С.П. БОБКОВ, Д.О. БЫТЕВ

МОДЕЛИРОВАНИЕ СИСТЕМ

Учебное пособие

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

Ивановский государственный химико-технологический университет

Международный университет бизнеса и новых технологий (институт)

С.П. БОБКОВ, Д.О. БЫТЕВ

МОДЕЛИРОВАНИЕ СИСТЕМ

для студентов высших учебных заведений.

Бобков С.П. Моделирование систем: учеб. пособие / С.П. Бобков,

Д.О. Бытев; Иван. гос. хим.-технол. ун-т. – Иваново, 2008. – 156 с. - ISBN

Цель учебного пособия – дать студентам общее представление о со- временных методах моделирования технических и технико-экономических систем и объектов.

В пособии рассматриваются общие вопросы и современная методо-

логия моделирования, непрерывные и дискретные детерминированные мо-

дели объектов и систем, стохастические модели с дискретным и непрерыв- ным временем. Большое внимание уделено методам имитационного моде- лирования систем с вероятностными характеристиками. Дается обзор дру- гих подходов к моделированию сложных систем, таких как информацион- но-энтропийный, использование нейронных сетей и сетей Петри.

Учебное пособие предназначено для студентов, обучающихся по специальностям подготовки 080801 «Прикладная информатика» и 230201

«Информационные системы и технологии». Кроме того, пособие может быть полезным для студентов других специальностей и направлений.

Табл.7. Ил.92. Библиогр.:10 назв.

Печатается по решению редакционно-издательского совета Иванов-

ского государственного химико-технологического университета.

Рецензенты:

кафедра прикладной математики Ивановского государственного энергетического университета; доктор физико-математических наук В.А.Соколов, (Ярославский государственный университет).

ISBN 5-9616-0268-6 © ГОУ ВПО Ивановский государст- венный химико-технологический университет», 2008

1.5. Понятие математической схемы моделирования. . . . . . . . . . . . . . 12

1.6. Общая методика создания математических моделей. . . . . . . . . . . 13

1.7. Основные понятия системного подхода к созданию

математических моделей. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2. ДЕТЕРМИНИРОВАННЫЕ МОДЕЛИ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.1. Математические модели технических объектов. . . . . . . . . . . . . . . 20

2.1.1. Компонентные функциональные уравнения объектов. . . . . 20

2.1.2. Фазовые переменные и их аналогии. . . . . . . . . . . . . . . . . . . . 23

2.1.3. Топологические уравнения. . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.1.4. Примеры создания моделей технических объектов. . . . . . . 25

2.1.5. Модели технологических аппаратов. . . . . . . . . . . . . . . . . . . 29

2.2. Конечные автоматы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.1. Понятие конечного автомата. . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.2. Способы описания и классы конечных автоматов. . . . . . . . 32

2.2.3. Другие виды конечных автоматов. . . . . . . . . . . . . . . . . . . . . 37

3. СТОХАСТИЧЕСКИЕ МОДЕЛИ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1. Элементы теории марковских случайных процессов. . . . . . . . . . . 39

3.1.1. Понятие случайного процесса. . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1.2. Дискретные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.1.3. Стационарное распределение вероятностей. . . . . . . . . . . . . 43

3.1.4. Непрерывные марковские цепи. . . . . . . . . . . . . . . . . . . . . . . 45

3.1.5. Уравнения А.Н. Колмогорова. . . . . . . . . . . . . . . . . . . . . . . . . 46

3.1.6. Потоки событий. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.2. Основы теории массового обслуживания. . . . . . . . . . . . . . . . . . . . . 51

3.2.1. Обобщенная структурная схема СМО. Параметры

и характеристики. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2.2. Разомкнутые СМО с ожиданием и терпеливыми заявками. 58

3.2.3. Предельные варианты разомкнутой СМО. . . . . . . . . . . . . . . 62

3.2.4.Общий случай разомкнутой СМО. . . . . . . . . . . . . . . . . . . . . . 64

3.2.5. Замкнутые СМО. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

3.2.6. Сети массового обслуживания

с простейшими потоками событий. . . . . . . . . . . . . . . . . . . . . . . . . . 73

3.3. Вероятностные автоматы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ. . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Определение метода имитационного моделирования. . . . . . . . . .
4.2. Основные понятия имитационного моделирования. . . . . . . . . . . .
4.3. Основные этапы имитационного моделирования. . . . . . . . . . . . . .
4.4. Время в имитационных моделях. Псевдопараллелизм. . . . . . . . . .
4.5. Обобщённые алгоритмы имитационного моделирования. . . . . . .
4.6. Моделирование случайных факторов. . . . . . . . . . . . . . . . . . . . . . . .
4.6.1. Моделирование базовых случайных величин. . . . . . . . . . . .
4.6.2. Моделирование непрерывных случайных величин
с произвольным распределением. . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.3. Моделирование дискретных случайных величин. . . . . . . . .
4.6.4. Моделирование случайных событий и их потоков. . . . . . .
4.7 Моделирование случайных процессов. . . . . . . . . . . . . . . . . . . . . . . .
4.7.1 Дискретные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.2 Непрерывные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . .
4.8. Обработка и анализ результатов имитационного моделирования.
4.8.1. Оценка вероятностных параметров. . . . . . . . . . . . . . . . . . . .
4.8.2. Оценка корреляционных параметров. . . . . . . . . . . . . . . . . . .
4.8.3. Расчет средних по времени параметров СМО. . . . . . . . . . . .
4.9. Планирование экспериментов с имитационными моделями. . . . .
4.10. Общие проблемы имитационного моделирования. . . . . . . . . . . .
5. ОБЗОР АЛЬТЕРНАТИВНЫХ ПОДХОДОВ К МОДЕЛИРОВАНИЮ
СЛОЖНЫХ СИСТЕМ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1. Сети Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1. Определение сети Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.2. Функционирование сети Петри. . . . . . . . . . . . . . . . . . . . . . . .
5.1.3. Анализ сетей Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Нейронные сети. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.1. Понятие нейронной сети. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.2. Искусственный нейрон. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.3. Основные виды активационных функций искусственных
нейронов. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.4. Виды простейших нейронных сетей. . . . . . . . . . . . . . . . . . . .
5.2.5. Рекуррентные и самоорганизующиеся нейронные сети. . .
5.2.6. Общие замечания по использованию нейронных сетей. . . .
5.3. Информационно-энтропийный подход к моделированию систем
СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .

ВВЕДЕНИЕ

Моделирование является универсальным методом получения и использо- вания знаний об окружающем мире. Моделирование всегда используется чело- веком в целенаправленной деятельности, особенно в исследовательской. В со- временных условиях усиливается роль и значение математического моделиро- вания, которое с развитием средств вычислительной техники часто стали назы- вать компьютерным.

Математические (компьютерные) модели, в силу своей логичности и строгого формального характера, позволяют выявить основные факторы, опре- деляющие свойства изучаемых систем и исследовать их реакции на внешние воздействия и изменения параметров. Часто математические модели проще и удобнее использовать, чем натуральные (физические). Они позволяют прово- дить вычислительные эксперименты, реальная постановка которых затруднена или невозможна.

Изучение основных принципов математического моделирования является неотъемлемой частью подготовки специалистов в технических областях дея- тельности. Дисциплины, связанные с изучением основных аспектов моделиро- вания объектов и систем в обязательном порядке входят в соответствующие учебные планы, являясь компонентами федеральных образовательных стандар- тов.

Целью данного учебного пособия является последовательное изложение современных методов моделирования. Пособие предназначено главным обра- зом для студентов, обучающихся по специальностям и направлениям «Инфор- мационные системы» и «Прикладная информатика (по отраслям». Однако, учи- тывая опыт преподавания подобных дисциплин в технических вузах, авторы сочли целесообразным не ограничиваться рассмотрением только информаци- онных систем, но и включить в текст рассмотрение технических и технико- экономических систем и объектов.

Материал пособия выстроен следующим образом. В первой главе рас- сматриваются общие вопросы и современная методология моделирования, ис- пользование системного подхода при создании математических моделей. Вто- рая глава посвящена рассмотрению непрерывных и дискретных детерминиро- ванных моделей объектов и систем. Предлагается использование метода анало- гий при синтезе и анализе моделей технических объектов различной физиче- ской природы. В третьей главе изучаются стохастические модели с дискретным и непрерывным временем. Большое внимание в пособии уделено методам ими- тационного моделирования систем с вероятностными характеристиками, что составляет содержание четвертой главы. В пятой главе дается обзор других подходов к моделированию сложных систем, таких как информационно- энтропийный, использование нейронных сетей и сетей Петри.

ОБЩИЕ ПОНЯТИЯ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

Под математическим моделированием, в узком смысле слова, понимают описание в виде уравнений и неравенств реальных физических, химических, технологических, биологических, экономических и других процессов. Для того чтобы использовать математические методы для анализа и синтеза различных процессов, необходимо уметь описать эти процессы на языке математики, то есть описать в виде системы уравнений и неравенств .

Математические методы выступают как способ получения новых знаний об объекте. Это относится не только к системам. Оглядываясь назад, обращаясь к истории науки, исследователь видит, что всю динамику науки можно рассматривать как непрерывный процесс построения новых, более совершенных и мощных моделей. Укоренилось представление, что «всякое познание является моделированием» (Н.Амосов). Под воздействием общей теории систем произошло переосмысление, переоценка и классических представлений. Понятие математического моделирования стало толковаться настолько расширительно, что включило в себя всю формализацию и математизацию знания. «Математическая модель - это лишь специальный способ описания, позволяющий для анализа использовать формально-логический аппарат математики » (Моисеев Н.Н., 1973).

Но модели сложных и больших систем - это нечто иное принципиально, качественно. Аналитического, формально-логического аппарата здесь уже недостаточно. В рамках этой работы под математической моделью понимается любая математическая конструкция, являющаяся большой и/или сложной динамической системой и обладающая свойством структурно-функционального изоморфизма по отношению к исследуемой системе (системе-оригиналу).

Между моделированием и получением количественного или качественного результата математическими методами существует глубокое различие. Применение математики становится возможным тогда, когда становится ясно, что и с какой целью определять, оценивать, измерять, что и как обрабатывать математическими методами. Модель для этих задач не служит. Математическое моделирование − это не приложение математического инструмента к объекту, не решение конкретных задач математическими средствами. Это построение формальными методами и средствами абстрактного объекта изофункционального исследуемому объекту для последующего приложения математических методов количественного и качественного анализа. В то же время, использование в моделировании математики в качестве языка (метатеории) придает полученным выводам доказательную силу. Деятельность по построению моделей не принадлежит математике и выполняется (должна выполняться) не математиками, а специалистами в конкретной области знания.

Для построения модели системы нужны те содержательные эмпирические представления, те описательные науки, которые предшествуют появлению формализованных наук. Эти описания не входят в виде составных частей в формализованную науку, а лишь облегчают процесс формализации, обогащают эвристические возможности формализации. Модель не требует предварительного описания моделируемого объекта, потому что она сама является формой описания.

Отношение модели и реальности иное, чем отношение реальности и математической формулы. Формула − это иероглиф, знак действительности. Модель − это сама действительность. Можно возразить, что физик или математик отлично чувствует динамику, реальные отношения, которые скрываются за формулой, не воспринимает ее как иероглиф, а, кроме того, современная математика − это далеко не просто и не только формула. И все же, формулами ученый мыслить не может. Иное дело модель. Она обладает динамикой, она живет (не только в переносном, порой и в прямом смысле слова). Исследователь может мыслить моделями, он получает возможность образного мышления. В мире моделей смыкается художественное и логическое восприятие действительности.

Математическое моделирование не исключает использование классической математики, более того, в составе модели математика получает ту силу и всеобщность проникновения, которой была лишена в классическую эпоху.

Если мы рассматриваем некоторый объект как целое, заданное своими внешними свойствами, мы можем эффективно использовать аналитические способы описания для процессов, происходящих вне этого целого. Но стоит поставить задачу внутреннего описания большой и/или сложной системы, описания взаимодействий между ее частями, элементами и подсистемами методами классической математики, как мы немедленно сталкиваемся с непреодолимыми трудностями.

С другой стороны, попытка описать процедурными методами некоторую систему, в общем, не проникая в ее внутреннее устройство, в ее структуру и функции элементов, как правило, не приведет к значимому результату. Каждому методу свое место.

В математике аналитических структур мы должны сначала понять, а потом описать. В моделировании, в математике алгоритмических процессов, сам процесс описания того, что еще не понято, нередко становится средством понимания.

Как методология научных исследований математическое моделирование сочетает в себе опыт различных отраслей науки о природе и обществе, прикладной математики, информатики и системного программирования для решения фундаментальных проблем. Математическое моделирование объектов сложной природы – единый сквозной цикл разработок от фундаментального исследования проблемы до конкретных численных расчетов показателей эффективности объекта. Результатом разработок бывает система математических моделей, которые описывают качественно разнородные закономерности функционирования объекта и его эволюцию в целом как сложной системы в различных условиях. Вычислительные эксперименты с математическими моделями дают исходные данные для оценки показателей эффективности объекта. Поэтому математическое моделирование как методология организации научной экспертизы крупных проблем незаменимо при проработке народнохозяйственных решений. (В первую очередь это относится к моделированию экономических систем).По своей сути математическое моделирование есть метод решения новых сложных проблем, поэтому исследования по математическому моделированию должны быть опережающими. Следует заранее разрабатывать новые методы, готовить кадры, умеющие со знанием дела применять эти методы для решения новых практических задач.Математическая модель может возникнуть тремя путями: 1. В результате прямого изучения реального процесса. Такие модели называются феноменологическими.2. В результате процесса дедукции. Новая модель является частным случаем некоторой общей модели. Такие модели называются асимптотическими.3. В результате процесса индукции. Новая модель является обобщением элементарных моделей. Такие модели называют моделями ансамблей. Процесс моделирования начинается с моделирования упрощенного процесса, который с одной стороны отражает основные качественные явления, с другой стороны допускает достаточно простое математическое описание. По мере углубления исследования строятся новые модели, более детально описывающие явление. Факторы, которые считаются второстепенными на данном этапе, отбрасываются. Однако, на следующих этапах исследования, по мере усложнения модели, они могут быть включены в рассмотрение. В зависимости от цели исследования один и тот же фактор может считаться основным или второстепенным.Математическая модель и реальный процесс не тождественны между собой. Как правило, математическая модель строится с некоторым упрощением и при некоторой идеализации. Она лишь приближенно отражает реальный объект исследования, и результаты исследования реального объекта математическими методами носят приближенный характер. Точность исследования зависит от степени адекватности модели и объекта и от точности применяемых методов вычислительной математики. Схема построения математических моделей следующая: 1. Выделение параметра или функции, подлежащей исследованию.2. Выбор закона, которому подчиняется эта величина.3. Выбор области, в которой требуется изучить данное явление.

Теоретическая дисциплина становится точной наукой, когда она оперирует количественными характеристиками. За качественным описанием модели следует вторая фаза абстрагирования − количественное описание модели. Еще Галилео Галилей сказал, что книга природы написана на языке математики. Иммануил Кант провозгласил, что «во всякой науке столько истины, сколько в ней математики». А Давиду Гильберту принадлежат слова: «Математика − основа всего точного естествознания».

Математическое моделирование − это теоретико-экспериментальный метод познавательно-созидательной деятельности, это метод исследования и объяснения явлений, процессов и систем (объектов-оригиналов) на основе создания новых объектов − математических моделей.

Под математической моделью принято понимать совокупность соотношений (уравнений, неравенств, логических условий, операторов и т.п.), определяющих характеристики состояний объекта моделирования, а через них и выходные значения – реакции , в зависимости от параметров объекта-оригинала , входных воздействий , начальных и граничных условий, а также времени.

Математическая модель, как правило, учитывает лишь те свойства (атрибуты) объекта-оригинала , которые отражают, определяют и представляют интерес с точки зрения целей и задач конкретного исследования. Следовательно, в зависимости от целей моделирования, при рассмотрении одного и того же объекта-оригинала с различных точек зрения и в различных аспектах, последний может иметь различные математические описания и, как следствие, быть представлен различными математическими моделями.

Принимая во внимание, изложенное выше, дадим наиболее общее, но в то же время строгое конструктивное определение математической модели, сформулированное П.Дж. Коэном.

Определение 4.1. Математическая модель − это формальная система, представляющая собой конечное собрание символов и совершенно строгих правил оперирования этими символами в совокупности с интерпретацией свойств определенного объекта некоторыми отношениями, символами или константами.

Как следует из приведенного определения, конечное собрание символов (алфавит) и совершенно строгих правил оперирования этими символами («грамматика» и «синтаксис» математических выражений) приводят к формированию абстрактных математических объектов (АМО). Только интерпретация делает этот абстрактный объект математической моделью.

Математическая модель представляет собой количест-венную формализацию абстрактных представлений об изучаемом явлении или объекте.

Математические модели могут быть представлены различны­ми математическими средствами:

· действительными или комплексными величинами;

· векторами, матрицами;

· геометрическими образами;

· не­равенствами;

· функциями и функционалами;

· множествами, различными уравнениями;

· функциями распределения вероятностей, статистиками и т.д.

«В физической науке − писал Томпсон, − при изучении любого объекта первый и наиболее существенный шаг состоит в том, чтобы найти принципы численной оценки и практические методы из­мерения некоторого количества, присущего этому объекту».

Переход от первой ко второй фазе абстрагирования, т.е. от физической модели к математической часто освобождает модель от специфических черт, присущих данному изучаемому явлению или объ­екту. Очень многие математические модели, лишившись физической или технической оболочки, приобретают универсальность, т.е. спо­собность количественного описания различных по своей физической природе процессов или по техническому назначению объектов. В этом проявляется одно из важнейших свойств математической форма­лизации предмета исследования, благодаря которому при постановке и решении прикладных задач в большинстве случаев не требуется создавать новый математический аппарат, а можно воспользоваться существующим, с необходимыми для конкретной ситуации усовершенс­твованием и интерпретацией. Таким образом, одна математическая модель может быть использована для решения большого числа част­ных, конкретных задач и в этом смысле она выражает одно из глав­ных практических назначений теории.

Конечно, построение физической модели часто неразрывно свя­зано с построением математической модели и оба этих процесса представляют две стороны единого процесса абстрагирования.

Нас окружают сложные технические объекты (технические системы), созданные человеком . В процессе проектирования новой или модернизации существующей технической системы решаются задачи расчета параметров и исследования процессов в этой системе. При проведении многовариантных расчетов реальную систему заменяют моделью. В широком смысле модель определяют как отражение наиболее существенных свойств объекта.

Определение 4 .2 . Математическая модель технического объекта - совокупность математических объектов и отношений между ними, которая адекватно отражает свойства исследуемого объекта, интересующие исследователя (инженера).

Модель может быть представлена различными способами.

Формы представления модели

· инвариантная − запись соотношений модели с помощью традиционного математического языка безотносительно к методу решения уравнений модели;

· аналитическая − запись модели в виде результата аналитического решения исходных уравнений модели;

· алгоритмическая − запись соотношений модели и выбранного численного метода решения в форме алгоритм;

· схемная (графическая) − представление модели на некотором графическом языке (например, язык графов, эквивалентные схемы, диаграммы и т.п.);

· физическая;

· аналоговая;

Математическое моделирование является наиболее универсальным описанием процессов.

В понятие математического моделирования иногда включают и процесс решения задачи на ЭВМ (что в принципе не совсем верно, так как решение задачи на ЭВМ предусматривает кроме всего прочего создание алгоритмической и программной модели, реализующей вычисление в соответствии с математической моделью).

Определение 4.3. ММ− это образ исследуемого объекта, создаваемый в уме субъекта-исследователя с помощью определенных формальных (математических) систем с целью изучения (оценки) определенных свойств данного объекта.

Пусть некоторый объект Q обладает некоторым интересующим нас свойством C 0 .

Для получения математической модели, описывающей данное свойство необходимо:

1. Определить показатель данного свойства (т.е. определить меру свойства в некоторой системе измерения ).

2. Установить перечень свойств С 1 , ..., С m, с которыми свойство С 0 связано некоторыми отношениями (это могут быть внутренние свойства объекта и свойства внешней среды, влияющие на объект).

3. Описать в избранной форматной системе свойства внешней среды, как внешние факторы х 1 , ..., х n , влияющие на искомый показатель Y , внутренние свойства объекта, как параметры z 1 , ..., z r , а неучтенные свойства отнести к группе неучитываемых факторов .

4. Выяснить, если это возможно, закономерные отношения между Y и всеми учитываемыми факторами и параметрами, и составить математическое описание (модель ).

Реальный объект характеризуется следующим функциональным отношением между показателями его свойств:

Однако в модели отображаются только те факторы и параметры оригинального объекта, которые имеют существенное значение для решения исследуемой проблемы. Кроме того, измерения существенных факторов и параметров практически всегда содержат ошибки, вызываемые неточностью измерительных приборов и незнанием некоторых факторов. В силу этого ММ является только приближенным описанием свойств изучаемого объекта.

Математическую модель можно определить еще и как абстракцию изучаемой реальной сущности .

Модели обычно отличаются от оригиналов по природе своих внутренних параметров. Подобие заключается в адекватности реакции Y модели и оригинала на изменение внешних факторов . Поэтому в общем случае математическая модель представляет собой функцию

где - внутренние параметры модели, адекватные параметрам оригинала.

В зависимости от применяемых методов математического описания изучаемых объектов (явлений, процессов) ММ бывают аналитические, логические, графические, автоматные и т.д.

Главным вопросом математического моделирования является вопрос о том, как точно составленная ММ отражает отношения между учитываемыми факторами, параметрами и показателем Y оцениваемого свойства реального объекта, т.е. на сколько точно уравнение (4.2) соответствует уравнению (4.1). Иногда уравнение (4.2) может быть получено сразу в явном виде, например, в виде системы дифференциальных уравнений, или в виде иных явных математических соотношений.

В более сложных случаях вид уравнения (4.2) неизвестен и задача исследователя состоит, прежде всего, в том, чтобы найти это уравнение. При этом к числу варьируемых параметров , относят все учитываемые внешние факторы и параметры исследуемого объекта, а к числу искомых параметров относят внутренние параметры модели , связывающие факторы , с показателем Y " наиболее правдоподобным отношением. Решением этой проблемы занимается теория эксперимента. Суть этой теории состоит в том, чтобы, основываясь на выборочных измерениях значений параметров , и показателя Y ", найти параметры , при которых функция (4.2) наиболее точно отражает реальную закономерность (4.1).

Математическое моделирование - процесс построения и изучения математических моделей

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

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

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

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

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

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

Математическое моделирование

1. Что такое математическое моделирование?

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

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

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

2. Основные этапы математического моделирования

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

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

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

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

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

3. Классификация моделей

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

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

4. Примеры математических моделей

1) Задачи о движении снаряда.

Рассмотрим следующую задачу механики.

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

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

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

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

ответ: y = x – 90x 2 , S = 90 м.

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

2) Задача о баке с наименьшей площадью поверхности.

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

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

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

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

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

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

3) Транспортная задача.

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

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

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

Как нужно спланировать перевозки, чтобы их стоимость была минимальной?

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

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

Общая стоимость всех перевозок определяется формулой

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

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

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

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

f = 148 – 0,2x 4 .

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

4) Задача о радиоактивном распаде.

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

5) Задача о коммивояжере.

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

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

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

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

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

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

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

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

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

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

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

y » a n + b,

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

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

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

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

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

y » 34n – 139.

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

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

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

7) Задача об определении надежности электрической цепи.

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

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

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

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

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

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

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

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

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

Решение практических задач математическими методами последовательно осуществляется путем формулировки задачи (разработки математической модели), выбора метода исследования полученной математической модели, анализа полученного математического результата. Математическая формулировка задачи обычно представляется в виде геометрических образов, функций, систем уравнений и т.п. Описание объекта (явления) может быть представлено с помощью непрерывной или дискретной, детерминированной или стохастической и другими математическими формами.

Теория математического моделирования обеспечивает выявление закономерностей протекания различных явлений окружающего мира или работы систем и устройств путем их математического описания и моделирования без проведения натурных испытаний. При этом используются положения и законы математики, описывающие моделируемые явления, системы или устройства на некотором уровне их идеализации.

Математическая модель (ММ) представляет собой формализованное описание системы (или операции) на некотором абстрактном языке, например, в виде совокупности математических соотношений или схемы алгоритма, т. е. такое математическое описание, которое обеспечивает имитацию работы систем или устройств на уровне, достаточно близком к их реальному поведению, получаемому при натурных испытаниях систем или устройств. Любая ММ описывает реальный объект, явление или процесс с некоторой степенью приближения к действительности. Вид ММ зависит как от природы реального объекта, так и от задач исследования.

Математическое моделирование общественных, экономических, биологических и физических явлений, объектов, систем и различных устройств является одним из важнейших средств познания природы и проектирования самых разнообразных систем и устройств. Известны примеры эффективного использования моделирования в создании ядерных технологий, авиационных и аэрокосмических систем, в прогнозе атмосферных и океанических явлений, погоды и т.д.

Однако для таких серьезных сфер моделирования нередко нужны суперкомпьютеры и годы работы крупных коллективов ученых по подготовке данных для моделирования и его отладки. Тем не менее, и в этом случае математическое моделирование сложных систем и устройств не только экономит средства на проведение исследований и испытаний, но и может устранить экологические катастрофы – например, позволяет отказаться от испытаний ядерного и термоядерного оружия в пользу его математического моделирования или испытаний аэрокосмических систем перед их реальными полетами.

Между тем математическое моделирование на уровне решения более простых задач, например, из области механики, электротехники, электроники, радиотехники и многих других областей науки и техники в настоящее время стало доступным выполнять на современных ПК. А при использовании обобщенных моделей становится возможным моделирование и достаточно сложных систем, например, телекоммуникационных систем и сетей, радиолокационных или радионавигационных комплексов.

Целью математического моделирования является анализ реальных процессов (в природе или технике) математическими методами. В свою очередь, это требует формализации ММ процесса, подлежащего исследованию. Модель может представлять собой математическое выражение, содержащее переменные, поведение которых аналогично поведению реальной системы. Модель может включать элементы случайности, учитывающие вероятности возможных действий двух или большего числа «игроков», как, например, в теории игр; либо она может представлять реальные переменные параметры взаимосвязанных частей действующей системы.

Математическое моделирование для исследования характеристик систем можно разделить на аналитическое, имитационное и комбинированное. В свою очередь, ММ делятся на имитационные и аналитические.