- •Тема 1. Предмет математического моделирования
- •1.1. Значение моделирования.
- •1.2. Современная трактовка понятия “модель”
- •Тема 2. Классификация математических моделей
- •2.1. Декларативные и процедурные модели
- •2.2. «Черный ящик», структурные и функциональные модели
- •Индикатор
- •Процедурные модели
- •2.3. Модели описания, решения, алгоритмические, программные
- •2.4. Модели синтеза, анализа и выбора
- •2.5. Теоретические и эмпирические модели
- •Теоретический способ. В качестве исходной посылки для получения логического вывода примем два положения:
- •2.6. Познавательные и прагматические модели
- •2.7. Модель и реальность: различия и сходства
- •2.7.1. Различия.
- •2.7.2. Сходства.
- •Тема 3. Теоретическое моделирование
- •3.1. Непрерывные детерминированные системы
- •3.2. Методы решения дифференциальных уравнений
- •3.3. Линейное программирование
- •Тема 4. Эмпирическое моделирование
- •4.1. Введение
- •4.1.1. Что такое статистическое моделирование
- •4.1.2. Основные сведения из теории вероятностей
- •4.1.3. Основные понятия математической статистики
- •4.2. Метод моментов вычисления статистических оценок
- •4.3. Регрессионный анализ: синтез уравнения регрессии
- •4.4. Проверка статистических гипотез
- •4.5. Типовые распределения вероятностей
- •4.6. Регрессионный анализ: исследование свойств уравнения регрессии
Декларативные
моделиПроцедурные модели
Рис. 2.3. Уровни
развития моделей
4. В своем окончательном виде функциональная модель должна отражать динамку объекта, т.е. отражать процесс изменения состояний системы с течением времени.
Внешне функциональная модель обычно представляет собой систему математических выражений (формул), например, в виде дифференциальных и/или алгебраических уравнений. Но иногда используются модели иной структуры, например, графические – сетевые графики (для представления временной последовательности выполняемых действий), сети Петри (диаграммы причинно-следственных связей), блок-схемы (последовательность шагов реализации инструкций, алгоритма) и т.п. Выбор того или иного типа модели определяется типом протекающих процессов и целью моделирования.
Страты. При отображении сложных систем одна из основных проблем состоит в нахождении компромисса между простотой описания, позволяющей сохранять целостное представление об исследуемом объекте, и детализацией, позволяющей отразить его многочисленные особенности. Один из путей решения этой проблемы – задание системы семейством моделей, каждая из которых описывает объект с точки зрения соответствующего уровня абстрагирования. Для каждого уровня существуют характерные особенности, законы и принципы, с помощью которых описывается строение системы на этом уровне. Такое представление названо стратифицированным, а уровни абстрагирования – стратами.
Примером стратифицированного отображения является описание одного и того же завода одновременно с точки зрения главного технолога, главного бухгалтера, начальника пожарной охраны и т.д. Оно будет состоять совершенно из различных подсистем.
Страты могут выделяться разными способами. Например, при представлении системы управления предприятием они могут соответствовать сложившимся уровням управления: управление технологическими процессами и организационное управление предприятием. Начинать изучение системы можно с любой страты, в том числе – со срединной.
В процессе исследования могут добавляться новые страты, изменяться подход к их выделению, но система сохраняется до тех пор, пока не изменится представление на верхней страте – ее концепция, замысел.
Пример. Как было сказано ранее, при своем создании каждая из рассмотренных выше моделей («Черный ящик», структурная, функциональная) может пройти несколько стадий. В целях единообразия можно ввести четыре стадии, одинаковые для всех типов моделей. Условно назовем эти стадии: состав, связи, параметры, динамика. Графически эти стадии изображены на рис. 2.3. Данная схема представляет собой набор страт – как по горизонтали (разные уровни знаний об объекте), так и по вертикали (различный характер отображаемых свойств объекта).
2.3. Модели описания, решения, алгоритмические, программные
В ходе решения поставленной задачи (реализации цели моделирования) математическая модель претерпевает определенные изменения.
Первой фазой процесса моделирования является переложение на язык математических соотношений цели моделирования, которая обычно задается в словесном (вербальном, неформализованном) виде. В результате такого действия получается модель описания.
Далее строится модель решения – набор математических выражений, указывающих способ получения решения задачи. Существует три разновидности этой модели: аналитическая, численная и имитационная.
Аналитическая модель – явное выражение искомой величины через известные. Численная модель – набор выражений, позволяющих получить решение в виде набора чисел. Имитационная модель – переложение на язык компьютера формальных правил функционирования моделируемого объекта; она позволяет при заданном входе получить значение выхода и, по сути, реализует метод проб.
Пример. Пусть имеем уравнение аx2 + bx + c = 0, которое описывает некоторый объект и, следовательно, является моделью описания. Описание способа нахождения значения х представляет собой модель решения. Для квадратного уравнения существует известная формула:
Это явное выражение для искомой величины х, следовательно, это аналитическая модель решения.
В том случае, когда аналитическая модель слишком сложная (формулы решения уравнений 3-й и 4-й степени) либо вообще не существует (для уравнений 5-й степени и выше), то используется численная модель.
Пример. Например: дано уравнение f(x) = 0, где f – произвольная непрерывная функция. Для решения можно использовать численный метод Ньютона (касательных). Для этого выбирают начальное приближение x0, а затем строят последовательность уточняющих решений по формуле:
xk + 1 = xk – (k = 0, 1…); .
Для приближённого решения уравнения f(x) = 0 можно также задать достаточно много различных значений x и выбрать то из них, для которого | f(x) | = min, т.е. f(x) ближе всего к 0. Это простейший вид имитационной модели для решения уравнения. Часто в качестве значений входных параметров берутся случайные значения, полученные с помощью датчиков случайных чисел. В этом случае говорят, что используется случайная имитация.
Дадим краткую характеристику каждой модели, которая поможет выбирать ту или иную модель в каждом конкретном случае.
Аналитическая модель является наиболее точной, кроме того, она позволяет получить решение в общем виде. Поэтому если это возможно, всегда надо стараться получить именно аналитическую модель решения.
Численная модель более универсальна, практически не уступает по точности аналитической модели, но не позволяет получить решение в общем виде.
Имитационная модель наименее точна, но является самой простой. Ее используют для получения окончательного решения только при моделировании сложных объектов, для которых невозможно составить прочие модели решений. В более простых случаях имитационную модель применяют
- для поиска начального приближения к решению для получения окончательного ответа с помощью численной модели,
- либо для предварительного анализа объекта, позволяющего получить некоторое начальное представление о предмете моделирования.
Алгоритмическая модель – запись решения в виде алгоритма. Ее отличие от модели решения состоит в том, что последняя не обязана обладать всеми свойствами алгоритма: конечность, определённость, результативность, массовость, эффективность. Чаще всего модель решения не обладает свойством конечности.
Программная модель – запись алгоритма на языке программирования.
Жизненный цикл модели. Процесс возникновения, развития и конца произвольной системы принято именовать термином “жизненный цикл”. В процессе перехода от словесного описания объекта к получению результатов исследования модель объекта претерпевает определенные этапы жизненного цикла.
Жизненный цикл модели, включающий не только фазы изменения, претерпеваемые самой моделью, но и “круговорот знаний”, используемых для создания модели и полученных в результате использования модели можно представить в виде схеме, изображенной на рис. 2.4.