- •1. Определение и назначение моделирования
- •2. Классификация моделей
- •3. Классификация математических моделей
- •3.1. Классификация в зависимости от сложности объекта моделирования
- •3.2. Классификация в зависимости от оператора модели
- •3.3. Классификация в зависимости от параметров модели
- •3.4. Классификация в зависимости от целей моделирования
- •3.5. Классификация в зависимости от методов исследования
- •4. Этапы построения модели
- •4.1. Обследование объекта моделирования
- •4.2. Концептуальная постановка задачи
- •4.3. Математическая постановка задачи
- •4.4. Выбор и обоснование выбора методов решения задачи
- •4.5. Реализация модели в виде программы для эвм
- •4.6. Проверка адекватности модели
- •4.7. Практическое использование модели
- •5. Пример разработки модели - Модель спроса предложения
- •6. Структурные модели
- •6.1. Способы построения структурных моделей
- •7. Моделирование в условиях неопределенности
- •7.1. Моделирование в условиях неопределенности, описываемой с позиции теории нечетких множеств
- •7.2. Моделирование в условиях стохастической неопределен-ности
- •7. Имитационное моделирование
- •7.1. Виды представления времени в модели
- •8. Модели представления знаний
3.4. Классификация в зависимости от целей моделирования
Дескриптивные модели – модели, цель которых построе-ние законов изменения параметров модели.
Дескриптивные модели являются реализацией описатель-ных и объяснительных содержательных моделей на формальном уровне моделирования.
Оптимизационные модели – модели для определения опти-мальных параметров моделируемого объекта с точки зрения не-которого критерия или для поиска оптимального режима управ-ления некоторым процессом.
Параметры управления – параметры, изменяя которые можно получить различные варианты наборов значений выход-ных величин.
Управленческие модели – модели для принятия эффектив-ных управленческих решений в различных областях целена-правленной деятельности человека.
Данные модели рассматриваются в теории игр и исследо-вании операций.
3.5. Классификация в зависимости от методов исследования
Методы исследования
Алгоритмические
Имитационные
Численные
Аналитические
Алгебраические
Приближенные
Рис.4. Классификация в зависимости от методов исследования
Аналитический метод исследования модели – метод, по-зволяющий получать выходные величины в виде аналитических выражений, т.е. выражений, в которых используется не более чем счетная совокупность арифметических операций и перехо-дов к пределу по натуральным числам.
Алгебраические выражения – частный случай аналитичес-ких выражений, в которых используется конечное или счетное число арифметических операций, операций возведения в цело-численную степень и извлечения корня.
Приближенные методы – методы, использующие прибли-женную величину оценки параметра путем ограничения коли-чества членов совокупности арифметических операций в ана-литических выражениях.
В большинстве случаев при исследовании моделей ис-пользуют алгоритмические подходы, позволяющие получить лишь приближенные значения искомых параметров.
Численный подход – подход, в котором совокупность ма-тематических соотношений заменяется конечномерным анало-гом. Это чаще всего достигается дискретизацией исходных со-общений (переход от функций непрерывного аргумента к функ-циям дискретного аргумента).
Основное требование к вычислительному алгоритму – по-лучение решения исходной задачи с заданной точностью за ко-нечное число шагов.
Использование численных методов, а также построение на их основе вычислительных алгоритмов изучается в вычисли-тельной математике.
Имитационный подход – подход при котором объект ис-следования разбивается на отдельные элементы. В этом случае система математических соотношений для объекта-системы в целом не записывается, а заменяется некоторым алгоритмом, моделирующим ее поведение и учитывающим взаимодействие друг с другом моделей отдельных элементов системы. В качес-тве моделей отдельных элементов могут быть использованы как аналитические, так и алгебраические модели.
Достоинство алгоритмических моделей – отсутствие прин-ципиальных ограничений на сложность модели, что позволяет применять их для исследования систем произвольной слож-ности.