Классификация математических моделей - Построение и классификация математических моделей

К классификации математических моделей разные авторы подходят по-своему, положив в основу классификации различные принципы. Можно классифицировать модели:

    - по отраслям наук (математические модели в физике, биологии, социологии и т. д.) - это естественно, если к этому подходит специалист в какой-то одной науке. - по применяемому математическому аппарату (модели, основанные на применении обыкновенных дифференциальных уравнений, дифференциальных уравнений в частных производных, стохастических методов, дискретных алгебраических преобразований и т. д.) - это естественно для математика, занимающегося аппаратом математического моделирования. - еще один подход к классификации математических моделей подразделяет их на детерминированные и стохастические (вероятностные).

­ В детерминированных моделях входные параметры поддаются измерению однозначно и с любой степенью точности, т. е. являются детерминированными величинами. Соответственно, процесс эволюции такой системы детерминирован.

­ В стохастических моделях значения входных параметров известны лишь с определенной степенью вероятности, т. е. эти параметры являются вероятностными (стохастическими), и, соответственно, таким же процесс эволюции системы является случайным. При этом, выходные параметры стохастической модели могут быть как величинами вероятностными, так и однозначно определяемыми.

­ если ограничиться непрерывными детерминистскими моделями, то их часто подразделяют на системы с сосредоточенными параметрами и системы с распределенными параметрамию.

­ Системы с сосредоточенными параметрами описываются с помощью конечного числа обыкновенных дифференциальных уравнений для зависящих от времени переменных. Пространство состояний имеет здесь конечную размерность (число степеней свободы системы конечно).

­ Под системами с распределенными параметрами понимают системы, описываемые конечным числом дифференциальных уравнений в частных производных. Здесь переменные состояния в каждый момент времени есть функции одной или нескольких пространственных переменных. Пространство состояний имеет в этом случае бесконечную размерность, т. е. система обладает бесконечным числом степеней свободы.

- по целям моделирования, наиболее общая классификация:

Здесь можно выделить следующие виды моделей:

    - Дескриптивные (описательные) модели; Остановимся на этом чуть подробнее и поясним на примерах. Моделируя движение кометы, вторгшейся в Солнечную систему, мы описываем (предсказываем) траекторию ее полета, расстояние, на котором она пройдет от Земли и т. д. , т. е ставим чисто описательные цели. У нас нет никаких возможностей повлиять на движение кометы, что-то изменить. - Оптимизационные модели; На другом уровне процессов мы можем воздействовать на них, пытаясь добиться какой-то цели. В этом случае в модель входит один или несколько параметров, доступных нашему влиянию. Например, меняя тепловой режим в зернохранилище, мы можем стремиться подобрать такой, чтобы достичь максимальной сохранности зерна, т. е. оптимизируем процесс. - Многокритериальные модели; Часто приходится оптимизировать процесс по нескольким параметрам сразу, причем цели могут быть весьма противоречивыми. Например, зная цены на продукты и потребность человека в пище, организовать питание больших групп люден (в армии, летнем лагере и др.) как можно полезнее и как можно дешевле. Ясно, что эти цели, вообще говоря, совсем не совпадают, т. е. при моделировании будет несколько критериев, между которыми надо искать баланс. - Игровые модели; Игровые модели могут иметь отношение не только к детским играм (в том числе и компьютерным), но и к вещам весьма серьезным. Например, полководец перед сражением в условиях наличия неполной информации о противостоящей армии должен разработать план: в каком порядке вводить в бой те или иные части и т. д., учитывая и возможную реакцию противника. Есть специальный достаточно сложный раздел современной математики - теория игр, - изучающий методы принятия решений в условиях неполной информации. - Имитационные модели. Наконец, бывает, что модель в большой мере подражает реальному процессу, т. е. имитирует его. Например, моделируя изменение (динамику) численности микроорганизмов в колонии, можно рассматривать много отдельных объектов и следить за судьбой каждого из них, ставя определенные условия для его выживания, размножения и т. д. При этом иногда явное математическое описание процесса не используется, заменяясь некоторыми словесными условиями (например, по истечении некоторого отрезка времени микроорганизм делится на две части, а другого отрезка - погибает). Другой пример - моделирование движения молекул в газе, когда каждая молекула представляется в виде шарика, и задаются условия поведения этих шариков при столкновении друг с другом и со стенками (например, абсолютно упругий удар); при этом не нужно использовать никаких уравнений движения. Можно сказать, что чаще всего имитационное моделирование применяется в попытке описать свойства большой системы при условии, что поведение составляющих ее объектов очень просто и четко сформулировано. Математическое описание тогда производится на уровне статистической обработки результатов моделирования при нахождении макроскопических характеристик системы. Такой компьютерный эксперимент фактически претендует на воспроизведение натурного эксперимента; на вопрос "зачем же это делать" можно дать следующий ответ: имитационное моделирование позволяет выделить "в чистом виде" следствия гипотез, заложенных в наши представления о микрособытиях, очистив их от неизбежного в натурном эксперименте влияния других факторов, о которых мы можем даже не подозревать. Если же, как это иногда бывает, такое моделирование включает и элементы математического описания событий на микроуровне, и если исследователь при этом не ставит задачу поиска стратегии регулирования результатов (например, управления численностью колонии микроорганизмов), то отличие имитационной модели от дескриптивной достаточно условно; это, скорее, вопрос терминологии.

Рассмотрим процесс построения имитационной модели:

Рисунок 2 - Процесс конструирования модели

Итерационный процесс разработки моделирования отражен на рис. 2. Если результаты вычислительного эксперимента радикально не согласуются с результатами физического эксперимента, то выдвигается новая гипотеза физической модели. Если результаты вычислительного эксперимента согласуются с результатами физического эксперимента, но погрешность превышает допустимые нормы, то корректируется математическая модель. Если же процесс моделирования недостаточно робастный и требует от пользователя много трудовых затрат, а от ЭВМ - больших ресурсов, то требуется корректировка вычислительной модели.

При работе с моделью проектировщик задает как входные воздействия, так и внутренние параметры системы, определяющие преобразовательные свойства последней.

Процесс анализа некоторой системы с помощью вычислительной модели показан на рисунке 3.

Математически этот процесс можно представить в виде выражения: Y =F{X}, где Х - вектор входных воздействий, т. е. набор числовых значений различных параметров сигналов, поступающих на вход системы; Y - вектор отклика системы, т. е. набор числовых значений, характеризующих реакцию системы на заданные входные воздействия; F - обобщенный оператор, характеризующий процессы преобразования информации в модели.

Рисунок 3 - Процесс анализа системы с помощью вычислительной модели

Похожие статьи




Классификация математических моделей - Построение и классификация математических моделей

Предыдущая | Следующая