Классификация моделей по используемому аппарату их описания

1. Материальные модели.

1.1. Физические модели. Обеспечивается аналогия физической природы и модели (примером может служить аэродинамическая труба).

1.2. Аналоговые модели. Обеспечивается сходство процессов, протекающих в оригинале и модели (например, в аналоговых ЭВМ).

2. Идеальные модели.

2.1. Знаковые (семиотические) модели.

2.1.1. Логические модели.

2.1.2. Геометрические модели.

2.1.3. Математические модели.

2.1.3.1. Аналитические модели. Используются системы алгебраических, дифференциальных, интегральных или конечно-разностных уравнений.

2.1.3.1.1. Детерминированные аналитические модели.

2.1.3.1.2. Статистические аналитические модели.

2.1.3.2. Имитационные (алгоритмические) модели. Описывается процесс функционирования системы во времени, причем имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания во времени.

2.1.3.2.1. Детерминированные имитационные модели.

2.1.3.2.2. Статистические имитационные модели (метод статистического моделирования). С помощью датчиков случайных чисел имитируется действие неопределенных и случайных факторов.

2.1.3.3. Комбинированные модели. Позволяют объединить достоинства аналитических и имитационных моделей. Производится предварительная декомпозиция процесса функционирования модели на составляющие подпроцессы. Для тех из них, где это возможно, используются аналитические модели, а для остальных процессов строятся имитационные модели.

2.2. Интуитивные (мысленные) модели.

Методы исследования аналитической модели:

1. Аналитический метод – получение в общем виде явных зависимостей для искомых характеристик. При этом часто необходимы существенные упрощения первоначальной модели, чтобы иметь возможность изучить хотя бы общие свойства системы.

2. Численный метод – получение числовых результатов при конкретных начальных данных в условиях отсутствия решения в общем виде.

Метод Монте-Карло (метод статистических испытаний) – численный метод проведения расчетов с помощью датчиков случайных чисел.

3. Качественный метод – получение некоторых свойств решения (например, оценка устойчивости решения) в условиях отсутствия решения в явном виде.

Наиболее эффективным методом исследования сложных систем в настоящее время считается метод статистического моделирования. Часто он является и единственным практически доступным методом получения информации о поведении гипотетической системы на этапе ее проектирования. Наиболее целесообразно использовать данный метод в сочетании с комбинированным моделированием.

Роль и место имитационного моделирования в исследовании сложных систем

Случаи рекомендуемого использования имитационного моделирования сложных систем.

1. Если не существует законченной постановки задачи исследования и идет процесс познания объекта моделирования. Имитационная модель служит средством изучения явления.

2. Если аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи.

3. Когда кроме оценки влияния параметров сложной системы желательно осуществить наблюдение за поведением компонент сложной системы в течение определенного периода.

4. Когда имитационное моделирование оказывается единственным способом исследования сложной системы из-за невозможности наблюдения явлений в реальных условиях.

5. Когда необходимо контролировать протекание процессов в сложной системе путем замедления или ускорения явлений в ходе имитации.

6. При подготовке специалистов и освоении новой техники, когда на имитационной модели обеспечивается возможность приобретения необходимых навыков в эксплуатации новой техники.

7. Когда изучаются новые ситуации в сложной системе, о которых мало что известно или неизвестно ничего. В этом случае имитация служит для предварительной проверки новых стратегий и правил принятия решений перед проведением экспериментов на реальной системе.

8. Когда особое значение имеет последовательность событий в проектируемой сложной системе и модель используется для предсказания узких мест в функционировании системы и других трудностей, появляющихся в поведении сложной системы при введении в нее новых компонент.

Недостатки имитационного моделирования

1. Разработка хорошей имитационной модели часто обходится дороже создания аналитической модели и требует больших временных затрат.

2. Иногда может показаться, что имитационная модель точно отражает реальное положение дел в сложной системе, а в действительности это не так. Имитационная модель в принципе не точна и мы не в состоянии измерить степень этой неточности.

3. Предсказательные возможности имитационного моделирования значительно меньше, чем у аналитических моделей.

Достоинства имитационного моделирования

1. Возможность описания поведения компонент сложной системы на высоком уровне детализации.

2. Отсутствие ограничений на вид зависимостей между параметрами имитационной модели и состоянием внешней среды сложной системы.

3. Возможность исследования динамики взаимодействия компонент во времени и пространстве параметров системы.