- •Методы математического моделирования процессов в машиностроении
- •Глава 1. Цели и задачи математического моделирования процессов и систем 3
- •Глава 2. Теоретические Математические модели аналитического типа 8
- •Глава 3. Эмпирические математические модели 27
- •Глава 4. Математические модели теории принятия решений 40
- •2 Рубежный контроль введение
- •Глава 1. Цели и задачи математического моделирования процессов и систем
- •1.1. Понятие «математическая модель»
- •1.2. Классификация математических моделей
- •Контрольные вопросы к лекции 1
- •1.3. Геометрическое представление математических моделей
- •Глава 2. Теоретические Математические модели аналитического типа
- •2.1. Построение математической модели сверления лазером
- •Контрольные вопросы к лекции 2
- •2 Лекция 3.2. Линейные математические модели
- •2.3. Исследование простейшей математической модели работы газотурбинного двигателя
- •2.4. Нелинейные детерминированные модели
- •2.4.1. Полиномиальные модели
- •2.4.2.Позиномные модели
- •Контрольные вопросы к лекции 3
- •2 Лекция 4.4.3. Математическая модель кратчайшего пути
- •0 4PR– 4r2илиp r.
- •Контрольные вопросы к лекции 4
- •2 Лекция 5.5. Математическая модель в виде обыкновенных дифференциальных уравнений
- •2.6. Модели, заданные в виде уравнений в частных производных
- •Контрольные вопросы к лекции 5
- •2.7. Стохастические модели
- •Контрольные вопросы к лекции 6
- •Г Лекция 7лава 3. Эмпирические математические модели
- •3.1 Идентификация эмпирических математических моделей
- •3.2. Использование метода наименьших квадратов
- •Контрольные вопросы к лекции 7
- •3 Лекция 8.3. Статистические методы проверки адекватности математических моделей
- •Контрольные вопросы к лекции 8
- •3 Лекция 9.4. Идентификация параметров математической модели силы резания токарной операции
- •Контрольные вопросы к лекции 9
- •3 Лекция 10.5. Выбор оптимальной эмпирической модели
- •3.6. Использование критерия Фишера для проверки значимости высших степеней математической модели
- •Контрольные вопросы к лекции 10
- •Г Лекция 11лава 4.Математические модели теории принятия решений
- •4.1. Общие сведения о теории принятия решений
- •4.2. Общая математическая модель формирования оптимальных решений
- •4.3. Построение и решение оптимизационной задачи принятия решения (Задача о баке)
- •Контрольные вопросы к лекции 11
- •4 Лекция 12.4. Многокритериальные задачи принятия решений
- •4.5. Построение решений, оптимальных по Парето (Двухкритериальная задача о баке)
- •Контрольные вопросы к лекции 12
Глава 1. Цели и задачи математического моделирования процессов и систем
1.1. Понятие «математическая модель»
Математическое моделирование позволяет до создания реальной системы (объекта) или возникновения реальной ситуации рассмотреть возможные режимы работы, выбрать оптимальные управляющие воздействия, составить объективный прогноз будущих состояний системы.
Вычислительные эксперименты, проводимые на основе математических моделей, помогают увидеть за частным общее, развить универсальные методы анализа объектов различной физической природы, познать свойства изучаемых процессов и систем.
Наконец, математическое моделирование является основой интенсивно разрабатываемых автоматизированных систем проектирования, управления и обработки данных.
Основная задача математического моделирования – выделение законов в природе, обществе и технике и запись их на языке математики.
Например:
Зависимость между массой тела m, действующей на него силойFи ускорением его движенияазаписывается в форме 2-го закона Ньютона:F = m a;
Зависимость между напряжением в электрической цепи U, ее сопротивлениемRи силой токаIзаписывается в виде закона Ома:I = U/R.
Существует множество определений математической модели.
Приведем одно из них:
Математической модельюнекоторого объекта, процесса или явления будем называть запись его свойств на формальном языке с целью получения нового знания (свойств) об изучаемом процессе путем применения формальных методов.
Альтернативой формальному (математическому) подходу является экспериментальный подход. К его недостаткам можно отнести:
высокая стоимость подготовки и проведения экспериментов;
получение частного знания (знания о конкретном объекте исследования, а не о классе объектов).
Например, пусть требуется определить воздействие хна некоторый процесс или объект, при котором его результирующая характеристикауимеет максимально возможное значение (Рис. 1.1).
а б
Рис. 1.1.
На рис. 1.1. а) показан эмпирический (экспериментальный) подход к решению поставленной задачи, который состоит в экспериментальном определении значения параметра удля нескольких значений входного воздействиях. Среди них найдено наибольшее, и оно принимается за максимум. Как видим из этого рисунка, возможно несколько значений воздействиях(х4их5), при которыхуимеет наибольшее значение, но ни одно из них не является настоящим максимумом, который, возможно, лежит между ними.
Математический подход (рис. 1.1. б) предполагает наличие математической модели процесса типа y = f(x). Взяв производнуюи приравняв ее к нулю, получим уравнение, решением которого является точное значение xmax , доставляющее максимум функцииу.
Схема применения математической модели при решении реальных задач имеет вид, показанный на рис. 1.2.
Рис. 1.2
Модель сложного объекта (процесса, системы) не может быть простой. Из чего следует, что процесс использования математических моделей реальных систем является итерационным процессом, когда последовательно уточняется (дорабатывается) математическая модель и методы решения стоящих задач.
Важнейшей характеристикой моделей является их точность, адекватностьдействительности. При этом важно иметь в виду, что все модели представляют собой приближенное описание реальных объектов (процессов) и поэтому принципиально неточны. Интегральная оценка модели может быть получена путем сравнения результатов моделирования и экспериментальных данных для конкретных объектов или режимов.
Для оценки значимости совпадения или несовпадения модельных и экспериментальных результатов широко используются методы математической статистики. Вместе с тем не следует переоценивать результаты такой проверки. Хорошее совпадение модельных и экспериментальных данных, вообще говоря, не доказывает точности модели, а лишь подтверждают ее функциональную пригодность для моделирования. Всегда может быть предложена модель, обеспечивающая лучшее совпадение с экспериментом, но не лучшее описание моделируемого объекта или процесса.