Виды математических моделей

В зависимости от того, какими средствами, при каких условиях и по отношению к каким объектам познания реализуется способность моде­лей отображать действительность, возникает их большое разнообразие, а вместе с ним - классификации. Путем обобщения существующих клас­сификаций выделим базовые модели по применяемому математическому аппарату, на основе которых получают раз­витие специальные модели (рисунок 8.1).

Рисунок 8.1 - Формальная классификация моделей

Математические модели отображают изучаемые объекты (процессы, системы) в виде явных функциональных соотношений: алгебраических равенств и неравенств, интегральных и дифферен­циальных, конечно-разностных и других математических выражений (закон распределения случайной величины, регрессионные модели и т.д.), а также отношений математической логики.

В зависимости от двух фундаментальных признаков построения математической модели - вида описания причинно-следственных связей и изменений их во вре­мени - различают детерминистические и стохастические, статические и динамические модели (рисунок 8.2).

Цель схемы, представленной на рисунке, - отобразить следующие особенности:

1) математические модели могут быть и детерминистическими, и стохастическими;

2) детерминистические и стохастические модели могут быть и статическими, и динамическими.

Математическая модель называется детерминистической (детерминированной) , если все ее параметры и переменные являются однозначно определяемыми ве­личинами, а также выполняется условие полной определенности ин формации. В противном случае, в условиях неопределенности инфор­мации, когда параметры и переменные модели - случайные величи­ны, модель называется стохастической (вероятностной) .

Рисунок 8.2 – Классы математических моделей

Модель называется динами­ческой , если как минимум одна переменная изменяется по периодам времени, и статической , если принимается гипотеза, что переменные не изменяются по периодам времени.

В простейшем случае балансовые модели выступают в виде уравнения баланса, где в левой части располагается сумма каких-либо поступлений, а в правой - расходная часть также в виде суммы. Например, в таком виде представляется годовой бюджет организации.

На основе статистических данных могут строиться не только балан­совые, но и корреляционно-регрессионные модели.

Если функция Y зависит не только от переменных х 1 , х 2 , … х n , но и от других факторов, связь между Y и х 1 , х 2 , … х n является неточной или корреляционной в отличие от точной или функциональной связи. Корреляционными, например, в большинстве случаев являются связи, наблюда­ющиеся между выходными параметрами ОПС и факторами ее внутренней и внешней среды (см. тему 5).

Корреляционно-регрессионные модели получают при исследовании влияния целого комплекса факторов на величину того или иного признака путем примене­ния статистического аппарата. При этом ставится задача не только установить корреляционную связь, но и выразить эту связь аналитически, то есть подобрать уравнения, описываю­щие данную корреляционную зависимость (уравнение регрессии).

Для нахождения численного значения параметров уравне­ния регрессии пользуются методом наименьших квадратов. Суть этого метода состоит в том, чтобы выбрать такую линию, при которой сумма квадратов отклонений от нее ординат Y отдель­ных точек была бы наименьшей.

Корреляционно-регрессионные модели часто используются при исследовании явлений, когда возникает необходимость установить зависимость между соответствующими характеристиками в двух и более рядах. При этом преимущественно используется парная и множественная линейная регрессия вида

y = a 1 x 1 + a 2 x 2 + … + a n x n + b .

В результате применения метода наименьших квадратов ус­танавливаются значения параметров a или a 1 , a 2 , …, a n и b, а затем выполняются оценки точности аппроксимации и значимости полученного уравнения регрессии.

В особую группу выделяют графоаналитиче­ские модели . Они используют различные графические изображения и поэтому обладают хорошей наглядностью.

Теория графов - одна из теорий дискретной математики, изучает графы, под которыми понимается совокупность точек и линий их соединяющих. Граф - это самостоятельный математи­ческий объект (впервые ввел Кёниг Д.). На основе теории гра­фов наиболее часто строят древовидные и сетевые модели.

Древовидная модель (дерево) - это неориентированный связ­ный граф, не содержащий петель и циклов. Примером такой модели является дерево целей.

Сетевые модели нашли широкое применение в управлении производством работ. Сетевые модели (графики) отражают последовательность выполнения работ и продолжи­тельность каждой работы (рисунок 8.3).

Рисунок 8.3 - Сетевая модель производства работ

Каждая линия сетевого графика - это некоторая работа. Цифра рядом с ней означает продолжительность ее выполнения.

Сетевые модели позволяют найти так называемый критический путь и оптимизировать график производства работ по времени при ограничениях на другие ресурсы.

Сетевые модели могут быть детерминированными и стоха­стическими. В последнем случае продолжительности выполнения работ задаются законами распределения случайных величин.

Оптимизационные модели служат для определения оптимальной траектории достижения системой поставленной цели при наложении некоторых ограничений на управление ее поведениям и движением. В этом случае оптимизационные модели описывают различного рода задачи нахождения экстремума некоторой целевой функции (критерия оптимизации).

Для выявления оптимального способа достижения цели управления в условиях ограниченных ресурсов – технических, материальных, трудовых и финансовых – применяют методы исследования операций. К ним относятся методы математическо­го программирования (линейное и нелинейное, целочисленное, ди­намическое и стохастическое программирование), аналитические и вероятностно-статистические методы, сетевые методы, методы тео­рии массового обслуживания, теории игр (теории конфликтных си­туаций) и др.

Оптимизационные модели применяются для объемного и календар­ного планирования, управления запасами, распределения ресурсов и работ, замены, параметризации и стандартизации оборудования, рас­пределения потоков товарных поставок на транспортной сети и дру­гих задач управления.

Одним из основных достижений теории исследования операций считается типизация моделей управления и методов решения задач. Например, для решения транспортной задачи, в зависимости от ее раз­мерности, разработаны типовые методы - метод Фогеля, метод по­тенциалов, симплекс-метод. Также при решении задачи управления запасами, в зависимости от ее постановки, могут использоваться ана­литические и вероятностно-статистические методы, методы динами­ческого и стохастического программирования.

В управлении особое значение придается сетевым методам плани­рования. Эти методы позволили найти новый и весьма удобный язык для описания, моделирования и анализа сложных многоэтапных работ и проектов. В исследовании операций значительное место отво­дится совершенствованию управления сложными системами с при­менением методов теории массового обслуживания (см. раздел8.3) и аппарата марков­ских процессов.

Модели марковских случайных процессов - система дифференци­альных уравнений, описывающих функционирование системы или ее процессов в виде множества упорядоченных состояний на некоторой траектории поведения системы. Этот класс моделей широко исполь­зуется при математическом моделировании функционирования слож­ных систем.

Модели теории игр служат для выбора оптимальной стратегии в ус­ловиях ограниченной случайной информации или полной неопреде­ленности.

Игра - математическая модель реальной конфликтной си­туации, разрешение которой ведется по определенным правилам, алгоритмам, описывающим некоторую стратегию поведения лица, принимающего решение в условиях неопределенности.

Различают «игры с природой» и «игры с противником». Исходя из ситуации опре­деляются методы и критерии оценки принятия решений. Так, при «играх с природой» применяют критерии: Лапласа, максиминный (кри­терий Вальда) и минимаксный, Гурвица и Сэвиджа и ряд других алго­ритмических правил. При «играх с противником» для принятия реше­ний используются платежные матрицы, максиминный и минимаксный критерии, а также специальные математические преобразования в свя­зи с тем, что лицу, принимающему решение, противостоит недобро­желательный противник.

Рассмотренные типы математических моделей не охватыва­ют всего их возможного многообразия, а лишь характеризуют отдельные виды в зависимости от принятого аспекта классифи­кации. В.А.Кардашем была предпринята попытка создания сис­темы классификации моделей по четырем аспектам детализации (рисунок 8.4).

А - модели без пространственной дифференциации параметров;

В - модели с пространственной дифференци­ацией параметров

Рисунок 8.4 - Классификация моделей по четырем аспектам детализации

С развитием вычислительных средств одним из распространенных методов принятия решений выступает деловая игра, представляющая собой численный эксперимент с активным участием человека. Существуют сотни деловых игр. Они применяются для изу­чения целого ряда проблем управления, экономики, теории организа­ции, психологии, финансов и торговли.

Математическая модел ь – это математическое представление реальности.

Математическое моделирование - процесс построения и изучения математических моделей.

Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его математической моделью и затем изучают последнюю.

Определения.

Никакое определение не может в полном объёме охватить реально существующую деятельность по математическому моделированию. Несмотря на это, определения полезны тем, что в них делается попытка выделить наиболее существенные черты.

Определение модели по А. А. Ляпунову: Моделирование - это опосредованное практическое или теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система:

находящаяся в некотором объективном соответствии с познаваемым объектом;

способная замещать его в определённых отношениях;

дающая при её исследовании, в конечном счёте, информацию о самом моделируемом объекте.

По учебнику Советова и Яковлева: «модель - это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.» «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием.» «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи.»

По Самарскому и Михайлову, математическая модель – это «эквивалент» объекта, отражающий в математической форме важнейшие его свойства: законы, которым он подчиняется, связи, присущие составляющим его частям, и т. д. Существует в триадах «модель-алгоритм-программа». Создав триаду «модель- алгоритм-программа», исследователь получает в руки универсальный, гибкий и недорогой инструмент, который вначале отлаживается, тестируется в пробных вычислительных экспериментах. После того, как адекватность триады исходному объекту установлена, с моделью проводятся разнообразные и подробные «опыты», дающие все требуемые качественные и количественные свойства и характеристики объекта.

По монографии Мышкиса: «Перейдём к общему определению. Пусть мы собираемся исследовать некоторую совокупность S свойств реального объекта a с

помощью математики. Для этого мы выбираем „математический объект“ a" - систему уравнений, или арифметических соотношений, или геометрических фигур, или комбинацию того и другого и т. д.,- исследование которого средствами математики и должно ответить на поставленные вопросы о свойствах S. В этих условиях a" называется математической моделью объекта a относительно совокупности S его свойств».

По Севостьянову А. Г. : «Математической моделью называется совокупность математических соотношений, уравнений, неравенств и т.п., описывающих основные закономерности, присущие изучаемому процессу, объекту или системе».

Несколько менее общее определение математической модели, основанное на идеализации «вход - выход - состояние», заимствованной из теории автоматов, даёт Wiktionary: «Абстрактное математическое представление процесса, устройства или теоретической идеи; оно использует набор переменных, чтобы представлять входы, выходы и внутренние состояния, а также множества уравнений и неравенств для описания их взаимодействия.»

Наконец, наиболее лаконичное определение математической модели: «Уравнение, выражающее идею.»

Формальная классификация моделей.

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов дихотомий:

Линейные или нелинейные модели; Сосредоточенные или распределённые системы; Детерминированные или стохастические; Статические или динамические; Дискретные или непрерывные.

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные, в другом – распределённые модели и т. д.

Классификация по способу представления объекта.

Наряду с формальной классификацией, модели различаются по способу представления объекта:

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение объекта. В их предельном выражении они называются также моделями «чёрного ящика» Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель. Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель, умозрительная модель или предмодель. При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели. Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т. п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий, создание содержательных моделей резко усложняется.

В работе Р. Пайерлса дана классификация математических моделей, используемых в физике и, шире, в естественных науках. В книге А. Н. Горбаня и Р. Г. Хлебопроса эта классификация проанализирована и расширена. Эта классификация сфокусирована, в первую очередь, на этапе построения содержательной модели.

Эти модели «представляют собой пробное описание явления, причем автор либо верит в его возможность, либо считает даже его истинным». По Р. Пайерлсу это, например, модель Солнечной системы по Птолемею и модель Коперника, модель атома Резерфорда и модель Большого Взрыва.

Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман:

«У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть.»

Если модель первого типа построена, то это означает что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только временной паузой: статус модели первого типа может быть только временным.

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус временных решений. Считается, что ответ всё ещё неизвестен и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до

статуса гипотезы. Аналогично, новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира, проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае - использование приближений. Среди них модели линейного отклика. Уравнения заменяются линейными. Стандартный пример - закон Ома.

Если мы используем модель идеального газа для описания достаточно разреженных газов, то это - модель типа 3. При более высоких плотностях газа тоже полезно представлять себе более простую ситуацию с идеальным газом для качественного понимания и оценок, но тогда это уже тип 4.

В модели типа 4 отбрасываются детали, которые могут заметно и не всегда контролируемо повлиять на результат. Одни и те же уравнения могут служить моделью типа 3 или 4 - это зависит от явления, для изучения которого используется модель. Так, если модели линейного отклика применяются при отсутствии более сложных моделей, то это уже феноменологические линейные модели, и относятся они к следующему типу 4.

Примеры: применение модели идеального газа к неидеальному, уравнение состояния Ван-дер-Ваальса, большинство моделей физики твердого тела, жидкостей и ядерной физики. Путь от микроописания к свойствам тел, состоящих из большого числа частиц, очень длинен. Приходится отбрасывать многие детали. Это приводит к моделям 4-го типа.

Эвристическая модель сохраняет лишь качественное подобие реальности и даёт предсказания только «по порядку величины». Типичный пример - приближение средней длины свободного пробега в кинетической теории. Оно даёт простые формулы для коэффициентов вязкости, диффузии, теплопроводности, согласующиеся с реальностью по порядку величины.

Но при построении новой физики далеко не сразу получается модель, дающая хотя бы качественное описание объекта - модель пятого типа. В этом случае часто используют модель по аналогии, отражающую действительность хоть в какой-нибудь черте.

Р. Пайерлс приводит историю использования аналогий в первой статье В. Гейзенберга о природе ядерных сил. «Это произошло после открытия нейтрона, и хотя сам В. Гейзенберг понимал, что можно описывать ядра состоящими из нейтронов и протонов, он не мог все же избавиться от мысли, что нейтрон должен в конечном счете состоять из протона и электрона. При этом возникала аналогия между взаимодействием в системе нейтрон - протон и взаимодействием атома водорода и протоном. Эта-то аналогия и привела его к заключению, что должны существовать обменные силы взаимодействия между нейтроном и протоном, которые аналогичны обменным силам в системе H − H , обусловленным переходом электрона между двумя протонами. … Позднее было все-таки доказано существование обменных сил взаимодействия между нейтроном и протоном, хотя ими не исчерпывалось полностью

взаимодействие между двумя частицами… Но, следуя все той же аналогии, В. Гейзенберг пришёл к заключению об отсутствии ядерных сил взаимодействия между двумя протонами и к постулированию отталкивания между двумя нейтронами. Оба последних вывода находятся в противоречии с данными более поздних исследований».

А. Эйнштейн был одним из великих мастеров мысленного эксперимента. Вот один из его экспериментов. Он был придуман в юности и, в конце концов, привел к построению специальной теории относительности. Предположим, что в классической физике мы движемся за световой волной со скоростью света. Мы будем наблюдать периодически меняющееся в пространстве и постоянное во времени электромагнитное поле. Согласно уравнениям Максвелла, этого быть не может. Отсюда юный Эйнштейн заключил: либо законы природы меняются при смене системы отсчета, либо скорость света не зависит от системы отсчета. Он выбрал второй - более красивый вариант. Другой знаменитый мысленный эксперимент Эйнштейна - Парадокс Эйнштейна - Подольского - Розена.

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципам и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов - геометрия Лобачевского. Другой пример - массовое производство формально - кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна - Подольского - Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа - демонстрацию возможности квантовой телепортации информации.

Рассмотрим механическую систему, состоящую из пружины, закрепленной с одного конца, и груза массой m, прикрепленного к свободному концу пружины. Будем считать, что груз может двигаться только в направлении оси пружины. Построим математическую модель этой системы. Будем описывать состояние системы расстоянием x от центра груза до его положения равновесия. Опишем взаимодействие пружины и груза с помощью закона Гука после чего воспользуемся вторым законом Ньютона, чтобы выразить его в форме дифференциального уравнения:

где означает вторую производную от x по времени..

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором».

По формальной классификации эта модель линейная, детерминисткая, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений, которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение, поскольку опущены некоторые существенные универсальные особенности. В некотором приближении, такая модель достаточно хорошо описывает реальную механическую систему, поскольку

отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная.

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия.

Жёсткие и мягкие модели.

Гармонический осциллятор - пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения, ε - некоторый малый параметр. Явный вид функции f нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой, задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида

То есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением, мы получим затухающие колебания. Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор - пример структурно-неустойчивой системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Универсальность моделей.

Важнейшие математические модели обычно обладают важным свойством универсальности: принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в U-образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем».

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных

тел из разных материалов, каждый материал задается как его стандартная механическая идеализация, после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача: структура модели и все её параметры считаются известными, главная задача - провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку, как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера, - вот типичные примеры прямой задачи. Постановка правильной прямой задачи требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Великобритании обрушился металлический мост через реку Тей, конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача: известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту. Дополнительные данные могут поступать независимо от процесса решения обратной задачи или быть результатом специально планируемого в ходе решения эксперимента.

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

В качестве другого примера можно привести математическую статистику. Задача этой науки - разработка методов регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений. Т.е. множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.

Компьютерные системы моделирования.

Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple, Mathematica, Mathcad, MATLAB, VisSim и др. Они позволяют создавать формальные и блочные модели как простых, так и сложных процессов и устройств и легко менять параметры моделей в ходе моделирования. Блочные модели представлены блоками, набор и соединение которых задаются диаграммой модели.

Дополнительные примеры.

Скорость роста пропорциональна текущему размеру популяции. Она описывается дифференциальным уравнением

где α - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция x = x0 e. Если рождаемость превосходит смертность, размер популяции неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности

ресурсов. При достижении некоторого критического объёма популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель, которая описывается дифференциальным уравнением Ферхюльста

где xs - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению xs , причем такое поведение структурно устойчиво.

Допустим, что на некоторой территории обитают два вида животных: кролики и лисы. Пусть число кроликов x, число лис y. Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Лотки - Вольтерра:

Эта система имеет равновесное состояние, когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым: малое изменение модели может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра - Лотки ответа не дает: здесь требуются дополнительные исследования.

Пример 1.5.1.

Пусть некоторый экономический регион производит несколько (n) видов продуктов исключительно своими силами и только для населения данного региона. Предполагается, что технологический процесс отработан, а спрос населения на эти товары изучен. Надо определить годовой объем выпуска продуктов, с учетом того, что этот объем должен обеспечить как конечное, так и производственное потребление.

Составим математическую модель этой задачи. По ее условию даны: виды продуктов, спрос на них и технологический процесс; требуется найти объем выпуска каждого вида продукта.

Обозначим известные величины:

c i – спрос населения на i -й продукт (i =1,...,n ); a ij – количество i -го продукта, необходимое для выпуска единицы j -го продукта по данной технологии (i =1,...,n ; j =1,...,n );

х i – объем выпуска i -го продукта (i =1,...,n ); совокупность с =(c 1 ,..., c n ) называется вектором спроса, числа a ij – технологическими коэффициентами, а совокупность х =(х 1 ,..., х n ) – вектором выпуска.

По условию задачи вектор х распределяется на две части: на конечное потребление (вектор с ) и на воспроизводство (вектор х-с ). Вычислим ту часть вектора х которая идет на воспроизводство. По нашим обозначениям для производства х j количества j-го товара идет a ij · х j количества i -го товара.

Тогда сумма a i1 · х 1 +...+ a in · х n показывает ту величину i -го товара, которая нужна для всего выпуска х =(х 1 ,..., х n ).

Следовательно, должно выполняться равенство:

Распространяя это рассуждение на все виды продуктов, приходим к искомой модели:

Решая эту систему из n линейных уравнений относительно х 1 ,...,х n и найдем требуемый вектор выпуска.

Для того, чтобы написать эту модель в более компактной (векторной) форме, введем обозначения:

Квадратная (
) -матрицаА называется технологической матрицей. Легко проверить, что наша модель теперь запишется так:х-с=Ах или

(1.6)

Мы получили классическую модель «Затраты – выпуск », автором которой является известный американский экономист В. Леонтьев.

Пример 1.5.2.

Нефтеперерабатывающий завод располагает двумя сортами нефти: сортом А в количестве 10 единиц, сортом В - 15 единиц. При переработке из нефти получаются два материала: бензин (обозначим Б ) и мазут (М ). Имеется три варианта технологического процесса переработки:

I : 1ед.А + 2ед.В дает 3ед.Б + 2ед.М

II: 2ед.А + 1ед.В дает 1ед.Б + 5ед.М

III : 2ед.А + 2ед.В дает 1ед.Б + 2ед.М

Цена бензина - 10 долл. за единицу, мазута - 1 долл. за единицу.

Требуется определить наиболее выгодное сочетание технологических процессов переработки имеющегося количества нефти.

Перед моделированием уточним следующие моменты. Из условия задачи следует, что «выгодность» технологического процесса для завода следует понимать в смысле получения максимального дохода от реализации своей готовой продукции (бензина и мазута). В связи с этим понятно, что «выбор (принятие) решения» завода состоит в определении того, какую технологию и сколько раз применить. Очевидно, что таких возможных вариантов достаточно много.

Обозначим неизвестные величины:

х i – количество использованияi -го технологического процесса(i=1,2,3) . Остальные параметры модели (запасы сортов нефти, цены бензина и мазута)известны .

Теперь одно конкретное решение завода сводится к выбору одного вектора х =(х 1 ,х 2 ,х 3 ) , для которого выручка завода равна(32х 1 +15х 2 +12х 3 ) долл. Здесь 32 долл. – это доход, полученный от одного применения первого технологического процесса (10 долл. ·3ед.Б + 1 долл. ·2ед.М = 32 долл.). Аналогичный смысл имеют коэффициенты 15 и 12 для второго и третьего технологических процессов соответственно. Учет запаса нефти приводит к следующим условиям:

для сорта А :

для сорта В :,

где в первом неравенстве коэффициенты 1, 2, 2 – это нормы расхода нефти сорта А для одноразового применения технологических процессов I ,II ,III соответственно. Коэффициенты второго неравенства имеют аналогичный смысл для нефти сорта В.

Математическая модель в целом имеет вид:

Найти такой вектор х = (х 1 ,х 2 ,х 3 ) , чтобы максимизировать

f(x) =32х 1 +15х 2 +12х 3

при выполнении условий:

Сокращенная форма этой записи такова:

при ограничениях

(1.7)

Мы получили так называемую задачу линейного программирования.

Модель (1.7.) является примером оптимизационной модели детерминированного типа (с вполне определенными элементами).

Пример1.5.3.

Инвестору требуется определить наилучший набор из акций, облигаций и других ценных бумаг для приобретения их на некоторую сумму с целью получения определенной прибыли с минимальным риском для себя. Прибыль на каждый доллар, вложенный в ценную бумагу j - го вида, характеризуется двумя показателями: ожидаемой прибылью и фактической прибылью. Для инвестора желательно, чтобы ожидаемая прибыль на один доллар вложений была для всего набора ценных бумаг не ниже заданной величины b .

Заметим, что для правильного моделирования этой задачи от математика требуются определенные базовые знания в области портфельной теории ценных бумаг.

Обозначим известные параметры задачи:

n – число разновидностей ценных бумаг; а j – фактическая прибыль (случайное число) от j-го вида ценной бумаги; – ожидаемая прибыль отj -го вида ценной бумаги.

Обозначим неизвестные величины :

y j - средства, выделенные для приобретения ценных бумаг вида j .

По нашим обозначениям вся инвестированная сумма выражается как . Для упрощения модели введем новые величины

.

Таким образом, х i - это доля от всех средств, выделяемая для приобретения ценных бумаг видаj .

Ясно, что

Из условия задачи видно, что цель инвестора - достижение определенного уровня прибыли с минимальным риском. Содержательно риск - это мера отклонения фактической прибыли от ожидаемой. Поэтому его можно отождествить с ковариацией прибыли для ценных бумаг вида i и вида j. Здесь М - обозначение математического ожидания.

Математическая модель исходной задачи имеет вид:

при ограничениях

,
,
,
. (1.8)

Мы получили известную модель Марковица для оптимизации структуры портфеля ценных бумаг.

Модель (1.8.) является примеров оптимизационной модели стохастического типа (с элементами случайности).

Пример1.5.4.

На базе торговой организации имеется n типов одного из товаров ассортиментного минимума. В магазин должен быть завезен только один из типов данного товара. Требуется выбрать тот тип товара, который целесообразно завести в магазин. Если товар типа j будет пользоваться спросом, то магазин от его реализации получит прибыльр j , если же он не будет пользоваться спросом - убытокq j .

Перед моделированием обсудим некоторые принципиальные моменты. В данной задаче лицом, принимающим решение (ЛПР), является магазин. Однако исход (получение максимальной прибыли) зависит не только от его решения, но и от того, будет ли завезенный товар пользоваться спросом, т. е. будет ли выкуплен населением (предполагается, что по какой-то причине у магазина нет возможности изучить спрос населения). Поэтому население может рассматриваться как второе ЛПР, выбирающее тип товара согласно своего предпочтения. Наихудшим для магазина «решением» населения является: «завезенный товар не пользуется спросом». Так что, для учета всевозможных ситуаций, магазину нужно считать население своим «противником» (условно), преследующим противоположную цель – минимизировать прибыль магазина.

Итак, имеем задачу принятия решения с двумя участниками, преследующими противоположные цели. Уточним, что магазин выбирает один из типов товаров для продажи (всего n вариантов решений), а население - один из типов товаров, который пользуется наибольшим спросом (n вариантов решений).

Для составления математической модели нарисуем таблицу с n строками и n столбцами (всего n 2 клеток) и условимся, что строки соответствуют выбору магазина, а столбики - выбору населения. Тогда клетка (i, j) соответствует той ситуации, когда магазин выбирает i -й тип товара (i -ю строку), а население выбирает j -й тип товара (j- ю столбик). В каждую клетку запишем числовую оценку (прибыль или убыток) соответствующей ситуации с точки зрения магазина:

Числа q i написаны с минусом для отражения убытка магазина; в каждой ситуации «выигрыш» населения (условно) равен «выигрышу» магазина, взятому с обратным знаком.

Сокращенный вид этой модели таков:

(1.9)

Мы получили так называемую матричную игру. Модель (1.9.) является примером игровых моделей принятия решения.

МАТЕМАТИЧЕСКАЯ МОДЕЛЬ - представление изучаемого в конкретно-научном знании явления или процесса на языке математических понятий. При этом ряд свойств исследуемого явления предполагается получить на пути исследования собственно математических характеристик модели. Построение М.м. чаще всего диктуется необходимостью иметь количественный анализ изучаемых явлений и процессов, без которого, в свою очередь, невозможно делать проверяемые на опыте предсказания об их протекании.

Процесс математического моделирования, как правило, проходит следующие этапы. На первом этапе происходит выявление связей между основными параметрами будущей М.м. Речь идет прежде всего о качественном анализе исследуемых явлений и формулировании закономерностей, связывающих основные объекты исследования. На этой основе проводится выявление объектов, допускающих количественное описание. Этап завершается построением гипотетической модели, другими словами, записью на языке математических понятий качественных представлений о взаимосвязях между основными объектами модели, которые могут быть количественно охарактеризованы.

На втором этапе происходит исследование собственно математических задач, к которым приводит построенная гипотетическая модель. Главное на данном этапе - получить в результате математического анализа модели эмпирически проверяемые теоретические следствия (решение прямой задачи). При этом нередки случаи, когда для построения и исследования М.м. в различных областях конкретно-научного знания применяется один и тот же математический аппарат (например, дифференциальные уравнения) и возникают однотипные, хотя и весьма нетривиальные в каждом конкретном случае, математические проблемы. Кроме того, на этом этапе огромное значение приобретает использование быстродействующей вычислительной техники (ЭВМ), которая дает возможность получить приближенное решение задач, часто невозможное в рамках чистой математики, с недоступной ранее (без применения ЭВМ) степенью точности.

Для третьего этапа характерна деятельность по выявлению степени адекватности построенной гипотетической М.м. тем явлениям и процессам, для исследования которых она была предназначена. А именно, в том случае, если все параметры модели были заданы, исследователи пытаются выяснить, насколько, в пределах точности наблюдений, их результаты согласуются с теоретическими следствиями модели. Отклонения, выходящие за пределы точности наблюдений, свидетельствуют о неадекватности модели. Однако нередки случаи, когда при построении модели ряд ее параметров остается

неопределенным. Задачи, в которых устанавливаются параметрические характеристики модели таким образом, чтобы теоретические следствия были сопоставимы в пределах точности наблюдений с результатами эмпирических проверок, называют обратными задачами.

На четвертом этапе с учетом выявления степени адекватности построенной гипотетической модели и появления новых экспериментальных данных об изучаемых явлениях происходит последующий анализ и модификация модели. Здесь принимаемое решение варьируется от безусловного отказа от применяемых математических средств до принятия построенной модели в качества фундамента для построения принципиально новой научной теории.

Первые М.м. появились еще в античной науке. Так, для моделирования Солнечной системы греческий математик и астроном Евдокс придал каждой планете четыре сферы, комбинация движения которых создавала гиппопеду - математическую кривую, сходную с наблюдаемым движением планеты. Поскольку, однако, эта модель не могла объяснить все наблюдаемые аномалии в движении планет, позже она была заменена эпициклической моделью Апполония из Перги. Последнюю модель использовал в своих исследованиях Гиппарх, а затем, подвергнув ее некоторой модификации, и Птолемей. Эта модель, как и ее предшественницы, основывалась на убеждении, что планеты совершают равномерные круговые движения, наложение которых и объясняло видимые нерегулярности. При этом следует отметить, что модель Коперника была принципиально новой лишь в качественном смысле (но не как М.м.). И лишь Кеплер, основываясь на наблюдениях Тихо Браге, построил новую М.м. Солнечной системы, доказав, что планеты движутся не по круговым, а по эллиптическим орбитам.

В настоящее время наиболее адекватными признаются М.м., построенные для описания механических и физических явлений. Об адекватности М.м. за пределами физики можно, за некоторыми исключениями, говорить с изрядной долей осторожности. Тем не менее, фиксируя гипотетичность, а часто и просто неадекватность М.м. в различных областях знания, не следует недооценивать их роль в развитии науки. Нередки случаи, когда даже далекие от адекватности модели в значительной мере организовывали и стимулировали дальнейшие исследования, наряду с ошибочными выводами содержавшими и те зерна истины, которые вполне оправдывали усилия, затраченные на разработку этих моделей.

Литература:

Математическое моделирование. М., 1979;

Рузавин Г.И. Математизация научного знания. М., 1984;

Тутубалин В.Н., Барабашева Ю.М., Григорян А.А., Девяткова Г.Н.,Угер Е. Г. Дифференциальные уравнения в экологии: историко-методологическое размышление // Вопросы истории естествознания и техники. 1997. №3.

Словарь философских терминов. Научная редакция профессора В.Г. Кузнецова. М., ИНФРА-М, 2007, с. 310-311.

Четыре седьмых класса.

В 7А учатся 15 девочек и 13 мальчиков,

в 7Б - 12 девочек и 12 мальчиков,

в 7В - 9 девочек и 18 мальчиков,

в 7Г - 20 девочек и 10 мальчиков.

Если нам нужно ответить на вопрос, сколько учеников в каждом из седьмых классов, то нам 4 раза придется осуществлять одну и ту же операцию сложения:

в 7А 15 + 13 = 28 учеников;
в 7Б 12 +12 = 24 ученика;
в 7В 9 + 18 = 27 учеников;
в 7Г 20 + 10 = 30 учеников.

А. В. Погорелов, Геометрия для 7-11 классов, Учебник для общеобразовательных учреждений

Содержание урока конспект урока опорный каркас презентация урока акселеративные методы интерактивные технологии Практика задачи и упражнения самопроверка практикумы, тренинги, кейсы, квесты домашние задания дискуссионные вопросы риторические вопросы от учеников Иллюстрации аудио-, видеоклипы и мультимедиа фотографии, картинки графики, таблицы, схемы юмор, анекдоты, приколы, комиксы притчи, поговорки, кроссворды, цитаты Дополнения рефераты статьи фишки для любознательных шпаргалки учебники основные и дополнительные словарь терминов прочие Совершенствование учебников и уроков исправление ошибок в учебнике обновление фрагмента в учебнике элементы новаторства на уроке замена устаревших знаний новыми Только для учителей идеальные уроки календарный план на год методические рекомендации программы обсуждения Интегрированные уроки