Понятия «модель», «моделирование», различные подходы к классификации моделей. Этапы моделирования. Понятие модели и моделирования

Согласно этому признаку модели делятся на два обширных класса:

абстрактные (мысленные) модели;
материальные модели.

Рис. 1.1.

Нередко в практике моделирования присутствуют смешанные, абстрактно-материальные модели.

Абстрактные модели представляют собой определенные конструкции из общепринятых знаков на бумаге или другом материальном носителе или в виде компьютерной программы.

Абстрактные модели, не вдаваясь в излишнюю детализацию, можно разделить на:

символические;
математические.

Символическая модель - это логический объект, замещающий реальный процесс и выражающий основные свойства его отношений с помощью определенной системы знаков или символов. Это либо слова естественного языка, либо слова соответствующего тезауруса , графики, диаграммы и т. п.

Символическая модель может иметь самостоятельное значение, но, как правило, ее построение является начальным этапом любого другого моделирования.

Математическое моделирование - это процесс установления соответствия моделируемому объекту некоторой математической конструкции, называемой математической моделью, и исследование этой модели, позволяющее получить характеристики моделируемого объекта.

Математическое моделирование - главная цель и основное содержание изучаемой дисциплины.

Математические модели могут быть:

аналитическими;
имитационными;
смешанными (аналитико-имитационными).

Аналитические модели - это функциональные соотношения: системы алгебраических, дифференциальных, интегро-дифференциальных уравнений, логических условий. Уравнения Максвелла - аналитическая модель электромагнитного поля. Закон Ома - модель электрической цепи.

Преобразование математических моделей по известным законам и правилам можно рассматривать как эксперименты. Решение на основе аналитических моделей может быть получено в результате однократного просчета безотносительно к конкретным значениям характеристик ("в общем виде"). Это наглядно и удобно для выявления закономерностей. Однако для сложных систем построить аналитическую модель, достаточно полно отражающую реальный процесс, удается не всегда. Тем не менее, есть процессы, например, марковские, актуальность моделирования которых аналитическими моделями доказана практикой.

Имитационное моделирование . Создание вычислительных машин обусловило развитие нового подкласса математических моделей - имитационных.

Имитационное моделирование предполагает представление модели в виде некоторого алгоритма - компьютерной программы, - выполнение которого имитирует последовательность смены состояний в системе и таким образом представляет собой поведение моделируемой системы.

Процесс создания и испытания таких моделей называется имитационным моделированием, а сам алгоритм - имитационной моделью.

В чем заключается отличие имитационных и аналитических моделей?

В случае аналитического моделирования ЭВМ является мощным калькулятором, арифмометром. Аналитическая модель решается на ЭВМ.

В случае же имитационного моделирования имитационная модель - программа - реализуется на ЭВМ.

Имитационные модели достаточно просто учитывают влияние случайных факторов. Для аналитических моделей это серьезная проблема. При наличии случайных факторов необходимые характеристики моделируемых процессов получаются многократными прогонами (реализациями) имитационной модели и дальнейшей статистической обработкой накопленной информации. Поэтому часто имитационное моделирование процессов со случайными факторами называют статистическим моделированием .

Если исследование объекта затруднено использованием только аналитического или имитационного моделирования, то применяют смешанное (комбинированное), аналитико-имитационное моделирование. При построении таких моделей процессы функционирования объекта декомпозируются на составляющие подпроцессы, и для которых, возможно, используют аналитические модели, а для остальных подпроцессов строят имитационные модели.

Материальное моделирование основано на применении моделей, представляющих собой реальные технические конструкции. Это может быть сам объект или его элементы (натурное моделирование). Это может быть специальное устройство - модель, имеющая либо физическое, либо геометрическое подобие оригиналу. Это может быть устройство иной физической природы, чем оригинал, но процессы в котором описываются аналогичными математическими соотношениями. Это так называемое аналоговое моделирование. Такая аналогия наблюдается, например, между колебаниями антенны спутниковой связи под ветровой нагрузкой и колебанием электрического тока в специально подобранной электрической цепи.

Нередко создаются материально-абстрактные модели . Та часть операции, которая не поддается математическому описанию, моделируется материально, остальная - абстрактно. Таковы, например, командно-штабные учения, когда работа штабов представляет собой натурный эксперимент, а действия войск отображаются в документах.

Классификация по рассмотренному признаку - способу реализации модели - показана на рис. 1.2 .

Рис. 1.2.

1.3. Этапы моделирования

Математическое моделирование как, впрочем, и любое другое, считается искусством и наукой. Известный специалист в области имитационного моделирования Роберт Шеннон так назвал свою широко известную в научном и инженерном мире книгу: " Имитационное моделирование - искусство и наука". Поэтому в инженерной практике нет формализованной инструкции, как создавать модели. И, тем не менее, анализ приемов, которые используют разработчики моделей, позволяет усмотреть достаточно прозрачную этапность моделирования.

Первый этап : уяснение целей моделирования. Вообще-то это главный этап любой деятельности. Цель существенным образом определяет содержание остальных этапов моделирования. Заметим, что различие между простой системой и сложной порождается не столько их сущностью, но и целями, которые ставит исследователь.

Обычно целями моделирования являются:

прогноз поведения объекта при новых режимах, сочетаниях факторов и т. п.;
подбор сочетания и значений факторов, обеспечивающих оптимальное значение показателей эффективности процесса;
анализ чувствительности системы на изменение тех или иных факторов;
проверка различного рода гипотез о характеристиках случайных параметров исследуемого процесса;
определение функциональных связей между поведением ("реакцией") системы и влияющими факторами, что может способствовать прогнозу поведения или анализу чувствительности;
уяснение сущности, лучшее понимание объекта исследования, а также формирование первых навыков для эксплуатации моделируемой или действующей системы.

Второй этап : построение концептуальной модели. Концептуальная модель (от лат. conception ) - модель на уровне определяющего замысла, который формируется при изучении моделируемого объекта. На этом этапе исследуется объект , устанавливаются необходимые упрощения и аппроксимации. Выявляются существенные аспекты, исключаются второстепенные. Устанавливаются единицы измерения и диапазоны изменения переменных модели. Если возможно, то концептуальная модель представляется в виде известных и хорошо разработанных систем: массового обслуживания, управления, авторегулирования, разного рода автоматов и т. д. Концептуальная модель полностью подводит итог изучению проектной документации или экспериментальному обследованию моделируемого объекта.

Результатом второго этапа является обобщенная схема модели, полностью подготовленная для математического описания - построения математической модели.

Третий этап : выбор языка программирования или моделирования, разработка алгоритма и программы модели. Модель может быть аналитической или имитационной, или их сочетанием. В случае аналитической модели исследователь должен владеть методами решения.

В истории математики (а это, впрочем, и есть история математического моделирования) есть много примеров тому, когда необходимость моделирования разного рода процессов приводила к новым открытиям. Например, необходимость моделирования движения привела к открытию и разработке дифференциального исчисления (Лейбниц и Ньютон) и соответствующих методов решения. Проблемы аналитического моделирования остойчивости кораблей привели академика Крылова А. Н. к созданию теории приближенных вычислений и аналоговой вычислительной машины.

Результатом третьего этапа моделирования является программа , составленная на наиболее удобном для моделирования и исследования языке - универсальном или специальном.

Четвертый этап : планирование эксперимента. Математическая модель является объектом эксперимента. Эксперимент должен быть в максимально возможной степени информативным, удовлетворять ограничениям, обеспечивать получение данных с необходимой точностью и достоверностью. Существует теория планирования эксперимента, нужные нам элементы этой теории мы изучим в соответствующем месте дисциплины. GPSS World, AnyLogic и др.) и могут применяться автоматически. Не исключено, что в ходе анализа полученных результатов модель может быть уточнена, дополнена или даже полностью пересмотрена.

После анализа результатов моделирования осуществляется их интерпретация , то есть перевод результатов в термины предметной области . Это необходимо, так как обычно специалист предметной области (тот, кому нужны результаты исследований) не обладает терминологией математики и моделирования и может выполнять свои задачи, оперируя лишь хорошо знакомыми ему понятиями.

На этом рассмотрение последовательности моделирования закончим, сделав весьма важный вывод о необходимости документирования результатов каждого этапа. Это необходимо в силу следующих причин.

Во-первых, моделирование процесс итеративный, то есть с каждого этапа может осуществляться возврат на любой из предыдущих этапов для уточнения информации, необходимой на этом этапе, а документация может сохранить результаты, полученные на предыдущей итерации.

Во-вторых, в случае исследования сложной системы в нем участвуют большие коллективы разработчиков, причем различные этапы выполняются различными коллективами. Поэтому результаты, полученные на каждом этапе, должны быть переносимы на последующие этапы, то есть иметь унифицированную форму представления и понятное другим заинтересованным специалистам содержание.

В-третьих, результат каждого из этапов должен являться самоценным продуктом. Например, концептуальная модель может и не использоваться для дальнейшего преобразования в математическую модель, а являться описанием, хранящим информацию о системе, которое может использоваться как архив , в качестве средства обучения и т. д.

Математическое моделирование можно разделить на аналитическое, численное и имитационное.

Исторически первыми были разработаны аналитические методы моделирования, и сложился аналитический подход к исследованию систем.

Аналитические методы моделирования (АМ). При АМ создаётся аналитическая модель объекта в виде алгебраических, дифференциальных, конечно-разностных уравнений. Аналитическая модель исследуется либо аналитическими методами, либо численными методами. Аналитические методы позволяют получить характеристики системы как некоторые функции параметров её функционирования. Использование аналитических методов даёт достаточно точную оценку, которая, зачастую, хорошо соответствует действительности. Смена состояний реальной системы происходит под воздействием множества как внешних, так и внутренних факторов, подавляющее большинство из которых носят стохастический характер. Вследствие этого, а также большой сложности многих реальных систем, основным недостатком аналитических методов является то, что при выводе формул, на которых они основываются и которые используются для расчёта интересующих параметров, необходимо принять определённые допущения. Тем не менее, нередко оказывается, что эти допущения вполне оправданы.

Численные методы моделирования. Преобразование модели к уравнениям, решение которых возможно методами вычислительной математики. Класс задач значительно шире, однако численные методы не дают точных решений, но позволяют задать точность решения.

Имитационные методы моделирования (ИМ). С развитием вычислительной техники широкое применение получили имитационные методы моделирования для анализа систем, преобладающими в которых являются стохастические воздействия.

Суть ИМ заключается в имитации процесса функционирования системы во времени, соблюдением таких же соотношений длительности операций, как в системе-оригинале. При этом имитируются элементарные явления, составляющие процесс: сохраняется их логическая структура, последовательность протекания во времени. Результатом ИМ является получение оценок характеристик системы.

Известный американский учёный Роберт Шеннон даёт следующее определение: "Имитационное моделирование есть процесс конструирования модели реальной системы и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить (в рамках ограничений, накладываемых некоторым критерием или совокупностью критериев) различные стратегии, обеспечивающие функционирование данной системы". Все имитационные модели используют принцип чёрного ящика. Это означает, что они выдают выходной сигнал системы при поступлении в неё некоторого входного сигнала. Поэтому в отличие от аналитических моделей для получения необходимой информации или результатов необходимо осуществлять "прогон" имитационных моделей, т. е. подачу некоторой последовательности сигналов, объектов или данных на вход модели и фиксацию выходной информации, а не "решать" их. Происходит своего рода "выборка" состояний объекта моделирования (состояния – это свойства системы в конкретные моменты времени) из пространства (множества) состояний (совокупность всех возможных значений состояний). Насколько репрезентативной окажется эта выборка, настолько результаты моделирования будут соответствовать действительности. Этот вывод показывает важность статистических методов оценки результатов имитации. Таким образом, имитационные модели не формируют своё собственное решение в том виде, в каком это имеет место в аналитических моделях, а могут лишь служить в качестве средства для анализа поведения системы в условиях, которые определяются экспериментатором.

Применение имитационного моделирования целесообразно при наличии определённых условий. Эти условия определяет Р. Шеннон:

Не существует законченной математической постановки данной задачи либо ещё не разработаны аналитические методы решения сформулированной математической модели. К этой категории относятся многие модели массового обслуживания, связанные с рассмотрением очередей.

Аналитические методы имеются, но математические процедуры столь сложны и трудоёмки, что имитационное моделирование даёт более простой способ решения задачи.

Кроме оценки определённых параметров, желательно осуществить на имитационной модели наблюдение за ходом процесса в течение нужного временного периода.

Дополнительным преимуществом имитационного моделирования можно считать широчайшие возможности его применения в сфере образования и профессиональной подготовки. Разработка и использование имитационной модели позволяет экспериментатору видеть и "разыгрывать" на модели реальные процессы и ситуации.

Необходимо обозначить ряд проблем, возникающих в процессе моделирования систем. Исследователь должен акцентировать на них внимание и попытаться их разрешить, дабы избежать получения недостоверных сведений об изучаемой системе.

Первая проблема, которая касается и аналитических методов моделирования, состоит в нахождении "золотой середины" между упрощением и сложностью системы. По мнению Шеннона, искусство моделирования в основном состоит в умении находить и отбрасывать факторы, не влияющие или незначительно влияющие на исследуемые характеристики системы. Нахождение этого "компромисса" во многом зависит от опыта, квалификации и интуиции исследователя. Если модель слишком упрощена и в ней не учтены некоторые существенные факторы, то высока вероятность получить по этой модели ошибочные данные, с другой стороны, если модель сложная и в неё включены факторы, имеющие незначительное влияние на изучаемую систему, то резко повышаются затраты на создание такой модели и возрастает риск ошибки в логической структуре модели. Поэтому перед созданием модели необходимо проделать большой объём работы по анализу структуры системы и взаимосвязей между её элементами, изучению совокупности входных воздействий, тщательной обработке имеющихся статистических данных об исследуемой системе.

Вторая проблема заключается в искусственном воспроизводстве случайных воздействий окружающей среды. Этот вопрос очень важен, так как большинство динамических производственных систем являются стохастическими, и при их моделировании необходимо качественное несмещённое воспроизведение случайности, в противном случае, результаты, полученные на модели, могут быть смещёнными и не соответствовать действительности.

Существует два основных направления разрешения этой проблемы: аппаратная и программная (псевдослучайная) генерация случайных последовательностей. При аппаратном способе генерации случайные числа вырабатываются специальным устройством. В качестве физического эффекта, лежащего в основе таких генераторов чисел, чаще всего используются шумы в электронных и полупроводниковых приборах, явления распада радиоактивных элементов и т. д. Недостатками аппаратного способа получения случайных чисел является отсутствие возможности проверки (а значит, гарантии) качества последовательности во время моделирования, а также невозможности получения одинаковых последовательностей случайных чисел. Программный способ основан на формировании случайных чисел с помощью специальных алгоритмов. Этот способ наиболее распространён, так как не требует специальных устройств и даёт возможность многократного воспроизведения одинаковых последовательностей. Его недостатками являются погрешность в моделировании распределений случайных чисел, вносимую по причине того, что ЭВМ оперирует с n-разрядными числами (т. е. дискретными), и периодичность последовательностей, возникающую в силу их алгоритмического получения. Таким образом, необходима разработка методов улучшения и критериев проверки качества генераторов псевдослучайных последовательностей.

Третьей, наиболее сложной проблемой является оценка качества модели и полученных с её помощью результатов (эта проблема актуальна и для аналитических методов). Адекватность моделей может быть оценена методом экспертных оценок, сравнением с другими моделями (уже подтвердившими свою достоверность) по полученным результатам. В свою очередь, для проверки полученных результатов часть из них сравнивается с уже имеющимися данными.

Модель - способ замещения реального объекта, используемый для его изучения. Впоследствии мы уточним данное определение.

Модель вместо исходного объекта используется в случаях, когда эксперимент опасен, дорог, происходит в неудобном масштабе пространства и времени (долговременен, слишком кратковременен, протяжен…), невозможен, неповторим, ненагляден и т. д. Проиллюстрируем это:

«эксперимент опасен» - при деятельности в агрессивной среде вместо человека лучше использовать его макет; примером может служить луноход;
«дорог» - прежде чем использовать идею в реальной экономике страны, лучше опробовать её на математической или имитационной модели экономики, просчитав на ней все «за» и «против» и получив представление о возможных последствиях;
«долговременен» - изучить коррозию - процесс, происходящий десятилетия, - выгоднее и быстрее на модели;
«кратковременен» - изучать детали протекания процесса обработки металлов взрывом лучше на модели, поскольку такой процесс скоротечен во времени;
«протяжен в пространстве» - для изучения космогонических процессов удобны математические модели, поскольку реальные полёты к звёздам (пока) невозможны;
«микроскопичен» - для изучения взаимодействия атомов удобно воспользоваться их моделью;
«невозможен» - часто человек имеет дело с ситуацией, когда объекта нет, он ещё только проектируется. При проектировании важно не только представить себе будущий объект, но и испытать его виртуальный аналог до того, как дефекты проектирования проявятся в оригинале. Важно: моделирование теснейшим образом связано с проектированием. Обычно сначала проектируют систему, потом её испытывают, потом снова корректируют проект и снова испытывают, и так до тех пор, пока проект не станет удовлетворять предъявляемым к нему требованиям. Процесс «проектирование-моделирование» цикличен. При этом цикл имеет вид спирали - с каждым повтором проект становится все лучше, так как модель становится все более детальной, а уровень описания точнее;
«неповторим» - это достаточно редкий случай, когда эксперимент повторить нельзя; в такой ситуации модель - единственный способ изучения таких явлений. Пример - исторические процессы, - ведь повернуть историю вспять невозможно;
«ненагляден» - модель позволяет заглянуть в детали процесса, в его промежуточные стадии; при построении модели исследователь как бы вынужден описать причинно-следственные связи, позволяющие понять все в единстве, системе. Построение модели дисциплинирует мышление. Важно: модель играет системообразующую и смыслообразующую роль в научном познании, позволяет понять явление, структуру изучаемого объекта. Не построив модель, вряд ли удастся понять логику действия системы. Это означает, что модель позволяет разложить систему на элементы, связи, механизмы, требует объяснить действие системы, определить причины явлений, характер взаимодействия составляющих.

Процесс моделирования есть процесс перехода из реальной области в виртуальную (модельную) посредством формализации, далее происходит изучение модели (собственно моделирование) и, наконец, интерпретация результатов как обратный переход из виртуальной области в реальную. Этот путь заменяет прямое исследование объекта в реальной области, то есть лобовое или интуитивное решение задачи. Итак, в самом простом случае технология моделирования подразумевает 3 этапа: формализация, собственно моделирование, интерпретация (рис. 1.1).

Рис. 1.1. Процесс моделирования (базовый вариант)

Если требуется уточнение, эти этапы повторяются вновь и вновь: формализация (проектирование), моделирование, интерпретация. Спираль! Вверх по кругу.

Более подробно весь цикл разработки показан на рис. 1.14, где отражены методы, способы, приёмы, с помощью которых реализуется каждый из этапов.

Поскольку моделирование - способ замещения реального объекта его аналогом, то возникает вопрос: насколько аналог должен соответствовать исходному объекту?

Вариант 1: соответствие - 100%. Очевидно, что точность решения в этом случае максимальна, а ущерб от применения модели минимален. Но затраты на построение такой модели бесконечно велики, так как объект повторяется во всех своих деталях; фактически, создаётся точно такой же объект путём копирования его до атомов (что само по себе не имеет смысла).

Вариант 2: соответствие - 0%. Модель совсем не похожа на реальный объект. Очевидно, что точность решения минимальна, а ущерб от применения модели максимален, бесконечен. Но затраты на построение такой модели нулевые.

Конечно, варианты 1 и 2 - это крайности. На самом деле модель создаётся из соображений компромисса между затратами на её построение и ущербом от неточности её применения. Это точка между двумя бесконечностями. То есть, моделируя, следует иметь в виду, что исследователь (моделировщик) должен стремиться к оптимуму суммарных затрат, включающих ущерб от применения и затраты на изготовление модели (см. рис. 1.2).

Рис. 1.2. Соотношение суммарных затрат и точности
для различных вариантов детализации прикладной модели

Просуммируйте две кривые затрат - получится одна кривая общих затрат. Найдите оптимум на суммарной кривой: он лежит между этими крайними вариантами. Видно, что неточные модели не нужны, но и абсолютная точность тоже не нужна, да и невозможна. Частое и распространённое заблуждение при построении моделей - требовать «как можно точнее».

«Модель - поиск конечного в бесконечном» - эта мысль принадлежит Д. И. Менделееву. Что отбрасывается, чтобы превратить бесконечное в конечное? В модель включаются только существенные аспекты, представляющие объект, и отбрасываются все остальные (бесконечное большинство). Существенный или несущественный аспект описания определяют согласно цели исследования. То есть каждая модель составляется с какой-то целью. Начиная моделирование, исследователь должен определить цель, отделив её от всех возможных других целей, число которых, по-видимому, бесконечно.

К сожалению, указанная на рис. 1.2 кривая является умозрительной и реально до начала моделирования построена быть не может. Поэтому на практике действуют таким образом: двигаются по шкале точности слева направо, то есть от простых моделей («Модель 1», «Модель 2»…) ко все более сложным («Модель 3», «Модель 4»…). А процесс моделирования имеет циклический спиралевидный характер: если построенная модель не удовлетворяет требованиям точности, то её детализируют, дорабатывают на следующем цикле (см. рис. 1.3).

Рис. 1.3. Спиралевидный характер процесса
проектирования и уточнения прикладных моделей

Улучшая модель, следят, чтобы эффект от усложнения модели превышал связанные с этим затраты. Как только исследователь замечает, что затраты на уточнение модели превышают эффект от точности при применении модели, следует остановиться, поскольку точка оптимума достигнута. Такой подход всегда гарантирует окупаемость вложений.

Из всего сказанного следует, что моделей может быть несколько: приближенная, более точная, ещё точнее и так далее. Модели как бы образуют ряд. Двигаясь от варианта к варианту, исследователь совершенствует модель. Для построения и совершенствования моделей необходима их преемственность, средства отслеживания версий и так далее, то есть моделирование требует инструмента и опирается на технологию.

Инструмент - типовое средство, позволяющее достичь оригинальный результат и обеспечивающее сокращение затрат на выполнение промежуточных операций (имиджи, стандартные библиотеки, мастера, линейки, резинки…).

Технология - набор стандартных способов, приёмов, методов, позволяющий достичь результата гарантированного качества с помощью указанных инструментов за заранее известное время при заданных затратах, но при соблюдении пользователем объявленных требований и порядка.

Среда - совокупность рабочего пространства и инструментов на нем, поддерживающая хранение и изменение, преемственность проектов и интерпретирующая свойства объектов и систем из них.

Иногда модели пишут на языках программирования, но это долгий и дорогой процесс. Для моделирования можно использовать математические пакеты, но, как показывает опыт, в них обычно не хватает многих инженерных инструментов. Оптимальным является использование среды моделирования.

Моделирование является инженерной наукой, технологией решения задач. Это замечание - очень важное. Так как технология есть способ достижения результата с известным заранее качеством и гарантированными затратами и сроками, то моделирование, как дисциплина:

изучает способы решения задач, то есть является инженерной наукой;
является универсальным инструментом, гарантирующим решение любых задач, независимо от предметной области.

Смежными моделированию предметами являются: программирование, математика, исследование операций.

Программирование - потому что часто модель реализуют на искусственном носителе (пластилин, вода, кирпичи, математические выражения…), а компьютер является одним из самых универсальных носителей информации и притом активным (имитирует пластилин, воду, кирпичи, считает математические выражения и т. д.). Программирование есть способ изложения алгоритма в языковой форме. Алгоритм - один из способов представления (отражения) мысли, процесса, явления в искусственной вычислительной среде, которой является компьютер (фон-Неймановской архитектуры). Специфика алгоритма состоит в отражении последовательности действий. Моделирование может использовать программирование, если моделируемый объект легко описать с точки зрения его поведения. Если легче описать свойства объекта, то использовать программирование затруднительно. Если моделирующая среда построена не на основе фон-Неймановской архитектуры, программирование практически бесполезно.

Какова разница между алгоритмом и моделью?

Алгоритм - это процесс решения задачи путём реализации последовательности шагов, тогда как модель - совокупность потенциальных свойств объекта. Если к модели поставить вопрос и добавить дополнительные условия в виде исходных данных (связь с другими объектами, начальные условия, ограничения), то она может быть разрешена исследователем относительно неизвестных. Процесс решения задачи может быть представлен алгоритмом (но известны и другие способы решения). Вообще примеры алгоритмов в природе неизвестны, они суть порождение человеческого мозга, разума, способного к установлению плана. Собственно алгоритм - это и есть план, развёрнутый в последовательность действий. Следует различать поведение объектов, связанное с естественными причинами, и промысел разума, управляющий ходом движения, предсказывающий результат на основе знания и выбирающий целесообразный вариант поведения.

Итак:

модель + вопрос + дополнительные условия = задача.

Математика - наука, предоставляющая возможность исчисления моделей, приводимых к стандартному (каноническому) виду. Наука о нахождении решений аналитических моделей (анализ) средствами формальных преобразований.

Исследование операций - дисциплина, реализующая способы исследования моделей с точки зрения нахождения наилучших управляющих воздействий на модели (синтез). По большей части имеет дело с аналитическими моделями. Помогает принимать решения, используя построенные модели.

Проектирование - процесс создания объекта и его модели; моделирование - способ оценки результата проектирования; моделирования без проектирования не существует.

Смежными дисциплинами для моделирования можно признать электротехнику, экономику, биологию, географию и другие в том смысле, что они используют методы моделирования для исследования собственного прикладного объекта (например, модель ландшафта, модель электрической цепи, модель денежных потоков и т. д.).

Рядом стоят дисциплины «Компьютерная графика» и «Модели и методы искусственного интеллекта» (см. рис. 1.4).

Рис. 1.4. Основные подсистемы при проектировании комплексных моделей

Компьютерная графика помогает организовать удобный естественный интерфейс для управления моделью, для наблюдения за её реакциями. Важно понимать, что пользователь взаимодействует с моделью не напрямую, а именно через интерфейс: с одной стороны он посылает ей исходные (входные) данные (например, с помощью окон ввода, кнопок, движков, командной строки и т. д.), с другой - смотрит на результат работы модели, то есть воспринимает посредством интерфейса выходные данные.

Искусственный интеллект подразумевает построение высших моделей (например, адаптивных, которые умеют самонастраиваться, умеют создавать друг друга и т. д.). Подразумевается, что модель интеллекта в состоянии сама строить модели прикладных объектов и систем; объяснение того, как это делается, даётся в курсе «Модели и методы искусственного интеллекта». Вместе с тем заметим, что ряд исследователей, говоря об искусственном интеллекте, имеют в виду применение моделей (обучения, воспроизведения, языка и т. д.) для изучения и имитации одной из самых сложных систем во Вселенной - человека.

Заметим, что искусственный интеллект - достаточно большая модель, которая содержит обширную информацию об окружающем мире и мета-модели, умеющие её достраивать. Мета-модели имеют большое подобие с имитируемым ими человеком.

В зависимости от носителя различают модели: натурные, мысленные, математические, имитационные, графические, фотографические и так далее. Каждая из моделей обладает различной способностью к прогнозу свойств объекта. Например, по фотографии человека в анфас вряд ли можно верно представить, как выглядит его затылок. Приближение в виде трёхмерной модели - намного лучше, но можно ли с её помощью определить, когда, например, у виртуального человека вырастут волосы длиной 50 см? Имитационная модель ещё более информативна. Но наибольшей ценностью обладают модели, пригодные для решения задач, то есть обладающие прогностическими свойствами, умеющие отвечать на вопросы. Следует различать два понятия - «модель» и «задача». Модель связывает переменные между собой законами. Эти законы действуют независимо от того, какая сейчас задача стоит перед нами. Модель объективна, она подобна миру, который нас окружает, и содержит в себе информацию об этом. Структура мира (в общем смысле) неизменна, фундаментальна, модель, следовательно, тоже. А человек, как существо субъективное, имеющее собственные цели, часто меняющиеся желания, ставит, в зависимости от своих потребностей, каждый раз новые задачи, требует решить возникающие у него проблемы. Он ставит вопросы к окружающему миру, с законами которого нельзя не считаться. Удобно ставить вопросы к модели, которая содержит нужную информацию о мире. Поэтому задача - это совокупность вопроса и модели. Можно к модели задавать все новые и новые вопросы и при этом не менять модель, но менять задачу.

То есть модель - способ нахождения ответов на вопросы. Чтобы ответить на поставленный вопрос, модель должна быть преобразована по правилам, обеспечивающим её эквивалентность, к виду, соответствующему ответу на вопрос. Это означает, что модель должна быть сформирована по правилам определённой алгебры (алгебра есть правила преобразования). А процедура, которая помогает применить такие правила к модели, называется методом.

Рассмотрим пример.

Модель падения тела под углом к горизонту содержит информацию о координатах траектории, заданных в осях (x , y ): y = –x 2 + 4 · x – 3 (координаты тела в полете) - см. рис. 1.5.

Рис. 1.5. Траектория движения тела,
брошенного под углом к горизонту

Модель связывает две переменные y и x законом f (y , x ) = 0. Модель может быть расширена некоторыми исходными данными, например, так: y = –x 2 + 4 · x – 3, y = 0 (интересуют не все возможные значения y , а только точки на поверхности Земли).

y = 0 - это тоже закон, но более мелкого масштаба. Такие уравнения могут появляться и исчезать в зависимости от исследуемой проблемы. Обычно их называют гипотезами.

Вопрос: x = ?

Теперь модель и вопрос вместе образовали задачу:

y = –x 2 + 4 · x – 3,
y = 0,
x = ?

Ряд моделей может быть недоопределён - это означает, что вариантов ответов много (два, три, сто или бесконечное множество). Если нужен один ответ, то проблему надо доопределять, дополнять условиями. «Недоопределён» означает, что можно произвольно, кроме гипотез, законов, ответа, потребовать дополнительно выполнение ещё каких-то условий. Возможно, при построении модели что-то не было учтено, не хватает каких-то законов. Рецепт понятен: модель надо достроить. Но может быть и по-другому. Решений много и есть, видимо, лучшие решения, и есть похуже. Тогда для нахождения лучшего решения следует сузить область решений, накладывая определённые ограничения, чтобы отсеять остальные. Такие задачи часто называют задачами управления.

Для того чтобы понять суть математического моделирования, рассмотрим основные определения, особенности процесса.

Суть термина

Моделирование представляет собой процесс создания и применения модели. Ею считают любой абстрактный или материальный предмет, заменяющий в процессе изучения реальный объект моделирования. Важным моментом является сохранение свойств, необходимых для полноценного анализа предмета.

Компьютерное моделирование представляет собой вариант познания, базирующийся на математической модели. Она подразумевает систему неравенств, уравнений, логических знаковых выражений, которые в полной мере отображают все характеристики явления или объекта.

Математическое моделирование предполагает конкретные расчеты, применение вычислительной техники. Для того чтобы объяснить процесс, нужны дополнительные исследования. С этой задачей успешно справляется компьютерное моделирование.

Специфичность компьютерного моделирования

Этот способ изучения сложных систем считают эффективным и результативным. Удобнее и проще анализировать именно компьютерные модели, поскольку можно осуществлять разнообразные вычислительные действия. Это особенно актуально в тех случаях, когда по физическим либо материальным причинам реальные эксперименты не позволяют получать желаемого результата. Логичность таких моделей дает возможность определять главные факторы, которые определяют параметры изучаемого оригинала.

Такое применение математического моделирования позволяет выявлять поведение объекта в различных условиях, выявлять влияние разных факторов на его поведение.

Основы компьютерного моделирования

На чем базируется такое моделирование? Что такое научные исследования на основе ИКТ? Начнем с того, что любое компьютерное моделирование основывается на определенных принципах:

математическое моделирование для описания изучаемого процесса;
применение инновационных математических моделей для детального рассмотрения изучаемых процессов.

Разновидности моделирования

В настоящее время выделяют разные методы математического моделирования: имитационное и аналитическое.

Аналитический вариант связан с изучением абстрактных моделей реального предмета в виде дифференциальных, алгебраических уравнений, которые предусматривают проведение четкой вычислительной техники, способной дать точное решение.

Имитационное моделирование предполагает исследование математической модели в виде определенного алгоритма, который воспроизводит функционирование анализируемой системы с помощью последовательного выполнения системы несложных вычислений и операций.

Особенности построения компьютерной модели

Подробнее рассмотрим, как происходит такое моделирование. Что такое этапы компьютерного исследования? Начнем с того, что процесс основывается на уходе от четкого объекта или анализируемого явления.

Такое моделирование состоит из двух основных этапов: создание качественной и количественной модели. Компьютерное изучение состоит в проведении системы вычислительных действий на персональном компьютере, направленных на анализ, систематизацию, сравнение результатов исследования с реальным поведением анализируемого объекта. В случае необходимости проводится дополнительное уточнение модели.

Этапы моделирования

Как осуществляется моделирование? Что такое этапы компьютерного исследования? Итак, выделяют следующий алгоритм действий, касающийся построения компьютерной модели:

1 этап. Постановка цели и задач работы, выявление объекта моделирования. Предполагается сбор данных, постановка вопроса, выявление целей и форм исследования, описание полученных результатов.

2 этап. Анализ и изучение системы. Осуществляется описание объекта, создание информационной модели, подбор программных и технических средств, подбираются примеры математического моделирования.

3 этап. Переход к математической модели, проработка метода проектирования, подбор алгоритма действий.

4 этап. Подбор языка программирования либо среды для моделирования, обсуждение вариантов анализа, записи алгоритма на определенном языке программирования.

5 этап. Он состоит в проведении комплекса вычислительных экспериментов, отладке расчетов, обработке полученных результатов. В случае необходимости, на данном этапе осуществляется корректировка моделирования.

6 этап. Интерпретация результатов.

Как анализируется проведенное моделирование? Что такое программные продукты для исследования? В первую очередь подразумевается использование текстовых, графических редакторов, электронных таблиц, математических пакетов, позволяющих получать максимальный результат от проведенных исследований.

Проведение вычислительного эксперимента

Все методы математического моделирования базируются на экспериментах. Под ними принято понимать опыты, проводимые с моделью или объектом. Состоят они в осуществлении определенных действий, позволяющих определять поведение экспериментального образца в ответ на предлагаемые действия.

Вычислительный эксперимент невозможно представить без проведения расчетов, которые связаны с применением формализованной модели.

Основы математического моделирования предполагают проведение исследований с реальным объектом, но вычислительные действия проводят с его точной копией (моделью). При выборе конкретного набора исходных показателей модели, после завершения вычислительных действий, можно получать оптимальные условия для полноценного функционирования реального объекта.

К примеру, имея математическое уравнение, которое описывает протекание анализируемого процесса, при изменении коэффициентов, начальных и промежуточных условий, можно предположить поведение объекта. Кроме того, можно создать достоверный прогноз поведения этого объекта или природного явления в определенных условиях. В случае нового набора исходных данных важно проводить новые вычислительные эксперименты.

Сравнение полученных данных

Чтобы осуществить адекватную проверку реального объекта либо созданной математической модели, а также оценить результаты исследований на вычислительной технике с результатами эксперимента, проведенного на натурном опытном образце, осуществляется сравнение результатов исследований.

От того, каково расхождение между сведениями, полученными в ходе исследований, зависит решение о построении готового образца либо о корректировке математической модели.

Подобный эксперимент дает возможность заменять натуральные дорогостоящие исследования расчетами на вычислительной технике, за минимальные временные сроки анализировать возможности применения объекта, выявлять условия его реальной эксплуатации.

Моделирование в средах

Например, в среде программирования используется три этапа математического моделирования. На этапе создания алгоритма и информационной модели определяют величины, которые будут являться входными параметрами, результатами исследования, выявляют их тип.

В случае необходимости составляют специальные математические алгоритмы в виде блок-схем, записываемые на определенном языке программирования.

Компьютерный эксперимент предполагает анализ полученных при расчетах результатов, их корректировку. Среди важных этапов подобного исследования отметим проведение тестирования алгоритма, анализ работоспособности программы.

Ее отладка подразумевает поиск и устранение ошибок, которые приводят к нежелательному результату, появлению погрешностей в вычислениях.

Тестирование предполагает проверку правильности функционирования программы, а также оценку достоверности отдельных ее компонентов. Процесс состоит в проверке работоспособности программы, ее пригодности для изучения определенного явления или объекта.

Электронные таблицы

Моделирование с помощью электронных таблиц позволяет охватывать большой объем задач в различных предметных направлениях. Их считают универсальным инструментом, который позволяет решать трудоемкую задачу по расчету количественных параметров объекта.

В случае такого варианта моделирования наблюдается некоторая трансформация алгоритма решения задачи, нет необходимости разрабатывать вычислительный интерфейс. При этом присутствует этап отладки, который включает в себя удаление ошибок данных, поиск связи между ячейками, выявление вычислительных формул.

По мере работы появляются и дополнительные задачи, например вывод результатов на бумажные носители, рациональное представление информации на компьютерном мониторе.

Последовательность действий

Осуществляется моделирование в электронных таблицах по определенному алгоритму. Сначала определяются цели исследования, выявляются основные параметры и связи, на основе полученной информации составляется конкретная математическая модель.

Для качественного рассмотрения модели используют начальные, промежуточные, а также конечные характеристики, дополняют их чертежами, схемами. С помощью графиков и диаграмм получают наглядное представление о результатах работы.

Моделирование в среде СУБД

Оно позволяет решать следующие задачи:

хранить информацию, проводить ее своевременное редактирование;
упорядочивать имеющиеся данные по конкретным признакам;
создавать разные критерии для подбора данных;
представлять имеющиеся сведения в удобном виде.

По мере разработки модели на базе исходных данных создаются оптимальные условия для описания характеристик объекта с помощью специальных таблиц.

При этом осуществляется сортировка информации, поиск и фильтрация данных, создание алгоритмов для проведения вычислений. С помощью компьютерной информационной панели можно создавать разные экранные формы, а также варианты для получения печатных бумажных отчетов о ходе эксперимента.

При несовпадении полученных результатов с планируемыми вариантами меняют параметры, проводят дополнительные исследования.

Применение компьютерной модели

Вычислительный эксперимент и компьютерное моделирование являются новыми научными методами исследования. Они позволяют модернизировать вычислительный аппарат, применяемый для построения математической модели, конкретизировать, уточнять, усложнять эксперименты.

Среди самых перспективных для практического использования, проведения полноценного вычислительного эксперимента выделяют проектирование реакторов для мощных атомных станций. Кроме того, сюда относят создание магнитогидродинамических преобразователей электрической энергии, а также сбалансированного перспективного плана для страны, региона, отрасли.

Именно с помощью компьютерного и математического моделирования можно проводить проектирование приборов, необходимых для изучения термоядерных реакций, химических процессов.

Компьютерное моделирование и вычислительные эксперименты дают возможность сводить далеко «не математические» объекты к составлению и решению математической задачи.

Это открывает большие возможности для применения математического аппарата в системе с современной вычислительной техникой для решения вопросов, касающихся освоения космического пространства, «покорения» атомных процессов.

Именно моделирование стало одним из важнейших вариантов познания различных окружающих процессов и природных явлений. Это познание является сложным и трудоемким процессом, подразумевает применение системы различных видов моделирования, начиная с разработки уменьшенных моделей реальных объектов, завершая подбором специальных алгоритмов для проведения сложных математических вычислений.

В зависимости от того, какие процессы или явления будут анализироваться, подбираются определенные алгоритмы действий, математические формулы для вычислений. Компьютерное моделирование позволяет с минимальными затратами получать желаемый результат, важную информацию о свойствах и параметрах объекта либо явления.

В нашем курсе в качестве такой среды выбрана . Лабораторные работы и демонстрации, которые вы встретите в курсе, следует запускать как проекты среды Stratum-2000.

Модель, выполненная с учётом возможности её модернизации, конечно, имеет недостатки, например, низкую скорость исполнения кода. Но есть и неоспоримые достоинства. Видна и сохранена структура модели, связи, элементы, подсистемы. Всегда можно вернуться назад и что-то переделать. Сохранен след в истории проектирования модели (но когда модель отлажена, имеет смысл убрать из проекта служебную информацию). В конце концов, модель, которая сдаётся заказчику, может быть оформлена в виде специализированного автоматизированного рабочего места (АРМа), написанного уже на языке программирования, внимание в котором уже, в основном, уделено интерфейсу, скоростным параметрам и другим потребительским свойствам, которые важны для заказчика. АРМ, безусловно, вещь дорогая, поэтому выпускается он только тогда, когда заказчик полностью оттестировал проект в среде моделирования, сделал все замечания и обязуется больше не менять своих требований.

Моделирование является инженерной наукой, технологией решения задач. Это замечание очень важное. Так как технология есть способ достижения результата с известным заранее качеством и гарантированными затратами и сроками, то моделирование, как дисциплина:

изучает способы решения задач, то есть является инженерной наукой;
является универсальным инструментом, гарантирующим решение любых задач, независимо от предметной области.

Смежными моделированию предметами являются: программирование, математика, исследование операций.

Программирование потому что часто модель реализуют на искусственном носителе (пластилин, вода, кирпичи, математические выражения), а компьютер является одним из самых универсальных носителей информации и притом активным (имитирует пластилин, воду, кирпичи, считает математические выражения и т. д.). Программирование есть способ изложения алгоритма в языковой форме. Алгоритм один из способов представления (отражения) мысли, процесса, явления в искусственной вычислительной среде, которой является компьютер (фон-Неймановской архитектуры). Специфика алгоритма состоит в отражении последовательности действий. Моделирование может использовать программирование, если моделируемый объект легко описать с точки зрения его поведения. Если легче описать свойства объекта, то использовать программирование затруднительно. Если моделирующая среда построена не на основе фон-Неймановской архитектуры, программирование практически бесполезно.

Какова разница между алгоритмом и моделью?

Алгоритм это процесс решения задачи путём реализации последовательности шагов, тогда как модель совокупность потенциальных свойств объекта. Если к модели поставить вопрос и добавить дополнительные условия в виде исходных данных (связь с другими объектами, начальные условия, ограничения), то она может быть разрешена исследователем относительно неизвестных. Процесс решения задачи может быть представлен алгоритмом (но известны и другие способы решения). Вообще примеры алгоритмов в природе неизвестны, они суть порождение человеческого мозга, разума, способного к установлению плана. Собственно алгоритм это и есть план, развёрнутый в последовательность действий. Следует различать поведение объектов, связанное с естественными причинами, и промысел разума, управляющий ходом движения, предсказывающий результат на основе знания и выбирающий целесообразный вариант поведения.

модель + вопрос + дополнительные условия = задача .

Математика наука, предоставляющая возможность исчисления моделей, приводимых к стандартному (каноническому) виду. Наука о нахождении решений аналитических моделей (анализ) средствами формальных преобразований.

Исследование операций дисциплина, реализующая способы исследования моделей с точки зрения нахождения наилучших управляющих воздействий на модели (синтез). По большей части имеет дело с аналитическими моделями. Помогает принимать решения, используя построенные модели.

Проектирование процесс создания объекта и его модели; моделирование способ оценки результата проектирования; моделирования без проектирования не существует.

В качестве примера посмотрим, как можно обнаружить, а потом описать закономерность.

Допустим, что нам нужно решить «Задачу о разрезаниях», то есть надо предсказать, сколько потребуется разрезов в виде прямых линий, чтобы разделить фигуру (рис. 1.16 ) на заданное число кусков (для примера достаточно, чтобы фигура была выпуклой).

Попробуем решить эту задачу вручную.

Из рис. 1.16 видно, что при 0 разрезах образуется 1 кусок, при 1 разрезе образуется 2 куска, при двух 4, при трёх 7, при четырёх 11. Можете ли вы сейчас сказать наперёд, сколько потребуется разрезов для образования, например, 821 куска? По-моему, нет! Почему вы затрудняетесь? Вам неизвестна закономерность K = f (P ) , где K количество кусков, P количество разрезов. Как обнаружить закономерность?

Составим таблицу, связывающую известные нам числа кусков и разрезов.

Пока закономерность не ясна. Поэтому рассмотрим разности между отдельными экспериментами, посмотрим, чем отличается результат одного эксперимента от другого. Поняв разницу, мы найдём способ перехода от одного результата к другому, то есть закон, связывающий K и P .

Уже кое-какая закономерность проявилась, не правда ли?

Вычислим вторые разности.

Теперь все просто. Функция f называется производящей функцией . Если она линейна, то первые разности равны между собой. Если она квадратичная, то вторые разности равны между собой. И так далее.

Функция f есть частный случай формулы Ньютона:

Коэффициенты a , b , c , d , e для нашей квадратичной функции f находятся в первых ячейках строк экспериментальной таблицы 1.5.

Итак, закономерность есть, и она такова:

K = a + b · p + c · p · (p 1)/2 = 1 + p + p · (p 1)/2 = 0.5 · p 2 + 0.5 · p + 1 .

Теперь, когда закономерность определена, можно решить обратную задачу и ответить на поставленный вопрос: сколько надо выполнить разрезов, чтобы получить 821 кусок? K = 821 , K = 0.5 · p 2 + 0.5 · p + 1 , p = ?

Решаем квадратное уравнение 821 = 0.5 · p 2 + 0.5 · p + 1 , находим корни: p = 40 .

Подведём итоги (обратите на это внимание!).

Сразу угадать решение мы не смогли. Поставить эксперимент оказалось затруднительно. Пришлось построить модель, то есть найти закономерность между переменными. Модель получилась в виде уравнения. Добавив к уравнению вопрос и уравнение, отражающее известное условие, образовали задачу. Поскольку задача оказалась типового вида (канонического), то её удалось решить одним из известных методов. Поэтому задача оказалась решена.

И ещё очень важно отметить, что модель отражает причинно-следственные связи. Между переменными построенной модели действительно есть крепкая связь. Изменение одной переменной влечёт за собой изменение другой. Мы ранее сказали, что «модель играет системообразующую и смыслообразующую роль в научном познании, позволяет понять явление, структуру изучаемого объекта, установить связь причины и следствия между собой». Это означает, что модель позволяет определить причины явлений, характер взаимодействия её составляющих. Модель связывает причины и следствия через законы, то есть переменные связываются между собой через уравнения или выражения.

Но!!! Сама математика не даёт возможности выводить из результатов экспериментов какие-либо законы или модели , как это может показаться после рассмотренного только что примера. Математика это только способ изучения объекта, явления, и, причём, один из нескольких возможных способов мышления. Есть ещё, например, религиозный способ или способ, которым пользуются художники, эмоционально-интуитивный, с помощью этих способов тоже познают мир, природу, людей, себя.

Итак, гипотезу о связи переменных А и В надо вносить самому исследователю, извне, сверх того. А как это делает человек? Посоветовать внести гипотезу легко, но как научить этому, объяснить это действо, а значит, опять-таки как его формализовать? Подробно мы покажем это в будущем курсе «Моделирование систем искусственного интеллекта».

А вот почему это надо делать извне, отдельно, дополнительно и сверх того, поясним сейчас. Носит это рассуждение имя Геделя, который доказал теорему о неполноте нельзя доказать правильность некоторой теории (модели) в рамках этой же теории (модели). Посмотрите ещё раз на рис. 1.12 . Модель более высокого уровня преобразует эквивалентно модель более низкого уровня из одного вида в другой. Или генерирует модель более низкого уровня по эквивалентному опять же её описанию. А вот саму себя она преобразовать не может. Модель строит модель. И эта пирамида моделей (теорий) бесконечна.

А пока, чтобы «не подорваться на ерунде», вам надо быть настороже и проверять все здравым смыслом. Приведём пример, старую известную шутку из фольклора физиков.