- •ПРЕДИСЛОВИЕ
- •ОПРЕДЕЛЕНИЕ И НАЗНАЧЕНИЕ МОДЕЛИРОВАНИЯ
- •1.1. ЧТО ТАКОЕ МОДЕЛЬ?
- •Место моделирования среди методов познания
- •Определение модели
- •Определение модели
- •Цели моделирования
- •1.2. КЛАССИФИКАЦИЯ МОДЕЛЕЙ
- •Материальное моделирование
- •Идеальное моделирование
- •Когнитивные, концептуальные и формальные модели
- •1.3. Классификация математических моделей
- •Классификационные признаки
- •Классификация математических моделей в зависимости от оператора модели
- •Классификация математических моделей в зависимости от целей моделирования (рис. 1.11)
- •Классификация математических моделей в зависимости от методов реализации (рис. 1.12)
- •Задания для самостоятельного выполнения
- •Глава 2
- •ЭТАПЫ ПОСТРОЕНИЯ МАТЕМАТИЧЕСКОЙ МОДЕЛИ
- •2.1. ОБСЛЕДОВАНИЕ ОБЪЕКТА МОДЕЛИРОВАНИЯ
- •2.2. КОНЦЕПТУАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ МОДЕЛИРОВАНИЯ
- •2.3. МАТЕМАТИЧЕСКАЯ ПОСТАНОВКА ЗАДАЧИ МОДЕЛИРОВАНИЯ
- •2.4. ВЫБОР И ОБОСНОВАНИЕ ВЫБОРА МЕТОДА РЕШЕНИЯ ЗАДАЧИ
- •stop
- •2.5. РЕАЛИЗАЦИЯ МАТЕМАТИЧЕСКОЙ МОДЕЛИ В ВИДЕ ПРОГРАММЫ ДЛЯ ЭВМ
- •2.6. ПРОВЕРКА АДЕКВАТНОСТИ МОДЕЛИ
- •2.7. ПРАКТИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ ПОСТРОЕННОЙ МОДЕЛИ И АНАЛИЗ РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ
- •Задания для самостоятельного выполнения
- •ПРИМЕРЫ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ
- •3.1. СТАТИЧЕСКИЙ АНАЛИЗ КОНСТРУКЦИЙ
- •Содержательная постановка задачи
- •Концептуальная постановка задачи
- •Математическая постановка задачи
- •Решение задачи
- •Анализ результатов
- •Концептуальная постановка
- •Математическая постановка задачи
- •Методика решения задачи
- •Анализ результатов
- •3.3. ДИНАМИКА ПОПУЛЯЦИИ
- •Содержательная постановка задачи
- •Концептуальная постановка задачи
- •Решение задачи
- •Анализ результатов
- •Математическая постановка задачи для модели Ферхюльста
- •Решение задачи
- •Анализ результатов
- •Численное исследование модели Ферхюльста
- •3.4. МОДЕЛЬ КОНКУРЕНЦИИ ДВУХ ПОПУЛЯЦИЙ
- •Математическая постановка задачи
- •Качественный анализ задачи
- •Численное исследование модели конкуренции популяций
- •3.5. ГАРМОНИЧЕСКИЙ ОСЦИЛЛЯТОР
- •Содержательная постановка задачи
- •Концептуальная постановка задачи
- •Математическая постановка задачи
- •Решение задачи
- •Качественный анализ задачи
- •Численное исследование модели
- •Качественный анализ задачи
- •Решение задачи
- •Задания для самостоятельного выполнения
- •Глава 4
- •СТРУКТУРНЫЕ МОДЕЛИ
- •4.1. ЧТО ТАКОЕ СТРУКТУРНАЯ МОДЕЛЬ?
- •4.2. СПОСОБЫ ПОСТРОЕНИЯ СТРУКТУРНЫХ МОДЕЛЕЙ
- •4.3. ПРИМЕРЫ СТРУКТУРНЫХ МОДЕЛЕЙ
- •Задания для самостоятельного выполнения
- •МОДЕЛИРОВАНИЕ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
- •5.1. ПРИЧИНЫ ПОЯВЛЕНИЯ НЕОПРЕДЕЛЕННОСТЕЙ И ИХ ВИДЫ
- •5.2. МОДЕЛИРОВАНИЕ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ, ОПИСЫВАЕМОЙ С ПОЗИЦИЙ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ
- •5.3. МОДЕЛИРОВАНИЕ В УСЛОВИЯХ СТОХАСТИЧЕСКОЙ НЕОПРЕДЕЛЕННОСТИ
- •5.4. МОДЕЛИРОВАНИЕ МАРКОВСКИХ СЛУЧАЙНЫХ ПРОЦЕССОВ
- •Задания для самостоятельного выполнения
- •ЛИНЕЙНЫЕ И НЕЛИНЕЙНЫЕ ЯВЛЕНИЯ
- •6.1. О ЗАКОНЕ ГУКА И ГРАНИЦАХ ЛИНЕЙНОСТИ
- •6.3. О ПОСТРОЕНИИ СПЛОШНЫХ МОДЕЛЕЙ. ВЫВОД ВОЛНОВОГО УРАВНЕНИЯ ИЗ ЗАКОНОВ МЕХАНИКИ
- •6.4. РЕШЕНИЕ ВОЛНОВОГО УРАВНЕНИЯ МЕТОДОМ ФУРЬЕ
- •6.6. УРАВНЕНИЯ МАКСВЕЛЛА
- •6.7. О КЛАССИФИКАЦИИ КВАЗИЛИНЕЙНЫХ СИСТЕМ
- •6.8. СВЯЗЬ НЕПРЕРЫВНОГО И ДИСКРЕТНОГО НА ПРИМЕРАХ УРАВНЕНИЯ КОЛЕБАНИЙ СТРУНЫ И УРАВНЕНИЯ ШРЕДИНГЕРА
- •6.9. О ПОЛЬЗЕ ФЕНОМЕНОЛОГИИ ПРИ ПОСТРОЕНИИ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ
- •6.10. АНАЛИЗ ПОДОБИЯ И РАЗМЕРНОСТИ
- •6.11. АВТОМОДЕЛЬНОСТЬ
- •6.12. САМООРГАНИЗАЦИЯ И СТРУКТУРЫ В НЕЛИНЕЙНЫХ СРЕДАХ
- •6.13. О НЕЛИНЕЙНЫХ ВОЛНАХ В СПЛОШНЫХ СРЕДАХ
- •6.14. ИЕРАРХИЧЕСКИЕ МОДЕЛИ ТУРБУЛЕНТНОСТИ И МНОГОМАСШТАБНЫЕ ФУНКЦИОНАЛЬНЫЕ БАЗИСЫ
- •Иерархический базис для турбулентных полей
- •Одномерный иерархический базис
- •Двумерный базис
- •6.15. ВЕЙВЛЕТЫ
- •Непрерывное вейвлет-преобразование
- •6.16. ВЕЙВЛЕТ-АНАЛИЗ ВРЕМЕННЫХ КОЛЕБАНИЙ
- •6.17. О ФРАКТАЛАХ И ИХ ПРИМЕНЕНИИ
- •Примеры фракталов
- •Подобие и скейлинг
- •Множества Мандельброта и Жюлиа
- •Фрактальная размерность кластеров
- •Экспериментальные методы определения фрактальной размерности
- •Модель случайных фракталов для описания растущих дендритных структур
- •Результаты применения модели случайных фракталов
- •6.18. НЕЛИНЕЙНЫЕ МОДЕЛИ ДНК
- •Структура и физические свойства ДНК
- •Модель Пейрара-Бишопа
- •Задания для самостоятельного выполнения
- •Глава 7
- •7.2. ИМИТАТОР СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ
- •7.3. КЛЕТОЧНЫЕ АВТОМАТЫ
- •7.4. МОДЕЛИРОВАНИЕ ДИСЛОКАЦИЙ В МЕТАЛЛЕ
- •Самоорганизация дислокаций в модели клеточных автоматов
- •Задания для самостоятельного выполнения
- •ЯЗЫК ФОРМАЛЬНОГО ОПИСАНИЯ АЛГОРИТМОВ
- •====== Приложение 2
- •П2.1. Решение уравнений высоких степеней и трансцендентных уравнений с одним неизвестным
- •П2.2. Решение систем линейных уравнений
- •БИБЛИОГРАФИЧЕСКИЙ СПИСОК
- •ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ
- •ОГЛАВЛЕНИЕ
- •Введение в математическое моделирование
Для X* = О величина A,j = г, т.е. если величина коэффициента
прироста г популяции положительна, то данное положение равно весия является неустойчивым. Если же г < 0 (т.е. популяция выми
рающая), то положение равновесия Х \ =0 является устойчивым.
Для Xj* = 1 величина ^ = —г, т.е. получаем обратную картину: при г > 0 данное положение равновесия устойчиво, а при г < 0 —неус тойчиво.
Проведенный качественный анализ уравнения (3.24) позволя ет не только оценить тенденции эволюции популяции при различ ных исходных данных, но и определить значимость различных параметров модели. Так, в данном случае проведенный анализ показал определяющую роль на судьбу популяции такого парамет ра, как коэффициент прироста г. Коэффициент прироста зависит от множества факторов, действующих как разово, так и в течение многих лет. Например, стихийные бедствия и эпидемии можно отнести к разовым воздействиям, а климатические условия —к действующим в течение длительного времени. Для популяций боль шой численности отрицательная величина коэффициента прирос та, связанная с разовыми воздействиями, не так страшна. Этого нельзя сказать о малых популяциях. Для них велика вероятность вымирания в результате неблагоприятных погодных условий, сти хийных бедствий, эпидемий и т.п.
Не менее важным обоснованием необходимости анализа устой чивости является то, что во многих случаях исследователя в боль шей степени интересует вопрос о самих точках равновесия, а не о том, каким образом исследуемая система перейдет в эти точки. Как правило, если внешние условия для системы остаются неизменны ми, то сама система достаточно быстро перейдет в одно из устой чивых состояний равновесия и будет находиться там до изменения внешних условий. Определение точек равновесия и исследование их на устойчивость для моделей, сводящихся к системе обыкновен ных дифференциальных уравнений, —более простая задача, чем получение аналитического или численного решения. Рассмотрим особенности численного исследования модели Ферхюльста.
Численное исследование модели Ферхюльста
Динамику популяции, описываемую моделью Ферхюльста, в за висимости от начальных условий и коэффициента прироста мож но исследовать с использованием численной процедуры. Исполь
зуя метод Эйлера, для исходного дифференциального уравнения получим следующий аналог уравнения (3.22) в конечных разностях
*„,1 =Хп* Ш ( \- Х ,) Х „ |
(3.28) |
где A t—величина шага по времени; Хп —относительная численность популяции на начало шага по времени; Хп+1 —численность попу ляции на конец Шага по времени. Задаваясь начальной численно стью Х0 и величиной шага по времени At, по соотношению (3.28) можно получить таблицу значений численности в различные мо менты времени.
На рис. 3.10 показано изменение численности популяции в за висимости от величины произведения шага по времени на коэф фициент прироста. При малых значениях данного произведения изменение численности (рис. 3.10,о), полученное численной про цедурой метода Эйлера, стремится к положению равновесия (А* — 1) и практически совпадает с аналитическим решением (3.23). Рас смотрим поведение малых отклонений Ап = Хп — X* от положения равновесия. Подставляя в (3.28) и линеаризуя, получим
д й + 1 = A n + r A t ( l - 2 X * ) A n.
Рис. ЗЛО. Изменение численности популяции при различных значениях произведения rA t: а - гA t = 0,5; б - гA t = 2; в - гA t = 2,5; г - rA t = 3
Подставляя значение X и деля на Ап, найдем
An+l/An= ' - ^
Из последнего соотношения можно заключить, что последователь ность Ап+1/Ап будет сходящейся, если 0 < гД/ < 2, причем при
О < гД/ < 1 сходимость будет монотонной, при 0 < гAt < 2 происхо
дят колебания вблизи нуля. При гAt >2 численное решение начи нает колебаться около положения равновесия (рис. 3.10,6). При
гД/ = 2,5 (рис. 3.10,в) происходят устойчивые колебания с перио дом 4. Дальнейший рост величины rAt приводит к последователь ному удвоению периода колебаний при все большем сближении
значений rAt. Наконец, при гД/ = 2,57 процесс вообще перестает быть периодическим (рис. 3.10,г). Теперь X все время меняется около бесконечного числа значений, так что поведение процесса, несмотря на его полную изначальную детерминированность, прак тически невозможно прогнозировать на большие периоды време ни. Подобное поведение обычно называют хаотическим.
Более полное представление о поведении численного решения можно получить с помощью так называемой бифуркационной ди аграммы (рис. 3.11). На диаграмме по горизонтальной оси откла дывают значения rAt, а по вертикальной —численность популя ции X. Для каждого значения rAt определяют значения ряда Х0, Х^ Х2, ... соотношения (3.28), причем первые 4000 членов Хп на диаг рамме не отображаются. Это делается для того, чтобы процесс ус пел выйти к положению равновесия. Следующие 200 членов ряда нанесены на диаграмму. Как можно видеть на диаграмме, для ме тода Эйлера (рис. 3.11,а) при rAt < 2 все 200 членов ряда отобража ются в одну точку, что соответствует процессу сходимости, приве денному на рис. 3.10,а. При 2< rAt < л/б на диаграмме получаем две точки (процесс сходимости представлен на рис. 3.10,6), затем 4 (рис. 3.10,в), 8, 16 и т.д. точек вплоть до области хаоса, где точки могут заполнять целые полосы (рис. 3.10,г).
Если использовать метод Рунге-Кутта, имеющий четвертый по рядок точности, то получим другой вид бифуркационной диаграм мы (рис. 3.11,6). До значения rAt = 2,75 решение сходится к 1. За тем точка сходимости начинает изменяться, уменьшаясь по срав
нению с 1, и при значениях rAt> 3,475 решение начинает осциллировать.
X
2,8 2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 r A t
б)
Рис. 3.11. Бифуркационная диаграмма для модели Ферхюльста: а — схема Эйлера; б — схема Рунге-Кутта
Рассмотренный пример показывает, что при выборе численно го метода для получения приближенного решения задачи следует очень внимательно относится к выбору шага интегрирования для соответствующих значений параметров модели. Для численного метода можно ввести понятие вычислительной устойчивости или неустойчивости. При этом нельзя отождествлять неустойчивость состояния самого объекта моделирования с неустойчивостью вы