен 06.12.2013


Изучение актуальной задачи математического моделирования в биологии. Исследование модифицированной модели Лотки-Вольтерра типа конкуренция хищника за жертву. Проведение линеаризации исходной системы. Решение системы нелинейных дифференциальных уравнений.

контрольная работа , добавлен 20.04.2016


Основные положения теории математического моделирования. Структура математической модели. Линейные и нелинейные деформационные процессы в твердых телах. Методика исследования математической модели сваи сложной конфигурации методом конечных элементов.

курсовая работа , добавлен 21.01.2014


Понятие и виды задач математического линейного и нелинейного программирования. Динамическое программирование, решение задачи средствами табличного процессора Excel. Задачи динамического программирования о выборе оптимального распределения инвестиций.

курсовая работа , добавлен 21.05.2010


Общая характеристика факультативных занятий по математике, основные формы и методы проведения. Составление календарно-тематического плана факультативного курса