По учебнику Советова и Яковлева : «модель (лат. modulus - мера) - это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала». (с. 6) «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием». (с. 6) «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи».

Наконец, наиболее лаконичное определение математической модели: «Уравнение , выражающее идею ».

Классификация моделей

Формальная классификация моделей

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий . Например, один из популярных наборов дихотомий :

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом - распределённые модели и т. д.

Классификация по способу представления объекта

Наряду с формальной классификацией, модели различаются по способу представления объекта:

Структурные или функциональные модели

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение (функционирование) объекта. В их предельном выражении они называются также моделями «чёрного ящика» . Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика ».

Содержательные и формальные модели

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель . Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель , умозрительная модель или предмодель . При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели (предмодели). Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т. п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий (передний край физики , биологии , экономики , социологии , психологии , и большинства других областей), создание содержательных моделей резко усложняется.

Содержательная классификация моделей

Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман :

«У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть».

Если модель первого типа построена, то это означает, что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только вре́менной паузой: статус модели первого типа может быть только вре́менным.

Тип 2: Феноменологическая модель (ведем себя так, как если бы …)

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус вре́менных решений. Считается, что ответ всё ещё неизвестен и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до статуса гипотезы. Аналогично, новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира , проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Тип 3: Приближение (что-то считаем очень большим или очень малым )

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае - использование приближений (моделей типа 3). Среди них модели линейного отклика . Уравнения заменяются линейными. Стандартный пример - закон Ома .

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Тип 8: Демонстрация возможности (главное - показать внутреннюю непротиворечивость возможности )

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципам и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов - геометрия Лобачевского (Лобачевский называл её «воображаемой геометрией»). Другой пример - массовое производство формально - кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна - Подольского - Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа - демонстрацию возможности квантовой телепортации информации.

Пример

Рассмотрим механическую систему, состоящую из пружины, закрепленной с одного конца, и груза массой , прикрепленного к свободному концу пружины. Будем считать, что груз может двигаться только в направлении оси пружины (например, движение происходит вдоль стержня). Построим математическую модель этой системы. Будем описывать состояние системы расстоянием от центра груза до его положения равновесия. Опишем взаимодействие пружины и груза с помощью закона Гука () после чего воспользуемся вторым законом Ньютона , чтобы выразить его в форме дифференциального уравнения :

где означает вторую производную от по времени: .

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором ».

По формальной классификации эта модель линейная, детерминисткая, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений (об отсутствии внешних сил, отсутствии трения, малости отклонений и т. д.), которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), такая модель достаточно хорошо описывает реальную механическую систему, поскольку отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой (хотя и снова ограниченной) областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная (и, формально, «более правильная»).

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия («учтём только некоторые особенности»).

Жёсткие и мягкие модели

Гармонический осциллятор - пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения, - некоторый малый параметр. Явный вид функции нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида , то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания . Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор - пример структурно-неустойчивой (негрубой) системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Универсальность моделей

Важнейшие математические модели обычно обладают важным свойством универсальности : принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в -образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем ».

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задается как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача : структура модели и все её параметры считаются известными, главная задача - провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку (например, на марш роты солдат, или на прохождение поезда на различной скорости), как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера , - вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Великобритании обрушился металлический мост через реку Тей , конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача : известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования ). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение ) или быть результатом специально планируемого в ходе решения эксперимента (активное наблюдение ).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

В качестве другого примера можно привести математическую статистику . Задача этой науки - разработка методов регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений . Т.е. множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.

Компьютерные системы моделирования

Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple , Mathematica , Mathcad , MATLAB , VisSim и др. Они позволяют создавать формальные и блочные модели как простых, так и сложных процессов и устройств и легко менять параметры моделей в ходе моделирования. Блочные модели представлены блоками (чаще всего графическими), набор и соединение которых задаются диаграммой модели.

Дополнительные примеры

Модель Мальтуса

Скорость роста пропорциональна текущему размеру популяции . Она описывается дифференциальным уравнением

где - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция . Если рождаемость превосходит смертность (), размер популяции неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объёма популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель , которая описывается дифференциальным уравнением Ферхюльста

где - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению , причем такое поведение структурно устойчиво.

Система хищник-жертва

Допустим, что на некоторой территории обитают два вида животных : кролики (питающиеся растениями) и лисы (питающиеся кроликами). Пусть число кроликов , число лис . Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Лотки - Вольтерра :

Эта система имеет равновесное состояние , когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора . Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым : малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения . Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать . Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра - Лотки ответа не дает: здесь требуются дополнительные исследования.

Примечания

«A mathematical representation of reality»(Encyclopaedia Britanica)
Новик И. Б. , О философских вопросах кибернетического моделирования. М., Знание, 1964.
Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
Самарский А. А. , Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры . - 2-е изд., испр. - М .: Физматлит, 2001. - ISBN 5-9221-0120-X
Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
Севостьянов, А.Г. Моделирование технологических процессов: учебник / А.Г. Севостьянов, П.А. Севостьянов. – М.: Легкая и пищевая промышленность, 1984. - 344 с.
Wiktionary: mathematical model
CliffsNotes.com. Earth Science Glossary. 20 Sep 2010
Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena, Springer, Complexity series, Berlin-Heidelberg-New York, 2006. XII+562 pp. ISBN 3-540-35885-4
«Теория считается линейной или нелинейной в зависимости от того, какой - линейный или нелинейный - математический аппарат, какие - линейные или нелинейные - математические модели она использует. … ез отрицание последней. Современный физик, доведись ему заново создавать определение столь важной сущности, как нелинейность, скорее всего, поступил бы иначе, и, отдав предпочтение нелинейности как более важной и распространенной из двух противоположностей, определил бы линейность как „не нелинейность“.» Данилов Ю. А. , Лекции по нелинейной динамике. Элементарное введение. Серия «Синергетика: от прошлого к будущему». Изд.2. - M.: URSS, 2006. - 208 с. ISBN 5-484-00183-8
«Динамические системы, моделируемые конечным числом обыкновенных дифференциальных уравнений, называют сосредоточенными или точечными системами. Они описываются с помощью конечномерного фазового пространства и характеризуются конечным числом степеней свободы. Одна и та же система в различных условиях может рассматриваться либо как сосредоточенная, либо как распределенная. Математические модели распределенных систем - это дифференциальные уравнения в частных производных, интегральные уравнения или обыкновенные уравнения с запаздывающим аргументом. Число степеней свободы распределенной системы бесконечно, и требуется бесконечное число данных для определения ее состояния.» Анищенко В. С. , Динамические системы, Соросовский образовательный журнал, 1997, № 11, с. 77-84.
«В зависимости от характера изучаемых процессов в системе S все виды моделирования могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные. Детерминированное моделирование отображает детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий; стохастическое моделирование отображает вероятностные процессы и события. … Статическое моделирование служит для описания поведения объекта в какой-либо момент времени, а динамическое моделирование отражает поведение объекта во времени. Дискретное моделирование служит для описания процессов, которые предполагаются дискретными, соответственно непрерывное моделирование позволяет отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.» Советов Б. Я., Яковлев С. А. ISBN 5-06-003860-2
Обычно в математической модели отражается структура (устройство) моделируемого объекта, существенные для целей исследования свойства и взаимосвязи компонентов этого объекта; такая модель называется структурной. Если же модель отражает только то, как объект функционирует - например, как он реагирует на внешние воздействия,- то она называется функциональной или, образно, черным ящиком. Возможны и модели комбинированного типа. Мышкис А. Д. ISBN 978-5-484-00953-4
«Очевидный, но важнейший начальный этап построения или выбора математической модели - это получение по возможности более четкого представления о моделируемом объекте и уточнение его содержательной модели, основанное на неформальных обсуждениях. Нельзя жалеть времени и усилий на этот этап, от него в значительной мере зависит успех всего исследования. Не раз бывало, что значительный труд, затраченный на решение математической задачи, оказывался малоэффективным или даже потраченным впустую из-за недостаточного внимания к этой стороне дела.» Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4 , с. 35.
«Описание концептуальной модели системы. На этом подэтапе построения модели системы: а) описывается концептуальная модель М в абстрактных терминах и понятиях; б) дается описание модели с использованием типовых математических схем; в) принимаются окончательно гипотезы и предположения; г) обосновывается выбор процедуры аппроксимации реальных процессов при построении модели.» Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2 , с. 93.
Блехман И. И., Мышкис А. Д.,

Основные признаки классификации и типы ММ, применяемые в САПР, даны в таблице 1.

Таблица 1.

Признак классификации	Математические модели
Характер отображаемых свойств объекта	Структурные; функциональные
Принадлежность к иерархическому уровню	Микроуровня; макроуровня; метауровня
Степень детализации описания внутри одного уровня	Полные; макромодели
Способ представления свойств объекта	Аналитические, алгоритмические, имитационные
Способ получения модели	Теоретические, эмпирические

По характеру отображаемых свойств объекта ММ делятся на структурные и функциональные .

Структурные ММ предназначены для отображения структурных свойств объекта. Различают структурные ММ топологические и геометрические .

В топологических ММ отображаются состав и взаимосвязи элементов объекта. Топологические модели могут иметь форму графов, таблиц (матриц), списков и т. п.

В геометрических ММ отображаются геометрические свойства объектов, в них дополнительно к сведениям о взаимном расположении элементов содержатся сведения о форме деталей. Геометрические ММ могут выражаться совокупностью уравнений линий и поверхностей; алгебрологических соотношений, описывающих области, составляющие тело объекта; графами и списками, отображающими конструкции из типовых конструктивных элементов и т. п.

Функциональные ММ предназначены для отображения физических или информационных процессов, протекающих в объекте при его функционировании или изготовлении. Функциональные ММ представляют собой системы уравнений, связывающих фазовые переменные, внутренние, внешние и выходные параметры, т.е. алгоритм вычисления вектора выходных параметров Y при заданных векторах параметров элементов X и внешних параметров Q .

Количество иерархических уровней при моделировании определяется сложностью проектируемых объектов и возможностью средств проектирования. Однако для большинства предметных областей можно отнести имеющиеся иерархические уровни к одному из трех обобщенных уровней, называемых далее микро -, макро - и метауровнями .

В зависимости от места в иерархии описаний математические модели делятся на ММ, относящиеся к микро -, макро - и метауровням .

Особенностью ММ на микроуровне является отражение физических процессов, протекающих в непрерывных пространстве и времени. Типичные ММ на микроуровне - дифференциальные уравнения в частных производных (ДУЧП).

На макроуровне используют укрупненную дискретизацию пространства по функциональному признаку, что приводит к представлению ММ на этом уровне в виде систем обыкновенных дифференциальных уравнений (ОДУ). Системы ОДУ являются универсальными моделями на макроуровне, пригодными для анализа как динамических, так и установившихся состояний объектов. Модели для установившихся режимов можно также представить и виде систем алгебраических уравнений. Порядок системы уравнений зависит от числа выделенных элементов объекта. Если порядок системы приближается к 10 3 , то оперирование моделью становится затруднительным и поэтому необходимо переходить к представлениям на метауровне .

На метауровне в качестве элементов принимают достаточно сложные совокупности деталей. Метауровень характеризуется большим разнообразием типов используемых ММ. Для многих объектов ММ на метауровне по-прежнему представляются системами ОДУ. Однако так как в моделях не описываются внутренние для элементов фазовые переменные, а фигурируют только фазовые переменные, относящиеся к взаимным связям, элементов, то укрупнение элементов на метауровне означает получение ММ приемлемой размерности для существенно более сложных объектов, чем на макроуровне.

В ряде предметных областей удается использовать специфические особенности функционирования объектов для упрощения ММ. Примером являются электронные устройства цифровой автоматики, в которых возможно применять дискретное представление таких фазовых переменных, как напряжения и токи. В результате ММ становится системой логических уравнений, описывающих процессы преобразования сигналов. Такие логические модели существенно более экономичны, чем модели электрические, описывающие изменения напряжений и сил токов как непрерывных функций времени. Важный класс ММ на метауровне составляют модели массового обслуживания , применяемые для описания процессов функционирования информационных и вычислительных систем, производственных участков, линий и цехов.

Структурные модели также делятся на модели различных иерархических уровней. При этом на низших иерархических уровнях преобладает использование геометрических моделей, на высших иерархических уровнях используются топологические модели.

По степени детализации описания в пределах каждого иерархического уровня выделяют полные ММ и макромодели .

Полная ММ - модель, в которой фигурируют фазовые переменные, характеризующие состояния всех имеющихся межэлементных связей (т. е. состояния всех элементов проектируемого объекта), описывающая не только процессы на внешних выводах моделируемого объекта, но и внутренние процессы объекта.

Макромодель - ММ, в которой отображаются состояния значительно меньшего числа межэлементных связей, что соответствует описанию объекта при укрупненном выделении элементов.

Примечание. Понятия «полная ММ» и «макромодель» относительны и обычно используются для различения двух моделей, отображающих различную степень детальности описания свойств объекта.

По способу представления свойств объекта функциональные ММ делятся на аналитические и алгоритмические .

Аналитические ММ представляют собой явные выражения выходных параметров как функций входных и внутренних параметров. Такие ММ характеризуются высокой экономичностью, но получение явного выражения удается лишь в отдельных частных случаях, как правило, при принятии существенных допущений и ограничений, снижающих точность и сужающих область адекватности модели.

Алгоритмические ММ выражают связи выходных параметров с параметрами внутренними и внешними в форме алгоритма.

Имитационная ММ - алгоритмическая модель, отражающая поведение исследуемого объекта во времени при задании внешних воздействий на объект. Примерами имитационных ММ могут служить модели динамических объектов в виде систем ОДУ и модели систем массового обслуживания, заданные в алгоритмической форме.

Обычно в имитационных моделях фигурируют фазовые переменные. Так, на макроуровне имитационные модели представляют собой системы алгебро-дифференциальных уравнений:

где V - вектор фазовых переменных; t - время; V o - вектор начальных условий. К примерам фазовых переменных можно отнести токи и напряжения в электрических системах, силы и скорости - в механических, давления и расходы - в гидравлических.

Выходные параметры систем могут быть двух типов. Во-первых, это параметры-функционалы, т. е. функционалы зависимостей V(t ) в случае использования (1). Примеры таких параметров: амплитуды сигналов, временные задержки, мощности рассеивания и т. п. Во-вторых, это параметры, характеризующие способность проектируемого объекта работать при определенных внешних условиях. Эти выходные параметры являются граничными значениями диапазонов внешних переменных, в которых сохраняется работоспособность объекта.

При проектировании технических объектов можно выделить две основные группы процедур: анализ и синтез. Для синтеза характерно использование структурных моделей, для анализа - использование функциональных моделей. К математическому обеспечению анализа относятся математические модели, численные методы, алгоритмы выполнения проектных процедур. Компоненты МО определяются базовым математическим аппаратом, специфичным для каждого из иерархических уровней проектирования.

В САПР анализ выполняется математическим моделированием.

Математическое моделирование - процесс создания модели и оперирование ею с целью получения сведений о реальном объекте.

Моделирование большинства технических объектов можно выполнять на микро-, макро и метауровнях, различающихся степенью детализации рассмотрения процессов в объекте.

микроуровне , называемого распределенным , является система дифференциальных уравнений в частных производных (ДУПЧ), описывающая процессы в сплошной среде с заданными краевыми условиями. Независимыми переменными являются пространственные координаты и время. К моделям на микроуровне относятся многие сравнения математической физики. Объектами исследования являются поля физических величин, что требуется при анализе прочности строительных сооружений или машиностроительных деталей, исследовании процессов в жидких средах, моделировании концентраций и потоков частиц в электронных приборах и т. п. С помощью этих уравнений рассчитываются поля механических напряжений и деформаций, электрических потенциалов, давлений, температур и т.д. Возможности применения ММ в виде ДУЧП ограничены отдельными деталями, попытки анализировать с их помощью процессы в многокомпонентных средах, сборочных единицах, электронных схемах не могут быть успешными из-за чрезмерного роста затрат машинного времени и памяти.

Система дифференциальных уравнений, как правило, известна (уравнения Ламе для механики упругих сред; уравнения Навье-Стокса для гидравлики; уравнения теплопроводности для термодинамики и т.д.), но точное решение ее удается получить лишь для частных случаев, поэтому первая задача, возникающая при моделировании, состоит в построении приближенной дискретной модели. Для этого используются методы конечных разностей и интегральных граничных уравнений, одним из вариантов последнего является метод граничных элементов.

Число совместно исследуемых различных сред (число деталей, слоев материала, фаз агрегатного состояния) в практически используемых моделях микроуровня не может быть большим ввиду сложностей вычислительного характера. Резко снизить вычислительные затраты в многокомпонентных средах можно, только применив иной подход к моделированию, основанный на принятии определенных допущений.

Допущение, выражаемое дискретизацией пространства, позволяет перейти к моделям макроуровня, называемым с осредоточенными . Математической моделью технического объекта на макроуровне является система алгебраических и обыкновенных дифференциальных уравнений (ОДУ) с заданными начальными условиями.

В этих уравнениях независимой переменной является время t , а вектор зависимых переменных V составляют фазовые переменные, характеризующие состояние укрупненных элементов дискретизированного пространства. Такими переменными являются силы и скорости механических систем, напряжения и силы тока электрических систем, давления и расходы гидравлических и пневматических систем и т.п.

В основе ММ лежат компонентные уравнения отдельных элементов и топологические уравнения, вид которых определяется связями между элементами. Предпосылкой создания единого математического и программного обеспечения анализа на макроуровне являются аналогии компонентных и топологических уравнений физически однородных подсистем, из которых состоит технический объект. Для получения топологических уравнений используются формальные методы.

Основными методами получения ММ объектов на макроуровне являются:

Обобщенный метод,

Табличный метод,

Узловой метод,

Метод переменных состояний.

Методы отличаются друг от друга видом и размерностью получаемой системы уравнений, способом дискретизации компонентных уравнений реактивных ветвей, допустимыми типами зависимых ветвей. Упрощение описания отдельных компонентов (деталей) позволяет исследовать модели процессов в устройствах, приборах, механических узлах, число компонентов в которых может доходить до нескольких тысяч. Для сложных технических объектов размерность ММ становится чрезмерно высокой, и для моделирования приходится переходить на метауровень.

На метауровне моделируют в основном две категории технических объектов: объекты, являющиеся предметом исследований теории автоматического управления, и объекты, являющиеся предметом теории массового обслуживания. Для первой категории объектов возможно использование математического аппарата макроуровня, для второй категории объектов используют методы событийного моделирования.

Когда число компонентов в исследуемой системе превышает некоторый порог, сложность модели системы на макроуровне вновь становится чрезмерной. Принимая соответствующие допущения, переходят на функционально-логический уровень, где используется аппарат передаточных функций для исследования аналоговых (непрерывных) процессов или аппарат математической логики и конечных автоматов, если объектом исследования является дискретный процесс.

Для исследования еще более сложных объектов (производственные предприятия и их объединения, вычислительные системы и сети, социальные системы и др.) применяют аппарат теории массового обслуживания, возможно использование и некоторых других подходов, например сетей Петри. Эти модели относятся к системному уровню моделирования.

В зависимости от того, какими средствами, при каких условиях и по отношению к каким объектам познания реализуется способность моделей отображать действительность, возникает их большое разнообразие, а вместе с ним - классификации. Путем обобщения существующих классификаций выделим базовые модели по применяемому математическому аппарату, на основе которых получают развитие специальные модели (рисунок 8.1).

Рисунок 8.1 - Формальная классификация моделей

Математические модели отображают изучаемые объекты (процессы, системы) в виде явных функциональных соотношений: алгебраических равенств и неравенств, интегральных и дифференциальных, конечно-разностных и других математических выражений (закон распределения случайной величины, регрессионные модели и т.д.), а также отношений математической логики.

В зависимости от двух фундаментальных признаков построения математической модели - вида описания причинно-следственных связей и изменений их во времени - различают детерминистические и стохастические, статические и динамические модели (рисунок 8.2).

Цель схемы, представленной на рисунке, - отобразить следующие особенности:

1) математические модели могут быть и детерминистическими, и стохастическими;

2) детерминистические и стохастические модели могут быть и статическими, и динамическими.

Математическая модель называется детерминистической (детерминированной) , если все ее параметры и переменные являются однозначно определяемыми величинами, а также выполняется условие полной определенности ин формации. В противном случае, в условиях неопределенности информации, когда параметры и переменные модели - случайные величины, модель называется стохастической (вероятностной) .

Рисунок 8.2 – Классы математических моделей

Модель называется динамической , если как минимум одна переменная изменяется по периодам времени, и статической , если принимается гипотеза, что переменные не изменяются по периодам времени.

В простейшем случае балансовые модели выступают в виде уравнения баланса, где в левой части располагается сумма каких-либо поступлений, а в правой - расходная часть также в виде суммы. Например, в таком виде представляется годовой бюджет организации.

На основе статистических данных могут строиться не только балансовые, но и корреляционно-регрессионные модели.

Если функция Y зависит не только от переменных х 1 , х 2 , … х n , но и от других факторов, связь между Y и х 1 , х 2 , … х n является неточной или корреляционной в отличие от точной или функциональной связи. Корреляционными, например, в большинстве случаев являются связи, наблюдающиеся между выходными параметрами ОПС и факторами ее внутренней и внешней среды (см. тему 5).

Корреляционно-регрессионные модели получают при исследовании влияния целого комплекса факторов на величину того или иного признака путем применения статистического аппарата. При этом ставится задача не только установить корреляционную связь, но и выразить эту связь аналитически, то есть подобрать уравнения, описывающие данную корреляционную зависимость (уравнение регрессии).

Для нахождения численного значения параметров уравнения регрессии пользуются методом наименьших квадратов. Суть этого метода состоит в том, чтобы выбрать такую линию, при которой сумма квадратов отклонений от нее ординат Y отдельных точек была бы наименьшей.

Корреляционно-регрессионные модели часто используются при исследовании явлений, когда возникает необходимость установить зависимость между соответствующими характеристиками в двух и более рядах. При этом преимущественно используется парная и множественная линейная регрессия вида

y = a 1 x 1 + a 2 x 2 + … + a n x n + b .

В результате применения метода наименьших квадратов устанавливаются значения параметров a или a 1 , a 2 , …, a n и b, а затем выполняются оценки точности аппроксимации и значимости полученного уравнения регрессии.

В особую группу выделяют графоаналитические модели . Они используют различные графические изображения и поэтому обладают хорошей наглядностью.

Теория графов - одна из теорий дискретной математики, изучает графы, под которыми понимается совокупность точек и линий их соединяющих. Граф - это самостоятельный математический объект (впервые ввел Кёниг Д.). На основе теории графов наиболее часто строят древовидные и сетевые модели.

Древовидная модель (дерево) - это неориентированный связный граф, не содержащий петель и циклов. Примером такой модели является дерево целей.

Сетевые модели нашли широкое применение в управлении производством работ. Сетевые модели (графики) отражают последовательность выполнения работ и продолжительность каждой работы (рисунок 8.3).

Рисунок 8.3 - Сетевая модель производства работ

Каждая линия сетевого графика - это некоторая работа. Цифра рядом с ней означает продолжительность ее выполнения.

Сетевые модели позволяют найти так называемый критический путь и оптимизировать график производства работ по времени при ограничениях на другие ресурсы.

Сетевые модели могут быть детерминированными и стохастическими. В последнем случае продолжительности выполнения работ задаются законами распределения случайных величин.

Оптимизационные модели служат для определения оптимальной траектории достижения системой поставленной цели при наложении некоторых ограничений на управление ее поведениям и движением. В этом случае оптимизационные модели описывают различного рода задачи нахождения экстремума некоторой целевой функции (критерия оптимизации).

Для выявления оптимального способа достижения цели управления в условиях ограниченных ресурсов – технических, материальных, трудовых и финансовых – применяют методы исследования операций. К ним относятся методы математического программирования (линейное и нелинейное, целочисленное, динамическое и стохастическое программирование), аналитические и вероятностно-статистические методы, сетевые методы, методы теории массового обслуживания, теории игр (теории конфликтных ситуаций) и др.

Оптимизационные модели применяются для объемного и календарного планирования, управления запасами, распределения ресурсов и работ, замены, параметризации и стандартизации оборудования, распределения потоков товарных поставок на транспортной сети и других задач управления.

Одним из основных достижений теории исследования операций считается типизация моделей управления и методов решения задач. Например, для решения транспортной задачи, в зависимости от ее размерности, разработаны типовые методы - метод Фогеля, метод потенциалов, симплекс-метод. Также при решении задачи управления запасами, в зависимости от ее постановки, могут использоваться аналитические и вероятностно-статистические методы, методы динамического и стохастического программирования.

В управлении особое значение придается сетевым методам планирования. Эти методы позволили найти новый и весьма удобный язык для описания, моделирования и анализа сложных многоэтапных работ и проектов. В исследовании операций значительное место отводится совершенствованию управления сложными системами с применением методов теории массового обслуживания (см. раздел8.3) и аппарата марковских процессов.

Модели марковских случайных процессов - система дифференциальных уравнений, описывающих функционирование системы или ее процессов в виде множества упорядоченных состояний на некоторой траектории поведения системы. Этот класс моделей широко используется при математическом моделировании функционирования сложных систем.

Модели теории игр служат для выбора оптимальной стратегии в условиях ограниченной случайной информации или полной неопределенности.

Игра - математическая модель реальной конфликтной ситуации, разрешение которой ведется по определенным правилам, алгоритмам, описывающим некоторую стратегию поведения лица, принимающего решение в условиях неопределенности.

Различают «игры с природой» и «игры с противником». Исходя из ситуации определяются методы и критерии оценки принятия решений. Так, при «играх с природой» применяют критерии: Лапласа, максиминный (критерий Вальда) и минимаксный, Гурвица и Сэвиджа и ряд других алгоритмических правил. При «играх с противником» для принятия решений используются платежные матрицы, максиминный и минимаксный критерии, а также специальные математические преобразования в связи с тем, что лицу, принимающему решение, противостоит недоброжелательный противник.

Рассмотренные типы математических моделей не охватывают всего их возможного многообразия, а лишь характеризуют отдельные виды в зависимости от принятого аспекта классификации. В.А.Кардашем была предпринята попытка создания системы классификации моделей по четырем аспектам детализации (рисунок 8.4).

А - модели без пространственной дифференциации параметров;

В - модели с пространственной дифференциацией параметров

Рисунок 8.4 - Классификация моделей по четырем аспектам детализации

С развитием вычислительных средств одним из распространенных методов принятия решений выступает деловая игра, представляющая собой численный эксперимент с активным участием человека. Существуют сотни деловых игр. Они применяются для изучения целого ряда проблем управления, экономики, теории организации, психологии, финансов и торговли.

Лекция 1.

МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ МОДЕЛИРОВАНИЯ

Современное состояние проблемы моделирования систем

Понятия модели и моделирования

Моделирование можно рассматривать как замещение исследуемогообъекта (оригинала) его условным образом, описанием или другим объектом,именуемым моделью и обеспечивающим близкое к оригиналу поведениев рамках некоторых допущений и приемлемых погрешностей. Моделированиеобычно выполняется с целью познания свойств оригинала путем исследованияего модели, а не самого объекта. Разумеется, моделирование оправдано в томслучае когда оно проще создания самого оригинала или когда последний покаким-то причинам лучше вообще не создавать.

Под моделью понимается физический или абстрактный объект, свойствакоторого в определенном смысле сходны со свойствами исследуемого объекта.При этом требования к модели определяются решаемой задачей и имеющимисясредствами. Существует ряд общих требований к моделям:

2) полнота – предоставление получателю всей необходимой информации

об объекте;

3) гибкость – возможность воспроизведения различных ситуаций во всем

диапазоне изменения условий и параметров;

4) трудоемкость разработки должна быть приемлемой для имеющегося

времени и программных средств.

Моделирование – это процесс построения модели объекта и исследованияего свойств путем исследования модели.

Таким образом, моделирование предполагает 2 основных этапа:

1) разработка модели;

2) исследование модели и получение выводов.

При этом на каждом из этапов решаются разные задачи и используются

отличающиеся по сути методы и средства.

На практике применяют различные методы моделирования. В зависимостиот способа реализации, все модели можно разделить на два больших класса:физические и математические.

Математическое моделирование принято рассматривать как средствоисследования процессов или явлений с помощью их математических моделей.

Под физическим моделированием понимается исследование объектов иявлений на физических моделях, когда изучаемый процесс воспроизводятс сохранением его физической природы или используют другое физическоеявление, аналогичное изучаемому. При этом физические модели предполагают, как правило, реальное воплощение тех физических свойстворигинала, которые являются существенными в конкретной ситуации.Например, при проектировании нового самолета создается его макет,обладающий теми же аэродинамическими свойствами; при планированиизастройки архитекторы изготавливают макет, отражающий пространственноерасположение ее элементов. В связи с этим физическое моделированиеназывают также макетированием .

Полунатурное моделирование представляет собой исследованиеуправляемых систем на моделирующих комплексах с включением в составмодели реальной аппаратуры. Наряду с реальной аппаратурой в замкнутуюмодель входят имитаторы воздействий и помех, математические моделивнешней среды и процессов, для которых неизвестно достаточно точноематематическое описание. Включение реальной аппаратуры или реальныхсистем в контур моделирования сложных процессов позволяет уменьшитьаприорную неопределенность и исследовать процессы, для которых нет точногоматематического описания. С помощью полунатурного моделированияисследования выполняются с учетом малых постоянных времени инелинейностей, присущих реальной аппаратуре. При исследовании моделей свключением реальной аппаратуры используется понятие динамическогомоделирования , при исследовании сложных систем и явлений -эволюционного , имитационного и кибернетического моделирования .

Очевидно, действительная польза от моделирования может быть полученатолько при соблюдении двух условий:

1) модель обеспечивает корректное (адекватное) отображение свойств

оригинала, существенных с точки зрения исследуемой операции;

2) модель позволяет устранить перечисленные выше проблемы, присущие

проведению исследований на реальных объектах.

2. Основные понятия математического моделирования

Решение практических задач математическими методами последовательноосуществляется путем формулировки задачи (разработки математическоймодели), выбора метода исследования полученной математической модели,анализа полученного математического результата. Математическаяформулировка задачи обычно представляется в виде геометрических образов,функций, систем уравнений и т.п. Описание объекта (явления) может бытьпредставлено с помощью непрерывной или дискретной, детерминированнойили стохастической и другими математическими формами.

Теория математического моделирования обеспечивает выявлениезакономерностей протекания различных явлений окружающего мира илиработы систем и устройств путем их математического описания имоделирования без проведения натурных испытаний. При этом используютсяположения и законы математики, описывающие моделируемые явления,системы или устройства на некотором уровне их идеализации.

Математическая модель (ММ) представляет собой формализованноеописание системы (или операции) на некотором абстрактном языке, например,в виде совокупности математических соотношений или схемы алгоритма,т. е. такое математическое описание, которое обеспечивает имитацию работысистем или устройств на уровне, достаточно близком к их реальномуповедению, получаемому при натурных испытаниях систем или устройств.

Любая ММ описывает реальный объект, явление или процесс с некоторойстепенью приближения к действительности. Вид ММ зависит как от природыреального объекта, так и от задач исследования.

Математическое моделирование общественных, экономических,биологических и физических явлений, объектов, систем и различных устройствявляется одним из важнейших средств познания природы и проектированиясамых разнообразных систем и устройств. Известны примеры эффективногоиспользования моделирования в создании ядерных технологий, авиационных иаэрокосмических систем, в прогнозе атмосферных и океанических явлений,погоды и т.д.

Однако для таких серьезных сфер моделирования нередко нужнысуперкомпьютеры и годы работы крупных коллективов ученых по подготовкеданных для моделирования и его отладки. Тем не менее, и в этом случаематематическое моделирование сложных систем и устройств не толькоэкономит средства на проведение исследований и испытаний, но и можетустранить экологические катастрофы – например, позволяет отказаться отиспытаний ядерного и термоядерного оружия в пользу его математическогомоделирования или испытаний аэрокосмических систем перед их реальнымиполетами.Между тем математическое моделирование на уровне решения болеепростых задач, например, из области механики, электротехники, электроники,радиотехники и многих других областей науки и техники в настоящее времястало доступным выполнять на современных ПК. А при использованииобобщенных моделей становится возможным моделирование и достаточносложных систем, например, телекоммуникационных систем и сетей,радиолокационных или радионавигационных комплексов.

Целью математического моделирования является анализ реальныхпроцессов (в природе или технике) математическими методами. В своюочередь, это требует формализации ММ процесса, подлежащего исследованию.Модель может представлять собой математическое выражение, содержащеепеременные, поведение которых аналогично поведению реальной системы.Модель может включать элементы случайности, учитывающие вероятностивозможных действий двух или большего числа «игроков», как, например, втеории игр; либо она может представлять реальные переменные параметрывзаимосвязанных частей действующей системы.

Математическое моделирование для исследования характеристик системможно разделить на аналитическое, имитационное и комбинированное. В своюочередь, ММ делятся на имитационные и аналитические.

Аналитическое моделирование

Для аналитического моделирования характерно, что процессыфункционирования системы записываются в виде некоторых функциональныхсоотношений (алгебраических, дифференциальных, интегральных уравнений). Аналитическая модель может быть исследована следующими методами:

1) аналитическим, когда стремятся получить в общем виде явныезависимости для характеристик систем;

2) численным, когда не удается найти решение уравнений в общем виде иих решают для конкретных начальных данных;

3) качественным, когда при отсутствии решения находят некоторые егосвойства.

Аналитические модели удается получить только для сравнительно простыхсистем. Для сложных систем часто возникают большие математическиепроблемы. Для применения аналитического метода идут на существенноеупрощение первоначальной модели. Однако исследование на упрощенноймодели помогает получить лишь ориентировочные результаты. Аналитическиемодели математически верно отражают связь между входными и выходнымипеременными и параметрами. Но их структура не отражает внутреннююструктуру объекта.

При аналитическом моделировании его результаты представляются в видеаналитических выражений. Например, подключив RC -цепь к источникупостоянного напряжения E (R , C и E - компоненты данной модели), мыможем составить аналитическое выражение для временной зависимостинапряжения u (t ) на конденсаторе C :

Это линейное дифференциальное уравнение (ДУ) и являетсяаналитической моделью данной простой линейной цепи. Его аналитическоерешение, при начальном условии u (0) = 0 , означающем разряженныйконденсатор C в момент начала моделирования, позволяет найти искомуюзависимость – в виде формулы:

u (t ) = E (1− eх p (- t / RC )). (2)

Однако даже в этом простейшем примере требуются определенные усилиядля решения ДУ (1) или для применения систем компьютерной математики (СКМ) с символьными вычислениями – систем компьютернойалгебры. Для данного вполне тривиального случая решение задачимоделирования линейной RC -цепи дает аналитическое выражение (2)достаточно общего вида – оно пригодно для описания работы цепи при любыхноминалах компонентов R , C и E , и описывает экспоненциальный зарядконденсатора C через резистор R от источника постоянного напряжения E .

Безусловно, нахождение аналитических решений при аналитическоммоделировании оказывается исключительно ценным для выявления общихтеоретических закономерностей простых линейных цепей, систем и устройств.Однако его сложность резко возрастает по мере усложнения воздействий намодель и увеличения порядка и числа уравнений состояния, описывающихмоделируемый объект. Можно получить более или менее обозримыерезультаты при моделировании объектов второго или третьего порядка, но ужепри большем порядке аналитические выражения становятся чрезмерногромоздкими, сложными и трудно осмысляемыми. Например, даже простойэлектронный усилитель зачастую содержит десятки компонентов. Тем неменее, многие современные СКМ, например, системы символьной математикиMaple, Mathematica или среда MATLAB , способны в значительноймере автоматизировать решение сложных задач аналитическогомоделирования.

Одной из разновидностей моделирования является численное моделирование, которое заключается в получении необходимыхколичественных данных о поведении систем или устройств каким-либоподходящим численным методом, таким как методы Эйлера илиРунге-Кутта. На практике моделирование нелинейных систем и устройствс использованием численных методов оказывается намного болееэффективным, чем аналитическое моделирование отдельных частных линейныхцепей, систем или устройств. Например, для решения ДУ (1) или систем ДУв более сложных случаях решение в аналитическом виде не получается, но поданным численного моделирования можно получить достаточно полныеданные о поведении моделируемых систем и устройств, а также построитьграфики описывающих это поведение зависимостей.

Имитационное моделирование

Приимитационном 10имоделировании реализующий модель алгоритмвоспроизводит процесс функционирования системы во времени. Имитируютсяэлементарные явления, составляющие процесс, с сохранением их логическойструктуры и последовательности протекания во времени.

Основным преимуществом имитационных моделей по сравнениюсаналитическими является возможность решения более сложных задач.

Имитационные модели позволяют легко учитывать наличие дискретных илинепрерывных элементов, нелинейные характеристики, случайные воздействияи др. Поэтому этот метод широко применяется на этапе проектированиясложных систем. Основным средством реализации имитационногомоделирования служит ЭВМ, позволяющая осуществлять цифровоемоделирование систем и сигналов.

В связи с этим определим словосочетание «компьютерноемоделирование », которое все чаще используется в литературе. Будем полагать,что компьютерное моделирование - это математическое моделированиес использованием средств вычислительной техники. Соответственно,технология компьютерного моделирования предполагает выполнениеследующих действий:

1) определение цели моделирования;

2) разработка концептуальной модели;

3) формализация модели;

4) программная реализация модели;

5) планирование модельных экспериментов;

6) реализация плана эксперимента;

7) анализ и интерпретация результатов моделирования.

При имитационном моделировании используемая ММ воспроизводиталгоритм («логику») функционирования исследуемой системы во времени приразличных сочетаниях значений параметров системы и внешней среды.

Примером простейшей аналитической модели может служить уравнениепрямолинейного равномерного движения. При исследовании такого процессас помощью имитационной модели должно быть реализовано наблюдениеза изменением пройденного пути с течением времени.Очевидно, в одних случаях более предпочтительным являетсяаналитическое моделирование, в других - имитационное (или сочетание того идругого). Чтобы выбор был удачным, необходимо ответить на два вопроса.

С какой целью проводится моделирование?

К какому классу может быть отнесено моделируемое явление?

Ответы на оба эти вопроса могут быть получены в ходе выполнения двухпервых этапов моделирования.

Имитационные модели не только по свойствам, но и по структуресоответствуют моделируемому объекту. При этом имеется однозначное и явноесоответствие между процессами, получаемыми на модели, и процессами,протекающими на объекте. Недостатком имитационного моделированияявляется большое время решения задачи для получения хорошей точности.

Результаты имитационного моделирования работы стохастическойсистемы являются реализациями случайных величин или процессов. Поэтомудля нахождения характеристик системы требуется многократное повторение ипоследующая обработка данных. Чаще всего в этом случае применяетсяразновидность имитационного моделирования - статистическое

моделирование (или метод Монте-Карло), т.е. воспроизведение в моделяхслучайных факторов, событий, величин, процессов, полей.

По результатам статистического моделирования определяют оценкивероятностных критериев качества, общих и частных, характеризующихфункционирование и эффективность управляемой системы. Статистическоемоделирование широко применяется для решения научных и прикладных задачв различных областях науки и техники. Методы статистическогомоделирования широко применяются при исследовании сложныхдинамических систем, оценке их функционирования и эффективности.

Заключительный этап статистического моделирования основан наматематической обработке полученных результатов. Здесь используют методыматематической статистики (параметрическое и непараметрическое оценивание,проверку гипотез). Примером параметрической оценки являетсявыборочное среднее показателя эффективности. Среди непараметрическихметодов большое распространение получил метод гистограмм .

Рассмотренная схема основана на многократных статистическихиспытаниях системы и методах статистики независимых случайных величин.Эта схема является далеко не всегда естественной на практике и оптимальнойпо затратам. Сокращение времени испытания систем может быть достигнуто засчет использования более точных методов оценивания. Как известно изматематической статистики, наибольшую точность при заданном объемевыборки имеют эффективные оценки. Оптимальная фильтрация и методмаксимального правдоподобия дают общий метод получения таких оценок.В задачах статистического моделирования обработка реализацийслучайных процессов необходима не только для анализа выходных процессов.

Весьма важен также и контроль характеристик входных случайныхвоздействий. Контроль заключается в проверке соответствия распределенийгенерируемых процессов заданным распределениям. Эта задача частоформулируется как задача проверки гипотез .

Общей тенденцией моделирования с использованием ЭВМ у сложныхуправляемых систем является стремление к уменьшению временимоделирования, а также проведение исследований в реальном масштабевремени. Вычислительные алгоритмы удобно представлять в рекуррентнойформе, допускающей их реализацию в темпе поступления текущей информации.

ПРИНЦИПЫ СИСТЕМНОГО ПОДХОДА В МОДЕЛИРОВАНИИ

Основные положения теории систем

Основные положения теории систем возникли в ходе исследованиядинамических систем и их функциональных элементов. Под системой понимают группу взаимосвязанных элементов, действующих совместнос целью выполнения заранее поставленной задачи. Анализ систем позволяетопределить наиболее реальные способы выполнения поставленной задачи,обеспечивающие максимальное удовлетворение поставленных требований.

Элементы, составляющие основу теории систем, не создаются с помощьюгипотез, а обнаруживаются экспериментальным путем. Для того чтобы начатьпостроение системы, необходимо иметь общие характеристикитехнологических процессов. Это же справедливо и в отношении принциповсоздания математически сформулированных критериев, которым долженудовлетворять процесс или его теоретическое описание. Моделированиеявляется одним из наиболее важных методов научного исследования иэкспериментирования.

При построении моделей объектов используется системный подход,представляющий собой методологию решения сложных задач, в основекоторой лежит рассмотрение объекта как системы, функционирующейв некоторой среде. Системный подход предполагает раскрытие целостностиобъекта, выявление и изучение его внутренней структуры, а также связейс внешней средой. При этом объект представляется как часть реального мира,которая выделяется и исследуется в связи с решаемой задачей построениямодели. Кроме этого, системный подход предполагает последовательныйпереход от общего к частному, когда в основе рассмотрения лежит цельпроектирования, а объект рассматривается во взаимосвязи с окружающейсредой.

Сложный объект может быть разделен на подсистемы, представляющие собой части объекта, удовлетворяющие следующим требованиям:

1) подсистема является функционально независимой частью объекта. Онасвязана с другими подсистемами, обменивается с ними информацией иэнергией;

2) для каждой подсистемы могут быть определены функции или свойства,не совпадающие со свойствами всей системы;

3) каждая из подсистем может быть подвергнута дальнейшему делению доуровня элементов.

В данном случае под элементом понимается подсистема нижнего уровня,дальнейшее деление которой нецелесообразно с позиций решаемой задачи.

Таким образом, систему можно определить как представление объектав виде набора подсистем, элементов и связей с целью его создания,исследования или усовершенствования. При этом укрупненное представлениесистемы, включающее в себя основные подсистемы и связи между ними,называется макроструктурой, а детальное раскрытие внутреннего строениясистемы до уровня элементов – микроструктурой.

Наряду с системой обычно существует надсистема – система болеевысокого уровня, в состав которой входит рассматриваемый объект, причёмфункция любой системы может быть определена только через надсистему.

Следует выделить понятие среды как совокупности объектов внешнего мира,существенно влияющих на эффективность функционирования системы, но невходящих в состав системы и ее надсистемы.

В связи с системным подходом к построению моделей используетсяпонятие инфраструктуры, описывающей взаимосвязи системы с ееокружением (средой).При этом выделение, описание и исследование свойств объекта,существенных в рамках конкретной задачи называется стратификациейобъекта, а всякая модель объекта является его стратифицированнымописанием.

Для системного подхода важным является определение структуры системы, т.е. совокупности связей между элементами системы, отражающих ихвзаимодействие. Для этого вначале рассмотрим структурный ифункциональный подходы к моделированию.

При структурном подходе выявляются состав выделенных элементов системы и связи между ними. Совокупность элементов и связей позволяет судить о структуре системы. Наиболее общим описанием структуры является топологическое описание. Оно позволяет определить составные части системыи их связи с помощью графов. Менее общим является функциональное описание, когда рассматриваютсяо тдельные функции, т. е. алгоритмы поведения системы. При этом реализуетсяфункциональный подход, определяющий функции, которые выполняетсистема.

На базе системного подхода может быть предложена последовательностьразработки моделей, когда выделяют две основные стадии проектирования:макропроектирование и микропроектирование.

На стадии макропроектирования строится модель внешней среды,выявляются ресурсы и ограничения, выбирается модель системы и критериидля оценки адекватности.

Стадия микропроектирования в значительной степени зависит отконкретного типа выбранной модели. В общем случае предполагает созданиеинформационного, математического, технического и программногообеспечения системы моделирования. На этой стадии устанавливаютсяосновные технические характеристики созданной модели, оцениваются времяработы с ней и затраты ресурсов для получения заданного качества модели.

Независимо от типа модели при ее построении необходиморуководствоваться рядом принципов системного подхода:

1) последовательное продвижение по этапам создания модели;

2) согласование информационных, ресурсных, надежностных и другиххарактеристик;

3) правильное соотношение различных уровней построения модели;

4) целостность отдельных стадий проектирования модели.

ЭВМ прочно вошла в нашу жизнь, и практически нет такой области человеческой деятельности, где не применялась бы ЭВМ. ЭВМ сейчас широко используется в процессе создания и исследования новых машин, новых технологических процессов и поиске их оптимальных вариантов; при решении экономических задач, при решении задач планирования и управления производством на различных уровнях. Создание же крупных объектов в ракетотехнике, авиастроении, судостроении, а также проектирование плотин, мостов, и др. вообще невозможно без применения ЭВМ.

Для использования ЭВМ при решении прикладных задач, прежде всего прикладная задача должна быть "переведена" на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена его математическая модель.

Слово "Модель" происходит от латинского modus (копия, образ, очертание). Моделирование - это замещение некоторого объекта А другим объектом Б. Замещаемый объект А называется оригиналом или объектом моделирования, а замещающий Б - моделью. Другими словами, модель - это объект-заменитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.

Целью моделирования являются получение, обработка, представление и использование информации об объектах, которые взаимодействуют между собой и внешней средой; а модель здесь выступает как средство познания свойств и закономерности поведения объекта.

Математическое моделирование - это средство изучения реального объекта, процесса или системы путем их замены математической моделью, более удобной для экспериментального исследования с помощью ЭВМ.

Математическое моделирование - процесс построения и изучения математических моделей реальных процессов и явлений. Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его моделью и затем изучают последнюю. Как и в случае любого моделирования, математическая модель не описывает полностью изучаемое явление, и вопросы о применимости полученных таким образом результатов являются весьма содержательными. Математическая модель - это упрощенное описание реальности с помощью математических понятий.

Математическая модель выражает существенные черты объекта или процесса языком уравнений и других математических средств. Собственно говоря, сама математика обязана своим существованием тому, что она пытается отразить, т.е. промоделировать, на своем специфическом языке закономерности окружающего мира.

При математическом моделировании исследование объекта осуществляется посредством модели, сформулированной на языке математики с использованием тех или иных математических методов.

Путь математического моделирования в наше время гораздо более всеобъемлющ, нежели моделирования натурного. Огромный толчок развитию математического моделирования дало появление ЭВМ, хотя сам метод зародился одновременно с математикой тысячи лет назад.

Математическое моделирование как таковое отнюдь не всегда требует компьютерной поддержки. Каждый специалист, профессионально занимающийся математическим моделированием, делает все возможное для аналитического исследования модели. Аналитические решения (т.е. представленные формулами, выражающими результаты исследования через исходные данные) обычно удобнее и информативнее численных. Возможности аналитических методов решения сложных математических задач, однако, очень ограниченны и, как правило, эти методы гораздо сложнее численных.

Математическая модель является приближенным представлением реальных объектов, процессов или систем, выраженным в математических терминах и сохраняющим существенные черты оригинала. Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи

Все модели можно разделить на два класса:

вещественные,
идеальные.

В свою очередь вещественные модели можно разделить на:

натурные,
физические,
математические.

Идеальные модели можно разделить на:

наглядные,
знаковые,
математические.

Вещественные натурные модели - это реальные объекты, процессы и системы, над которыми выполняются эксперименты научные, технические и производственные.

Вещественные физические модели - это макеты, муляжи, воспроизводящие физические свойства оригиналов (кинематические, динамические, гидравлические, тепловые, электрические, световые модели).

Вещественные математические - это аналоговые, структурные, геометрические, графические, цифровые и кибернетические модели.

Идеальные наглядные модели - это схемы, карты, чертежи, графики, графы, аналоги, структурные и геометрические модели.

Идеальные знаковые модели - это символы, алфавит, языки программирования, упорядоченная запись, топологическая запись, сетевое представление.

Идеальные математические модели - это аналитические, функциональные, имитационные, комбинированные модели.

В приведенной классификации некоторые модели имеют двойное толкование (например - аналоговые). Все модели, кроме натурных, можно объединить в один класс мысленных моделей, т.к. они являются продуктом абстрактного мышления человека.

Элементы теории игры

В общем случае решение игры представляет довольно трудную задачу, причем сложность задачи и объем необходимых для решения вычислений резко возрастает с увеличением . Однако это трудности не носят принципиального характера и связаны только сочень большим объемом расчетов, который в ряде случаев может оказаться практически невыполнимым. Принципиальная сторона метода отыскания решения остается при любом одной и той же.

Проиллюстрируем это на примере игры . Дадим ей геометрическую интерпретацию - уже пространственную. Три наши стратегии , изобразим тремя точками на плоскости ; первая лежит в начале координат (рис.1). вторая и третья - на осях Ох и Оу на расстояниях 1 от начала.

Через точки проводятся оси I-I, II-II и III-III, перпендикулярные к плоскости . На оси I-I откладываются выигрыши при стратегии на осях II-II и III-III - выигрыши при стратегиях . Каждая стратегия противника изобразится плоскостью, отсекающей на осях I-I, II-II и III-III, отрезки, равные выигрышам

при соответствующих стратегия и стратегия . Построив, таким образом, все стратегии противника, мы получим семейство плоскостей над треугольником (рис2) .

Для этого семейства также можно построить нижнюю границу выигрыша, как мы это делали в случае, и найти на этой границе точку N с максимальной высотой нал плоскостью . Эта высота и будет ценой игры .

Частоты стратегий в оптимальной стратегии будут определяться координатами (x, у) точки N, а именно:

Однако такое геометрическое построение даже для случая нелегко осуществимо и требует большой затраты времени и усилий воображения. В общем же случае игры оно переносится в - мерное пространство и теряет всякую наглядность, хотя употребление геометрической терминологии в ряде случаев может оказаться полезным. При решении игр на практике удобнее пользоваться не геометрическими аналогиями, а расчетными аналитическими методами, тем более, что для решения задачи на вычислительных машинах эти методы единственно пригодны.

Все эти методы по существу сводятся к решению задачи путем последовательных проб, но упорядочение последовательности проб позволяет построить алгоритм, приводящий к решению наиболее экономичным способом.

Здесь мы вкратце остановимся на одном расчетном методе решения игр - на так называемом методе «линейного программирования».

Для этого дадим сначала общую постановку задачи о нахождении решения игры . Пусть дана игра с т стратегиями игрока А и n стратегиями игрока В и задана платежная матрица

Требуется найти решение игры, т. е. две оптимальные смешанные стратегии игроков А и В

где (некоторые из чисел и могут быть равными нулю).

Наша оптимальная стратегия S* A должна обеспечивать нам выигрыш, не меньший , при любом поведении противника, и выигрыш, равный , при его оптимальном поведении (стратегия S* B ).Аналогично стратегия S* B должна обеспечивать противнику проигрыш, не больший , при любом нашем поведении и равный при нашем оптимальном поведении (стратегия S* A ).

Величина цены игры в данном случае нам неизвестна; будем считать, что она равна некоторому положительному числу. Полагая так, мы не нарушаем общности рассуждений; для того чтобы было > 0, очевидно, достаточно, чтобы все элементы матрицы были неотрицательными. Этого всегда можно добиться, прибавляя к элементам достаточно большую положительную величину L;при этом цена игры увеличится на L, а решение не изменится.

Пусть мы выбрали свою оптимальную стратегию S* A . Тогда наш средний выигрыш при стратегии противника будет равен:

Наша оптимальная стратегия S* A обладает тем свойством, что при любом поведении противника обеспечивает выигрыш не меньший, чем ; следовательно, любое из чисел не может быть меньше . Получаем ряд условий:

(1)

Разделим неравенства (1) на положительную величину и обозначим:

Тогда условие (1) запишется виде

(2)

где - неотрицательные числа. Так как величины удовлетворяют условию

Мы хотим сделать свой гарантированный выигрыш максимально возможным; очевидно, при этом правая часть равенства (3) принимает минимальное значение.

Таким образом, задача нахождения решения игры сводится к следующей математической задаче: определить неотрицательные величины , удовлетворяющие условиям (2), так, чтобы их сумма

была минимальной.

Обычно при решении задач, связанных с нахождением экстремальных значений (максимумов и минимумов), функцию дифференцируют и приравнивают производные нулю. Но такой прием в данном случае бесполезен, так как функция Ф, которую нужно обратить в минимум, линейна, и ее производные по всем аргументам равны единице, т. е. нигде не обращаются в нуль. Следовательно, максимум функции достигается где-то на границе области изменения аргументов, которая определяется требованием неотрицательности аргументов и условиями (2). Прием нахождения экстремальных значений при помощи дифференцирования непригоден и в тех случаях, когда для решения игры определяется максимум нижней (или минимум верхней) границы выигрыша, как мы. например, делали при решении игр .Действительно, нижняя граница составлена из участков прямых линий, и максимум достигается не в точке, где производная равна нулю (такой точки вообще нет), а на границе интервала или в точке пересечения прямолинейных участков.

Для решения подобных задач, довольно часто встречающихся на практике, в математике разработан специальный аппарат линейного программирования.

Задача линейного программирования ставится следующим образом.

Дана система линейных уравнений:

(4)

Требуется найти неотрицательные значения величин удовлетворяющие условиям (4) и вместе с тем обращающие в минимум заданную однородную линейную функцию величин (линейную форму):

Легко убедиться, что поставленная выше задача теории игр является частным случаем задачи линейного программирование при

С первого взгляда может показаться, что условия (2) не эквивалентны условиям (4), так как вместо знаков равенства они содержат знаки неравенства. Однако от знаков неравенства легко избавиться, вводя новые фиктивные неотрицательные переменные и записывая условия (2) в виде:

(5)

Форма Ф, которую нужно обратить в минимум, равна

Аппарат линейного программирования позволяет путем сравнительно небольшого числа последовательных проб подобрать величины , удовлетворяющие поставленным требованиям. Для большей ясности мы здесь продемонстрируем применение этого аппарата прямо на материале решения конкретных игр.