Классификация и примеры математических моделей. Составление математических моделей

Как систему уравнений, или арифметических соотношений, или геометрических фигур, или комбинацию того и другого, исследование которых средствами математики должно ответить на поставленные вопросы о свойствах некоторой совокупности свойств объекта реального мира , как совокупность математических соотношений, уравнений, неравенств, описывающих основные закономерности, присущие изучаемому процессу, объекту или системе .

В автоматизированных системах управления математическая модель используется для определения алгоритма функционирования контроллера. Этот алгоритм определяет, как следует изменять управляющее воздействие в зависимости от изменения задающего для того, чтобы была достигнута цель управления.

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

Модели-гипотезы в науке не могут быть доказаны раз и навсегда, можно лишь говорить об их опровержении или неопровержении в результате эксперимента .

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.

Феноменологическая модель

Второй тип - феноменологическая модель («ведем себя так, как если бы…» ), содержит механизм для описания явления, хотя 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.

Приближение

Третий тип моделей - приближения («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 приём в этом случае - использование приближений (моделей типа 3). Среди них модели линейного отклика . Уравнения заменяются линейными. Стандартный пример - закон Ома .

Мысленный эксперимент

m x ¨ = − k x {\displaystyle m{\ddot {x}}=-kx} ,

где x ¨ {\displaystyle {\ddot {x}}} означает вторую производную от x {\displaystyle x} по времени: x ¨ = d 2 x d t 2 {\displaystyle {\ddot {x}}={\frac {d^{2}x}{dt^{2}}}} .

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

По формальной классификации эта модель линейная, детерминистская, 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 приведёт 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. Свойства гармонического осциллятора качественно изменяются малыми возмущениями. Например, если добавить в правую часть малое слагаемое − ε x ˙ {\displaystyle -\varepsilon {\dot {x}}} (трение) ( ε > 0 {\displaystyle \varepsilon >0} - некоторый малый параметр), то получим экспоненциально затухающие колебания, если изменить знак добавочного слагаемого (ε x ˙) {\displaystyle (\varepsilon {\dot {x}})} то трение превратится в накачку и амплитуда колебаний будет экспоненциально возрастать.

Для решения вопроса о применимости жёсткой модели необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Нужно исследовать мягкие модели, получающиеся малым возмущением жёсткой. Для гармонического осциллятора они могут задаваться, например, следующим уравнением:

m x ¨ = − k x + ε f (x , x ˙) {\displaystyle m{\ddot {x}}=-kx+\varepsilon f(x,{\dot {x}})} .

Здесь f (x , x ˙) {\displaystyle f(x,{\dot {x}})} - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения. Явный вид функции f {\displaystyle f} 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 сведётся к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований.

Если система сохраняет своё 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 U {\displaystyle U} -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 задаётся 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 Железнодорожный мост через Ферт-оф-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 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 . То есть 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

Согласно модели, предложенной Мальтусом , скорость роста пропорциональна текущему размеру популяции , то есть описывается дифференциальным уравнением:

x ˙ = α x {\displaystyle {\dot {x}}=\alpha x} ,

где α {\displaystyle \alpha } - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция x (t) = x 0 e α t {\displaystyle x(t)=x_{0}e^{\alpha t}} . Если рождаемость превосходит смертность ( α > 0 {\displaystyle \alpha >0} ), размер популяции неограниченно и очень быстро возрастает. В действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объёма популяции модель перестаёт быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель , которая описывается дифференциальным уравнением Ферхюльста :

x ˙ = α (1 − x x s) x {\displaystyle {\dot {x}}=\alpha \left(1-{\frac {x}{x_{s}}}\right)x} ,

где - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению x s {\displaystyle x_{s}} , причём 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 x {\displaystyle x} , число лис y {\displaystyle y} . Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Лотки - Вольтерры :

{ x ˙ = (α − c y) x y ˙ = (− β + d x) y {\displaystyle {\begin{cases}{\dot {x}}=(\alpha -cy)x\\{\dot {y}}=(-\beta +dx)y\end{cases}}}

Поведение данной системы не является структурно устойчивым : малое изменение параметров модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения .

При некоторых значениях параметров эта система имеет равновесное состояние , когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к постепенно затухающим колебаниям численности кроликов и лис.

Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведёт к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерры - Лотки ответа не даёт: здесь требуются дополнительные исследования.

См. также

Примечания

  1. «A mathematical representation of reality»(Encyclopaedia Britanica)
  2. Новик И. Б. , О философских вопросах кибернетического моделирования. М., Знание, 1964.
  3. 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
  4. Самарский А. А. , Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры . - 2-е изд., испр. - М. : Физматлит, 2001. - ISBN 5-9221-0120-X .
  5. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
  6. Севостьянов, А. Г. Моделирование технологических процессов: учебник / А. Г. Севостьянов, П. А. Севостьянов. - М.: Легкая и пищевая промышленность, 1984. - 344 с.
  7. Ротач В.Я. Теория автоматического управления. - 1-е. - М. : ЗАО "Издательский дом МЭИ", 2008. - С. 333. - 9 с. - ISBN 978-5-383-00326-8 .
  8. Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena (англ.) . Springer, Complexity series, Berlin-Heidelberg-New York, 2006. XII+562 pp. ISBN 3-540-35885-4 . Дата обращения 18 июня 2013. Архивировано 18 июня 2013 года.
  9. «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
  10. «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 её состояния.»
    Анищенко В. С. , Динамические системы, Соросовский образовательный журнал, 1997, № 11, с. 77-84.
  11. «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. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
  12. 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, чёрным ящиком. Возможны и модели комбинированного типа. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с

Модель - это такой материальный или мысленно представляемый объект, который в процессе познания (изучения) замещает объект-оригинал, сохраняя некоторые важные для данного исследования типичные его черты.

Математическая модель - модель, в которой для описания свойств и типичных черт объекта используются математические символы.

Покупая в магазине разные продукты, мы автоматически занимаемся простейшим математическим моделированием. Запомнив цену каждого продукта, мы (или кассир) складываем абстрактные числа, оплачиваем сумму и затем по каждому чеку (числу на чеке) получаем конкретный продукт.

Такую же простейшую схему математического моделирования мы много раз применяли в курсе алгебры при решении текстовых задач. Мы перекладывали практическую задачу на математический язык, решали математическую задачу, а затем интерпретировали математический результат.

Процесс математического моделирования - это процесс построения математической модели. Он состоит из следующих этапов:

Переложение практической задачи на математический язык: составление уравнений, неравенств, системы уравнений и неравенств и т. д.

Решение математической задачи: уравнения, неравенства, системы и т. д.

Интерпретация математического результата: переход от найденных чисел (корней уравнений, решений неравенств) к их практическому смыслу в данной задаче.

Проверка результата практикой.

Первые три этапа мы все применяли при решении текстовых алгебраических задач. И если мы не допустили ошибок, что проверяется непосредственно проверкой или по данным в учебнике ответам, то считается, что задача решена верно. При решении практических задач такого ответа не существует. Представьте себе, что решается сложная задача о конструировании самолета или не менее сложная экономическая задача. В таких случаях необходима проверка математических выводов экспериментом.

Чтобы проверить теоретические выводы о конструкции самолета, строят его модель - единственный (а не серийный) настоящий самолет - и сначала проверяют его испытанием в аэродинамической трубе. Затем проводят испытания в настоящем полете. Во время испытания выявляются недостатки, уточняются условия задачи, уточняются и проверяются все три этапа ее решения. Затем снова эксперимент, и так до получения хорошего для практики результата.

Таким образом, вырисовывается следующая схема математического моделирования:

Рассмотрим пример.

Задача. Два художника купили по одинаковому количеству краски. Первый из них половину всей краски купил по рублей за тюбик, а другую половину - по рублей за тюбик. Второй половину всех денег за покупку истратил на тюбики по рублей, а другую половину денег - на тюбики по рублей. Кто из них заплатил за покупку меньше?

Решение. I. Введем обозначения:

S - число тюбиков, купленных каждым художником;

х рублей - сумма, затраченная на покупку первым художником;

y рублей - сумма, затраченная на покупку вторым художником.

По условию задачи имеем:

S/2 + S/2 = x, (1)

y/ 2 + y/ 2 =S, (2)

Итак, нужно выяснить, какое из чисел, x или y, меньше другого, если положительные числа, x, y, S удовлетворяют равенствам (1), (2). Эта математическая задача и есть математическая модель данной практической задачи.

Приведем некоторые задачи, решаемые методом моделирования

Задача о рекламе. Средства массовой информации дают рекламные объявления для ускорения сбыта некоторой продукции, которая есть в продаже. Последующая информация о продукции распространяется среди покупателей посредством общения друг с другом. По какому закону распространяется известие о наличии этой продукции?

Решение. Пусть N число потенциальных покупателей данной продукции и в момент времени t об ее наличии в продаже знают х (t) покупателей. Хотя на самом деле число покупателей целое, но для абстрактной математической модели можно считать, что функция х (t) может принимать все значения от 0 до N.

Статистика показывает, что с большой степенью достоверности скорость изменения функции х (t) прямо пропорциональна как числу знающих о продукции, так и числу не знающих. Если условится, что время отсчитывается после рекламных объявлений, когда о товаре узнало N / человек, то приходим к дифференциальному уравнению

x (t) = kx(t)(N x(t)) (3)

с начальными условиями х = N / при t = 0. В уравнении (3) коэффициент k это положительный коэффициент пропорциональности, который определяется экспериментально и зависит от интенсивности рекламы и скорости распространения слухов.

Интегрируя уравнение (1), находим, что

1 / N ln (x /(N x)) = kt + С.

Полагая NC = C1, приходим к равенству

x / (N x) = AеNk t , где А = еC1 .

Если последнее уравнение разрешить относительно х, то получим соотношение

х (t) = N Aе Nkt / AеNkt + 1 = N / 1 + Ре Nkt , (4)

где Р = 1/ A.

Если учесть теперь начальные условия, то уравнение (4) перепишется в виде

х (t) = N / (1 + (1)Nkt

Задача (химия и технология производства). Через сосуд ёмкостью а литров, наполненный водным раствором некоторой соли, непрерывно протекает жидкость, причем в единицу времени втекает b литров чистой воды и вытекает такое же количество раствора.

Найти закон, по которому изменяется содержание соли в сосуде в зависимости от времени протекания жидкости через сосуд.

Решение: в данный момент времени t в сосуде содержится некоторое число x кг соли, а в b литрах кг.

Если бы в течение единицы времени, начиная с момента t , концентрация раствора оставалась неизменной, т.е. такой, какой она была в момент времени t, то количество соли в сосуде за эту единицу времени уменьшилось бы на кг; такова скорость уменьшения количества соли в сосуде для момента t.

С другой стороны, производная равна скорости прироста количества соли в момент t; значит, скорость уменьшения количества соли в момент t будет равна. Итак, имеем:

Разделим переменные: , откуда, или потенцируя,

(5), где - произвольная постоянная.

Предположим для определенности, что при t=0 количество соли в сосуде было равно c кг.

Полагая в формуле (5) t=0, найдем, что и получим окончательно, т.е. количество соли убывает с течением времени по «показательному» закону.

Задача (биология, процессы прироста). В культуре пивных дрожжей быстрота прироста действующего фермента пропорциональна наличному его количеству x. Первоначальное количество фермента было a. Через час оно удвоилось. Во сколько раз оно увеличится через 3 часа?

По условию дифференциальное уравнение процесса,

где k - коэффициент пропорциональности.

Разделяя переменные, получим: .

Отсюда, общее решение.

Найдем с из начального условия: при t=0, x=a. Отсюда, или c = a.

Подставляя в общее решение, получим частное решение задачи: .

Коэффициент пропорциональности определяем из данных дополнительных условий: при t=1час; x=2a.

Отсюда: , или. Подставляя в частное решение, получим закон рассматриваемого процесса: .

При t = 3часа, x = 8a. Следовательно, количество фермента спустя три часа увеличится в 8 раз.

Ответ: за три часа количество фермента увеличится в 8 раз.

Непосредственно из структуры принятого определения вытекают ряд общих свойств моделей, которые обычно принимаются во внимание в практике моделирования.

  • 1. Модель представляет собой «четырехместную конструкцию», компонентами которой являются:
    • - субъект;
    • - задача, решаемая субъектом;
    • - объект-оригинал и язык описания или способ воспроизведения модели.

Особую роль в структуре обобщенной модели играет решаемая субъектом задача. Вне контекста задачи или класса задач понятие модели не имеет смысла.

  • 2. Каждому материальному объекту, вообще говоря, соответствует бесчисленное множество в равной мере адекватных, но различных по существу моделей, связанных с разными задачами.
  • 3. Паре задача-объект тоже соответствует множество моделей, содержащих в принципе одну и ту же информацию, но различающихся формами ее представления или воспроизведения.
  • 4. Модель по определению всегда является лишь относительным, приближенным подобием объекта-оригинала и в информационном отношении принципиально беднее последнего. Это ее фундаментальное свойство.
  • 5. Произвольная природа объекта-оригинала, фигурирующая в принятом определении, означает, что этот объект может быть материально-вещественным, может носить чисто информационный характер и, наконец, может представлять собой комплекс разнородных материальных и информационных компонентов. Однако независимо от природы объекта, характера решаемой задачи и способа реализации модель представляет собой информационное образование.
  • 6. Частным, но весьма важным для развитых в теоретическом отношении научных и технических дисциплин является случай, когда роль объекта-моделирования в исследовательской или прикладной задаче играет не фрагмент реального мира, рассматриваемый непосредственно, а некий идеальный конструкт, т. е., по сути дела другая модель, созданная ранее и практически достоверная. Подобное вторичное, а в общем случае n-кратное моделирование может осуществляться теоретическими методами с последующей проверкой получаемых результатов по экспериментальным данным, что характерно для фундаментальных естественных наук.

В менее развитых в теоретическом отношении областях знания (биология, некоторые технические дисциплины) вторичная модель обычно включает в себя эмпирическую информацию, которую не охватывают существующие теории.

Свойства любой модели таковы:

  • - конечность: модель отображает оригинал лишь в конечном числе его отношений и, кроме того, ресурсы моделирования конечны;
  • - упрощенность: модель отображает только существенные стороны объекта;
  • - приблизительность: действительность отображается моделью грубо или приблизительно;
  • - адекватность: модель успешно описывает моделируемую систему;
  • - информативность: модель должна содержать достаточную информацию о системе - в рамках гипотез, принятых при построении модели.

Классификация математических моделей. При проектировании технических объектов используют множество видов математических моделей. В этой связи различают математические модели элементов и систем. При переходе к более высокому иерархическому уровню блочного структурирования система низшего уровня становится элементом системы нового уровня, и наоборот, при переходе к низшему уровню элемент становится системой. Следовательно, на низших уровнях используют наиболее сложные математические модели.

На высших уровнях могут быть с успехом применены более простые модели. Их можно получить путем аппроксимации моделей низших иерархических уровней.

В общем случае уравнения математической модели связывают физические величины, которые характеризуют состояние объекта и не относятся к перечисленным выше выходным, внутренним и внешним параметрам. Такими величинами являются: скорости и силы - в механических системах. Величины, характеризующие состояние технического объекта в процессе его функционирования, называют фазовыми переменными (фазовыми координатами).

Вектор фазовых переменных задает точку в пространстве, называемом фазовым пространством. К математическим моделям предъявляются требования адекватности, экономичности, универсальности. Эти требования противоречивы, поэтому обычно для проектирования каждого объекта используют свою оригинальную модель. Модель считается адекватной, если отражает исследуемые свойства с приемлемой точностью.

Точность оценивается степенью совпадения предсказанных в процессе вычислительного эксперимента на модели значений выходных параметров с истинными их значениями. При этом математическая модель должна быть как можно проще, но в то же время обеспечивать адекватное описание анализируемого процесса.

Классификация математических моделей, используемых при проектировании технических систем, приведена на рисунке.

Рисунок 1. - Классификация математических моделей:

По форме представления математических моделей различают инвариантную, алгоритмическую, аналитическую и графическую модели объекта проектирования.

В инвариантной форме математическая модель представляется системой уравнений (дифференциальных, алгебраических), вне связи с методом решения этих уравнений.

В алгоритмической форме соотношения модели связаны с выбранным численным методом решения и записаны в виде алгоритма последовательности вычислений.

Аналитическая модель представляет собой явные зависимости искомых переменных от заданных величин (обычно зависимости выходных параметров объекта от внутренних и внешних параметров).

Графическая (схемная) модель представляется в виде графов, эквивалентных схем, динамических моделей, диаграмм и т. п.

Среди алгоритмических, моделей выделяют имитационные модели, предназначенные для имитации физических и информационных процессов, протекающих и объекте при функционировании его под воздействием различных факторов внешней среды.

Структурные модели отображают только структуру объектов и используются при решении задач структурного синтеза. Параметрами структурных моделей называются морфологическими переменными.

Функциональные модели описывают процессы функционирования технических объектов и имеют форму систем уравнений. Они учитывают структурные и функциональные свойства и объекта и позволяют решать задачи как параметрического, так и структурного синтеза.

По способам получения функциональные математические модели делятся на теоретические и экспериментальные.

Теоретические модели получают на основе описания физических процессов функционирования объекта, а экспериментальные - на основе изучения поведения объекта во внешней среде, рассматривая его как кибернетический черный ящик. Эксперименты при о том могут быть физические (на техническом объекте или его физической модели) или вычислительные (на теоретической математической модели).

При построении теоретических моделей используют физический и формальный подходы.

Физический подход сводится к непосредственному применению физических законов для описания объектов, например, законов Ньютона, Гука, Кирхгофа, Фурье и др.

Формальный подход использует общие математические принципы и применяется при построении как теоретических, так и экспериментальных моделей.

Функциональные математические модели могут быть линейные и нелинейные.

Линейные модели содержат только линейные функции фазовых переменных и их производных. Математические модели таких объектов включают нелинейные функции фазовых переменных и (или) их производных и относятся к нелинейным.

Если при моделировании учитываются инерционные свойства технического объекта и (или) изменение во времени параметров объекта или внешней среды, то модель называют динамической. В противном случае модель статическая.

Большинство проектных процедур выполняется на детерминированных моделях. Детерминированная математическая модель характеризуется взаимно однозначным соответствием между внешним воздействием на динамическую систему и ее реакцией на это воздействие. В вычислительном эксперименте при проектировании обычно задают некоторые стандартные типовые воздействия на объект: ступенчатыми, импульсными, гармоническими, кусочно-линейными, экспоненциальными и др.

Их называют тестовыми воздействиями.

вектор выходных переменных, Y= t ,

Z - вектор внешних воздействий, Z= t ,

t - координата времени.

Построение математической модели заключается в определении связей между теми или иными процессами и явлениями, создании математического аппарата, позволяющего выразить количественно и качественно связь между теми или иными процессами и явлениями, между интересующими специалиста физическими величинами, и факторами, влияющими на конечный результат.

Обычно их оказывается настолько много, что ввести в модель всю их совокупность не удается. При построении математической модели перед исследованием возникает задача выявить и исключить из рассмотрения факторы, несущественно влияющие на конечный результат (математическая модель обычно включает значительно меньшее число факторов, чем в реальной действительности). На основе данных эксперимента выдвигаются гипотезы о связи между величинами, выражающими конечный результат, и факторами, введенными в математическую модель . Такая связь зачастую выражается системами дифференциальных уравнений в частных производных (например, в задачах механики твердого тела, жидкости и газа, теории фильтрации, теплопроводности, теории электростатического и электродинамического полей).

Конечной целью этого этапа является формулирование математической задачи, решение которой с необходимой точностью выражает результаты, интересующие специалиста.

Форма и принципы представления математической модели зависит от многих факторов.

По принципам построения математические модели разделяют на:

  1. аналитические;
  2. имитационные.

В аналитических моделях процессы функционирования реальных объектов, процессов или систем записываются в виде явных функциональных зависимостей .

Аналитическая модель разделяется на типы в зависимости от математической проблемы:

  1. уравнения (алгебраические, трансцендентные, дифференциальные, интегральные),
  2. аппроксимационные задачи ( интерполяция , экстраполяция, численное интегрирование и дифференцирование ),
  3. задачи оптимизации,
  4. стохастические проблемы.

Однако по мере усложнения объекта моделирования построение аналитической модели превращается в трудноразрешимую проблему. Тогда исследователь вынужден использовать имитационное моделирование .

В имитационном моделировании функционирование объектов, процессов или систем описывается набором алгоритмов. Алгоритмы имитируют реальные элементарные явления, составляющие процесс или систему с сохранением их логической структуры и последовательности протекания во времени. Имитационное моделирование позволяет по исходным данным получить сведения о состояниях процесса или системы в определенные моменты времени, однако прогнозирование поведения объектов, процессов или систем здесь затруднительно. Можно сказать, что имитационные модели - это проводимые на ЭВМ вычислительные эксперименты с математическими моделями , имитирующими поведение реальных объектов, процессов или систем.

В зависимости от характера исследуемых реальных процессов и систем математические модели могут быть:

  1. детерминированные,
  2. стохастические.

В детерминированных моделях предполагается отсутствие всяких случайных воздействий, элементы модели (переменные, математические связи) достаточно точно установленные, поведение системы можно точно определить. При построении детерминированных моделей чаще всего используются алгебраические уравнения, интегральные уравнения, матричная алгебра .

Стохастическая модель учитывает случайный характер процессов в исследуемых объектах и системах, который описывается методами теории вероятности и математической статистики.

По виду входной информации модели разделяются на:

  1. непрерывные,
  2. дискретные.

Если информация и параметры являются непрерывными, а математические связи устойчивы, то модель - непрерывная. И наоборот, если информация и параметры - дискретны, а связи неустойчивы, то и математическая модель - дискретная.

По поведению моделей во времени они разделяются на:

  1. статические,
  2. динамические.

Статические модели описывают поведение объекта, процесса или системы в какой-либо момент времени. Динамические модели отражают поведение объекта, процесса или системы во времени.

По степени соответствия между

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:

  1. вещественные,
  2. идеальные.

В свою очередь вещественные модели можно разделить на:

  1. натурные,
  2. физические,
  3. математические.

Идеальные модели можно разделить на:

  1. наглядные,
  2. знаковые,
  3. 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.