Классификация математических моделей в зависимости от оператора модели

Выше отмечалось, что любая математическая модель может рассматриваться как некоторый оператор А, который является алгоритмом или определяется совокупностью уравнений — алгебраических, обыкновенных дифференциальных уравнений (ОДУ), систем ОДУ (СОДУ), дифференциальных уравнений в частных производных (ДУЧП), интегродифференциальных уравнений (ИДУ) и др. (рис. 1.6).

Если оператор обеспечивает линейную зависимость выходных параметров от значений входных параметров X, то математическая модель называется линейной (рис. 1.7). Линейные модели более просты для анализа. Например, из свойства линейности следует свойство суперпозиции решений, т.е. если известны решения при и при , то решение для выходных параметров при есть . Предельные значения для линейных моделей достигаются, как правило, на границах областей допустимых значений входных параметров.

Линейное поведение свойственно относительно простым объектам. Системам, как правило, присуще нелинейное многовариантное поведение (рис. 1.8). Соответственно модели подразделяются на нелинейные.

В зависимости от вида оператора математические модели можно разделить на простые и сложные.

В случае, когда оператор модели является алгебраическим выражением, отражающим функциональную зависимость выходных параметров fot входных X, модель будем называть простой.

В качестве примеров простых моделей можно привести многие законы физики (закон всемирного тяготения, закон Ома, закон Гука, закон трения Амонтона—Кулона), а также все эмпирические, т.е. полученные из опыта, алгебраические зависимости между входными и выходными параметрами.

Модель, включающая системы дифференциальных и интегральных соотношений, уже не может быть отнесена к простым, так как для своего исследования требует применения довольно сложных математических методов. Однако в двух случаях она может быть сведена к простым:

· если полученная для подобной модели система математических соотношений может быть разрешена аналитически;

· если результаты вычислительных экспериментов со сложной моделью аппроксимированы некоторой алгебраической зависимостью. В настоящее время известно достаточно большое число подходов и методов аппроксимации (например, метод наименьших квадратов или метод планирования экспериментов).

На практике довольно часто возникают ситуации, когда удовлетворительное описание свойств и поведения объекта моделирования (как правило, сложной системы) не удается выполнить с помощью математических соотношений. Однако в большинстве случаев удается построить некоторый имитатор поведения и свойств такого объекта с помощью алгоритма, который можно считать оператором модели.

Например, если в результате наблюдения за объектом получена таблица соответствия между входными Х и выходными значениями параметров, то определить оператор А, позволяющий получить «выход» по заданному «входу», зачастую бывает проще с помощью алгоритма.

 

Классификация математических моделей в зависимости от параметров модели (рис. 1.9)

В общем случае параметры, описывающие состояние и поведение объекта моделирования, разбиваются на ряд непересекающихся подмножеств

• совокупность входных (управляемых) воздействий на объект ( );
• совокупность воздействий внешней среды (неуправляемых) ( );
• совокупность внутренних (собственных) параметров объекта ( );
• совокупность выходных характеристик ( ).

Например, при моделировании движения материальной точки в поле сил тяжести входными параметрами могут быть начальное положение и начальная скорость точки в момент времени . Сила сопротивления и сила тяжести характеризуют воздействие внешней среды. Масса точки является собственным параметром. Координата и скорость точки (при ) относятся к выходным параметрам. Отнесение параметров к входным или выходным зависит от постановки конкретной задачи. Поэтому всегда существуют прямые и обратные задачи.

Входные параметры , параметры, описывающие воздействие внешней среды , и внутренние (собственные) характеристики объекта относят обычно к независимым (экзогенным) величинам. Выходные параметры — зависимые (эндогенные) величины. В общем случае оператор модели преобразует экзогенные параметры в эндогенные .

По своей природе характеристики объекта могут быть как качественными, так и количественными. Для количественной характеристики вводятся числа, выражающие отношения между данным параметром и эталоном (например «метром»). Кроме того, количественные значения параметра могут выражаться дискретными или непрерывными величинами. Качественные характеристики находятся, например методом экспертных оценок. В зависимости от вида используемых множеств параметров модели могут подразделяться на качественные и количественные, дискретные и непрерывные, a также смешанные.

При построении модели возможны следующие варианты описания неопределенности параметров:

· детерминированное — значения всех параметров модели определяются детерминированными величинами (т.е. каждому параметру соответствует конкретное целое, вещественное или комплексное число либо соответствующая функция). Данный способ соответствует полной определенности параметров;

· стохастическое — значения всех или отдельных параметров модели определяются случайными величинами, заданными плотностями вероятности. Например, случаи нормального (гауссова) и показательного распределения случайных величин;

· случайное — значения всех или отдельных параметров модели устанавливаются случайными величинами, заданными оценками плотностей вероятности, полученными в результате обработки ограниченной экспериментальной выборки данных параметров;

· интервальное — значения всех или отдельных параметров модели описываются интервальными величинами, заданными интервалом, образованным минимальным и максимально возможными значениями параметра;

· нечеткое — значения всех или отдельных параметров модели описываются функциями принадлежности соответствующему нечеткому множеству. Такая форма используется, когда информация о параметрах модели задается экспертом на естественном языке, а, следовательно, в «нечетких» терминах типа «много больше пяти», «около нуля».

Разделение моделей на одномерные, двухмерные и трехмерные применимо для таких моделей, в число параметров которых входят координаты пространства, и связано с особенностями реализации этих моделей, равно как и с резким увеличением их сложности при возрастании размерности.

Как и координаты, время относится к независимым переменным, от которых могут зависеть остальные параметры модели. Обычно чем меньше масштаб объекта, тем существеннее зависимость его параметров от времени.

Любой объект стремится перейти в некоторое равновесное состояние, как с окружающей его средой, так и между отдельными элементами самого объекта. Нарушение этого равновесия приводит к изменениям различных параметров объекта и его переходу в новое равновесное состояние.

При построении модели важным является сравнение времени существенных изменений внешних воздействий и характерных временных переходов объекта в новое равновесное состояние с окружающей средой, а также времени релаксации, определяющего установление равновесия между отдельными элементами внутри объекта. Если скорости изменения внешних воздействий на объект моделирования существенно меньше скорости релаксации, то явной зависимостью от времени в модели можно пренебречь. В этом случае говорят о квазистатическом процессе.

Совокупность значений параметров модели в некоторый момент времени или на данной стадии называется состоянием объекта.

Если скорости изменения внешних воздействий и параметров состояния изучаемого объекта достаточно велики (по сравнению со скоростями релаксации), то учет времени необходим. В этом случае объект исследования рассматривают в рамках динамического процесса.

В случае если внешние воздействия остаются постоянными или их колебания слабо отражаются на состоянии объекта в течении достаточно длительного промежутка времени то тогда в каждой фиксированной точке исследуемого пространства значения параметров модели не зависят от времени. Например, поле скоростей частиц жидкости в длинной трубе при ламинарном режиме. Подобные процессы называют стационарными. Как правило, стационарные модели применяются для описания различных потоков (жидкости, газа, тепла) в случае постоянства условий на входе и выходе потока. Для таких процессов время может быть исключено из числа независимых переменных.

Если в качестве одной из существенных независимых переменных модели необходимо использовать время (или его аналог), то модель называется нестационарной. Примером нестационарной модели является модель движения жидкости в трубе, но вытекающей из некоторого сосуда.

Классификация математических моделей в зависимости от целей моделирования (рис. 1.11)

Целью дескриптивных моделей является установление законов изменения параметров модели. Полученная модель описывает зависимость выходных параметров от входных. Поэтому дескриптивные модели являются реализацией описательных и объяснительных содержательных моделей на формальном уровне моделирования.

Оптимизационные модели предназначены для определения оптимальных (наилучших) с точки зрения некоторого критерия параметров моделируемого объекта или же для поиска оптимального (наилучшего) режима управления некоторым процессом. Часть параметров модели относят к параметрам управления, изменяя которые можно получать различные варианты наборов значений выходных параметров. Как правило, данные модели строятся с использованием одной или нескольких дескриптивных моделей и включают некоторый критерий, позволяющий сравнивать различные варианты наборов значений выходных параметров между собой с целью выбора наилучшего. На область значений входных параметров могут быть наложены ограничения в виде равенств и неравенств, связанные с особенностями рассматриваемого объекта или процесса. Целью оптимизационных моделей является поиск таких допустимых параметров управления, при которых критерий выбора достигает своего «наилучшего значения».

Управленческие модели применяются для принятия эффективных управленческих решений в различных областях целенаправленной деятельности человека. В общем случае принятие решений является процессом, по своей сложности сравнимым с процессом мышления в целом. Однако на практике под принятием решений обычно понимается выбор некоторых альтернатив из заданного их множества, а общий процесс принятия решений представляется как последовательность таких выборов альтернатив.

Сложность задачи заключается в наличии неопределенности как по исходной информации и характеру воздействия внешних условий, так и по целям. Поэтому в отличие от оптимизационных моделей, где критерий выбора считается определенным и искомое решение устанавливается из условий его экстремальности (максимума или минимума), в управленческих моделях необходимо введение специфических критериев оптимальности, которые позволяют сравнивать альтернативы при различных неопределенностях задачи.

Поскольку оптимальность принятого решения даже в одной и той же ситуации может пониматься по-разному, вид критерия оптимальности в управленческих моделях заранее не фиксируется. Именно в этом состоит основная особенность данных моделей.

Классификация математических моделей в зависимости от методов реализации (рис. 1.12)

Метод реализации модели относят к аналитическим, если он позволяет получить выходные параметры в виде аналитических выражений, т.е. выражений, в которых используется не более чем счетная совокупность арифметических операций и переходов к пределу. Примеры аналитических выражений:

,

Частным случаем аналитических выражений являются алгебраические выражения , в которых используется конечное или счетное число арифметических операций, операций возведения в целочисленную степень и извлечения корня. Пример алгебраических выражений: .

Очень часто аналитическое решение для модели представляют в элементарных или специальных функциях. Для получения значений этих функций при конкретных значениях входных параметров используют их разложение в ряды (например, Тейлора). Так, показательная функция может быть представлена следующим рядом:

Учитывая различное число членов ряда, можно вычислять значение функции с различной степенью точности. Таким образом, значение функции при каждом значении аргумента в этом случае определяется приближенно. Модели, использующие подобный прием, называются приближенными.

Аналитические методы реализации модели являются более ценными, однако их не всегда можно получить.

При численном подходе совокупность математических соотношений модели заменяется конечномерным аналогом. Это чаще всего достигается дискретизацией исходных соотношений, т.е. переходом от функций непрерывного аргумента к функциям дискретного аргумента. После дискретизации исходной задачи выполняется построение вычислительного алгоритма. Найденное решение дискретной задачи принимается за приближенное решение исходной математической задачи. Основным требованием к вычислительному алгоритму является необходимость получения решения исходной задачи с заданной точностью за конечное число шагов.

При имитационном подходе на отдельные элементы разбивается сам объект исследования. В этом случае система математических соотношений для объекта-системы в целом не записывается, а заменяется некоторым алгоритмом, моделирующим ее поведение и учитывающим взаимодействие друг с другом моделей отдельных элементов системы. Модели отдельных элементов могут быть как аналитическими, так и алгебраическими.

 

МАТЕМАТИЧЕСКОЕ ПОДОБИЕ

Математическое моделирование-это изучение поведения объекта в тех или иных условиях путём решения уравнений его математической модели. Данный метод базируется на: математически подобные объекты, процессы обладают различной физической природой, но описываются идентичными уравнениями.

Например: Закон Фурье

Закон Фика

Знак «-« при коэффициентах уравнения означает, что поток направлен из областей с большими значениями в область, где этот параметр имеет меньшее значение. По сравнению физическим математическое моделирование более универсальный метод.

Достоинства:

1.позволяет осуществить с помощью ЭВМ решение целого класса задач;

2.обеспечивает простоту перехода от одной задачи к другой, позволяет вводить переменные параметры возмущения и различные начальные условия;

3.даёт возможность проводить моделирование по частям (элементарным стадиям, процессам), что существенно при исследовании сложных объектов;

4.экономичнее метода физического моделирования.

⇐ Предыдущая1234

Поделиться: