Отличительные признаки модели.
Модель всегда строится с определенной целью, которая оказывает влияние на то, какие свойства объективного явления оказываются существенными, а какие - нет. Модель представляет собой как бы проекцию объективной реальности под определенным углом зрения. Иногда в зависимости от целей можно получить ряд проекций объективной реальности, вступающих в противоречие. Это характерно, как правило, для сложных систем, у которых каждая проекция выделяет существенное для определенной цели из множества несущественного.
Цель моделирования.
Целью моделирования являются получение, обработка, представление и использование информации об объектах, которые взаимодействуют между собой и внешней средой; а модель здесь выступает как средство познания свойств и закономерности поведения объекта.
Моделирование широко используются в различных сферах человеческой деятельности, особенно в сферах проектирования и управления, где особенными являются процессы принятия эффективных решений на основе получаемой информации.
3. Классификация моделей:
Все модели можно разделить на два класса:
1. вещественные,
2. идеальные.
В свою очередь вещественные модели можно разделить на:
1. натурные,
2. физические,
3. математические.
Идеальные модели можно разделить на:
1. наглядные,
2. знаковые,
3. математические.
Вещественные натурные модели - это реальные объекты, процессы и системы, над которыми выполняются эксперименты научные, технические и производственные.
Вещественные физические модели - это макеты, муляжи, воспроизводящие физические свойства оригиналов (кинематические, динамические, гидравлические, тепловые, электрические, световые модели).
Вещественные математические - это аналоговые, структурные, геометрические, графические, цифровые и кибернетические модели.
Идеальные наглядные модели - это схемы, карты, чертежи, графики, графы, аналоги, структурные и геометрические модели.
Идеальные знаковые модели - это символы, алфавит, языки программирования, упорядоченная запись, топологическая запись, сетевое представление.
Идеальные математические модели - это аналитические, функциональные, имитационные, комбинированные модели.
В приведенной классификации некоторые модели имеют двойное толкование (например - аналоговые). Все модели, кроме натурных, можно объединить в один класс мысленных моделей, т.к. они являются продуктом абстрактного мышления человека.
Последовательность построения математической модели.
Построение математической модели заключается в определении связей между теми или иными процессами и явлениями, создании математического аппарата, позволяющего выразить количественно и качественно связь между теми или иными процессами и явлениями, между интересующими специалиста физическими величинами, и факторами, влияющими на конечный результат.
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.
5. Что включает и от чего зависит математическое моделирование.
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.
7. Компьютерное моделирование.
Компьютерное моделирование как новый метод научных исследований основывается на:
1. построении математических моделей для описания изучаемых процессов;
2. использовании новейших вычислительных машин, обладающих высоким быстродействием (миллионы операций в секунду) и способных вести диалог с человеком.
Суть компьютерного моделирования состоит в следующем: на основе математической модели с помощью ЭВМ проводится серия вычислительных экспериментов, т.е. исследуются свойства объектов или процессов, находятся их оптимальные параметры и режимы работы, уточняется модель. Например, располагая уравнением, описывающим протекание того или иного процесса, можно изменяя его коэффициенты, начальные и граничные условия, исследовать, как при этом будет вести себя объект. Более того, можно спрогнозировать поведение объекта в различных условиях.
Вычислительный эксперимент позволяет заменить дорогостоящий натурный эксперимент расчетами на ЭВМ. Он позволяет в короткие сроки и без значительных материальных затрат осуществить исследование большого числа вариантов проектируемого объекта или процесса для различных режимов его эксплуатации, что значительно сокращает сроки разработки сложных систем и их внедрение в производство.
Компьютерное моделирование и вычислительный эксперимент как новый метод научного исследования заставляет совершенствовать математический аппарат, используемый при построении математических моделей, позволяет, используя математические методы, уточнять, усложнять математические модели. Наиболее перспективным для проведения вычислительного эксперимента является его использование для решения крупных научно-технических и социально-экономических проблем современности (проектирование реакторов для атомных электростанций, проектирование плотин и гидроэлектростанций, магнитогидродинамических преобразователей энергии, и в области экономики – составление сбалансированного плана для отрасли, региона, для страны и др.).
В некоторых процессах, где натурный эксперимент опасен для жизни и здоровья людей, вычислительный эксперимент является единственно возможным (термоядерный синтез, освоение космического пространства, проектирование и исследование химических и других производств).
Для проверки адекватности математической модели и реального объекта, процесса или системы результаты исследований на ЭВМ сравниваются с результатами эксперимента на опытном натурном образце. Результаты проверки используются для корректировки математической модели или решается вопрос о применимости построенной математической модели к проектированию либо исследованию заданных объектов, процессов или систем.
8. Методы решения математических задач.
Все методы решения математических задач можно разделить на 2 группы:
1. точные методы решения задач;
2. численные методы решения задач.
В точных методах решения математических задач ответ удается получить в виде формул.
Например, вычисление корней квадратного уравнения:
или, например, вычисление производных функций:
или вычисление определенного интеграла:
Однако, подставляя числа в формулу в виде конечных десятичных дробей, мы все равно получаем приближенные значения результата.
Для большинства задач, встречающихся на практике, точные методы решения или неизвестны, или дают очень громоздкие формулы. Однако, они не всегда являются необходимыми. Прикладную задачу можно считать практически решенной, если мы сумеем ее решить с нужной степенью точности.
Для решения таких задач разработаны численные методы, в которых решение сложных математических задач сводится к последовательному выполнению большого числа простых арифметических операций. Непосредственная разработка численных методов относится к вычислительной математике.
Примером численного метода является метод прямоугольников для приближенного интегрирования, не требующий вычисления первообразной для подынтегральной функции. Вместо интеграла вычисляется конечная квадратурная сумма:
где
x1=a – нижний предел интегрирования;
xn+1=b – верхний предел интегрирования;
n – число отрезков, на которые разбит интервал интегрирования (a,b);
– длина элементарного отрезка;
f(xi) – значение подынтегральной функции на концах элементарных отрезков интегрирования.
Чем больше число отрезков n, на которые разбит интервал интегрирования, тем ближе приближенное решение к истинному, т.е. тем точнее результат.
Таким образом, в прикладных задачах и при применении точных методов решения, и при применении численных методов решения результаты вычислений носят приближенный характер. Важно только добиться того, чтобы ошибки укладывались в рамки требуемой точности.
Численные методы решения математических задач известны давно, еще до появления ЭВМ, но ими пользовались редко и только в сравнительно простых случаях в силу чрезвычайной трудоемкости вычислений. Широкое применение численных методов стало возможным благодаря ЭВМ.
9. Численные методы решения нелинейных уравнений.
Задачу отыскания корней уравнения можно считать практически решенной, если мы сумеем найти корни уравнения с заданной степенью точности. Для этого используются приближенные (численные) методы решения.
Большинство употребляющихся приближенных методов решения уравнений являются, по существу, способами уточнения корней. Для их применения необходимо знание интервала изоляции [a,b], в котором лежит уточняемый корень уравнения.
Для алгебраических и трансцендентных уравнений пригодны одни и те же методы уточнения приближенных значений действительных корней:
1. метод половинного деления (метод дихотомии);
2. метод простых итераций;
3. метод Ньютона (метод касательных);
4. модифицированный метод Ньютона (метод секущих);
5. метод хорд и др.
Метод половинного деления
Дано нелинейное уравнение:
(4.1)
Найти корень уравнения, принадлежащий интервалу [a,b], с заданной точностью.
Для уточнения корня методом половинного деления последовательно осуществляем следующие операции:
1. Делим интервал пополам:
2. В качестве нового интервала изоляции принимаем ту половину интервала, на концах которого функция имеет разные знаки.
Рис. 4.4.
Для этого:
a) Вычисляем значение функции f(x) в точках a и t.
b) Проверяем: если f(a)f(t) < 0, то корень находится в левой половине интервала [a,b] (рис.4.4.а). Тогда отбрасываем правую половину интервала и делаем переприсвоение b=t.
c) Если f(a)f(t) < 0 не выполняется, то корень находится в правой половине интервала [a,b] (рис.4.4.б). Тогда отбрасываем левую половину и делаем переприсвоение a=t. В обоих случаях мы получим новый интервал [a,b] в 2 раза меньший предыдущего.
3. Процесс, начиная с пункта 1, циклически повторяем до тех пор, пока длина интервала [a,b] не станет равной либо меньшей заданной точности, т.е.
Схема алгоритма уточнения корней по методу половинного деления представлена на рис. 4.5.
Рис. 4.5. Схема алгоритма уточнения корней по методу половинного деления
Метод простых итераций
В ряде случаев весьма удобным приемом уточнения корня уравнения является метод последовательных приближений (метод итераций).
Пусть с точностью необходимо найти корень уравнения f(x)=0, принадлежащий интервалу изоляции [a,b]. Функция f(x) и ее первая производная непрерывны на этом отрезке.
Для применения этого метода исходное уравнение f(x)=0 должно быть приведено к виду
(4.2)
В качестве начального приближения 0 выбираем любую точку интервала [a,b].
Далее итерационный процесс поиска корня строится по схеме:
(4.3)
В результате итерационный процесс поиска реализуется рекуррентной формулой (4.3). Процесс поиска прекращается, как только выполняется условие
(4.4)
или число итераций превысит заданное число N.
Для того, чтобы последовательность х1, х2,…, хn приближалась к искомому корню, необходимо, чтобы выполнялось условие сходимости:
(4.5)
Рис. 4.6. Геометрический смысл метода
Переходим к построению схемы алгоритма (рис. 4.7). Вычисление функции оформим в виде подпрограммы.
Рис. 4.7. Схема алгоритма уточнения корня методом итераций
Метод Ньютона (метод касательных)
Рассмотренные ранее методы решения нелинейных уравнений являются методами прямого поиска. В них для нахождения корня используется нахождение значения функции в различных точках интервала [a,b].
Метод Ньютона относится к градиентным методам, в которых для нахождения корня используется значение производной.
Дано нелинейное уравнение:
f(x)=0
Найти корень на интервале [a,b] с точностью.
Метод Ньютона основан на замене исходной функции f(x), на каждом шаге поиска касательной, проведенной к этой функции. Пересечение касательной с осью Х дает приближение корня (Рис. 4.8).
Выберем начальную точку x0=b (конец интервала изоляции). Находим значение функции в этой точке и проводим к ней касательную, пересечение которой с осью Х дает нам первое приближение корня x1.
Рис. 4.8.
x1 = x0 – h0,
где
Поэтому
В результате итерационный процесс схождения к корню реализуется рекуррентной формулой
(4.6)
Процесс поиска продолжаем до тех пор, пока не выполнится условие:
(4.7)
Упростим условие (4.7), исходя из (4.6). Получим:
(4.8)
Метод обеспечивает быструю сходимость, если выполняется условие:
(4.9)
т.е. первую касательную рекомендуется проводить в той точке интервала [a,b], где знаки функции f(x0) и ее кривизны f"(x0) совпадают.
Схема алгоритма уточнения корня метод Ньютона приведена на рис. 4.9
Рис. 4.9. Схема алгоритма уточнения корня методом Ньютона
Модифицированный метод Ньютона (метод секущих)
В этом методе для вычисления производных на каждом шаге поиска используется численное дифференцирование по формуле:
Тогда рекуррентная формула (4.6) будет иметь вид:
(4.10)
где
Метод хорд
Метод основан на замене функции f(x) на каждом шаге поиска хордой, пересечение которой с осью Х дает приближение корня.
При этом в процессе поиска семейство хорд может строиться:
а) при фиксированном левом конце хорд, т.е. z=a, тогда начальная точка х0=b (рис. 4.10а);
б) при фиксированном правом конце хорд, т.е. z=b, тогда начальная точка х0=a (рис. 4.10б);
Рис. 4.10.
В результате итерационный процесс схождения к корню реализуется рекуррентной формулой:
для случая а)
(4.11)
для случая б)
(4.12)
Процесс поиска продолжается до тех пор, пока не выполнится условие
(4.13)
Метод обеспечивает быструю сходимость, если f(z)f"(z) > 0, т.е. хорды фиксируются в том конце интервала [a,b], где знаки функции f(z) и ее кривизны f"(z) совпадают.
Схема алгоритма уточнения корня методом хорд представлена на рис. 4.11.
увеличить изображение
Рис. 4.11. Схема алгоритма уточнения корня методом хорд
10. Имитационное моделирование.
Суть компьютерного моделирования состоит в следующем: на основе математической модели с помощью ЭВМ проводится серия вычислительных экспериментов, т.е. исследуются свойства объектов или процессов, находятся их оптимальные параметры и режимы работы, уточняется модель. Например, располагая уравнением, описывающим протекание того или иного процесса, можно изменяя его коэффициенты, начальные и граничные условия, исследовать, как при этом будет вести себя объект. Имитационные модели - это проводимые на ЭВМ вычислительные эксперименты с математическими моделями, имитирующими поведение реальных объектов, процессов или систем.
Реальные процессы и системы можно исследовать с помощью двух типов математических моделей: аналитических и имитационных.
В аналитических моделях поведение реальных процессов и систем (РПС) задается в виде явных функциональных зависимостей (уравнений линейных или нелинейных, дифференциальных или интегральных, систем этих уравнений). Однако получить эти зависимости удается только для сравнительно простых РПС. Когда явления сложны и многообразны исследователю приходится идти на упрощенные представления сложных РПС. В результате аналитическая модель становится слишком грубым приближением к действительности. Если все же для сложных РПС удается получить аналитические модели, то зачастую они превращаются в трудно разрешимую проблему. Поэтому исследователь вынужден часто использовать имитационное моделирование.
Имитационное моделирование представляет собой численный метод проведения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими поведение реальных объектов, процессов и систем во времени в течении заданного периода. При этом функционирование РПС разбивается на элементарные явления, подсистемы и модули. Функционирование этих элементарных явлений, подсистем и модулей описывается набором алгоритмов, которые имитируют элементарные явления с сохранением их логической структуры и последовательности протекания во времени.
Имитационное моделирование - это совокупность методов алгоритмизации функционирования объектов исследований, программной реализации алгоритмических описаний, организации, планирования и выполнения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими функционирование РПС в течении заданного периода.
Под алгоритмизацией функционирования РПС понимается пооперационное описание работы всех ее функциональных подсистем отдельных модулей с уровнем детализации, соответствующем комплексу требований к модели.
"Имитационное моделирование" (ИМ)- это двойной термин. "Имитация" и "моделирование" - это синонимы. Фактически все области науки и техники являются моделями реальных процессов. Чтобы отличить математические модели друг от друга, исследователи стали давать им дополнительные названия. Термин "имитационное моделирование" означает, что мы имеем дело с такими математическими моделями, с помощью которых нельзя заранее вычислить или предсказать поведение системы, а для предсказания поведения системы необходим вычислительный эксперимент (имитация) на математической модели при заданных исходных данных.
Основное достоинство ИМ:
1. возможность описания поведения компонент (элементов) процессов или систем на высоком уровне детализации;
2. отсутствие ограничений между параметрами ИМ и состоянием внешней среды РПС;
3. возможность исследования динамики взаимодействия компонент во времени и пространстве параметров системы;
Эти достоинства обеспечивают имитационному методу широкое распространение.
Рекомендуется использовать имитационное моделирование в следующих случаях:
1. Если не существует законченной постановки задачи исследования и идет процесс познания объекта моделирования. Имитационная модель служит средством изучения явления.
2. Если аналитические методы имеются, но математические процессы сложны и трудоемки, и имитационное моделирование дает более простой способ решения задачи.
3. Когда кроме оценки влияния параметров (переменных) процесса или системы желательно осуществить наблюдение за поведением компонент (элементов) процесса или системы (ПС) в течение определенного периода.
4. Когда имитационное моделирование оказывается единственным способом исследования сложной системы из-за невозможности наблюдения явлений в реальных условиях (реакции термоядерного синтеза, исследования космического пространства).
5. Когда необходимо контролировать протекание процессов или поведение систем путем замедления или ускорения явлений в ходе имитации.
6. При подготовке специалистов новой техники, когда на имитационных моделях обеспечивается возможность приобретения навыков в эксплуатации новой техники.
7. Когда изучаются новые ситуации в РПС. В этом случае имитация служит для проверки новых стратегий и правил проведения натурных экспериментов.
8. Когда особое значение имеет последовательность событий в проектируемых ПС и модель используется для предсказания узких мест в функционировании РПС.
Однако ИМ наряду с достоинствами имеет и недостатки:
1. Разработка хорошей ИМ часто обходится дороже создания аналитической модели и требует больших временных затрат.
2. Может оказаться, что ИМ неточна (что бывает часто), и мы не в состоянии измерить степень этой неточности.
3. Зачастую исследователи обращаются к ИМ, не представляя тех трудностей, с которыми они встретятся и совершают при этом ряд ошибок методологического характера.
11. Статистическое моделирование.
Статистическая модель случайного процесса - это алгоритм, с помощью которого имитируют работу сложной системы, подверженной случайным возмущениям; имитируют взаимодействие элементов системы, носящих вероятностный характер.
При реализации на ЭВМ статистического имитационного моделирования возникает задача получения на ЭВМ случайных числовых последовательностей с заданными вероятностными характеристиками. Численный метод решающий задачу генерирования последовательности случайных чисел с заданными законами распределения получил название "метод статистических испытаний" или "метод Монте-Карло".
Так как метод Монте-Карло кроме статистического моделирования имеет приложение к ряду численных методов (взятие интегралов, решение уравнений), то целесообразно иметь различные термины.
Итак, статистическое моделирование - это способ изучения сложных процессов и систем, подверженных случайным возмущениям, с помощью имитационных моделей.
Метод Монте-Карло - это численный метод, моделирующий на ЭВМ псевдослучайные числовые последовательности с заданными вероятностными характеристиками.
Методика статистического моделирования состоит из следующих этапов:
1. Моделирование на ЭВМ псевдослучайных последовательностей с заданной корреляцией и законом распределения вероятностей (метод Монте-Карло), имитирующих на ЭВМ случайные значения параметров при каждом испытании;
2. Преобразование полученных числовых последовательностей на имитационных математических моделях.
3. Статистическая обработка результатов моделирования.
12. Компьютерное моделирование при обработке опытных данных.
13. Интерполирование.
Интерполя́ция, интерполи́рование (от лат. inter–polis — «разглаженный, подновлённый, обновлённый; преобразованный») — в вычислительной математике способ нахождения промежуточных значений величины по имеющемуся дискретному набору известных значений[1]. Термин «интерполяция» впервые употребил Джон Валлис в своём трактате «Арифметика бесконечных» (1656).
14. Аппроксимация опытных данных
Аппроксимация - это процесс подбора эмпирической функции ц(х) для установления из опыта функциональной зависимости y= ц(х). Пусть величина y является функцией аргумента x. Это означает, что любому значению x из области определения поставлено в соответствии значение y. Вместе с тем на практике часто неизвестна явная связь между y и x, т.е. невозможно записать эту связь в виде y=f(x). Наиболее распространенным и практически важным случаем, когда вид связи между параметрами x и y неизвестен, является задание этой связи в виде некоторой таблицы {xiyi}. Это означает, что дискретному множеству значений аргумента {xi} поставлено в соответствие множество значений функции {yi} (i=0, 1,...n). Эти значения - либо результаты расчетов, либо экспериментальные данные. На практике могут понадобиться значение величины y и в других точках, отличных от узлов xi. Однако получить эти значения можно лишь путем очень сложных расчетов или провидением дорогостоящих экспериментов. Таким образом, с точки зрения экономии времени и средств появляется необходимость использования имеющихся табличных данных для приближенного вычисления искомого параметра y при любом значении (из некоторой области) определяющего параметра x, поскольку точная связь y=f(x) неизвестна. Этой цели и служит задача об аппроксимации функций: данную функцию f(x) требуется приближенно заменить (аппроксимировать) некоторой функцией g(x) так, чтобы отклонение (в некотором смысле) g(x) от f(x) в заданной области было минимальным. Функция g(x) при этом называется аппроксимирующей.