- •1.1 Понятие о моделировании.
- •1.2 Системы массового обслуживания
- •2.1. Виды моделирования.
- •2.2Моделирование простейшей одноканальной системы смо
- •3.1. Математическое моделирование. Источники ошибок. Необходимость тестирования.
- •3.2 Простейший поток событий
- •4.1 Необходимость тестирования компьютерных моделей.
- •4.2. Замкнутые смо
- •5.1. Сравнение некоторых пакетов, расчетов и моделирований.
- •5.2. Открытая смо
- •6.1 Примеры задач приводящих к необходимости решения дифференциальных уравнений.
- •6.2 Понятие о конкурирующих стратегиях. Пример алгоритма для выбора рациональной стратегии.
- •7.1 Сведение произвольной системы оду произвольного порядка к системе оду 1-го порядка.
- •7.2 Приближение инженерных данных. Виды приближений.
- •Поточечное среднеквадратическое приближение.
- •Непрерывное приближение в среднеквадратичном смысле.
- •Равномерное приближение.
- •8.1 Примеры сведения дифференциальных уравнений и их систем произвольного порядка к системе оду 1-го порядка в канонической форме Коши.
- •8.2. Интерполирование. Аппроксимация методом наименьших квадратов. Равномерное приближение. Поточечная аппроксимация табличных данных по методу наименьших квадратов.
- •9.1 Пример решения задачи о колебаниях одно массовой системы на основе использования встроенной процедуры Rkadapt.
- •9.2 Разложение аппроксиматора по системе базисных функций. Сведение задачи аппроксимации к системе лау.
- •10.1 Математическое моделирование механических колебательных систем со сосредоточенными параметрами .Системы с распределенными и сосредоточенными параметрами.
- •Пример использования разложения аппроксиматора по базисным функциям в виде мономов.
- •11.1 Методика получения модели механических колебательной системы сосредоточенными параметрами на основе уравнений Лагранжа 2-ого рода
- •11.2Интерполирование, алгебраическое интерполирование, классический подход
- •12.1 Пример получения математической модели для двух массовой колебательной системы
- •12.2 Интерполирование на основе формулы Лагранжа
- •13.1 Математическая модель колебательной системы с вращательными степенями свободы
- •13.2 Пример документа MathCad реализующий поточечную среднеквадратичную аппроксимацию
- •14.1 Некоторые примеры MathCad для решения различных задач
- •14.2 Остаточный член формулы Лагранжа, пример оценки точности интерполирования с использованием остаточного члена
- •15.1 Пошаговые методы решения задачи Коши
- •15.2 О наилучшем выборе узлов интерполирования
- •16.1 Метод Эйлера для решения задачи Коши, реализация этого метод в среде MathCad
- •16.2 Тригонометрическое интерполирование
- •17.1 Модификация метода Эйлера для решения задачи Коши
- •17.2 Использование интерполирования при решении различных задач и реализация в среде MathCad
- •18.1 Метод типа Рунге-Кутта для решения задачи Коши
- •18.2 Использование встроенных функций для линейной аппроксимации по методу наименьших квадратов
- •19.1 Связь модифицированных методов Эйлера и методов Рунге-Кута второго порядка для решения задачи Коши
- •19.2 Понятие о сплайнах
- •20.1 Метод Рунге-Кута 4-ого порядка для решения задачи Коши формулы метода и их реализация в среде MathCad
- •20.2 Определение сплайна. Дефект сплайна, пример линейного сплйна
- •21.1.Оценка погрешности решения оду. Способ Рунге для оценки такой погрешности.
- •21.2 Кубический сплайн дефекта 2 (или сплайн Эрмита).
- •22.1 Метод стрельбы
- •22.2 Кубические сплайны дефекта 1
- •23.1 Использование случайных величин при моделировании различных явлений и процессов
- •23.2 Алгоритм «прогонка» для решения системы линейных уравнений с диагональным преобладанием.
- •24.1 Задача Бюффона как пример использования случайных величин при решении детерминированной задачи.
- •24.2 Пример использования сплайна для приближенного интегрирования функции
- •25.2 Использование параметрических сплайнов для интерполирования кривых
- •26.1 Пример реализации метода типа Монте-Карло в среде Mathcad для вычисления площади произвольной фигуры
- •26.2 Параметрический Эрмитов кубический сплайн.
- •27.1 Основные виды моделирования их преимущества и недостатки
- •27.2 Рациональные сплайны.
- •28.1 Декомпозиция и диакоптика
- •28.2Параметрический рациональный сплайн.
- •29.1 Понятие о компонентных и топологических уравнениях
- •Механическая поступательная система.
- •29.2 О выборе узлов сетки при интерполировании различными сплайнами
- •30.1 Примеры получения эквивалентах схем для механических поступательных систем
- •30.2 Узловой метод построения математической модели
24.1 Задача Бюффона как пример использования случайных величин при решении детерминированной задачи.
В 18в. француз Граф Бюффон прадложил для вычисления с произволбным количеством знаков использовать наблюдение за следующим процессом.
Тонкая игла длинной 2l бросается случайным образом на поверхность разлинованную с шагом 2d.
Тогда ситуация пересечение иглы с линией будет соответствовать тому, что точка с координатой ( ) будет лежать в заштрихованной области.
Рассмотрим углы от 0 до в силу симметричности.
Таким образом рассмотрим прямоугольную область .
И рассмотрим область лежащая ниже , то вероятность возникновения пересечения будет равна отношению . В математическом плане если выбираем без предпочтения координату от 0 до и координату y из интервала , то это соответствует произвольной точки , и если выполняется условие , то точка будет находиться в точке .
Величины:
=
=
Тогда .
Как известно при увеличении следует что: , где есть частота появления события. n-кол-во опытов, m-кол-во пересечений иглы с линией
При увеличении n получаем значение с большим количеством знаков.
Реализация в Mathcad: runif(a,b,N) – выдаёт n случайных величин с равномерном законом распределения. На отрезке от 0 до W – rnd(W).
Алгоритм:
1.Задать число экспериментов n и ограничить цикл от 0 до n(что будет соответствовать n опытов).
2.Обращаемся к функции runif(0, ,N).
3.Генерировать случайные величины от 0 до t.
4.Проверить выполнения неравенства . Если выполняется то n+1.
5.После проверки используем функцию
24.2 Пример использования сплайна для приближенного интегрирования функции
25.1 Понятие о методах типа Монте-Карло.
В 1943г. в исследовательских лабораториях Лос- Анджелесе при разработки ядерной бомбы возникла задача об определении глубины проникновения электронов в заданное вещество. Решить её не удалось. Тогда Станислав Улом и Ждон фон Нейманом предложили подход основную стратегию, которую используют игроки при игре в кости. Эта стратегия была стратегия была основана на поведении случайных величин. По имени города- это метод получил название Монте – Карло. В дальнейшим по традиции многие методы стали называться метод Монте – Карло.
Изобразим схему метода.
Заметим, что этот подход может использоваться, как для моделирования явлений имеющих в своей основе поведение случайных величин (такие величины называются - стохастическими) так и для явлений процессов, где случайные величины не присутствуют (детерминированные).
Вычисление обьемов и площадей при использовании стандартных методов основанных на … сетки по каждому из измерений в каждом узле которой требуется вычисление подинтегральной фу-ии с увиличением размерности пространства к-во вычислений растет.Альтернативой является следующая возможность
Заключаем область Ω в n-мерный параллепипед ,который полностью ее содержит.Сгенерируем отдельную точку имеющую n координат которых
и получено на этом интервале без предпочтения,т.е. случайная велечина Xi имеет на своем интервале равномерное распределение.В среде маткад встроенная функция rnd(A) возвращает массив случайных величин из интервала [0,А],т.о.если мы хотим сгенерировать массив случ.величин из интервала [а,в], то нужно записать rnd(в-а).Заметим,что для того.чтобы выполнить эти вычисления необходимо1)иметь возможность найти по каждому измерению «низшую» и «высшую» точку области.2)уметь ответить на ворос попала ли точка со случайными координатами в область.
Фрагмент документа маткад:
ORIGIN:=1,
Ab(x,y):=x,
Cd(x,y):=y
X:=0,y=0,
f(x,y):=x-y +4
g(x,y):=x + y +x+y-25
Given
f(x,y)>0,
f(x,y)<0,
z:=Minimaze(AB,x,y)
a:=Ab(z1,z2)
b:=Ab(z1,z2)
b:=4.55