
- •4. Математическое моделирование
- •4.1. Основы математического моделирования
- •4.1.1. Три этапа математизации знаний
- •4.1.2. Основные понятия математического моделирования
- •4.1.3. Обобщенная математическая модель
- •4.2. Оценка качества математической модели
- •4.2.1. Требования к математической модели
- •4.2.2. Адекватность математической модели
- •4.2.3. Количественная оценка адекватности
- •4.2.4. Принципы математического моделирования
- •4.3. Построение математических моделей
- •4.3.1. Подходы к построению математических моделей
- •4.3.2. Этапы построения математической модели
- •4.3.3. Интерпретации в математическом моделировании
- •4.3.4. Виды и уровни интерпретаций
- •1. Синтаксическая интерпретация.
- •2. Семантическая интерпретация.
- •3. Качественная интерпретация.
- •4. Количественная интерпретация.
- •4.3.5. Методы разработки математических моделей сложных объектов
- •4.3.6. Классификация математических моделей
- •Модели прогноза ( расчетные модели без управления).
- •Оптимизационные модели.
- •Кибернетические модели (игровые).
- •4.4. Задача идентификации и моделирование
- •4.4.1. Задача идентификации
- •4.4.2. Классификация идентификации
- •4.4.3. Критерии идентификации
- •4.4.4. Математический аппарат теории идентификации
- •4.4.5. Основные подходы к построению алгоритмов
- •4.4.6. Идентификация структуры модели
- •4.5. Методы упрощения моделей
- •4.5.1. Общие подходы к упрощению моделей
- •4.5.2. Декомпозиция
- •4.5.3. Макромоделирование и метод адаптивной модели
- •4.5.4. Линеаризация моделей
4.2.4. Принципы математического моделирования
К математической модели предъявляется также ряд требований, которые иногда называют принципами.
1. Соответствие модели решаемой задаче. Модель должна строиться для решения определенного класса задач или конкретной задачи исследования системы. Попытки создания универсальной модели, нацеленной на решение большого числа разнообразных задач, приводят к такому усложнению, что она оказывается практически непригодной. Опыт показывает, что при решении каждой конкретной задачи нужно иметь свою модель, отражающую те аспекты системы, которые являются наиболее важными в данной задаче. Этот принцип связан с принципом адекватности.
2. Упрощение при сохранении существенных свойств системы. Модель должна быть в некоторых отношениях проще прототипа - в этом смысл моделирования. Чем сложнее рассматриваемая система, тем по возможности более упрощенным должно быть ее описание, умышленно утрирующее типичные и игнорирующее менее существенные свойства. Этот принцип может быть назван принципом абстрагирования от второстепенных деталей.
3. Соответствие между требуемой точностью результатов моделирования и сложностью модели. Модели по своей природе всегда носят приближенный характер. Возникает вопрос, каким должно быть это приближение. С одной стороны, чтобы отразить все сколько-нибудь существенные свойства, модель необходимо детализировать. С другой стороны, строить модель, приближающуюся по сложности к реальной системе, очевидно, не имеет смысла. Она не должна быть настолько сложной, чтобы нахождение решения оказалось слишком затруднительным. Компромисс между этими двумя требованиями достигается нередко путем проб и ошибок.
Практическими рекомендациями по уменьшению сложности моделей являются:
изменение числа переменных, достигаемое либо исключением несущественных переменных, либо их объединением. Процесс преобразования модели в модель с меньшим числом переменных и ограничений называют агрегированием;
изменение функциональной зависимости между переменными. Нелинейная зависимость заменяется обычно линейной, дискретная функция распределения вероятностей - непрерывной;
изменение ограничений (добавление, исключение или модификация). При снятии ограничений получается оптимистичное решение, при введении - пессимистичное. Варьируя ограничениями, можно найти возможные граничные значения эффективности. Такой прием часто используется для нахождения предварительных оценок эффективности решений на этапе постановки задач;
ограничение точности модели. Точность результатов модели не может быть выше точности исходных данных.
Баланс погрешностей различных видов. В соответствии с принципом баланса необходимо добиваться, например, баланса систематической погрешности моделирования за счет отклонения модели от оригинала и погрешности исходных данных, точности отдельных элементов модели, систематической погрешности моделирования и случайной погрешности при интерпретации и осреднении результатов.
5. Многовариантность реализаций элементов модели. Разнообразие реализаций одного и того же элемента, отличающихся по точности (а следовательно, и по сложности), обеспечивает регулирование соотношения «точность/сложность».
6. Блочное строение. При соблюдении принципа блочного строения облегчается разработка сложных моделей и появляется возможность использования накопленного опыта и готовых блоков с минимальными связями между ними. Выделение блоков производится с учетом разделения модели по этапам и режимам функционирования системы.
Принципы выбора математической модели.
В заключение сформулируем некоторые правила, помогающие на этапе выбора структуры ММ, - принципы выбора модели
1. Принцип простоты. Из различных вариантов структуры ММ сначала следует выбрать простейший. Например, если исследуется сложная система (инерционная), то сначала нужно проверить, нельзя ли ограничиться статической моделью, не учитывающей динамики. Известно, что статическую модель заведомо можно применить, если система устойчива, изменения ее входов достаточно медленны, а выходы измеряются достаточно редко. Однако эти требования не обязательны и в рамках заданной цели, для которой ММ предназначена, и они могут быть ослаблены. При уточнении структуры статической модели руководствуются тем же принципом. В любом случае предпочтительнее модели, в которые коэффициенты входят линейно. Если точность моделей с постоянными коэффициентами недостаточна, то исследуется система нестационарная - с переменными коэффициентами. В этом случае предпочтение отдается простейшим моделям дрейфа коэффициентов (линейным и периодическим).
Если возникает дилемма: «выбрать ММ детерминированную или стохастическую», то предпочтение отдается детерминированной ММ. И если только не удается обойти случайность, то ее вводят сначала в простейшей форме - приведенной к выходу в виде аддитивного члена. Не решай сложную задачу не решив простую.
2. Принцип грубости модели. Понятие грубости ММ было введено в конце 20‑х годов А.А. Андроновым, и оно означает, что малые изменения исходных данных (входных переменных параметров) приводят к малым изменениям результатов (выходов). Грубость - важное свойство модели, так как реальные исходные данные ее построения и применения всегда содержат ошибки. Если бы ошибки существенно сказывались на результатах, моделью просто нельзя было бы воспользоваться. Резюмировать сказанное можно в виде принципа грубости «без ошибки нет модели, а поэтому негрубые модели плохие».
Для достижения цели моделирования нужно испытать несколько вариантов моделей. При этом самая полная модель не обязательно самая точная, а самая точная не обязательно самая хорошая. Э. Хэмингуэй сказал: «Можно пренебрегать чем угодно, только нужно точно знать, как это повлияет на результат».