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

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

Классификация моделей

Формальная классификация моделей

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

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

Классификация по способу представления объекта

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

• Структурные или функциональные модели

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

Содержательные и формальные модели

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

Содержательная классификация моделей

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

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

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

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

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

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

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

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

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

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

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

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

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

Пример

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

где означает вторую производную от по времени: .

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

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

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

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

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

Жёсткие и мягкие модели

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

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

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

Универсальность моделей

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

Прямая и обратная задачи математического моделирования

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

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

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

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

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

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

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

Компьютерные системы моделирования

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

Дополнительные примеры

Модель Мальтуса

Скорость роста пропорциональна текущему размеру популяции . Она описывается дифференциальным уравнением

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

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

Система хищник-жертва

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

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

Примечания

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. Wiktionary: mathematical model
8. CliffsNotes.com. Earth Science Glossary. 20 Sep 2010
9. Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena, Springer, Complexity series, Berlin-Heidelberg-New York, 2006. XII+562 pp. ISBN 3-540-35885-4
10. «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
11. «Динамические системы, моделируемые конечным числом обыкновенных дифференциальных уравнений, называют сосредоточенными или точечными системами. Они описываются с помощью конечномерного фазового пространства и характеризуются конечным числом степеней свободы. Одна и та же система в различных условиях может рассматриваться либо как сосредоточенная, либо как распределенная. Математические модели распределенных систем - это дифференциальные уравнения в частных производных, интегральные уравнения или обыкновенные уравнения с запаздывающим аргументом. Число степеней свободы распределенной системы бесконечно, и требуется бесконечное число данных для определения ее состояния.» Анищенко В. С. , Динамические системы, Соросовский образовательный журнал, 1997, № 11, с. 77-84.
12. «В зависимости от характера изучаемых процессов в системе S все виды моделирования могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные. Детерминированное моделирование отображает детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий; стохастическое моделирование отображает вероятностные процессы и события. … Статическое моделирование служит для описания поведения объекта в какой-либо момент времени, а динамическое моделирование отражает поведение объекта во времени. Дискретное моделирование служит для описания процессов, которые предполагаются дискретными, соответственно непрерывное моделирование позволяет отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.» Советов Б. Я., Яковлев С. А. ISBN 5-06-003860-2
13. Обычно в математической модели отражается структура (устройство) моделируемого объекта, существенные для целей исследования свойства и взаимосвязи компонентов этого объекта; такая модель называется структурной. Если же модель отражает только то, как объект функционирует - например, как он реагирует на внешние воздействия,- то она называется функциональной или, образно, черным ящиком. Возможны и модели комбинированного типа. Мышкис А. Д. ISBN 978-5-484-00953-4
14. «Очевидный, но важнейший начальный этап построения или выбора математической модели - это получение по возможности более четкого представления о моделируемом объекте и уточнение его содержательной модели, основанное на неформальных обсуждениях. Нельзя жалеть времени и усилий на этот этап, от него в значительной мере зависит успех всего исследования. Не раз бывало, что значительный труд, затраченный на решение математической задачи, оказывался малоэффективным или даже потраченным впустую из-за недостаточного внимания к этой стороне дела.» Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4 , с. 35.
15. «Описание концептуальной модели системы. На этом подэтапе построения модели системы: а) описывается концептуальная модель М в абстрактных терминах и понятиях; б) дается описание модели с использованием типовых математических схем; в) принимаются окончательно гипотезы и предположения; г) обосновывается выбор процедуры аппроксимации реальных процессов при построении модели.» Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2 , с. 93.
16. Блехман И. И., Мышкис А. Д., Пановко Н. Г. , Прикладная математика: Предмет, логика, особенности подходов. С примерами из механики: Учебное пособие. - 3-е изд., испр. и доп. - М.: УРСС, 2006. - 376 с. ISBN 5-484-00163-3 , Глава 2.

Понятие модели и моделирования.

Модель в широком смысле - это любой образ, аналог мысленный или установленный изображение, описание, схема, чертеж, карта и т. п. какого либо объема, процесса или явления, используемый в качестве его заменителя или представителя. Сам объект, процесс или явление называется оригиналом данной модели.

Моделирование - это исследование какого либо объекта или системы объектов путем построения и изучения их моделей. Это использование моделей для определения или уточнения характеристик и рационализации способов построения вновь конструируемых объектов.

На идее моделирования базируется любой метод научного исследования, при этом, в теоретических методах используются различного рода знаковые, абстрактные модели, в экспериментальных - предметные модели.

При исследовании сложное реальное явление заменяется некоторой упрощенной копией или схемой, иногда такая копия служит лишь только для того чтобы запомнить и при следующей встрече узнать нужное явление. Иногда построенная схема отражает какие - то существенные черты, позволяет разобраться в механизме явления, дает возможность предсказать его изменение. Одному и тому же явлению могут соответствовать разные модели.

Задача исследователя - предсказывать характер явления и ход процесса.

Иногда, бывает, что объект доступен, но эксперименты с ним дорогостоящи или привести к серьезным экологическим последствиям. Знания о таких процессах получают с помощью моделей.

Важный момент - сам характер науки предполагает изучение не одного конкретного явления, а широкого класса родственных явлений. Предполагает необходимость формулировки каких - то общих категорических утверждений, которые называются законами. Естественно, что при такой формулировке многими подробностями пренебрегают. Чтобы более четко выявить закономерность сознательно идут на огрубление, идеализацию, схематичность, то есть изучают не само явление, а более или менее точную ее копию или модель. Все законы- это законы о моделях, а поэтому нет ничего удивительного в том, что с течением времени некоторые научные теории признаются непригодными. Это не приводит к краху науки, поскольку одна модель заменилась другой более современной .

Особую роль в науке играют математические модели, строительный материал и инструменты этих моделей - математические понятия. Они накапливались и совершенствовались в течении тысячелетий. Современная математика дает исключительно мощные и универсальные средства исследования. Практически каждое понятие в математике, каждый математический объект, начиная от понятия числа, является математической моделью. При построении математической модели, изучаемого объекта или явления выделяют те его особенности, черты и детали, которые с одной стороны содержат более или менее полную информацию об объекте, а с другой допускают математическую формализацию. Математическая формализация означает, что особенностям и деталям объекта можно поставить в соответствие подходящие адекватные математические понятия: числа, функции, матрицы и так далее. Тогда связи и отношения, обнаруженные и предполагаемые в изучаемом объекте между отдельными его деталями и составными частями можно записать с помощью математических отношений: равенств, неравенств, уравнений. В результате получается математическое описание изучаемого процесса или явление, то есть его математическая модель.

Изучение математической модели всегда связанно с некоторыми правилами действия над изучаемыми объектами. Эти правила отражают связи между причинами и следствиями.

Построение математической модели - это центральный этап исследования или проектирования любой системы. От качества модели зависит весь последующий анализ объекта. Построение модели - это процедура не формальная. Сильно зависит от исследователя, его опыта и вкуса, всегда опирается на определенный опытный материал. Модель должна быть достаточно точной, адекватной и должна быть удобна для использования.

Математическое моделирование.

Классификация математических моделей.

Математические модели могут быть детерменированными и стохастическими .

Детерменированные модели- это модели, в которых установлено взаимно-однозначное соответствие между переменными описывающими объект или явления.

Такой подход основан на знании механизма функционирования объектов. Часто моделируемый объект сложен и расшифровка его механизма может оказаться очень трудоемкой и длинной во времени. В этом случае поступают следующим образом: на оригинале проводят эксперименты, обрабатывают полученные результаты и, не вникая в механизм и теорию моделируемого объекта с помощью методов математической статистики и теории вероятности, устанавливают связи между переменными, описывающими объект. В этом случае получают стахостическую модель. В стахостической модели связь между переменными носит случайный характер, иногда это бывает принципиально. Воздействие огромного количества факторов, их сочетание приводит к случайному набору переменных описывающих объект или явление. По характеру режимов модель бывают статистическими и динамическими .

Статистическая модель включает описание связей между основными переменными моделируемого объекта в установившемся режиме без учета изменения параметров во времени.

В динамической модели описываются связи между основными переменными моделируемого объекта при переходе от одного режима к другому.

Модели бывают дискретными и непрерывными , а также смешанного типа. В непрерывных переменные принимают значения из некоторого промежутка, в дискретных переменные принимают изолированные значения.

Линейные модели - все функции и отношения, описывающие модель линейно зависят от переменных и не линейные в противном случае.

Математическое моделирование.

Требования,п редъявляемые к моделям.

1. Универсальность - характеризует полноту отображения моделью изучаемых свойств реального объекта.

1. Адекватность - способность отражать нужные свойства объекта с погрешностью не выше заданной.
2. Точность - оценивается степенью совпадения значений характеристик реального объекта и значения этих характеристик полученных с помощью моделей.
3. Экономичность - определяется затратами ресурсов ЭВМ памяти и времени на ее реализацию и эксплуатацию.

Математическое моделирование.

Основные этапы моделирования.

1. Постановка задачи.

Определение цели анализа и пути ее достижения и выработки общего подхода к исследуемой проблеме. На этом этапе требуется глубокое понимание существа поставленной задачи. Иногда, правильно поставить задачу не менее сложно чем ее решить. Постановка - процесс не формальный, общих правил нет.

2. Изучение теоретических основ и сбор информации об объекте оригинала.

На этом этапе подбирается или разрабатывается подходящая теория. Если ее нет, устанавливаются причинно - следственные связи между переменными описывающими объект. Определяются входные и выходные данные, принимаются упрощающие предположения.

3. Формализация.

Заключается в выборе системы условных обозначений и с их помощью записывать отношения между составляющими объекта в виде математических выражений. Устанавливается класс задач, к которым может быть отнесена полученная математическая модель объекта. Значения некоторых параметров на этом этапе еще могут быть не конкретизированы.

4. Выбор метода решения.

На этом этапе устанавливаются окончательные параметры моделей с учетом условия функционирования объекта. Для полученной математической задачи выбирается какой - либо метод решения или разрабатывается специальный метод. При выборе метода учитываются знания пользователя, его предпочтения, а также предпочтения разработчика.

5. Реализация модели.

Разработав алгоритм, пишется программа, которая отлаживается, тестируется и получается решение нужной задачи.

6. Анализ полученной информации.

Сопоставляется полученное и предполагаемое решение, проводится контроль погрешности моделирования.

7. Проверка адекватности реальному объекту.

Результаты, полученные по модели сопоставляются либо с имеющейся об объекте информацией или проводится эксперимент и его результаты сопоставляются с расчётными.

Процесс моделирования является итеративным. В случае неудовлетворительных результатов этапов 6. или 7. осуществляется возврат к одному из ранних этапов, который мог привести к разработке неудачной модели. Этот этап и все последующие уточняются и такое уточнение модели происходит до тех пор, пока не будут получены приемлемые результаты.

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.

1.1.2 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.

1.1.3 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.

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ВСЕОБЩАЯ КОМПЬЮТЕРИЗАЦИЯ ИЛИ ИМИТАЦИОННЫЕ МОДЕЛИ

Сейчас, когда в стране происходит чуть ли не всеобщая компьютеризация, от специалистов различных профессий приходится слышать высказывания: "Вот внедрим у себя ЭВМ, тогда все задачи сразу же будут решены". Эта точка зрения совершенно не верна, сами по себе ЭВМ без математических моделей тех или иных процессов ничего сделать не смогут и о всеобщей компьютеризации можно лишь мечтать.

В подтверждение вышесказанного попытаемся обосновать необходимость моделирования, в том числе математического, раскроем его преимущества в познании и преобразовании человеком внешнего мира, выявим существующие недостатки и пойдем… к имитационному моделированию, т.е. моделированию с использованием ЭВМ. Но все по порядку.

Прежде всего, ответим на вопрос: что такое модель?

Модель – это материальный или мысленно представленный объект, который в процессе познания (изучения) замещает оригинал, сохраняя некоторые важные для данного исследования типичные свойства.

Хорошо построенная модель доступнее для исследования – нежели реальный объект. Например, недопустимы эксперименты с экономикой страны в познавательных целях, здесь без модели не обойтись.

Резюмируя сказанное можно ответить на вопрос: для чего нужны модели? Для того, чтобы

• понять, как устроен объект (его структура, свойства, законы развития, взаимодействия с окружающим миром).
• научиться управлять объектом (процессом) и определять наилучшие стратегии
• прогнозировать последствия воздействия на объект.

Что положительного в любой модели? Она позволяет получить новые знания об объекте, но, к сожалению, в той или иной степени не полна.

Модель сформулированная на языке математики с использованием математических методов называется математической моделью.

Исходным пунктом ее построения обычно является некоторая задача, например экономическая. Широко распространены, как дескриптивные, так и оптимизационные математические, характеризующие различные экономические процессы и явления, например:

• распределение ресурсов
• рациональный раскрой
• транспортные перевозки
• укрупнение предприятий
• сетевое планирование.

Каким образом происходит построение математической модели?

• Во–первых , формулируется цель и предмет исследования.
• Во–вторых , выделяются наиболее важные характеристики, соответствующие данной цели.
• В–третьих, словесно описываются взаимосвязи между элементами модели.
• Далее взаимосвязь формализуется.
• И производится расчет по математической модели и анализ полученного решения.

Используя данный алгоритм можно решить любую оптимизационную задачу, в том числе и многокритериальную, т.е. ту в которой преследуется не одна, а несколько целей, в том числе противоречивых.

Приведем пример. Теория массового обслуживания – проблема образования очередей. Нужно уравновесить два фактора – затраты на содержание обслуживающих устройств и затраты на пребывание в очереди. Построив формальное описание модели производят расчеты, используя аналитические и вычислительные методы. Если модель хороша, то ответы найденные с ее помощью адекватны моделирующей системе, если плоха, то подлежит улучшению и замене. Критерием адекватности служит практика.

Оптимизационные модели, в том числе многокритериальные, имеют общее свойство– из вестна цель(или несколько целей) для достижения которой часто приходится иметь дело со сложными системами, где речь идет не столько о решении оптимизационных задач, сколько об исследовании и прогнозировании состояний в зависимости от избираемых стратегий управления. И здесь мы сталкиваемся с трудностями реализации прежнего плана. Они состоят в следующем:

• сложная система содержит много связей между элементами
• реальная система подвергается влиянию случайных факторов, учет их аналитическим путем невозможен
• возможность сопоставления оригинала с моделью существует лишь в начале и после применения математического аппарата, т.к. промежуточные результаты могут не иметь аналогов в реальной системе.

В связи с перечисленными трудностями, возникающими при изучении сложных систем, практика потребовала более гибкий метод, и он появился – имитационное моделирование "Simujation modeling ".

Обычно под имитационной моделью понимается комплекс программ для ЭВМ, описывающий функционирование отдельных блоков систем и правил взаимодействия между ними. Использование случайных величин делает необходимым многократное проведение экспериментов с имитационной системой (на ЭВМ) и последующий статистический анализ полученных результатов. Весьма распространенным примером использования имитационных моделей является решение задачи массового обслуживания методом МОНТЕ–КАРЛО.

Таким образом, работа с имитационной системой представляет собой эксперимент, осуществляемый на ЭВМ. В чем же заключаются преимущества?

–Большая близость к реальной системе, чем у математических моделей;

–Блочный принцип дает возможность верифицировать каждый блок до его включения в общую систему;

–Использование зависимостей более сложного характера, не описываемых простыми математическими соотношениями.

Перечисленные достоинства определяют недостатки

–построить имитационную модель дольше, труднее и дороже;

–для работы с имитационной системой необходимо наличие подходящей по классу ЭВМ;

–взаимодействие пользователя и имитационной модели (интерфейс) должно быть не слишком сложным, удобным и хорошо известным;

–построение имитационной модели требует более глубокого изучения реального процесса, нежели математическое моделирование.

Встает вопрос: может ли имитационное моделирование заменить методы оптимизации? Нет, но удобно дополняет их. Имитационная модель – это программа, реализующая некоторый алгоритм, для оптимизации управления которым прежде решается оптимизационная задача.

Итак, ни ЭВМ, ни математическая модель, ни алгоритм для ее исследования порознь не могут решить достаточно сложную задачу. Но вместе они представляют ту силу, которая позволяет познавать окружающий мир, управлять им в интересах человека.

1.2 Классификация моделей

1.2.1 Классификация с учетом фактора времени и области использования (Макарова Н.А.) Статическая модель - это как бы одномоментный срез информации по объекту (результат одного обследования) Динамическая модель-позволяет увидеть изменения объекта во времени(Карточка в поликлинике) Можно классифицировать модели и по тому, к какой области знаний они принадлежат (биологические,исторические , экологические и т.п.) Возврат в начало

1.2.2 Классификация по области использования (Макарова Н.А.) Учебные- наглядные пособия, тренажеры,о бучающие программы Опытные модели-уменьшенные копии (автомобиль в аэродинамической трубе) Научно-технические- синхрофазотрон , стенд для проверки электронной аппаратуры Игровые- экономические , спортивные, деловые игры Имитационные- не просто отражают реальность, но имитируют ее(на мышах испытываеется лекарство, в школах проводятся эксперементы и т.п. .Такой метод моделирования называется методом проб и ошибок Возврат в начало

1.2.3 Классификация по способу представления Макарова Н.А.) Материальные модели-иначе можно назвать предметными. Они воспринимают геометрические и физические свойства оригинала и всегда имеют реальное воплощение Информационные модели-нельзя потрогать или увидеть. Они строятся только на информации.И нформационная модель совокупность информации, характеризующая свойства и состояния объекта, процесса, явления, а также взаимосвязь с внешним миром. Вербальная модель - информационная модель в мысленной или разговорной форме. Знаковая модель-информационная модель выраженная знаками,т .е . средствами любого формального языка. Компьютерная модель -м одель, реализованная средствами программной среды.

1.2.4 Классификация моделей, приведенная в книге "Земля Информатика" (Гейн А.Г.)) "...вот нехитрая на первый взгляд задача: сколько потребуется времени, чтобы пересечь пустыню Каракумы? Ответ,разумеется зависит от способа передвижения. Если путешествоватьна верблюдах , то потребуется один срок, другой-если ехать на автомобиле, третий - если лететь самолетом. А самое главное - для планирования путешествия требуются разные модели. Для первого случая требуемую модель можно найти в мемуарах знаменитых исследователей пустынь: ведь здесь не обойтись без информации об оазисах и верблюжьих тропах. Во втором случае незаменимая информация, содержащаяся в атласе автомобильных дорог. В третьем - можно воспользоваться расписанием самолетных рейсов. Отличаются эти три модели - мемуары, атлас и расписание и характером предьявления информации. В первом случае модель представлена словесным описанием информации (описательная модель) , во втором- как бы фотографией с натуры (натурная модель) , в третьем - таблицей содержащей условные обозначения: время вылета и прилета, день недели, цена билета (так называемая знаковая модель) Впрочем это деление весьма условно- в мемуарах могут встретиться карты и схемы (элементы натурной модели), на картах имеются условные обозначения (элементы знаковой модели), в расписании приводится расшифровка условных обозначений (элементы описательной модели). Так что эта классификация моделей... на наш взгля малопродуктивна" На мой взгляд этот фрагмент демонстрирует общий для всех книг Гейна описательный (замечательный язык и стиль изложения) и как бы, сократовский стиль обучения (Все считают что это вот так. Я совершенно согласен с вами, но если приглядеться, то...). В таких книгах достаточно сложно найти четкую систему определений (она и не предполагается автором). В учебнике под редакцией Н.А. Макаровой демонстрируется другой подход - определения понятий четко выделены и несколько статичны.

1.2.5 Классификация моделей приведенная в пособии А.И.Бочкина Способов классификации необычно много.П риведем лишь некоторые, наиболее известные основания и признаки:дискретность и непрерывность,матричные и скалярные модели, статические и динамические модели, аналитические и информационные модели, предметные и образно-знаковые модели, масштабные и немасштабные... Каждый признак даетопределенное знание о свойствах и модели, и моделируемой реальности. Признак может служить подсказкой о способе выполненного или предстоящего моделирования. Дискретность и непрерывностьДискретность - характерный признак именно компьютерных моделей.В едь компьютер может находиться в конечном, хотя и очень большом количестве состояний. Поэтому даже если объект непрерывен (время), в модели он будет изменяться скачками. Можно считать непрерывность признаком моделей некомпьютерного типа. Случайность и детерминированность . Неопределенность, случайность изначально противостоит компьютерному миру: Запущенный вновь алгоритм должен повториться и дать те же результаты. Но для имитации случайных процессов используют датчики псевдослучайных чисел. Введение случайности в детерминированные задачи приводит к мощным и интересным моделям (Вычисление площади методом случайных бросаний). Матричность - скалярность . Наличие параметров у матричной модели говорит о ее большей сложности и, возможно, точности по сравнению со скалярной . Например, если не выделить в населении страны все возрастные группы, рассматривая его изменение как целое, получим скалярную модель (например модель Мальтуса), если выделить, - матричную (половозрастную). Именно матричная модель позволила объяснить колебания рождаемости после войны. Статичность динамичность . Эти свойства модели обычно предопределяются свойствами реального объекта. Здесь нет свободы выбора. Просто статическая модель может быть шагом к динамической , либо часть переменных модели может считаться пока неизменной. Например, спутник движется вокруг Земли, на его движение влияет Луна. Если считать Луну неподвижной за время оборота спутника, получим более простую модель. Аналитические модели . Описание процессов аналитически , формулами и уравнениями. Но при попытке построить график удобнее иметь таблицы значений функции и аргументов. Имитационные модели . Имитационные модели появились давно в виде масштабных копий кораблей, мостов и пр. появились давно, но в связи с компьютерами рассматриваются недавно. Зная как связаны элементы модели аналитически и логически, проще не решать систему неких соотношений и уравнений, а отобразить реальную систему в память компьютера, с учетом связей между элементами памяти. Информационные модели . Информационные модели принято противополагать математическим , точнее алгоритмическим. Здесь важно соотношение объемов данные/алгоритмы. Если данных больше или они важнее имеем информационную модель, иначе - математичеескую . Предметные модели . Это прежде всего детская модель - игрушка. Образно-знаковые модели . Это прежде всего модель в уме человека: образная , если преобладают графические образы, и знаковая , если больше слов или (и) чисел. Образно-знаковые модели строятся на компьютере. Масштабные модели . К масштабным моделям те из предметных или образных моделей, которые повторяют форму объекта (карта).

Пример 1.5.1.

Пусть некоторый экономический регион производит несколько (n) видов продуктов исключительно своими силами и только для населения данного региона. Предполагается, что технологический процесс отработан, а спрос населения на эти товары изучен. Надо определить годовой объем выпуска продуктов, с учетом того, что этот объем должен обеспечить как конечное, так и производственное потребление.

Составим математическую модель этой задачи. По ее условию даны: виды продуктов, спрос на них и технологический процесс; требуется найти объем выпуска каждого вида продукта.

Обозначим известные величины:

c i – спрос населения на i -й продукт (i =1,...,n ); a ij – количество i -го продукта, необходимое для выпуска единицы j -го продукта по данной технологии (i =1,...,n ; j =1,...,n );

х i – объем выпуска i -го продукта (i =1,...,n ); совокупность с =(c 1 ,..., c n ) называется вектором спроса, числа a ij – технологическими коэффициентами, а совокупность х =(х 1 ,..., х n ) – вектором выпуска.

По условию задачи вектор х распределяется на две части: на конечное потребление (вектор с ) и на воспроизводство (вектор х-с ). Вычислим ту часть вектора х которая идет на воспроизводство. По нашим обозначениям для производства х j количества j-го товара идет a ij · х j количества i -го товара.

Тогда сумма a i1 · х 1 +...+ a in · х n показывает ту величину i -го товара, которая нужна для всего выпуска х =(х 1 ,..., х n ).

Следовательно, должно выполняться равенство:

Распространяя это рассуждение на все виды продуктов, приходим к искомой модели:

Решая эту систему из n линейных уравнений относительно х 1 ,...,х n и найдем требуемый вектор выпуска.

Для того, чтобы написать эту модель в более компактной (векторной) форме, введем обозначения:

Квадратная (
) -матрицаА называется технологической матрицей. Легко проверить, что наша модель теперь запишется так:х-с=Ах или

(1.6)

Мы получили классическую модель «Затраты – выпуск », автором которой является известный американский экономист В. Леонтьев.

Пример 1.5.2.

Нефтеперерабатывающий завод располагает двумя сортами нефти: сортом А в количестве 10 единиц, сортом В - 15 единиц. При переработке из нефти получаются два материала: бензин (обозначим Б ) и мазут (М ). Имеется три варианта технологического процесса переработки:

I : 1ед.А + 2ед.В дает 3ед.Б + 2ед.М

II: 2ед.А + 1ед.В дает 1ед.Б + 5ед.М

III : 2ед.А + 2ед.В дает 1ед.Б + 2ед.М

Цена бензина - 10 долл. за единицу, мазута - 1 долл. за единицу.

Требуется определить наиболее выгодное сочетание технологических процессов переработки имеющегося количества нефти.

Перед моделированием уточним следующие моменты. Из условия задачи следует, что «выгодность» технологического процесса для завода следует понимать в смысле получения максимального дохода от реализации своей готовой продукции (бензина и мазута). В связи с этим понятно, что «выбор (принятие) решения» завода состоит в определении того, какую технологию и сколько раз применить. Очевидно, что таких возможных вариантов достаточно много.

Обозначим неизвестные величины:

х i – количество использованияi -го технологического процесса(i=1,2,3) . Остальные параметры модели (запасы сортов нефти, цены бензина и мазута)известны .

Теперь одно конкретное решение завода сводится к выбору одного вектора х =(х 1 ,х 2 ,х 3 ) , для которого выручка завода равна(32х 1 +15х 2 +12х 3 ) долл. Здесь 32 долл. – это доход, полученный от одного применения первого технологического процесса (10 долл. ·3ед.Б + 1 долл. ·2ед.М = 32 долл.). Аналогичный смысл имеют коэффициенты 15 и 12 для второго и третьего технологических процессов соответственно. Учет запаса нефти приводит к следующим условиям:

для сорта А :

для сорта В :,

где в первом неравенстве коэффициенты 1, 2, 2 – это нормы расхода нефти сорта А для одноразового применения технологических процессов I ,II ,III соответственно. Коэффициенты второго неравенства имеют аналогичный смысл для нефти сорта В.

Математическая модель в целом имеет вид:

Найти такой вектор х = (х 1 ,х 2 ,х 3 ) , чтобы максимизировать

f(x) =32х 1 +15х 2 +12х 3

при выполнении условий:

Сокращенная форма этой записи такова:

при ограничениях

(1.7)

Мы получили так называемую задачу линейного программирования.

Модель (1.7.) является примером оптимизационной модели детерминированного типа (с вполне определенными элементами).

Пример1.5.3.

Инвестору требуется определить наилучший набор из акций, облигаций и других ценных бумаг для приобретения их на некоторую сумму с целью получения определенной прибыли с минимальным риском для себя. Прибыль на каждый доллар, вложенный в ценную бумагу j - го вида, характеризуется двумя показателями: ожидаемой прибылью и фактической прибылью. Для инвестора желательно, чтобы ожидаемая прибыль на один доллар вложений была для всего набора ценных бумаг не ниже заданной величины b .

Заметим, что для правильного моделирования этой задачи от математика требуются определенные базовые знания в области портфельной теории ценных бумаг.

Обозначим известные параметры задачи:

n – число разновидностей ценных бумаг; а j – фактическая прибыль (случайное число) от j-го вида ценной бумаги; – ожидаемая прибыль отj -го вида ценной бумаги.

Обозначим неизвестные величины :

y j - средства, выделенные для приобретения ценных бумаг вида j .

По нашим обозначениям вся инвестированная сумма выражается как . Для упрощения модели введем новые величины

.

Таким образом, х i - это доля от всех средств, выделяемая для приобретения ценных бумаг видаj .

Ясно, что

Из условия задачи видно, что цель инвестора - достижение определенного уровня прибыли с минимальным риском. Содержательно риск - это мера отклонения фактической прибыли от ожидаемой. Поэтому его можно отождествить с ковариацией прибыли для ценных бумаг вида i и вида j. Здесь М - обозначение математического ожидания.

Математическая модель исходной задачи имеет вид:

при ограничениях

,
,
,
. (1.8)

Мы получили известную модель Марковица для оптимизации структуры портфеля ценных бумаг.

Модель (1.8.) является примеров оптимизационной модели стохастического типа (с элементами случайности).

Пример1.5.4.

На базе торговой организации имеется n типов одного из товаров ассортиментного минимума. В магазин должен быть завезен только один из типов данного товара. Требуется выбрать тот тип товара, который целесообразно завести в магазин. Если товар типа j будет пользоваться спросом, то магазин от его реализации получит прибыльр j , если же он не будет пользоваться спросом - убытокq j .

Перед моделированием обсудим некоторые принципиальные моменты. В данной задаче лицом, принимающим решение (ЛПР), является магазин. Однако исход (получение максимальной прибыли) зависит не только от его решения, но и от того, будет ли завезенный товар пользоваться спросом, т. е. будет ли выкуплен населением (предполагается, что по какой-то причине у магазина нет возможности изучить спрос населения). Поэтому население может рассматриваться как второе ЛПР, выбирающее тип товара согласно своего предпочтения. Наихудшим для магазина «решением» населения является: «завезенный товар не пользуется спросом». Так что, для учета всевозможных ситуаций, магазину нужно считать население своим «противником» (условно), преследующим противоположную цель – минимизировать прибыль магазина.

Итак, имеем задачу принятия решения с двумя участниками, преследующими противоположные цели. Уточним, что магазин выбирает один из типов товаров для продажи (всего n вариантов решений), а население - один из типов товаров, который пользуется наибольшим спросом (n вариантов решений).

Для составления математической модели нарисуем таблицу с n строками и n столбцами (всего n 2 клеток) и условимся, что строки соответствуют выбору магазина, а столбики - выбору населения. Тогда клетка (i, j) соответствует той ситуации, когда магазин выбирает i -й тип товара (i -ю строку), а население выбирает j -й тип товара (j- ю столбик). В каждую клетку запишем числовую оценку (прибыль или убыток) соответствующей ситуации с точки зрения магазина:

Числа q i написаны с минусом для отражения убытка магазина; в каждой ситуации «выигрыш» населения (условно) равен «выигрышу» магазина, взятому с обратным знаком.

Сокращенный вид этой модели таков:

(1.9)

Мы получили так называемую матричную игру. Модель (1.9.) является примером игровых моделей принятия решения.

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.

Проследить динамику развития объекта, внутреннюю сущность соотношений его элементов и различные со­стояния в процессе проектирования можно только с по­мощью моделей, использующих принцип динамической аналогии, т. е. с помощью математических моделей.

Математическая модель - это система математиче­ских соотношений, описывающих изучаемый процесс или явление. Для составления математической модели мож­но использовать любые математические средства - тео­рию множеств, математическую логику, язык дифферен­циальных или интегральных уравнений. Процесс состав­ления математической модели называется математическим моделированием . Как и другие виды моделей, ма­тематическая модель представляет задачу в упрощен­ном виде и описывает только свойства и закономер­ности, которые наиболее важны для данного объекта или процесса. Математическая модель позволяет осуществ­лять многосторонний количественный анализ. Изменяя исходные данные, критерии, ограничения, каждый раз можно получать оптимальное по заданным условиям ре­шение и определять дальнейшее направление поиска.

Создание математических моделей требует от их раз­работчиков, кроме знания формально-логических мето­дов, тщательного анализа изучаемого объекта с целью строгого формулирования основных идей и правил, а также с целью выявления достаточного объема досто­верных фактических, статистических и нормативных данных.

Следует отметить, что все используемые в настоя­щее время математические модели относятся к предпи­сывающим . Цель разработки предписывающих моде­лей - указание направления поиска решения, в то время как цель разработки описывающих моделей - отражение действительных процессов мышления человека.

Достаточно широко распространена точка зрения, что с помощью математики можно получить только некото­рые числовые данные по изучаемому объекту или про­цессу. «Разумеется, многие математические дисциплины направлены на получение конечного численного резуль­тата. Но сводить математические методы только к зада­че получения числа - значит бесконечно обеднять мате­матику, обеднять возможность того могучего оружия, которое сегодня есть в руках исследователей…

Математическая модель, записанная на том или ином частном языке (например, дифференциальные уравне­ния), отражает определенные свойства реальных физиче­ских процессов. В результате анализа математических моделей мы получаем, прежде всего, качественные пред­ставления об особенностях изучаемых процессов, уста­навливаем закономерности, определяющие динамический ряд последовательных состояний, получаем возможность предсказать течение процесса и определять его количе­ственные характеристики».

Математические модели используются во многих известных способах моделирования. Среди них можно назвать разработку моделей, описывающих статическое и динамическое состояние объекта, оптимизационные модели.

Примером математических моделей, описывающих статическое и динамическое состояние объекта, могут служить различные методы традиционных расчетов конструкций. Процесс расчета, представленный в виде последовательности математических операций (алгоритм), позволяет сказать, что составлена математическая модель для расчета определенной конструкции.

В оптимизационных моделях присутствуют три элемента:

Целевая функция, отражающая принятый критерий качества;

Регулируемые параметры;

Налагаемые ограничения.

Все эти элементы должны быть описаны математически в виде уравнений, логических условий и т.д. Решение оптимизационной задачи представляет собой процесс поиска минимального (максимального) значения целевой функции при соблюдении заданных ограничений. Результат решения считается оптимальным, если функция цели достигает своего экстремального значения.

Пример оптимизационной модели – математическое описание критерия «длина связи» в методике вариантного проектирования промышленных зданий.

Целевая функция отражает общую взвешенную протяженность всех функциональных связей, которая должны стремиться к минимуму:

где – весовое значение связи элемента с ;

– длина связи между и элементами;

– общее число размещаемых элементов.

Поскольку площади размещаемых элементов помещений во всех вариантах проектного решения равны, то варианты отличаются один от другого только различными расстояниями между элементами и их расположением относительно друг друга. Следовательно, регулируемыми параметрами служат в данном случае координаты элементов, размещаемых на планах этажей.

Налагаемые ограничения на расположение элементов (в заранее фиксированном месте плана, у наружного периметра, друг над другом и т.д.) и на длину связей (значения длины связей между и ым элементами заданы жестко, заданы минимальные или максимальные пределы значений, заданы границы изменения значений) записываются формально.

Вариант считается оптимальным (по данному критерию), если значение функции цели, вычисленной для этого варианта, будет минимальным.

Разновидность математических моделей – экономико-математическая модель – представляет собой модель связи экономических характеристик и параметров системы.

Примером экономико-математических моделей служит математическое описание критериев затрат в упомянутой выше методике вариантного проектирования промышленных зданий. В математических моделях, полученных на основе использования методов математической статистики, отражена зависимость стоимости каркаса, фундаментов, земляных работ одноэтажных и многоэтажных промышленных зданий и их высоты, пролета и шага несущих конструкций.

По способу учета влияния случайных факторов на принятие решения математические модели подразделяются на детерминированные и вероятностные. Детерминированная модель не учитывает влияние случайных факторов в процессе функционирования системы и основана на аналитическом представлении закономерностей функционирования. Вероятностная (стохастическая) модель учитывает влияние случайных факторов в процессе функционирования системы и основана на статистической, т.е. количественной оценке массовых явлений, позволяющей принимать в расчет их нелинейность, динамику, случайные возмущения, описываемые разными законами распределения.

Используя приведенные выше примеры, можно сказать, что математическая модель, описывающая критерий «длина связей», относится к детерминированным, а математические модели, описывающие группу критериев «затраты», - к вероятностным моделям.

Лингвистические, семантические и информационные модели

Математические модели имеют очевидные достоинства, так как количественная оценка аспектов задачи дает ясное представление о приоритетах целей. Немаловажно, что специалист всегда может обосновать принятие того или иного решения, представив соответствующие численные данные. Однако полное математическое описание проектной деятельности невозможно, поэтому большинство задач, решаемых на начальной стадии архитектурно-строительного проектирования, относится к слабоструктурированным .

Одна из особенностей слабоструктурированных задач - словесное описание используемых в них критериев. Введение критериев, описанных на естественном языке (такие критерии называют лингвистическими ), позволяет использовать менее сложные методы для поиска оптимальных проектных решений. При наличии таких критериев проектировщик принимает решение на основании привычных, не вызывающих сомнения выражениях целей.

Содержательное описание всех аспектов задачи вносит систематизацию в процесс ее решения, с одной стороны, а с другой, значительно облегчает работу специалистов, которые без изучения соответствующих разделов математики могут более рационально решать свои профессиональные задачи. На рис. 5.2 приведена лингвистическая модель , описывающая возможности создания условий для естественной вентиляции в различных вариантах планировочных решений хлебозавода.

Другие преимущества содержательного описания проблем заключаются в следующем:

Возможность описания всех критериев, которыми определяется эффективность проектного решения. При этом важно, что в описание могут быть введены слож­ные понятия и в поле зрения специалиста наряду с ко­личественными, измеряемыми факторами попадут и ка­чественные, не измеряемые. Таким образом, на момент принятия решения будет использована вся субъективная и объективная информация;

Рис. 5.2 Описание содержания критерия «вентиляция» в виде лингвистической модели

Возможность однозначной оценки степени достижения цели в вариантах по данному признаку на основе фор­мулировок, принятых специалистами, что обеспечивает достоверность полученной информации;

Возможность учета неопределенности, связанной с не­полным знанием всех последствий принимаемых реше­ний, а так же информации прогнозного характера.

К моделям, которые используют естественный язык для описания объекта исследования, относятся и семан­тические модели.

Семантическая модель - есть такое представление объекта, при котором отражается степень взаимосвязан­ности (близости) между различными составными частя­ми, аспектами, свойствами объекта. Под взаимосвязан­ностью понимается не относительное пространственное расположение, а связь по смыслу.

Так, в семантическом смысле связь между коэффи­циентом естественной освещенности и площадью света прозрачных ограждений будет представлена как более близкая, чем связь между оконными проемами и смеж­ными с ними глухими участками стены.

Совокупность отношений связанности показывает, что представляет собой каждый выделяемый в объекте эле­мент и объект в целом. В то же время семантическая модель отображает помимо степени связанности различ­ных сторон в объекте также содержание понятий. Элементарными моделями служат понятия, выраженные естественным языком.

Построение семантических моделей основывается на принципах, в соответствии с которыми понятия и связи не изменяются в течение всего времени использования модели; содержание одного понятия не переходит в дру­гое; связи между двумя понятиями имеют равное по отношению к ним и неориентированное взаимодействие.

Каждый анализ модели направлен на выбор элемен­тов модели, имеющих общее определенное качество. Это дает основание для построения алгоритма, учитывающе­го только непосредственные связи. При преобразовании модели в неориентированный граф ищется путь между двумя элементами, который прослеживает движение из одного элемента в другой, с использованием каждого элемента только один раз. Порядок следования элемен­тов называется последовательностью этих двух элемен­тов. Последовательности могут иметь разную длину. Самые короткие из них называются отношениями эле­ментов. Последовательность двух элементов существует и в том случае, если между ними существует непосред­ственная связь, но в таком случае не существует от­ношения.

В качестве примера семантической модели приведем описание планировки квартиры вместе с коммуникацион­ными связями. Понятие - это помещения квартиры. Не­посредственная связь означает функциональное соедине­ние двух помещений, например дверью (см. табл. 5.1).

Преобразование модели в форму неориентированного графа позволяет получить последовательность элементов (рис. 5.3).

Примеры последовательности, образованной между элементом 2 (ванная) и элементом 6 (кладовая), приведены в табл. 5.2. Как видно из таблицы, последовательность 3 пред­ставляет отношение этих двух элементов.

Таблица 5.1

Описание планировки квартиры

Рис. 5.3 Описание планировочного решения в виде неориентирован­ного графа