Особенности математического моделирования и эксперимента доклад

Обновлено: 07.05.2024

Необходимость массового построения моделей требует разработки некоторой совокупности правил и подходов, которые позволили бы снизить затраты на разработку моделей и уменьшить вероятность появления трудно устранимых впоследствии ошибок. Подобную совокупность правил можно было бы назвать технологией создания математических моделей.

Процесс построения любой математической модели можно представить последовательностью этапов:

  1. Обследование объекта моделирования и формулировка технического задания на разработку модели (содержательная постановка задачи);
  2. Концептуальная и математическая постановка задачи;
  3. Качественный анализ и проверка корректности модели;
  4. Выбор и обоснование выбора методов решения задачи;
  5. Поиск решения;
  6. Разработка алгоритма решения и исследование его свойств, реализация алгоритма в виде программ;
  7. Проверка адекватности модели;
  8. Практическое использование построенной модели.

Обследование объекта моделирования

Математические модели, особенно использующие численные методы и вычислительную технику, требуют для своего построения значительных интеллектуальных, финансовых и временных затрат. Поэтому решение о разработке новой модели принимается лишь в случае отсутствия иных, более простых путей решения возникших проблем (например, модификации одной из существующих моделей).

Необходимость в новой модели может появиться в связи с проведением научных исследований, особенно — на стыке различных областей знания. После принятия решения о необходимости построения новой математической модели заказчик ищет исполнителя своего заказа. В качестве исполнителя, как правило, может выступать рабочая группа, включающая специалистов разного профиля: прикладных математиков, специалистов, хорошо знающих особенности объекта моделирования, программистов. Если решение о создании модели принято и рабочая группа сформирована, то приступают к этапу обследования объекта моделирования. Основной целью данного этапа является подготовка содержательной постановки задачи моделирования. Перечень сформулированных в содержательной (словесной) форме основных вопросов об объекте моделирования, интересующих заказчика, составляет содержательную постановку задачи моделирования.

На основании анализа всей собранной информации постановщик задачи должен сформулировать такие требования к будущей модели, которые, с одной стороны, удовлетворяли бы заказчика, а с другой — позволяли бы реализовать модель в заданные сроки и в рамках выделенных материальных средств. Системные аналитики (или операционисты) должны обладать способностью из большого объема слабо формализованной разнообразной информации об объекте моделирования, из различных нечетко высказанных и сформулированных пожеланий и требований заказчика к будущей модели выделить то главное, что может быть действительно реализовано.

На основе собранной информации об объекте моделирования системный аналитик (инженер, операционист) совместно с заказчиком формулируют содержательную постановку задачи моделирования, которая, как правило, не бывает окончательной и может уточняться и конкретизироваться в процессе разработки модели. Однако, все последующие уточнения и изменения содержательной постановки должны носить частный, не принципиальный характер.

Весь собранный в результате обследования материал о накопленных к данному моменту знаниях об объекте, содержательная постановка задачи моделирования, дополнительные требования к реализации модели и представлению результатов оформляются в виде технического задания на проектирование и разработку модели. Техническое задание является итоговым документом, заканчивающим этап обследования. Чем более полную информацию удастся собрать об объекте на этапе обследования, тем более четко можно выполнить содержательную постановку задачи, более полно учесть накопленный опыт и знания, избежать многих сложностей на последующих этапах разработки модели.

Концептуальная постановка задачи моделирования

В отличие от содержательной концептуальная постановка задачи моделирования, как правило, формулируется членами рабочей группы без привлечения представителей заказчика, на основании разработанного на предыдущем этапе технического задания, с использованием имеющихся знаний об объекте моделирования и требований к будущей модели. Анализ и совместное обсуждение членами рабочей группы всей имеющейся информации об объекте моделирования позволяет сформировать содержательную модель объекта, являющуюся синтезом когнитивных моделей, сложившихся у каждого из членов рабочей группы.

Концептуальная постановка задачи моделирования — это сформулированный в терминах конкретных дисциплин перечень основных вопросов, интересующих заказчика, а также совокупность гипотез относительно свойств и поведения объекта моделирования.

Математическая постановка задачи

Законченная концептуальная постановка позволяет сформулировать математическую постановку задачи моделирования, включающую совокупность различных математических соотношений, описывающих поведение и свойства объекта моделирования.

Математическая постановка задачи моделирования — это совокупность математических соотношений, описывающих поведение и свойства объекта моделирования.

Математическая модель является корректной, если для нее осуществлен и получен положительный результат всех контрольных проверок: размерности, порядков, характера зависимостей, экстремальных ситуаций, граничных условий, предметного смысла и математической замкнутости. Математическая постановка задачи еще более абстрактна, чем концептуальная, так как сводит исходную задачу к чисто математической, методы решения которой достаточно хорошо разработаны.

Выбор и обоснование выбора решения задачи

Однако исходное решение при этом представляет собой аналитическое выражение (или их совокупность). Решения же, основанные на алгоритмических методах, принципиально не сводимы к точным аналитическим решениям рассматриваемой задачи.

Выбор того или иного метода исследования в значительной степени зависит от квалификации и опыта членов рабочей группы. Аналитические методы более удобны для последующего анализа результатов, но применимы лишь для относительно простых моделей. В случае, если математическая задача (хотя бы и в упрощенной постановке) допускает аналитическое решение, последнее, без сомнения, предпочтительнее численного.

Алгоритмические методы сводятся к некоторому алгоритму, реализующему вычислительный эксперимент с использованием вычислительной техники. Точность моделирования в подобном эксперименте существенно зависит от выбранного метода и его параметров. Алгоритмические методы, как правило, более трудоемки в реализации, требуют от членов рабочей группы хорошего знания методов вычислительной математики, обширной библиотеки специального программного обеспечения и мощной вычислительной техники.

Численные методы применимы лишь для корректных математических задач, что существенно ограничивает использование их в математическом моделировании. Общим для всех численных методов является сведение математической задачи к конечномерной. Это чаще всего достигается дискретизацией исходной задачи, то есть переходом от функции непрерывного аргумента к функциям дискретного аргумента. Применение любого численного метода неминуемо приводит к погрешности результатов решения задачи. Выделяют три основных составляющих возникающей погрешности при численном решении исходной задачи: неустранимая погрешность, связанная с неточным заданием исходных данных (начальные и граничные условия, коэффициенты и правые части уравнений); погрешность метода, связанная с переходом к дискретному аналогу исходной задачи; ошибка округления, связанная с конечной разрядностью чисел, представляемых в вычислительной машине.

Естественным требованием для конкретного вычислительного алгоритма является согласованность в порядках величин перечисленных трех видов погрешностей.

Численный, или приближенный, метод реализуется всегда в виде вычислительного алгоритма. Поэтому все требования, предъявляемые к алгоритму, применимы и к вычислительному алгоритму. Прежде всего, алгоритм должен быть реализуем — обеспечивать решение задачи за допустимое машинное время. Важной характеристикой алгоритма является его точность, то есть возможность получения решения исходной задачи с заданной точностью за конечное число действий.

Время работы алгоритма зависит от числа действий, необходимых для достижения заданной точности. Для любой математической задачи, как правило, можно предложить несколько алгоритмов, позволяющих получить решение с заданной точностью, но за разное число действий. Алгоритмы, включающие меньшее число действий для достижения одинаковой точности, называют более экономичными, или более эффективными.

В процессе работы вычислительного алгоритма на каждом акте вычислений возникает некоторая погрешность. При этом от действия к действию она может возрастать или не возрастать (а в некоторых случаях даже уменьшаться). Если погрешность в процессе вычислений неограниченно возрастает, то такой алгоритм называется неустойчивым, или расходящимся. В противном случае алгоритм называется устойчивым, или сходящимся.

Огромное разнообразие численных методов в значительной степени затрудняет выбор того или иного метода в каждом конкретном случае. Поскольку для реализации одной и той же модели можно использовать несколько альтернативных алгоритмических методов, то выбор конкретного метода производится с учетом того, какой из них больше подходит для данной модели с точки зрения обеспечения эффективности, устойчивости и точности результатов, а также более освоен и знаком членам рабочей группы.

Реализация математической модели в виде компьютерной программы

При создании различных программных комплексов, используемых для решения разнообразных исследовательских, проектно-конструкторских и управленческих задач, в настоящее время, основой, как правило, служат математические модели. В связи с этим возникает необходимость реализации модели в виде компьютерной программы. Процесс разработки надежного и эффективного программного обеспечения является не менее сложным, чем все предыдущие этапы создания математической модели. Успешное решение данной задачи возможно лишь при уверенном владении современными алгоритмическими языками и технологиями программирования, знаний возможностей вычислительной техники, имеющегося программного обеспечения, особенностей реализации методов вычислительной математики.

Процесс создания программного обеспечения можно разбить на несколько этапов:

  • составление технического задания на разработку программного обеспечения;
  • проектирование структуры программного комплекса;
  • кодирование алгоритма;
  • тестирование и отладка;
  • сопровождение и эксплуатация.

Техническое задание на разработку программного обеспечения оформляют в виде спецификации. На этапе проектирования формируется общая структура программного комплекса. Вся программа разбивается на программные модули. Для каждого программного модуля формулируются требования по реализуемым функциям и разрабатывается алгоритм, выполняющий эти функции. Определяется схема взаимодействия программных модулей, называемая схемой потоков данных программного комплекса. Разрабатывается план и задаются исходные данные для тестирования отдельных модулей и программного комплекса в целом.

Большинство программ, реализующих математические модели, состоят из трех основных частей:

  • препроцессора (подготовка и проверка исходных данных модели);
  • процессора (решение задачи, реализация вычислительного эксперимента);
  • постпроцессора (отображение полученных результатов).

Большое значение следует придавать освоению современных технологий программирования. Назначение любой технологии — это в первую очередь повышение надежности программного обеспечения и увеличение производительности труда программиста. Причем чем серьезней и объемней программный проект, тем большее значение приобретают вопросы использования современных технологий программирования. Пренебрежение данными вопросами может привести к значительным временным издержкам и снижению надежности программного комплекса.

Важнейшим фактором, определяющим надежность и малые сроки создания программного комплекса для решения конкретного класса задач, является наличие развитой библиотеки совместимых между собой программных модулей. Программа получается более надежной и создается за меньшие сроки при максимальном использовании стандартных программных элементов.

Проверка адекватности модели

Адекватность математической модели - степень соответствия результатов, полученных по разработанной модели, данным эксперимента или тестовой задачи.

Проверка адекватности модели преследует две цели:

  • убедиться в справедливости совокупности гипотез, сформулированных на этапах концептуальной и математической постановок. Переходить к проверке гипотез следует лишь после проверки использованных методов решения, комплексной отладки и устранения всех ошибок и конфликтов, связанных с программным обеспечением;
  • установить, что точность полученных результатов соответствует точности, оговоренной в техническом задании.

Проверка разработанной математической модели выполняется путем сравнения с имеющимися экспериментальными данными о реальном объекте или с результатами других, созданных ранее и хорошо себя зарекомендовавших моделей. В первом случае говорят о проверке путем сравнения с экспериментом, во втором — о сравнении с результатами решения тестовой задачи.

Решение вопроса о точности моделирования зависит от требований, предъявляемых к модели, и ее назначения. При этом должна учитываться точность получения экспериментальных результатов или особенности постановок тестовых задач. В моделях, предназначенных для выполнения оценочных и прикидочных расчетов, удовлетворительной считается точность 10-15%. В моделях, используемых в управляющих и контролирующих системах, требуемая точность может быть 1-2% и даже более.

При возникновении проблем, связанных с адекватностью модели, ее корректировку требуется начинать с последовательного анализа всех возможных причин, приведших к расхождению результатов моделирования и результатов эксперимента. В первую очередь требуется исследовать модель и оценить степень ее адекватности при различных значениях варьируемых параметров (начальных и граничных условиях, параметров, характеризующих свойства объектов моделирования). Если модель неадекватна в интересующей исследователя области параметров, то можно попытаться уточнить значения констант и исходных параметров модели. Если же и в этом случае нет положительных результатов, то единственной возможностью улучшения модели остается изменение принятой системы гипотез. Данное решение фактически означает возвращение ко второму этапу процесса разработки модели и может повлечь не только серьезное изменение математической постановки задачи, но и методов ее решения (например, переход от аналитических к численным), полной переработки программного обеспечения и нового цикла проверки модели на адекватность. Поэтому решение об изменении принятой системы гипотез должно быть всесторонне взвешено и приниматься только в том случае, если исчерпаны все прочие возможности по улучшению адекватности модели.

Практическое использование модели и анализ результатов моделирования

Дескриптивные модели, предназначены для описания исследуемых параметров некоторого явления или процесса, а также для изучения закономерностей изменения этих параметров. Эти модели могут использоваться для изучения свойств и особенностей поведения исследуемого объекта при различных сочетаниях исходных данных и разных режимах; при построении оптимизационных моделей и моделей-имитаторов сложных систем.

Модели, разрабатываемые для исследовательских целей, как правило, не доводятся до уровня программных комплексов, предназначенных для передачи сторонним пользователям. Время их существования чаще всего ограничено временем выполнения исследовательских работ по соответствующему направлению. Эти модели отличает поисковый характер, применение новых вычислительных процедур и алгоритмов, неразвитый программный интерфейс.

Модели и построенные на их основе программные комплексы, предназначенные для последующей передачи сторонним пользователям или коммерческого распространения, имеют развитый дружественный интерфейс, мощные пре- и постпроцессоры. Данные модели обычно строятся на апробированных и хорошо себя зарекомендовавших постановках и вычислительных процедурах. Однако следует помнить, что такие модели предназначены только для решения четко оговоренного класса задач.

Независимо от области применения созданной модели группа разработчиков обязана провести качественный и количественный анализ результатов моделирования.

Работая с моделью, разработчики становятся специалистами в области, связанной с объектом моделирования. Они достаточно хорошо представляют свойства объекта, могут предсказать и объяснить его поведение.

Математические модели являются одним из основных инструментов познания человеком явлений окружающего мира. Под математическими моделями понимают основные закономерности и связи, присущие изучаемому явлению. Это могут быть формулы или уравнения, наборы правил или соглашений, выраженные в математической форме. Испокон веков в математике, механике, физике и других точных науках естествознания для описания изучаемых ими явлений использовались математические модели. Так, законы Ньютона полностью определяют закономерности движения планет вокруг Солнца. Используя основные законы механики, относительно нетрудно составить уравнения, описывающие движение космического аппарата, например, от Земли к Луне. Однако получить их решение в виде простых формул не представляется возможным. Для расчета траекторий космических аппаратов служат компьютеры.

Применение компьютеров для математического моделирования изменило само понятие "решить задачу". До этого исследователь удовлетворялся написанием математической модели. А если ему еще удавалось доказать, что решение (алгоритм) в принципе существует, то этого было достаточно, если априори полагать, что модель адекватно описывает изучаемое явление. Поскольку, как правило, нет простых формул, описывающих поведение модели, а стало быть и объекта, который описывается моделью, то единственный путь - свести дело к вычислениям, применению численных методов решения задач. В таком случае необходим конкретный алгоритм, указывающий последовательность вычислительных и логических операций, которые должны быть произведены для получения численного решения. С алгоритмами связана вся история математики. Само слово "алгоритм" является производным от имени средневекового узбекского ученого Аль-Хорезми. Еще древнегреческим ученым был известен алгоритм нахождения числа "пи" с высокой точностью. Ньютон предложил эффективный численный метод решения алгебраических уравнений, а Эйлер - численный метод решения обыкновенных дифференциальных уравнений. Как известно, модифицированные методы Ньютона и Эйлера до сих пор занимают почетное место в арсенале вычислительной математики. Ее предметом являются выбор расчетной области и расчетных точек, в которых вычисляются характеристики моделируемого объекта, правильная замена исходной математической модели ее аналогом, пригодным для расчета, т. е. некоторой дискретной моделью. Поскольку модели должны представлять изучаемые явления в необходимой полноте, понятно, что они становятся весьма сложными.

В модели входят множество величин, подлежащих определению, а сами эти величины зависят от большого числа переменных и постоянных параметров.

Наконец, модели реальных процессов оказываются нелинейными. Аппарат классической математической физики приспособлен для работы с линейными моделями. В этом случае сумма (суперпозиция) частных решений уравнения есть также его решение. Найдя частное решение уравнения для линейной модели, с помощью принципа суперпозиции можно получить решение в общем случае. На этом пути в традиционной математической физике были получены замечательные результаты. Однако она становится бессильной, если встречается с нелинейными моделями. Принцип суперпозиции здесь неприменим, и алгоритмов для построения общего решения не существует. Поэтому для нелинейных моделей законченных теоретических результатов получено немного.

Методология математического моделирования в кратком виде выражена знаменитой триадой "модель - алгоритм - программа", сформулированной академиком А. А. Самарским, основоположником отечественного математического моделирования. Эта методология получила свое развитие в виде технологии "вычислительного эксперимента", разработанной школой А. А. Самарского, - одной из информационных технологий, предназначенной для изучения явлений окружающего мира, когда натурный эксперимент оказывается слишком дорогим и сложным.

Во многих важных областях исследований натурный эксперимент невозможен, потому что он либо запрещен (например, при изучении здоровья человека), либо слишком опасен (например, при изучении экологических явлений), либо просто неосуществим (например, при изучении астрофизических явлений).

Вычислительный эксперимент в отличие от натурных экспериментальных установок позволяет накапливать результаты, полученные при исследовании какого-либо круга задач, а затем быстро и гибко применять их к решению задач в совершенно других областях. Этим свойством обладают используемые универсальные математические модели. Например, уравнение нелинейной теплопроводности пригодно для описания не только тепловых процессов, но и диффузии вещества, движения грунтовых вод, фильтрации газа в пористых средах. Изменяется только физический смысл величин, входящих в это уравнение.

Проведение вычислительного эксперимента можно условно разделить на два этапа. После первого этапа вычислительного эксперимента, если надо, модель уточняется как в направлении ее усложнения (учет дополнительных эффектов и связей в изучаемом явлении), так и упрощения (выяснение, какими закономерностями и связями в изучаемом явлении можно пренебречь). На последующих этапах цикл вычислительного эксперимента повторяется до тех пор, пока исследователь не убеждается, что модель адекватна тому объекту, для которого она составлена.

Информационные технологии, поддерживающие вычислительный эксперимент, включают в себя методы построения математических моделей силами конечных пользователей информационных систем (специалистов в своей предметной области, а не профессиональных математиков и программистов), информационную поддержку их деятельности для поиска и выбора алгоритмов и программ численного решения задач, методы и средства контроля точности производимых вычислений и правильности работы применяемых программ. При проведении вычислительного эксперимента исследователь может с помощью пользовательского интерфейса "играть" на модели, ставя интересующие его вопросы и получая ответы. Таким образом, исследователь получает мощный инструмент для анализа и прогноза поведения сложных нелинейных многопараметрических объектов и явлений, изучение которых традиционными методами затруднено или вообще невозможно.

Пора "младенчества" технологии вычислительного эксперимента приходится на 50-е годы XX века.

Плазма с ее нелинейными свойствами стала одним из важнейших объектов математического моделирования и вычислительного эксперимента. Заманчивая перспектива решения энергетической проблемы связана с управляемым термоядерным синтезом изотопов водорода, дейтерия и трития. Энергетическая проблема для человечества заключается в том, что нефти и газа при нынешнем темпе их потребления хватит всего на несколько десятков лет. А сжигать столь ценное химическое сырье в топках электростанций и двигателях внутреннего сгорания - это, по образному выражению Д. И. Менделеева, "почти все равно, что топить печь ассигнациями". С запасами угля дело обстоит гораздо лучше, но его добыча с каждым годом становится все труднее. Выходом может быть лазерный термоядерный управляемый синтез, исследование которого осуществляется с помощью вычислительного эксперимента. В 1974 г. коллектив сотрудников ФИАН и ИПМ АН СССР под руководством академиков Н. Г. Басова, А. Н. Тихонова и А. А. Самарского предложил принципиально новую концепцию лазерного термоядерного синтеза на основе результатов вычислительного эксперимента.

Еще одна область использования вычислительного эксперимента - это "вычислительная технология" - применение математического моделирования с помощью компьютеров не только для решения фундаментальных научных проблем, но и для разработки технологических процессов в промышленности. Для тех случаев, когда технологические процессы описываются хорошо известными математическими моделями, для расчета которых предложены эффективные вычислительные алгоритмы, разработаны пакеты прикладных программ, технология вычислительного эксперимента позволяет создавать новые программы и совершенствовать средства общения человека с компьютером. У технологов есть потребность в изучении новых промышленных технологий, например лазерно-плазменной обработки материалов (плазменной термохимии).

Основатель нобелевских премий Альфред Нобель, как известно, исключил математику из числа наук, за достижения в которых присуждается эта высшая научная награда. Вместе с тем, современное математическое моделирование охватывает области исследований, до недавнего времени недоступные математике. В последние годы ряд Нобелевских премий по химии, медицине, экономике, физике элементарных частиц были присуждены работам, методологическую основу которых составляло математическое моделирование.

Например, для дальнейшего исследования нелинейных процессов в микромире были разработаны соответствующие численные методы с применением компьютеров и компьютерных сетей (сетевых grid-технологий), ориентированные на решение задач физики элементарных частиц. Алгоритмы квантово-механических расчетов прогрессируют не менее быстрыми темпами, чем в других областях вычислительной математики.

Биология во многом остается экспериментальной и описательной дисциплиной, а история математического моделирования биологических процессов вряд ли насчитывает более 20 лет. И все-таки уже можно назвать биологические задачи, для которых вычислительный эксперимент становится определяющей методологией.

Математическое моделирование и вычислительный эксперимент - ведущие методологии изучения глобальных моделей процессов и явлений на Земле, например климата Земли. Проведение работ по глобальному моделированию стимулировалось деятельностью Римского клуба, неправительственной организации. Первую из таких моделей опубликовал в 1971 г. американский специалист по теории управления Д. Форрестер.

Компьютерные игры, проведенные Д. Форрестером с глобальной моделью, показали, что в середине ХХI века человечество ждет кризис, связанный прежде всего с истощением природных ресурсов, падением численности населения и производства продуктов, ростом загрязнения окружающей среды.

Известны результаты глобального моделирования явления "ядерной зимы", выполненные в ВЦ АН СССР В. В. Александровым и Г. Л. Стенчиковым под руководством академика Н. Н. Моисеева. Эти результаты дали человечеству, в том числе политикам, неопровержимые аргументы против ядерной войны, даже так называемой "ограниченной ядерной войны".

Для математического моделирования и вычислительного эксперимента использовались, главным образом, универсальные цифровые вычислительные машины, доступные коллективам исследователей. В СССР в 70-80-х годах прошлого века это были БЭСМ-6 и модели ЕС ЭВМ, для которых разрабатывались библиотеки и пакеты прикладных программ вычислительной математики. С появлением персональных компьютеров стало возможно развитие информационной технологии вычислительного эксперимента, которая предусматривает поддержку пользовательского интерфейса и поиска нужных алгоритмов и программ с помощью персональных компьютеров (отечественного производства или импортных), а проведение расчетов на математических моделях - с помощью высокопроизводительных компьютеров БЭСМ-6, ЕС ЭВМ или суперкомпьютеров "Эльбрус".

Потребности вычислительного эксперимента при изучении явлений в наиболее сложных областях науки, таких, как проблемы физики элементарных частиц, молекулярной биологии (например, геном человека), геофизики (в частности, физики атмосферы) и др., оказались связанными с необходимостью обеспечить предельно возможные вычислительные мощности. Выход был найден в коллективном использовании вычислительных мощностей, доступных исследователям через компьютерные сети. В развитии так называемых grid-технологий, разрабатываемых мировым сообществом в настоящее время, участвуют и ведущие научные институты России: Объединенный институт ядерных исследований (г. Дубна), Научно-исследовательский институт ядерной физики МГУ, Институт физики высоких энергий РАН (г. Протвино), Институт биофизики РАН (г. Пущино), Институт прикладной математики им. М. В. Келдыша РАН и др. Идея организации распределенных вычислений в гетерогенной сетевой среде, называемая метакомпьютингом, образно выражается метафорой "grid (сеть)". Подобно тому, как мы подключаем к электросети бытовые приборы, не задумываясь об устройстве этой электросети, сетевые grid-технологии призваны предоставить исследователям требуемые вычислительные мощности как разделяемые ресурсы. В Европе такой сетью должна стать Data Grid, к которой будет подключен и российский сегмент.

Список литературы

Самарский А. А., Михайлов А. П. Компьютеры и жизнь. М., Педагогика, 1987 (Серия "Библиотечка Детской энциклопедии").

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:

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– известна 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 "Simujationmodeling".

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.

12. Абстрагирование в математике. Понятие математического абстрагирования.

По сравнению с естествознанием в математике процесс абстрагирования идет значительно дальше. В известном смысле справедливо утверждать, что там, где естествоиспытатель останавливается, математическое исследование только начинается. Лучше всего это можно проиллюстрировать на примере геометрии. Хорошо известно, что пространственные свойства материальных тел не существуют обособленно от самих тел. Они всецело определяются внутренними и внешними связями тел, но для лучшего понимания пространственных свойств исследователь вынужден временно абстрагироваться от всех их других свойств, кроме геометрических. Понятие геометрического тела представляет крайне односторонний снимок с действительности. Уже понятие физического тела представляет абстракцию, так как здесь отвлекаются от всех нефизических свойств. В понятии же геометрического тела отвлекаются и от физических свойств и сохраняют лишь его пространственные свойства. Естественно поэтому, что в теоретической физике наряду с широким применением математических понятий главное значение имеют специфические для этой науки физические понятия. В некоторых разделах механики, например, в кинематике, физическая абстракция почти приближается к математической, поскольку материальное тело в известных условиях (малость размеров в сравнении с расстоянием между телами) отождествляется с материальной точкой. Но уже в пределах кинематики встречаются с такими специфическими физическими характеристиками тела, как его скорость, ускорение и т. п.

Вторая важнейшая особенность математической абстракции состоит в том, что абстрагирование здесь чаще всего осуществляется через ряд последовательных ступеней обобщения. Поэтому в математике преобладают абстракции от абстракций. В простейшей форме этот процесс встречался при выяснении происхождения понятия числа. Первоначально понятие числа еще не отделяется от сосчитываемых совокупностей и поэтому выступает как именованное число. Впоследствии оно освобождается от этой конкретности и выступает как отвлеченное понятие.

Эти две ступени абстракции мало чем отличаются от соответствующих абстракций естествознания. Но в математике отвлечение идет дальше. Если на втором этапе с понятием числа связывались еще конкретные отвлеченные числа, как, например, 1, 2. 15 . 100 и т. д., то на третьем этапе абстрагируются также и от конкретного значения числа. На этой основе и возникло понятие о любом возможном натуральном число, к которому пришли еще древние греки. Оперирование с таким понятием имело чрезвычайно большое значение для математики, так как оно давало возможность отвлекаться от конкретных чисел и обеспечивало возможность доказывать теоремы в общем виде.

Еще более отчетливо аналогичные этапы абстрагирования можно выделить в развитии такого фундаментального понятия всей математики, каким является функция. К самому понятию функциональной зависимости ученые пришли из рассмотрения конкретных взаимосвязей между различными величинами, которые встречаются в самых разнообразных задачах естествознания и техники. По сути дела, большинство законов точного естествознания выражает функциональную связь различных величин.

В математике изучаются различные виды функций (целые, рациональные, логарифмические, тригонометрические и т. д.). Чтобы иметь возможность рассуждать о любых функциях, исследователь должен отвлечься от конкретных особенностей вышеперечисленных и других функций и ввести абстрактное понятие функции вообще. Это будет уже следующий этап абстрагирования. Дальнейший этап связан с образованием понятия функционала, который служит естественным обобщением функции и содержит его как частный случай.

Число таких примеров можно было бы легко увеличить. Достаточно напомнить процесс обобщения таких понятий, как абстрактное математическое пространство, интеграл, группа и другие, чтобы убедиться в том, что процесс обобщения в математике, как правило, проходит ряд ступеней абстракции, каждая из которых сопровождается расширением объема соответствующего понятия.

По существу, такими же идеальными объектами являются понятия математической бесконечности потенциальной и актуальной. При образовании этих понятий приходится прибегать к различным абстракциям осуществимости. Использование различных абстракций осуществимости составляет четвертую важную особенность математического познания. В частности, эти абстракции осуществимости ведут к разным понятиям бесконечности, которые в свою очередь порождают различные философские направления, такие как интуиционизм, конструктивизм и т. д., о чем подробнее будет сказано ниже.

Пятая важная особенность, непосредственно связанная с предыдущими, состоит в том, что многие системы абстракций в математике, возникнув на базе опыта и практики или даже в процессе чисто логического развития теории, не требуют в дальнейшем обращения к опыту. Действительно, в математике повсюду оперируют одними лишь абстракциями, т. е. обращаемся прежде всего к логике, а не к эксперименту, как это часто имеет место в естествознании.

13. Виды математических абстракций: абстракция отождествления, идеализации, абстракции осуществимости.

В научном познании различают несколько видов абстрагирования, простейшим из которых является абстракция отождествления, когда у предметов некоторого класса выделяется определенное общее свойство, а от всех других свойств отвлекаются. Относительно выделенного общего свойства все предметы соответствующего класса являются тождественными, и поэтому оно может быть абстрагировано, или отделено от других свойств. В результате этого образуются особые понятия, например, такие, как тяжесть, стоимость и число.

Абстракция отождествления — способ формирования общих абстрактных понятий, состоящий в том, что при рассмотрении каких-либо реальных, осязаемых исходных объектов принимаются во внимание лишь те их различия, которые по тем или иным причинам оказываются для нас существенными, и игнорируются другие — несущественные. Объекты, различающиеся лишь несущественным образом, начинают считать одинаковыми

Для изолирующей абстракции характерно отвлечение некоторых свойств и отношений изучаемых предметов и рассмотрение их как индивидуальных, самостоятельных объектов, как, например, белизна, яркость, доброта, дружба. Во всех этих примерах конкретное свойство, присущее реальным предметам, рассматривается как самостоятельный абстрактный объект.

Более сложный характер присущ абстракциям, связанным с образованием математических понятий, когда приходится отвлекаться от возможностей построения соответствующих математических объектов. Например, в абстракции потенциальной осуществимости отвлекаются от реальной возможности построения тех или иных математических объектов и допускают осуществимость построения следующего объекта при наличии достаточного времени, пространства и материалов. Например, вслед за данным натуральным числом N допускается возможность построения, следующего за ним натурального числа N + 1. На этой основе образуется, во-первых, абстракция и соответственно понятие потенциальной бесконечности, а именно потенциальная возможность построения в неограниченном ряду следующего объекта, если задан предыдущий объект. Поэтому натуральный ряд чисел в данном случае рассматривается как неограниченно продолженный, поскольку допускается возможность прибавления к данному числу единицы и образование следующего натурального числа.

Можно ввести понятие потенциальной бесконечности как неограниченного процесса построения математических объектов, который не имеет последнего шага. Действительно, гипотеза потенциальной осуществимости допускает, что после n шага всегда возможен n+1 шаг. А это означает, что в принципе допустимо существование безграничного процесса, или потенциальной бесконечности. Элементы такой бесконечности не существуют одновременно, они последовательно возникают в процессе построения. Именно так и воспринимается натуральный ряд чисел как ряд, начинающийся с 1, последовательно переходящий к числам 2, 3, 4. и не имеющий последнего члена. Требуется немалое усилие, чтобы представить этот ряд в виде закопченного множества чисел. Это показывает, что сама идея потенциальной бесконечности интуитивно значительно яснее, чем идея актуальной бесконечности. Поэтому логично предположить, что именно идея потенциальной бесконечности первоначально возникла в математике.

Можно применить более сильную абстракцию и образовать понятие актуальной бесконечности, в котором отвлекаются от реальной возможности построения любого натурального числа и допускают возможность построения неограниченного множества таких чисел, как актуально построенного, завершенного. Тем самым бесконечное множество уподобляется конечному множеству.

Сущность абстракции актуальной бесконечности состоит в отвлечении от незавершенности и незавершимости процесса образования бесконечногоnмножества, от невозможности задать такое множество посредством полного перечисления его элементов. Согласно абстракции актуальной бесконечности, в бесконечном множестве можно выделить (индивидуализировать) каждый его элемент. Но на самом деле зафиксировать и описать каждый элемент бесконечного множества принципиально невозможно. Абстракция актуальной бесконечности и представляет собой отвлечение от этой невозможности, что позволяет рассматривать, например, отрезок прямой как бесконечное множество точек, каждую из которых можно индивидуализировать, обозначив ее каким-то действительным числом.

Понятие актуальной бесконечности возникает с помощью процесса идеализации. В данном случае идеализация дает возможность применять к бесконечным множествам простой и хорошо изученный аппарат классической логики. Этот аппарат возник и вполне оправдал себя при исследовании конечных множеств. Идеализированный характер актуальной бесконечности состоит в том, что о бесконечном множестве рассуждают по аналогии с конечными множествами. Кроме того, здесь абстрагируются от конкретных способов построения элементов бесконечного множества и даже допускают, что все его элементы существуют одновременно, а не возникают в процессе построения.

Поскольку актуальная бесконечность представляет собой чрезвычайно сильную абстракцию, то с пониманием ее связан целый ряд трудностей. Прежде всего интуиция восстает против представления бесконечности и виде завершенного процесса. Завершенность бесконечности нередко понимается как ее уничтожение. Так, например, натуральный ряд чисел обычно мыслится как неограниченно продолженный, и интуиции нелегко свыкнуться с представлением о законченности этого ряда.

Особой разновидностью абстрагирования является процесс идеализации, который представляет собой предельный переход от реально существующих свойств явлений к свойствам идеальным. Например, из физики известны такие идеализации, как абсолютно упругое тело, несжимаемая жидкость, идеальный газ и т.д., которые не существуют в реальном мире и потому являются упрощениями, которые помогают лучше понять свойства реальных твердых, жидких и газообразных веществ.

Аннотация: В лекции описан процесс построения математической модели. Приведен словесный алгоритм процесса.

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 .

Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи .

Для построения математической модели необходимо:

  1. тщательно проанализировать реальный объект или процесс;
  2. выделить его наиболее существенные черты и свойства;
  3. определить переменные, т.е. параметры, значения которых влияют на основные черты и свойства объекта;
  4. описать зависимость основных свойств объекта, процесса или системы от значения переменных с помощью логико-математических соотношений (уравнения, равенства, неравенства, логико-математические конструкций);
  5. выделить внутренние связи объекта, процесса или системы с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций;
  6. определить внешние связи и описать их с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций.

Математическое моделирование , кроме исследования объекта, процесса или системы и составления их математического описания, также включает:

  1. построение алгоритма, моделирующего поведение объекта, процесса или системы;
  2. проверка адекватности модели и объекта, процесса или системы на основе вычислительного и натурного эксперимента;
  3. корректировка модели;
  4. использование модели.

Математическое описание исследуемых процессов и систем зависит от:

  1. природы реального процесса или системы и составляется на основе законов физики, химии, механики, термодинамики, гидродинамики, электротехники, теории пластичности , теории упругости и т.д.
  2. требуемой достоверности и точности изучения и исследования реальных процессов и систем.

На этапе выбора математической модели устанавливаются: линейность и нелинейность объекта, процесса или системы, динамичность или статичность, стационарность или нестационарность, а также степень детерминированности исследуемого объекта или процесса. При математическом моделировании сознательно отвлекаются от конкретной физической природы объектов, процессов или систем и, в основном, сосредотачиваются на изучении количественных зависимостей между величинами, описывающими эти процессы.

Математическая модель никогда не бывает полностью тождественна рассматриваемому объекту, процессу или системе. Основанная на упрощении, идеализации , она является приближенным описанием объекта. Поэтому результаты, полученные при анализе модели, носят приближенный характер. Их точность определяется степенью адекватности (соответствия) модели и объекта.

Построение математической модели обычно начинается с построения и анализа простейшей, наиболее грубой математической модели рассматриваемого объекта, процесса или системы. В дальнейшем, в случае необходимости, модель уточняется, делается ее соответствие объекту более полным.

Возьмем простой пример. Нужно определить площадь поверхности письменного стола. Обычно для этого измеряют его длину и ширину, а затем перемножают полученные числа. Такая элементарная процедура фактически обозначает следующее: реальный объект (поверхность стола) заменяется абстрактной математической моделью – прямоугольником. Прямоугольнику приписываются размеры, полученные в результате измерения длины и ширины поверхности стола, и площадь такого прямоугольника приближенно принимается за искомую площадь стола.

Однако модель прямоугольника для письменного стола – это простейшая, наиболее грубая модель. При более серьезном подходе к задаче прежде, чем воспользоваться для определения площади стола моделью прямоугольника, эту модель нужно проверить. Проверки можно осуществить следующим образом: измерить длины противоположных сторон стола, а также длины его диагоналей и сравнить их между собой. Если, с требуемой степенью точности, длины противоположных сторон и длины диагоналей попарно равны между собой, то поверхность стола действительно можно рассматривать как прямоугольник . В противном случае модель прямоугольника придется отвергнуть и заменить моделью четырехугольника общего вида. При более высоком требовании к точности может возникнуть необходимость пойти в уточнении модели еще дальше, например, учесть закругления углов стола.

С помощью этого простого примера было показано, что математическая модель не определяется однозначно исследуемым объектом, процессом или системой. Для одного и того же стола мы можем принять либо модель прямоугольника, либо более сложную модель четырехугольника общего вида, либо четырехугольника с закругленными углами. Выбор той или иной модели определяется требованием точности. С повышением точности модель приходится усложнять, учитывая новые и новые особенности изучаемого объекта, процесса или системы.

Рассмотрим другой пример: исследование движения кривошипно-шатунного механизма (Рис. 2.1).


Для кинематического анализа этого механизма, прежде всего, необходимо построить его кинематическую модель. Для этого:

  1. Заменяем механизм его кинематической схемой, где все звенья заменены жесткими связями ;
  2. Пользуясь этой схемой, мы выводим уравнение движения механизма;
  3. Дифференцируя последнее, получаем уравнения скоростей и ускорения, которые представляют собой дифференциальные уравнения 1-го и 2-го порядка.

Запишем эти уравнения:

\left\< \begin</p> <p> S_c = \gamma (1-\cos \varphi + \frac <\lambda> \sin^2 \varphi);\\ V_c = (\frac ) \gamma (\sin \varphi + \frac <\lambda> \sin 2 \varphi);\\ A_c = (\frac ) \gamma (\cos \varphi + \lambda \cos 2 \varphi); \end \right.

где С0 – крайнее правое положение ползуна С:

r – радиус кривошипа AB;

l – длина шатуна BC;

\varphi

– угол поворота кривошипа;

\lambda = r/l.

Полученные трансцендентные уравнения представляют математическую модель движения плоского аксиального кривошипно-шатунного механизма, основанную на следующих упрощающих предположениях:

  1. нас не интересовали конструктивные формы и расположение масс, входящих в механизм тел, и все тела механизма мы заменили отрезками прямых. На самом деле, все звенья механизма имеют массу и довольно сложную форму. Например, шатун – это сложное сборное соединение, форма и размеры которого, конечно, будут влиять на движение механизма;
  2. при построении математической модели движения рассматриваемого механизма мы также не учитывали упругость входящих в механизм тел, т.е. все звенья рассматривали как абстрактные абсолютно жесткие тела. В действительности же, все входящие в механизм тела – упругие тела. Они при движении механизма будут как-то деформироваться, в них могут даже возникнуть упругие колебания. Это все, конечно, также будет влиять на движение механизма;
  3. мы не учитывали погрешность изготовления звеньев, зазоры в кинематических парах A, B, C и т.д.

Таким образом, важно еще раз подчеркнуть, что, чем выше требования к точности результатов решения задачи, тем больше необходимость учитывать при построении математической модели особенности изучаемого объекта, процесса или системы. Однако, здесь важно во время остановиться, так как сложная математическая модель может превратиться в трудно разрешимую задачу.

Наиболее просто строится модель, когда хорошо известны законы, определяющие поведение и свойства объекта, процесса или системы, и имеется большой практический опыт их применения.

Более сложная ситуация возникает тогда, когда наши знания об изучаемом объекте, процессе или системе недостаточны. В этом случае при построении математической модели приходится делать дополнительные предположения, которые носят характер гипотез, такая модель называется гипотетической. Выводы, полученные в результате исследования такой гипотетической модели, носят условный характер. Для проверки выводов необходимо сопоставить результаты исследования модели на ЭВМ с результатами натурного эксперимента. Таким образом, вопрос применимости некоторой математической модели к изучению рассматриваемого объекта, процесса или системы не является математическим вопросом и не может быть решен математическими методами.

Основным критерием истинности является эксперимент, практика в самом широком смысле этого слова.

Построение математической модели в прикладных задачах – один из наиболее сложных и ответственных этапов работы. Опыт показывает, что во многих случаях правильно выбрать модель – значит решить проблему более, чем наполовину. Трудность данного этапа состоит в том, что он требует соединения математических и специальных знаний. Поэтому очень важно, чтобы при решении прикладных задач математики обладали специальными знаниями об объекте, а их партнеры, специалисты, – определенной математической культурой, опытом исследования в своей области, знанием ЭВМ и программирования.

Читайте также: