Лекция № 1

Введение. Понятие математических моделей и методов

Раздел 1. Введение

2. Методы построения математических моделей. Понятие о системном подходе. 1

3. Основные понятия математического моделирования экономических систем.. 4

4. Методы аналитического, имитационного и натурного моделирования. 5

Контрольные вопросы.. 6

1. Содержание, цели и задачи дисциплины «Методы моделирования»

Настоящая дисциплина посвящена изучению методов моделирования и практическому применению полученных знаний. Целью дисциплины является обучение студентов общим вопросам теории моделирования, методам построения математических моделей и формального описания процессов и объектов, применению математических моделей для проведения вычислительных экспериментов и решения оптимизационных задач, с использованием современных вычислительных средств.

В задачи дисциплины входит:

Ознакомить студентов с основными понятиями теории математического моделирования, теории систем, теории подобия, теории планирования эксперимента и обработки экспериментальных данных, используемых для построения математических моделей,

Дать студентам навыки в области постановки задачи моделирования, математического описания объектов /процессов/, численных методов реализации математических моделей на ЭВМ и решения оптимизационных задач.

В результате изучения дисциплины студент должен освоить методы математического моделирования процессов и объектов от постановки задачи до реализации математических моделей на ЭВМ и оформления результатов исследования моделей.

Курс дисциплины рассчитан на 12 лекций и 12 практических работ. В результате изучения дисциплины студент должен освоить методы математического моделирования от постановки задачи до реализации математических моделей на ЭВМ

2. Методы построения математических моделей. Понятие о системном подходе

5. Решение задачи.

Последовательное использование методов исследования операций и их реализация на современной информационно-вычислительной технике позволяет преодолеть субъективизм, исключить так называемые волевые решения, основанные не на строгом и точном учете объективных обстоятельств, а на случайных эмоциях и личной заинтересованности руководителей различных уровней, которые к тому же не могут согласовать эти свои волевые решения.

Системный анализ позволяет учесть и использовать в управлении всю имеющуюся информацию об управляемом объекте, согласовать принимаемые решения с точки зрения объективного, а не субъективного, критерия эффективности. Экономить на вычислениях при управлении то же самое, что экономить на прицеливании при выстрелах. Однако ЭВМ не только позволяет учесть всю информацию, но и избавляет управленца от ненужной ему информации, а всю нужную пускает в обход человека, представляя ему только самую обобщенную информацию, квинтэссенцию. Системный подход в экономике эффективен и сам по себе, без использования ЭВМ, как метод исследования, при этом он не изменяет ранее открытых экономических законов, а только учит, как их лучше использовать.

4. Методы аналитического, имитационного и натурного моделирования

Моделирование представляет собой мощный метод научного познания, при использовании которого исследуемый объект заменяется более простым объектом, называемым моделью. Основными разновидностями процесса моделирования можно считать два его вида - математическое и физическое моделирование. При физическом (натурном) моделировании исследуемая система заменяется соответствующей ей другой материальной системой, которая воспроизводит свойства изучаемой системы с сохранением их физической природы. Примером этого вида моделирования может служить пилотная сеть, с помощью которой изучается принципиальная возможность построения сети на основе тех или иных компьютеров, коммуникационных устройств, операционных систем и приложений.

Возможности физического моделирования довольно ограничены. Оно позволяет решать отдельные задачи при задании небольшого количества сочетаний исследуемых параметров системы. Действительно, при натурном моделировании вычислительной сети практически невозможно проверить ее работу для вариантов с использованием различных типов коммуникационных устройств - маршрутизаторов, коммутаторов и т. п. Проверка на практике около десятка разных типов маршрутизатров связана не только с большими усилиями и временными затратами, но и с немалыми материальными затратами.

Но даже и в тех случаях, когда при оптимизации сети изменяются не типы устройств и операционных систем, а только их параметры, проведение экспериментов в реальном масштабе времени для огромного количества всевозможных сочетаний этих параметров практичеки невозможно за обозримое время. Даже простое изменение максимального размера пакета в каком-либо протоколе требует переконфигурирования операционной системы в сотнях компьютеров сети, что требует от администратора сети проведения очень большой работы.

Поэтому, при оптимизации сетей во многих случаях предпочтительным оказывается использование математического моделирования. Математическая модель представляет собой совокупность соотношений (формул, уравнений, неравенств, логических условий), определяющих процесс изменения состояния системы в зависимости от ее параметров, входных сигналов, начальных условий и времени.

Особым классом математических моделей являются имитационные модели. Такие модели представляют собой компьютерную программу, которая шаг за шагом воспроизводит события, происходящие в реальной системе. Применительно к вычислительным сетям их имитационные модели воспроизводят процессы генерации сообщений приложениями, разбиение сообщений на пакеты и кадры определенных протоколов, задержки, связанные с обработкой сообщений, пакетов и кадров внутри операционной системы, процесс получения доступа компьютером к разделяемой сетевой среде, процесс обработки поступающих пакетов маршрутизатором и т. д. При имитационном моделировании сети не требуется приобретать дорогостоящее оборудование - его работы имитируется программами, достаточно точно воспроизводящими все основные особенности и параметры такого оборудования.

Преимуществом имитационных моделей является возможность подмены процесса смены событий в исследуемой системе в реальном масштабе времени на ускоренный процесс смены событий в темпе работы программы. В результате за несколько минут можно воспроизвести работу сети в течение нескольких дней, что дает возможность оценить работу сети в широком диапазоне варьируемых параметров.

Результатом работы имитационной модели являются собранные в ходе наблюдения за протекающими событиями статистические данные о наиболее важных характеристиках сети: временах реакции, коэффициентах использования каналов и узлов, вероятности потерь пакетов и т. п.

Существуют специальные языки имитационного моделирования, которые облегчают процесс создания программной модели по сравнению с использованием универсальных языков программирования. Примерами языков имитационного моделирования могут служить такие языки, как SIMULA, GPSS, SIMDIS.

Существуют также системы имитационного моделирования, которые ориентируются на узкий класс изучаемых систем и позволяют строить модели без программирования.

Контрольные вопросы

Сформулируйте определение процесса моделирования. Что такое модель? Свойства моделирования. Сформулируйте основные этапы построения модели классическим методом. Сформулируйте основные этапы построения модели при системном подходе. Назовите функции моделей. Каковы этапы процесса решения экономических задач? Основные разновидности процесса моделирования.

Математическое моделирование

1. Что такое математическое моделирование?

С середины XX в. в самых различных областях человеческой деятельности стали широко применять математические методы и ЭВМ. Возникли такие новые дисциплины, как «математическая экономика», «математическая химия», «математическая лингвистика» и т. д., изучающие математические модели соответствующих объектов и явлений, а также методы исследования этих моделей.

Математическая модель - это приближенное описание какого-либо класса явлений или объектов реального мира на языке математики. Основная цель моделирования - исследовать эти объекты и предсказать результаты будущих наблюдений. Однако моделирование - это еще и метод познания окружающего мира, дающий возможность управлять им.

Математическое моделирование и связанный с ним компьютерный эксперимент незаменимы в тех случаях, когда натурный эксперимент невозможен или затруднен по тем или иным причинам. Например, нельзя поставить натурный эксперимент в истории, чтобы проверить, «что было бы, если бы...» Невозможно проверить правильность той или иной космологической теории. В принципе возможно, но вряд ли разумно, поставить эксперимент по распространению какой-либо болезни, например чумы, или осуществить ядерный взрыв, чтобы изучить его последствия. Однако все это вполне можно сделать на компьютере, построив предварительно математические модели изучаемых явлений.

2. Основные этапы математического моделирования

1) Построение модели . На этом этапе задается некоторый «нематематический» объект - явление природы, конструкция, экономический план, производственный процесс и т. д. При этом, как правило, четкое описание ситуации затруднено. Сначала выявляются основные особенности явления и связи между ними на качественном уровне. Затем найденные качественные зависимости формулируются на языке математики, то есть строится математическая модель. Это самая трудная стадия моделирования.

2) Решение математической задачи, к которой приводит модель . На этом этапе большое внимание уделяется разработке алгоритмов и численных методов решения задачи на ЭВМ, при помощи которых результат может быть найден с необходимой точностью и за допустимое время.

3) Интерпретация полученных следствий из математической модели. Следствия, выведенные из модели на языке математики, интерпретируются на языке, принятом в данной области.

4) Проверка адекватности модели. На этом этапе выясняется, согласуются ли результаты эксперимента с теоретическими следствиями из модели в пределах определенной точности.

5) Модификация модели. На этом этапе происходит либо усложнение модели, чтобы она была более адекватной действительности, либо ее упрощение ради достижения практически приемлемого решения.

3. Классификация моделей

Классифицировать модели можно по разным критериям. Например, по характеру решаемых проблем модели могут быть разделены на функциональные и структурные. В первом случае все величины, характеризующие явление или объект, выражаются количественно. При этом одни из них рассматриваются как независимые переменные, а другие - как функции от этих величин. Математическая модель обычно представляет собой систему уравнений разного типа (дифференциальных, алгебраических и т. д.), устанавливающих количественные зависимости между рассматриваемыми величинами. Во втором случае модель характеризует структуру сложного объекта, состоящего из отдельных частей, между которыми существуют определенные связи. Как правило, эти связи не поддаются количественному измерению. Для построения таких моделей удобно использовать теорию графов. Граф - это математический объект, представляющий собой некоторое множество точек (вершин) на плоскости или в пространстве, некоторые из которых соединены линиями (ребрами).

По характеру исходных данных и результатов предсказания модели могут быть разделены на детерминистические и вероятностно-статистические. Модели первого типа дают определенные, однозначные предсказания. Модели второго типа основаны на статистической информации, а предсказания, полученные с их помощью, имеют вероятностный характер.

4. Примеры математических моделей

1) Задачи о движении снаряда.

Рассмотрим следующую задачу механики.

Снаряд пущен с Земли с начальной скоростью v 0 = 30 м/с под углом a = 45° к ее поверхности; требуется найти траекторию его движения и расстояние S между начальной и конечной точкой этой траектории.

Тогда, как это известно из школьного курса физики, движение снаряда описывается формулами:

где t - время, g = 10 м/с 2 - ускорение свободного падения. Эти формулы и дают математическую модель поставленной задачи. Выражая t через x из первого уравнения и подставляя во второе, получим уравнение траектории движения снаряда:

Эта кривая (парабола) пересекает ось x в двух точках: x 1 = 0 (начало траектории) и (место падения снаряда). Подставляя в полученные формулы заданные значения v0 и a, получим

ответ: y = x – 90x 2 , S = 90 м.

Отметим, что при построении этой модели использован ряд предположений: например, считается, что Земля плоская, а воздух и вращение Земли не влияют на движение снаряда.

2) Задача о баке с наименьшей площадью поверхности.

Требуется найти высоту h 0 и радиус r 0 жестяного бака объема V = 30 м 3 , имеющего форму закрытого кругового цилиндра, при которых площадь его поверхности S минимальна (в этом случае на его изготовление пойдет наименьшее количество жести).

Запишем следующие формулы для объема и площади поверхности цилиндра высоты h и радиуса r:

V = p r 2 h, S = 2p r(r + h).

Выражая h через r и V из первой формулы и подставляя полученное выражение во вторую, получим:

Таким образом, с математической точки зрения, задача сводится к определению такого значения r, при котором достигает своего минимума функция S(r). Найдем те значения r 0 , при которых производная

обращается в ноль:Можно проверить, что вторая производная функции S(r) меняет знак с минуса на плюс при переходе аргумента r через точку r 0 . Следовательно, в точке r0 функция S(r) имеет минимум. Соответствующее значение h 0 = 2r 0 . Подставляя в выражение для r 0 и h 0 заданное значение V, получим искомый радиус и высоту

3) Транспортная задача.

В городе имеются два склада муки и два хлебозавода. Ежедневно с первого склада вывозят 50 т муки, а со второго - 70 т на заводы, причем на первый - 40 т, а на второй - 80 т.

Обозначим через a ij стоимость перевозки 1 т муки с i-го склада на j-й завод (i, j = 1,2). Пусть

a 11 = 1,2 р., a 12 = 1,6 р., a 21 = 0,8 р., a 22 = 1 р.

Как нужно спланировать перевозки, чтобы их стоимость была минимальной?

Придадим задаче математическую формулировку. Обозначим через x 1 и x 2 количество муки, которое надо перевезти с первого склада на первый и второй заводы, а через x 3 и x 4 - со второго склада на первый и второй заводы соответственно. Тогда:

x 1 + x 2 = 50, x 3 + x 4 = 70, x 1 + x 3 = 40, x 2 + x 4 = 80. (1)

Общая стоимость всех перевозок определяется формулой

f = 1,2x 1 + 1,6x 2 + 0,8x 3 + x 4 .

С математической точки зрения, задача заключается в том, чтобы найти четыре числа x 1 , x 2 , x 3 и x 4 , удовлетворяющие всем заданным условиям и дающим минимум функции f. Решим систему уравнений (1) относительно xi (i = 1, 2, 3, 4) методом исключения неизвестных. Получим, что

x 1 = x 4 – 30, x 2 = 80 – x 4 , x 3 = 70 – x 4 , (2)

а x 4 не может быть определено однозначно. Так как x i і 0 (i = 1, 2, 3, 4), то из уравнений (2) следует, что 30Ј x 4 Ј 70. Подставляя выражение для x 1 , x 2 , x 3 в формулу для f, получим

f = 148 – 0,2x 4 .

Легко видеть, что минимум этой функции достигается при максимально возможном значении x 4 , то есть при x 4 = 70. Соответствующие значения других неизвестных определяются по формулам (2): x 1 = 40, x 2 = 10, x 3 = 0.

4) Задача о радиоактивном распаде.

Пусть N(0) - исходное количество атомов радиоактивного вещества, а N(t) - количество нераспавшихся атомов в момент времени t. Экспериментально установлено, что скорость изменения количества этих атомов N"(t) пропорциональна N(t), то есть N"(t)=–l N(t), l >0 - константа радиоактивности данного вещества. В школьном курсе математического анализа показано, что решение этого дифференциального уравнения имеет вид N(t) = N(0)e –l t . Время T, за которое число исходных атомов уменьшилось вдвое, называется периодом полураспада, и является важной характеристикой радиоактивности вещества. Для определения T надо положить в формуле Тогда Например, для радона l = 2,084 · 10 –6 , и следовательно, T = 3,15 сут.

5) Задача о коммивояжере.

Коммивояжеру, живущему в городе A 1 , надо посетить города A 2 , A 3 и A 4 , причем каждый город точно один раз, и затем вернуться обратно в A 1 . Известно, что все города попарно соединены между собой дорогами, причем длины дорог b ij между городами A i и A j (i, j = 1, 2, 3, 4) таковы:

b 12 = 30, b 14 = 20, b 23 = 50, b 24 = 40, b 13 = 70, b 34 = 60.

Надо определить порядок посещения городов, при котором длина соответствующего пути минимальна.

Изобразим каждый город точкой на плоскости и пометим ее соответствующей меткой Ai (i = 1, 2, 3, 4). Соединим эти точки отрезками прямых: они будут изображать дороги между городами. Для каждой «дороги» укажем ее протяженность в километрах (рис. 2). Получился граф - математический объект, состоящий из некоторого множества точек на плоскости (называемых вершинами) и некоторого множества линий, соединяющих эти точки (называемых ребрами). Более того, этот граф меченый, так как его вершинам и ребрам приписаны некоторые метки - числа (ребрам) или символы (вершинам). Циклом на графе называется последовательность вершин V 1 , V 2 , ..., V k , V 1 такая, что вершины V 1 , ..., V k - различны, а любая пара вершин V i , V i+1 (i = 1, ..., k – 1) и пара V 1 , V k соединены ребром. Таким образом, рассматриваемая задача заключается в отыскании такого цикла на графе, проходящего через все четыре вершины, для которого сумма всех весов ребер минимальна. Найдем перебором все различные циклы, проходящие через четыре вершины и начинающиеся в A 1:

1) A 1 , A 4 , A 3 , A 2 , A 1 ;
2) A 1 , A 3 , A 2 , A 4 , A 1 ;
3) A 1 , A 3 , A 4 , A 2 , A 1 .

Найдем теперь длины этих циклов (в км): L 1 = 160, L 2 = 180, L 3 = 200. Итак, маршрут наименьшей длины - это первый.

Заметим, что если в графе n вершин и все вершины попарно соединены между собой ребрами (такой граф называется полным), то число циклов, проходящих через все вершины, равно Следовательно, в нашем случае имеется ровно три цикла.

6) Задача о нахождении связи между структурой и свойствами веществ.

Рассмотрим несколько химических соединений, называемых нормальными алканами. Они состоят из n атомов углерода и n + 2 атомов водорода (n = 1, 2 ...), связанных между собой так, как показано на рисунке 3 для n = 3. Пусть известны экспериментальные значения температур кипения этих соединений:

y э (3) = – 42°, y э (4) = 0°, y э (5) = 28°, y э (6) = 69°.

Требуется найти приближенную зависимость между температурой кипения и числом n для этих соединений. Предположим, что эта зависимость имеет вид

y » a n + b,

где a , b - константы, подлежащие определению. Для нахождения a и b подставим в эту формулу последовательно n = 3, 4, 5, 6 и соответствующие значения температур кипения. Имеем:

– 42 » 3a + b, 0 » 4a + b, 28 » 5a + b, 69 » 6a + b.

Для определения наилучших a и b существует много разных методов. Воспользуемся наиболее простым из них. Выразим b через a из этих уравнений:

b » – 42 – 3a , b » – 4a , b » 28 – 5a , b » 69 – 6a .

Возьмем в качестве искомого b среднее арифметическое этих значений, то есть положим b » 16 – 4,5a . Подставим в исходную систему уравнений это значение b и, вычисляя a , получим для a следующие значения: a » 37, a » 28, a » 28, a » 36. Возьмем в качестве искомого a среднее значение этих чисел, то есть положим a » 34. Итак, искомое уравнение имеет вид

y » 34n – 139.

Проверим точность модели на исходных четырех соединениях, для чего вычислим температуры кипения по полученной формуле:

y р (3) = – 37°, y р (4) = – 3°, y р (5) = 31°, y р (6) = 65°.

Таким образом, ошибка расчетов данного свойства для этих соединений не превышает 5°. Используем полученное уравнение для расчета температуры кипения соединения с n = 7, не входящего в исходное множество, для чего подставим в это уравнение n = 7: y р (7) = 99°. Результат получился довольно точный: известно, что экспериментальное значение температуры кипения y э (7) = 98°.

7) Задача об определении надежности электрической цепи.

Здесь мы рассмотрим пример вероятностной модели. Сначала приведем некоторые сведения из теории вероятностей - математической дисциплины, изучающей закономерности случайных явлений, наблюдаемых при многократном повторении опыта. Назовем случайным событием A возможный исход некоторого опыта. События A 1 , ..., A k образуют полную группу, если в результате опыта обязательно происходит одно из них. События называются несовместными, если они не могут произойти одновременно в одном опыте. Пусть при n-кратном повторении опыта событие A произошло m раз. Частотой события A называется число W = . Очевидно, что значение W нельзя предсказать точно до проведения серии из n опытов. Однако природа случайных событий такова, что на практике иногда наблюдается следующий эффект: при увеличении числа опытов значение практически перестает быть случайным и стабилизируется около некоторого неслучайного числа P(A), называемого вероятностью события A. Для невозможного события (которое никогда не происходит в опыте) P(A)=0, а для достоверного события (которое всегда происходит в опыте) P(A)=1. Если события A 1 , ..., A k образуют полную группу несовместимых событий, то P(A 1)+...+P(A k)=1.

Пусть, например, опыт состоит в подбрасывании игральной кости и наблюдении числа выпавших очков X. Тогда можно ввести следующие случайные события A i ={X = i}, i = 1, ..., 6. Они образуют полную группу несовместных равновероятных событий, поэтому P(A i) = (i = 1, ..., 6).

Суммой событий A и B называется событие A + B, состоящее в том, что в опыте происходит хотя бы одно из них. Произведением событий A и B называется событие AB, состоящее в одновременном появлении этих событий. Для независимых событий A и B верны формулы

P(AB) = P(A) P(B), P(A + B) = P(A) + P(B).

8) Рассмотрим теперь следующую задачу . Предположим, что в электрическую цепь последовательно включены три элемента, работающие независимо друг от друга. Вероятности отказов 1-го, 2-го и 3-го элементов соответственно равны P 1 = 0,1, P 2 = 0,15, P 3 = 0,2. Будем считать цепь надежной, если вероятность того, что в цепи не будет тока, не более 0,4. Требуется определить, является ли данная цепь надежной.

Так как элементы включены последовательно, то тока в цепи не будет (событие A), если откажет хотя бы один из элементов. Пусть A i - событие, заключающееся в том, что i-й элемент работает (i = 1, 2, 3). Тогда P(A1) = 0,9, P(A2) = 0,85, P(A3) = 0,8. Очевидно, что A 1 A 2 A 3 - событие, заключающееся в том, что одновременно работают все три элемента, и

P(A 1 A 2 A 3) = P(A 1) P(A 2) P(A 3) = 0,612.

Тогда P(A) + P(A 1 A 2 A 3) = 1, поэтому P(A) = 0,388 < 0,4. Следовательно, цепь является надежной.

В заключение отметим, что приведенные примеры математических моделей (среди которых есть функциональные и структурные, детерминистические и вероятностные) носят иллюстративный характер и, очевидно, не исчерпывают всего разнообразия математических моделей, возникающих в естественных и гуманитарных науках.

В предложенной вашему вниманию статье мы предлагаем примеры математических моделей. Кроме этого, мы обратим внимание на этапы создания моделей и разберем некоторые задачи, связанные с математическим моделированием.

Еще один наш вопрос - это математические модели в экономике, примеры, определение которых мы рассмотрим немного позже. Начать наш разговор мы предлагаем с самого понятия «модель», кратко рассмотрим их классификацию и перейдем к основным нашим вопросам.

Понятие «модель»

Мы часто слышим слово «модель». Что же это такое? Данный термин имеет множество определений, вот только три из них:

• специфический объект, который создается для получения и хранения информации, отражающий некоторые свойства или характеристики и так далее оригинала данного объекта (этот специфический объект может выражаться в разной форме: мысленный, описание при помощи знаков и так далее);
• еще под моделью подразумевается отображение какой-либо конкретной ситуации, жизненной или управленческой;
• моделью может служить уменьшенная копия какого-либо объекта (они создаются для более подробного изучения и анализа, так как модель отражает структуру и взаимосвязи).

Исходя из всего, что было сказано ранее, можно сделать небольшой вывод: модель позволяет подробно изучить сложную систему или объект.

Все модели можно классифицировать по ряду признаков:

• по области использования (учебные, опытные, научно-технические, игровые, имитационные);
• по динамике (статические и динамические);
• по отрасли знаний (физические, химические, географические, исторические, социологические, экономические, математические);
• по способу представления (материальные и информационные).

Информационные модели, в свою очередь, делятся на знаковые и вербальные. А знаковые - на компьютерные и некомпьютерные. Теперь перейдем к подробному рассмотрению примеров математической модели.

Математическая модель

Как не трудно догадаться, математическая модель отражает какие-либо черты объекта или явления при помощи специальных математических символов. Математика и нужна для того, чтобы моделировать закономерности окружающего мира на своем специфическом языке.

Метод математического моделирования зародился достаточно давно, тысячи лет назад, вместе с появлением данной науки. Однако толчок для развития данного способа моделирования дало появление ЭВМ (электронно-вычислительных машин).

Теперь перейдем к классификации. Ее так же можно провести по некоторым признакам. Они представлены в таблице ниже.

Мы предлагаем остановиться и подробнее рассмотреть последнюю классификацию, так как она отражает общие закономерности моделирования и цели создаваемых моделей.

Дескриптивные модели

В данной главе мы предлагаем остановиться подробнее на дескриптивных математических моделях. Для того чтобы было все предельно понятно, будет приведен пример.

Начнем с того, что этот вид можно назвать описательным. Это связано с тем, что мы просто делаем расчеты и прогнозы, но никак не можем повлиять на исход события.

Ярким примером описательной математической модели является вычисление траектории полета, скорости, расстояния от Земли кометы, которая вторглась в просторы нашей Солнечной системы. Эта модель является описательной, так как все полученные результаты могут только предупредить нас о какой-либо опасности. Повлиять на исход события, увы, мы не можем. Однако, основываясь на полученных расчетах, можно предпринять какие-либо меры для сохранения жизни на Земле.

Оптимизационные модели

Сейчас мы немного поговорим об экономико-математических моделях, примерами которых могут служить разные сложившиеся ситуации. В данном случае речь идет о моделях, которые помогают найти верный ответ в определенных условиях. Они обязательно имеют некие параметры. Чтобы стало предельно понятно, рассмотрим пример из аграрной части.

У нас есть зернохранилище, но зерно очень быстро портится. В этом случае нам необходимо правильно подобрать температурный режим и оптимизировать процесс хранения.

Таким образом, мы можем дать определение понятию «оптимизационная модель». В математическом смысле это система уравнений (как линейных, так и нет), решение которой помогает найти оптимальное решение в конкретной экономической ситуации. Пример математической модели (оптимизационной) мы рассмотрели, но хочется еще добавить: данный вид относится к классу экстремальных задач, они помогают описать функционирование экономической системы.

Отметим еще один нюанс: модели могут носить разный характер (см. таблицу ниже).

Многокритериальные модели

Сейчас предлагаем вам поговорить немного о математической модели многокритериальной оптимизации. До этого мы привели пример математической модели оптимизации процесса по какому-либо одному критерию, но что делать, если их много?

Ярким примером многокритериальной задачи служит организация правильного, полезного и одновременно экономного питания больших групп людей. С такими задачами часто встречаются в армии, школьных столовых, летних лагерях, больницах и так далее.

Какие критерии нам даны в данной задаче?

1. Питание должно быть полезным.
2. Расходы на пищу должны быть минимальными.

Как видите, эти цели совсем не совпадают. Значит, при решении задачи необходимо искать оптимальное решение, баланс между двумя критериями.

Игровые модели

Говоря об игровых моделях, необходимо понимать понятие «теория игр». Если говорить просто, то данные модели отражают математические модели настоящих конфликтов. Только стоит понимать, что, в отличие от реального конфликта, игровая математическая модель имеет свои определенные правила.

Сейчас будет приведен минимум информации из теории игр, которая поможет вам понять, что такое игровая модель. И так, в модели обязательно присутствуют стороны (две или более), которых принято называть игроками.

Все модели имеют некие характеристики.

Игровая модель может быть парной или множественной. Если у нас есть два субъекта, то конфликт парный, если больше - множественный. Также можно выделить антагонистическую игру, ее еще называют игрой с нулевой суммой. Это модель, в которой выигрыш одного из участников равняется проигрышу другого.

Имитационные модели

В данном разделе мы обратим внимание на имитационные математические модели. Примерами задач могут служить:

• модель динамики численности микроорганизмов;
• модель движения молекул, и так далее.

В данном случае мы говорим о моделях, которые максимально приближены к реальным процессам. По большому счету, они имитируют какое-либо проявление в природе. В первом случае, например, мы можем моделировать динамику численности муравьев в одной колонии. При этом можно наблюдать за судьбой каждой отдельной особи. В данном случае математическое описание используют редко, чаще присутствуют письменные условия:

• через пять дней женская особь откладывает яйца;
• через двадцать дней муравей погибает, и так далее.

Таким образом, используются для описания большой системы. Математическое заключение - это обработка полученных статистических данных.

Требования

Очень важно знать, что к данному виду модели предъявляют некоторые требования, среди которых - приведенные в таблице ниже.

Универсальность	Это свойство позволяет использовать одну и ту же модель при описании однотипных групп объектов. Важно отметить, что универсальные математические модели совершенно не зависят от физической природы исследуемого объекта
Адекватность	Здесь важно понимать, что данное свойство позволяет максимально правильно воспроизводить реальные процессы. В задачах эксплуатации очень важно данное свойство математического моделирования. Примером модели может служить процесс оптимизации использования газовой системы. В данном случае сопоставляются расчетные и фактические показатели, в результате проверяется правильность составленной модели
Точность	Данное требование подразумевает совпадение значений, которые мы получаем при расчете математической модели и входных параметров нашего реального объекта
Экономичность	Требование экономичности, предъявляемое к любой математической модели, характеризуется затратами на реализацию. Если работа с моделью осуществляется ручным способом, то необходимо рассчитать, сколько времени уйдет на решение одной задачи при помощи данной математической модели. Если речь идет об автоматизированном проектировании, то рассчитываются показатели затрат времени и памяти компьютера

Этапы моделирования

Всего в математическом моделировании принято выделять четыре этапа.

1. Формулировка законов, связывающих части модели.
2. Исследование математических задач.
3. Выяснение совпадений практических и теоретических результатов.
4. Анализ и модернизация модели.

Экономико-математическая модель

В этом разделе кратко осветим вопрос Примерами задач могут служить:

• формирование производственной программы выпуска мясной продукции, обеспечивающей максимальную прибыль производства;
• максимизация прибыли организации путем расчета оптимального количества выпуска столов и стульев на мебельной фабрике, и так далее.

Экономико-математическая модель отображает экономическую абстракцию, которая выражена при помощи математических терминов и знаков.

Компьютерная математическая модель

Примерами компьютерной математической модели являются:

• задачи гидравлики при помощи блок-схем, диаграмм, таблиц, и так далее;
• задачи на механику твердого тела, и так далее.

Компьютерная модель - это образ объекта или системы, представленный в виде:

• таблицы;
• блок-схемы;
• диаграммы;
• графика, и так далее.

При этом данная модель отражает структуру и взаимосвязи системы.

Построение экономико-математической модели

Мы уже ранее сказали о том, что такое экономико-математическая модель. Пример решения задачи будет рассмотрен прямо сейчас. Нам необходимо произвести анализ производственной программы для выявления резерва повышения прибыли при сдвиге в ассортименте.

Полностью рассматривать задачу мы не будем, а только построим экономико-математическую модель. Критерий нашей задачи - максимизация прибыли. Тогда функция имеет вид: Л=р1*х1+р2*х2…, стремящееся к максимуму. В данной модели р - это прибыль за единицу, х - это количество производимых единиц. Далее, основываясь на построенной модели, необходимо произвести расчеты и подвести итог.

Пример построения простой математической модели

Задача. Рыбак вернулся со следующим уловом:

• 8 рыб - обитатели северных морей;
• 20% улова - обитатели южных морей;
• из местной реки не обнаружилось ни одной рыбы.

Сколько рыб он купил в магазине?

Итак, пример построения математической модели данной задачи выглядит следующим образом. Обозначаем общее количество рыб за х. Следуя условию, 0,2х - это количество рыб, обитающих в южных широтах. Теперь объединяем всю имеющуюся информацию и получаем математическую модель задачи: х=0,2х+8. Решаем уравнение и получаем ответ на главный вопрос: 10 рыб он купил в магазине.

ВВЕДЕНИЕ

Невозможно представить себе современную науку без широкого применения математического моделирования. Сущность этой методологии состоит в замене исходного объекта его «образом» - математической моделью - и дальнейшем изучении модели с помощью реализуемых на компьютерах вычислительно-логических алгоритмов. Этот «третий метод» познания, конструирования, проектирования сочетает в себе многие достоинства как теории, так и эксперимента. Работа не с самим объектом (явлением, процессом), а с его моделью дает возможность безболезненно, относительно быстро и без существенных затрат исследовать его свойства и поведение в любых мыслимых ситуациях (преимущества теории). В то же время вычислительные (компьютерные, симуляционные, имитационные) эксперименты с моделями объектов позволяют, опираясь на мощь современных вычислительных методов и технических инструментов информатики, подробно и глубоко изучать объекты в достаточной полноте, недоступной чисто теоретическим подходам (преимущества эксперимента). Неудивительно, что методология математического моделирования бурно развивается, охватывая все новые сферы - от разработки технических систем и управления ими до анализа сложнейших экономических и социальных процессов.

Элементы математического моделирования использовались с самого начала появления точных наук, и не случайно, что некоторые методы вычислений носят имена таких корифеев науки, как Ньютон и Эйлер, а слово «алгоритм» происходит от имени средневекового арабского ученого Аль-Хорезми. Второе «рождение» этой методологии пришлось на конец 40-х-начало 50-х годов XX века и было обусловлено по крайней мере двумя причинами. Первая из них - появление ЭВМ (компьютеров), хотя и скромных по нынешним меркам, но тем не менее избавивших ученых от огромной по объему рутинной вычислительной работы. Вторая - беспрецедентный социальный заказ - выполнение национальных программ СССР и США по созданию ракетно-ядерного щита, которые не могли быть реализованы традиционными методами. Математическое моделирование справилось с этой задачей: ядерные взрывы и полеты ракет и спутников были предварительно «осуществлены» в недрах ЭВМ с помощью математических моделей и лишь затем претворены на практике. Этот успех во многом определил дальнейшие достижения методологии, без применения которой в развитых странах ни один крупномасштабный технологический, экологический или экономический проект теперь всерьез не рассматривается (сказанное справедливо и по отношению к некоторым социально-политическим проектам).

Сейчас математическое моделирование вступает в третий принципиально важный этап своего развития, «встраиваясь» в структуры так называемого информационного общества. Впечатляющий прогресс средств переработки, передачи и хранения информации отвечает мировым тенденциям к усложнению и взаимному проникновению различных сфер человеческой деятельности. Без владения информационными «ресурсами» нельзя и думать о решении все более укрупняющихся и все более разнообразных проблем, стоящих перед мировым сообществом. Однако информация как таковая зачастую мало что дает для анализа и прогноза, для принятия решений и контроля за их исполнением. Нужны надежные способы переработки информационного «сырья» в готовый «продукт», т. е. в точное знание. История методологии математического моделирования убеждает: она может и должна быть интеллектуальным ядром информационных технологий, всего процесса информатизации общества.

Технические, экологические, экономические и иные системы, изучаемые современной наукой, больше не поддаются исследованию (в нужной полноте и точности) обычными теоретическими методами. Прямой натурный эксперимент над ними долог, дорог, часто либо опасен, либо попросту невозможен, так как многие из этих систем существуют в «единственном экземпляре». Цена ошибок и просчетов в обращении с ними недопустимо высока. Поэтому математическое (шире - информационное) моделирование является неизбежной составляющей научно-технического прогресса.

Рассматривая вопрос шире, напомним, что моделирование присутствует почти во всех видах творческой активности людей различных «специальностей» - исследователей и предпринимателей, политиков и военачальников. Привнесение в эти сферы точного знания помогает ограничить интуитивное умозрительное «моделирование», расширяет поле приложений рациональных методов. Конечно же, математическое моделирование плодотворно лишь при выполнении хорошо известных профессиональных требований: четкая формулировка основных понятий и предположений, апостериорный анализ адекватности используемых моделей, гарантированная точность вычислительных алгоритмов и т. д. Если же говорить о моделировании систем с участием «человеческого фактора», т. е. трудно формализуемых объектов, то к этим требованиям необходимо добавить аккуратное разграничение математических и житейских терминов (звучащих одинаково, но имеющих разный смысл), осторожное применение уже готового математического аппарата к изучению явлений и процессов (предпочтителен путь «от задачи к методу», а не наоборот) и ряд других.

Решая проблемы информационного общества, было бы наивно уповать только на мощь компьютеров и иных средств информатики. Постоянное совершенствование триады математического моделирования и ее внедрение в современные информационно-моделирующие системы - методологический императив. Лишь его выполнение дает возможность получать так нужную нам высокотехнологичную, конкурентоспособную и разнообразную материальную и интеллектуальную продукцию.

Выбранная мною тема является актуальной в современной математике и ее приложениях. В современном научном подходе в исследовании естественных, технических и социально-экономических объектов возрастает значение математического моделирования происходящих в них процессов. Натурное изучение поведения объектов и систем в таких режимах и условиях невозможно либо затруднительно, что вынуждает применять методы математического моделирования.

Цель данной курсовой работы это - научиться использовать методы математического моделирования для исследования различных природных социальных процессов.

Задачи поставленные для достижения цели:

n Изучить теоретические вопросы математического моделирования, классификация моделей.

ОСНОВНЫЕ ПОНЯТИЯ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

Моделирование - метод научного исследования явлений, процессов, объектов, устройств или систем (обобщенно – объектов исследований), основанный на построении и изучении моделей с целью получения новых знаний, совершенствования характеристик объектов исследований или управления ими.

Модель - материальный объект или образ (мысленный или условный: гипотеза, идея, абстракция, изображение, описание, схема, формула, чертеж, план, карта, блок-схема алгоритма, ноты и т.п.), которые упрощенно отображают самые существенные свойства объекта исследования.

Любая модель всегда проще реального объекта и отображает лишь часть его самых существенных черт, основных элементов и связей. По этой причине для одного объекта исследования существует множество различных моделей. Вид модели зависит от выбранной цели моделирования.

В основе термина «модель» лежит латинское слово modulus - мера, образец. Модель – это заместитель реального объекта исследования. Модель всегда проще исследуемого объекта. При изучении сложных явлений, процессов, объектов не удается учесть полную совокупность всех элементов и связей, определяющих их свойства.

Но все элементы и связи в создаваемой модели и не следует учитывать. Нужно лишь выделить наиболее характерные, доминирующие составляющие, которые в подавляющей степени определяют основные свойства объекта исследования. В результате объект исследования заменяется некоторым упрощенным подобием, но обладающим характерными, главными свойствами, аналогичными свойствам объекта исследования. Появившийся вследствие проведенной подмены новый объект (или абстракция) принято называть моделью объекта исследования.

Для составления математических моделей можно использовать любые математические средства - дифференциальное и интегральное исчисления, регрессионный анализ, теорию вероятностей, математическую статистику и т. д. Математическая модель представляет собой совокупность формул, уравнений, неравенств, логических условий и т.д. Использованные в математическом моделировании математические соотношения определяют процесс изменения состояния объекта исследования в зависимости от его параметров, входных сигналов, начальных условий и времени. По существу, вся математика создана для формирования математических моделей.

О большом значении математики для всех других наук (в том числе и моделирования) говорит следующий факт. Великий английский физик И.Ньютон (1643-1727 г.г.) в середине 17-го века познакомился с работами Рене Декарта и Пьера Гассенди. В этих работах утверждалось, что все строение мира может быть описано математическими формулами. Под влиянием этих трудов И.Ньютон стал усиленно изучать математику. Сделанный им вклад в физику и математику широко известен.

Математическое моделирование - метод изучения объекта исследования, основанный на создании его математической модели и использовании её для получения новых знаний, совершенствования объекта исследования или управления объектом.

Для математического моделирования характерно то, что процессы функционирования объекта записывают в виде математических соотношений (алгебраические, интегральные), записывают в виде логических условий.

Дифференциальные уравнения являются одним из основных средств составления математических моделей, наиболее широко применяемых при решении математических задач. При исследовании физических процессов, решении различных прикладных задач, как правило, не удается непосредственно найти законы, которые связывают величины, характеризующие исследуемые явления. Обычно легче устанавливаются зависимости между теми же величинами и их производными или дифференциалами. Соотношения такого рода и называются дифференциальными уравнениями. Возможности и правила составления дифференциальных уравнений определяются знаниями законов той области науки, с которой связана природа изучаемой задачи. Так, например, в механике могут использоваться законы Ньютона, в теории скоростей химических реакций – закон действия масс и т.д. Однако на практике часто встречаются случаи, когда законы, которые могли бы позволить составить дифференциальное уравнение, неизвестны. Тогда прибегают к различным упрощающим предположениям, касающимся протекания процесса при малых изменениях параметров-переменных. К дифференциальным уравнениям в таком случае приводит предельный переход. Вопрос соответствия математической модели и реального явления решается на основе анализа результатов, опытов и сравнения их с поведением решения полученного дифференциального уравнения

Математическое моделирование - процесс построения и изучения математических моделей

основные тенденции в развитии математического (компьютерного) моделирования в последние годы связываются не столько с решением "микро" проблем, таких как представленное выше соотношение "модель-алгоритм-программа". Акценты моделирования все более смещаются к "макро-проблемам". Действительно, аппаратно-программные средства решения микро-проблем за последнее время практически перестали ограничивать возможности моделирования даже в самых крупных проектах. Во всем мире наряду с базовыми языками программирования для моделирования широко используются десятки специализированных языков и коммерчески доступных систем моделирования, а возможности сетевого общения открывают доступ к самым современным методологиям и идеям.

В современной теории управления создаются и применяются математические модели двух основных типов (хотя в различных разделах теории эти типы и определяются по-разному).
Для технологических объектов это деление соответствует "феноменологическим" и "дедуктивным" моделям. Под феноменологическими моделями понимаются преимущественно эмпирически восстанавливаемые входо-выходные зависимости, как правило, с небольшим числом входов и выходов. Дедуктивное моделирование предполагает выяснение и описание основных физических закономерностей функционирования всех узлов исследуемого процесса и механизмов их взаимодействия. Дедуктивные модели намного богаче, они описывают процесс в целом, а не отдельные его режимы.
Первый тип моделей - аналитические модели (или, точнее говоря, модели данных). "Модели данных - это модели, которые не требуют, не используют и не отображают каких-либо гипотез о физических процессах (системах), в которых эти данные получены". Второй тип моделей - системные модели (или модели систем). Это математические модели , которые "строятся в основном на базе физических законов и гипотез о том, как система структурирована и, возможно, о том, как она функционирует".
В классическом понимании к моделям данных (аналитическим моделям) относятся все модели математической статистики . В последнее время характерные макро-изменения наблюдаются и для этих моделей. Связь с "внешним миром" проникает в эту сферу моделирования как экспертно-статистические методы и системы, что существенно расширяет методологическую базу для принятия решений в задачах анализа данных и управления.
Вплоть до недавнего времени математические модели использовались в практике управления только как источник входных данных для систем управления. Моделирование технических систем на этапе проектирования для оптимизации их структуры и параметров продолжает эту традицию.
Во многих других задачах принципиально применимы только системные модели Во многих случаях модель может входить в систему управления в форме блока, вычисляющего выходы некоторого объекта по ее входам. Часто в этом случае речь идет о развитии так называемого имитационного моделирования - динамическом моделировании объекта . Динамическое моделирование характерно для различных задач реального времени, прежде всего, для компьютерных тренажеров. Так, в процессе тренажерного обучения действия оператора интерпретируются как входы модели системы (технологической, транспортной и т.п.), а выходы модели преобразуются в аудио-визуальный образ реакций системы на действия оператора. Такое моделирование осуществляется в реальном времени, что позволяет использовать его результаты в различных технологиях реального времени (от обнаружения неисправностей до интерактивного тренинга операторов).
Существует два основных класса задач, связанных с математическими моделями: прямые и обратные. В первом случае все параметры модели считаются известными, и нам остается только исследовать её поведение. Например, определение частоты колебаний гармонического осциллятора при известном значении параметра k -- прямая задача математического моделирования.

Порой требуется решить обратную задачу: какие-то параметры модели неизвестны (например, не могут быть измерены явно), и требуется их найти, сопоставляя поведение реальной системы с её моделью. Ещё одна обратная задача: подобрать параметры модели таким образом, чтобы она удовлетворяла каким-то заданным условиям - такие задачи требуется решать при проектировании систем.

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.

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.