Математические модели различают в основном по характеру отображаемых свойств системы, степени их детализации, способам получения и формального представления.
Структурные и функциональные модели.Если ММ отображает элементы и их связи в системе, то ее называют структурной математической моделью. Если же ММ отражает происходящие в системе какие-либо процессы, то ее относят к функциональным математическим моделям. Ясно, что могут существовать и смешанные ММ, которые описывают как функциональные, так и структурные свойства системы. Структурные ММ делят на топологические и геометрические, составляющие два уровня иерархии ММ этого типа. Первые отображают состав системы и связи между его элементами. Топологические ММ целесообразно применять на начальной стадии исследования сложной системы. Такая ММ имеет форму графов, таблиц, матриц, списков и т.п., и ее построению обычно предшествует разработка структурной схемы системы.
Геометрическая ММ дополнительно к информации, представленной в топологической ММ, содержит сведения о форме и размерах системы и ее элементов, об их взаимном расположении. В геометрическую ММ обычно входят совокупность уравнений линий и поверхностей и алгебраические соотношения, определяющие принадлежность областей пространства системе или ее элементам. Геометрические ММ находят применение при проектировании элементов технических систем, разработке технической документации и технологических процессов изготовления изделий.
Функциональные ММсостоят из соотношений, связывающих между собой фазовые переменные, т.е. внутренние, внешниеи выходные параметры системы. Функционирование сложных систем нередко удается описать лишь при помощи совокупности ее реакций на некоторые известные (или заданные) входные воздействия. Такую разновидность функциональной ММ относят к типу черного ящикаи обычно называют имитационной математической моделью,имея в виду, что она лишь имитирует внешние проявления функционирования, не раскрывая и не описывая существа протекающих в системе процессов. Имитационные ММ находят широкое применение в исследовании сложных систем.
По форме представления имитационная ММ является примером алгоритмической ММ, поскольку связь в ней между входными и выходными параметрами системы удается описать лишь в форме алгоритма, пригодного для реализации в виде программы. К типу алгоритмических ММ относят широкий класс как функциональных, так и структурных ММ. Если связи междупараметрами системы можно выразить в аналитической форме, то говорят об аналитическихматематических моделях. При созданиииерархии ММ одной и той же системы обычно стремятся к тому, чтобы упрощенный вариант ММ был представлен в аналитической форме, допускающей точное решение, которое можно было бы использовать для сравнения при тестировании результатов, полученных при помощи более полных и поэтому более сложных вариантов ММ.
Ясно, что ММ конкретной системы по форме представления может включать признаки как аналитической, так и алгоритмической ММ. Более того, в процессе моделирования аналитическую ММ преобразуют в алгоритмическую.
По способу получения математические модели могут быть теоретическимиилиэмпирическими. Первые получают в результате изучения свойств системы, протекающих в ней процессов на основе использования известных фундаментальных законов сохранения, а также уравнений равновесия, а вторые являются итогом обработки результатов внешних наблюдений за проявлением этих свойств и процессов. Один из способов построения эмпирических ММ заключается в проведении экспериментальных исследований, связанных с измерением фазовых переменных системы, и в последующем обобщении результатов этих измерений в алгоритмической форме или в виде аналитических зависимостей. Поэтому по форме представления эмпирическая ММ может содержать признаки как алгоритмической,так и аналитической ММ. Таким образом, построение эмпирической ММ сводится к решению задачи идентификации.
Особенности функциональных моделей.Одной из характерных особенностей функциональнойММ является наличие или отсутствие среди ее параметров случайных величин. При наличии таких величин ММ называют стохастической (или вероятностной), а при их отсутствии - детерминированной.
Далеко не все параметры реальных систем можно характеризовать вполне определенными значениями. Поэтому ММ таких систем, строго говоря, следует отнести к стохастическим, поскольку выходные параметрысистемыбудут случайными величинами. Случайными могут быть и значения внешних параметров.
Для анализа стохастических ММ необходимо использовать выводы теории вероятностей, случайных процессов и математической статистики. Однако основная трудность в их применении обычно связана с тем, что вероятностные характеристики случайных величин (математические ожидания, дисперсии, законы распределения) часто не известны или известны с не высокой точностью, т.е. ММ не удовлетворяет требованию продуктивности. В таких случаях эффективнее использовать ММ, более грубую по сравнению со стохастической, но и более устойчивую по отношению к недостоверности исходных данных.
Существенным признаком классификации ММ является их возможность описывать изменение параметров системы во времени. Если при этом в ММ отражено влияние инерционных свойств системы, то ее обычно называют динамической. В противоположность этому ММ, которая не учитывает изменение во времени параметров системы, называют статической.
СтационарныеММописывают системы, в которых протекают так называемые установившиеся процессы, т.е. процессы, в которых интересующие нас выходные параметры постоянны во времени. К установившимся относят и периодические процессы, в которых некоторые выходные параметры остаются неизменными, а остальные претерпевают колебания.
Если выходные параметры системы изменяются медленно и в рассматриваемый фиксированный момент времени этими изменениями можно пренебречь, то считают ММ нестационарной.
Важным с точки зрения последующего анализа свойством ММявляется ее линейность, в смысле связи параметров системы линейными соотношениями. Это означает, что при изменении какого-либо внешнего (или внутреннего) параметра системы линейная ММ предсказывает линейное изменение зависящего от него выходного параметра, а при изменении двух или более параметров — сложение их влияний, т.е. такая ММ обладает свойством суперпозиции. Если ММ не обладает свойством суперпозиции, то ее называют нелинейной.
Для количественного анализа линейных ММ разработано большое число математических методов, тогда как возможности анализа нелинейных ММ связаны в основном с методами вычислительной математики. Чтобы для исследования нелинейной ММ системы можно было использовать аналитические методы, ее обычно линеаризуют, т.е. нелинейные соотношения между параметрами заменяют приближенными линейными и получают так называемую линеаризованнуюММсистемы. Так как линеаризация 
связана с внесением дополнительных погрешностей, то к результатам анализа линеаризованной модели следует относиться с определенной осторожностью. Дело в том, что линеаризация ММ может привести к утрате адекватности ее. Учет в ММ нелинейных эффектов особенно важен, например, при описании смены форм движения или положений равновесия, когда малые изменения входных параметров могут вызвать качественные изменения в состоянии системы.
Каждый параметр системы может быть двух типов - непрерывно изменяющимся в некотором промежутке своих значений или принимающим только некоторые дискретные значения. Возможна и промежуточная ситуация, когда в одной области параметр принимает все возможные значения, а в другой - только дискретные. В связи с этим выделяют непрерывные дискретныеи смешанныематематические модели. Впроцессе анализа ММ этих типов могут быть преобразованы одна в другую, но при таком преобразовании следует контролировать выполнение требования адекватности ММрассматриваемой системе.
Формы представления математических моделей.При математическом моделировании сложной системы описать ее поведение одной ММ, как правило, не удается, а если такая ММ и была бы построена, то она оказалась бы слишком сложной для количественного анализа. Поэтому к таким системам обычно применяют принцип декомпозиции. Он состоит в условном разбиении системы на подсистемы, допускающие их независимое исследование с последующим учетом их взаимного влияния друг на друга. В свою очередь, принцип декомпозиции можно применить и к каждой выделенной подсистеме вплоть до уровня достаточно простых элементов. В таком случае возникает иерархияММсвязанных между собой подсистем. Иерархические уровни выделяют и для отдельных типов ММ. Например, среди структурныхММ системк более высокому уровню иерархии относят топологическиеММ, а к более низкому уровню, характеризующемуся большей детализацией, - геометрическиеММ. Среди функциональныхММиерархические уровни отражают степень детализации описания процессов, протекающих в системе и ее элементах. С этой точки зрения обычно выделяют три основных уровня: микро - макро - и мета-уровень.
Математические модели микроуровняописывают процессы в системах с распределенными параметрами, а математические модели макроуровня- в системах с сосредоточенными параметрами. В первых из них фазовые переменные могут зависеть как от времени, так и от пространственных координат, а во вторых - только от времени.
Если в ММ макроуровня число фазовых переменных имеет порядок 104-105, то количественный анализ такой ММ становится громоздким и требует значительных затрат вычислительных ресурсов. Кроме того, при столь большом числе фазовых переменных трудно выделить существенные характеристики системы и особенности ее поведения. В таком случае путем объединения и укрупнения элементов сложной системы стремятся уменьшить число фазовых переменных за счет исключения из рассмотрения внутренних параметровэлементов, ограничиваясь, лишь описанием взаимных связей между укрупненными элементами. Такой подход характерен для ММ метауровня.
Наиболее распространенной формой представления динамической(эволюционной) ММ микроуровня является формулировка краевой задачи для дифференциальных уравнений математической физики. Такая формулировка включает дифференциальные уравнения с частными производными и краевые условия. В свою очередь краевые условия содержат начальные и граничные условия. К начальным условиям относят распределения искомых фазовых переменных в некоторый момент времени. Границы же пространственной области, конфигурация которой соответствует рассматриваемому элементу или системе в целом являются граничными условиями. При представлении ММ целесообразно использовать безразмерные переменные и коэффициенты уравнений.
ММ микроуровня называют одномерной, двумернойили трехмерной, если искомые фазовые переменные зависят от одной, двух или трех пространственных координат соответственно. Два последних типа ММ объединяют в многомерные математические модели микроуровня.
poznayka.org
Основные признаки классификации и типы ММ, применяемые в САПР, даны в таблице 1.
Таблица 1.
| Признак классификации | Математические модели |
| Характер отображаемых свойств объекта | Структурные; функциональные |
| Принадлежность к иерархическому уровню | Микроуровня; макроуровня; метауровня |
| Степень детализации описания внутри одного уровня | Полные; макромодели |
| Способ представления свойств объекта | Аналитические, алгоритмические, имитационные |
| Способ получения модели | Теоретические, эмпирические |
По характеру отображаемых свойств объекта ММ делятся на структурные и функциональные.
Структурные ММ предназначены для отображения структурных свойств объекта. Различают структурные ММ топологические и геометрические.
В топологических ММ отображаются состав и взаимосвязи элементов объекта. Топологические модели могут иметь форму графов, таблиц (матриц), списков и т. п.
В геометрических ММ отображаются геометрические свойства объектов, в них дополнительно к сведениям о взаимном расположении элементов содержатся сведения о форме деталей. Геометрические ММ могут выражаться совокупностью уравнений линий и поверхностей; алгебрологических соотношений, описывающих области, составляющие тело объекта; графами и списками, отображающими конструкции из типовых конструктивных элементов и т. п.
Функциональные ММ предназначены для отображения физических или информационных процессов, протекающих в объекте при его функционировании или изготовлении. Функциональные ММ представляют собой системы уравнений, связывающих фазовые переменные, внутренние, внешние и выходные параметры, т.е. алгоритм вычисления вектора выходных параметров Y при заданных векторах параметров элементов X и внешних параметров Q.
Количество иерархических уровней при моделировании определяется сложностью проектируемых объектов и возможностью средств проектирования. Однако для большинства предметных областей можно отнести имеющиеся иерархические уровни к одному из трех обобщенных уровней, называемых далее микро-, макро- и метауровнями.
В зависимости от места в иерархии описаний математические модели делятся на ММ, относящиеся к микро-, макро- и метауровням.
Особенностью ММ на микроуровне является отражение физических процессов, протекающих в непрерывных пространстве и времени. Типичные ММ на микроуровне - дифференциальные уравнения в частных производных (ДУЧП).
На макроуровне используют укрупненную дискретизацию пространства по функциональному признаку, что приводит к представлению ММ на этом уровне в виде систем обыкновенных дифференциальных уравнений (ОДУ). Системы ОДУ являются универсальными моделями на макроуровне, пригодными для анализа как динамических, так и установившихся состояний объектов. Модели для установившихся режимов можно также представить и виде систем алгебраических уравнений. Порядок системы уравнений зависит от числа выделенных элементов объекта. Если порядок системы приближается к 103, то оперирование моделью становится затруднительным и поэтому необходимо переходить к представлениям на метауровне.
На метауровне в качестве элементов принимают достаточно сложные совокупности деталей. Метауровень характеризуется большим разнообразием типов используемых ММ. Для многих объектов ММ на метауровне по-прежнему представляются системами ОДУ. Однако так как в моделях не описываются внутренние для элементов фазовые переменные, а фигурируют только фазовые переменные, относящиеся к взаимным связям, элементов, то укрупнение элементов на метауровне означает получение ММ приемлемой размерности для существенно более сложных объектов, чем на макроуровне.
В ряде предметных областей удается использовать специфические особенности функционирования объектов для упрощения ММ. Примером являются электронные устройства цифровой автоматики, в которых возможно применять дискретное представление таких фазовых переменных, как напряжения и токи. В результате ММ становится системой логических уравнений, описывающих процессы преобразования сигналов. Такие логические модели существенно более экономичны, чем модели электрические, описывающие изменения напряжений и сил токов как непрерывных функций времени. Важный класс ММ на метауровне составляют модели массового обслуживания, применяемые для описания процессов функционирования информационных и вычислительных систем, производственных участков, линий и цехов.
Структурные модели также делятся на модели различных иерархических уровней. При этом на низших иерархических уровнях преобладает использование геометрических моделей, на высших иерархических уровнях используются топологические модели.
По степени детализации описания в пределах каждого иерархического уровня выделяют полные ММ и макромодели.
Полная ММ - модель, в которой фигурируют фазовые переменные, характеризующие состояния всех имеющихся межэлементных связей (т. е. состояния всех элементов проектируемого объекта), описывающая не только процессы на внешних выводах моделируемого объекта, но и внутренние процессы объекта.
Макромодель - ММ, в которой отображаются состояния значительно меньшего числа межэлементных связей, что соответствует описанию объекта при укрупненном выделении элементов.
Примечание. Понятия «полная ММ» и «макромодель» относительны и обычно используются для различения двух моделей, отображающих различную степень детальности описания свойств объекта.
По способу представления свойств объекта функциональные ММ делятся на аналитические и алгоритмические.
Аналитические ММ представляют собой явные выражения выходных параметров как функций входных и внутренних параметров. Такие ММ характеризуются высокой экономичностью, но получение явного выражения удается лишь в отдельных частных случаях, как правило, при принятии существенных допущений и ограничений, снижающих точность и сужающих область адекватности модели.
Алгоритмические ММ выражают связи выходных параметров с параметрами внутренними и внешними в форме алгоритма.
Имитационная ММ - алгоритмическая модель, отражающая поведение исследуемого объекта во времени при задании внешних воздействий на объект. Примерами имитационных ММ могут служить модели динамических объектов в виде систем ОДУ и модели систем массового обслуживания, заданные в алгоритмической форме.
Обычно в имитационных моделях фигурируют фазовые переменные. Так, на макроуровне имитационные модели представляют собой системы алгебро-дифференциальных уравнений:
(1)
где V - вектор фазовых переменных; t - время; Vo - вектор начальных условий. К примерам фазовых переменных можно отнести токи и напряжения в электрических системах, силы и скорости - в механических, давления и расходы - в гидравлических.
Выходные параметры систем могут быть двух типов. Во-первых, это параметры-функционалы, т. е. функционалы зависимостей V(t) в случае использования (1). Примеры таких параметров: амплитуды сигналов, временные задержки, мощности рассеивания и т. п. Во-вторых, это параметры, характеризующие способность проектируемого объекта работать при определенных внешних условиях. Эти выходные параметры являются граничными значениями диапазонов внешних переменных, в которых сохраняется работоспособность объекта.
При проектировании технических объектов можно выделить две основные группы процедур: анализ и синтез. Для синтеза характерно использование структурных моделей, для анализа - использование функциональных моделей. К математическому обеспечению анализа относятся математические модели, численные методы, алгоритмы выполнения проектных процедур. Компоненты МО определяются базовым математическим аппаратом, специфичным для каждого из иерархических уровней проектирования.
В САПР анализ выполняется математическим моделированием.
Математическое моделирование - процесс создания модели и оперирование ею с целью получения сведений о реальном объекте.
Моделирование большинства технических объектов можно выполнять на микро-, макро и метауровнях, различающихся степенью детализации рассмотрения процессов в объекте.
Математической моделью технического объекта на микроуровне, называемого распределенным, является система дифференциальных уравнений в частных производных (ДУПЧ), описывающая процессы в сплошной среде с заданными краевыми условиями. Независимыми переменными являются пространственные координаты и время. К моделям на микроуровне относятся многие сравнения математической физики. Объектами исследования являются поля физических величин, что требуется при анализе прочности строительных сооружений или машиностроительных деталей, исследовании процессов в жидких средах, моделировании концентраций и потоков частиц в электронных приборах и т. п. С помощью этих уравнений рассчитываются поля механических напряжений и деформаций, электрических потенциалов, давлений, температур и т.д. Возможности применения ММ в виде ДУЧП ограничены отдельными деталями, попытки анализировать с их помощью процессы в многокомпонентных средах, сборочных единицах, электронных схемах не могут быть успешными из-за чрезмерного роста затрат машинного времени и памяти.
Система дифференциальных уравнений, как правило, известна (уравнения Ламе для механики упругих сред; уравнения Навье-Стокса для гидравлики; уравнения теплопроводности для термодинамики и т.д.), но точное решение ее удается получить лишь для частных случаев, поэтому первая задача, возникающая при моделировании, состоит в построении приближенной дискретной модели. Для этого используются методы конечных разностей и интегральных граничных уравнений, одним из вариантов последнего является метод граничных элементов.
Число совместно исследуемых различных сред (число деталей, слоев материала, фаз агрегатного состояния) в практически используемых моделях микроуровня не может быть большим ввиду сложностей вычислительного характера. Резко снизить вычислительные затраты в многокомпонентных средах можно, только применив иной подход к моделированию, основанный на принятии определенных допущений.
Допущение, выражаемое дискретизацией пространства, позволяет перейти к моделям макроуровня, называемым сосредоточенными. Математической моделью технического объекта на макроуровне является система алгебраических и обыкновенных дифференциальных уравнений (ОДУ) с заданными начальными условиями.
В этих уравнениях независимой переменной является время t, а вектор зависимых переменных V составляют фазовые переменные, характеризующие состояние укрупненных элементов дискретизированного пространства. Такими переменными являются силы и скорости механических систем, напряжения и силы тока электрических систем, давления и расходы гидравлических и пневматических систем и т.п.
В основе ММ лежат компонентные уравнения отдельных элементов и топологические уравнения, вид которых определяется связями между элементами. Предпосылкой создания единого математического и программного обеспечения анализа на макроуровне являются аналогии компонентных и топологических уравнений физически однородных подсистем, из которых состоит технический объект. Для получения топологических уравнений используются формальные методы.
Основными методами получения ММ объектов на макроуровне являются:
Обобщенный метод,
Табличный метод,
Узловой метод,
Метод переменных состояний.
Методы отличаются друг от друга видом и размерностью получаемой системы уравнений, способом дискретизации компонентных уравнений реактивных ветвей, допустимыми типами зависимых ветвей. Упрощение описания отдельных компонентов (деталей) позволяет исследовать модели процессов в устройствах, приборах, механических узлах, число компонентов в которых может доходить до нескольких тысяч. Для сложных технических объектов размерность ММ становится чрезмерно высокой, и для моделирования приходится переходить на метауровень.
На метауровне моделируют в основном две категории технических объектов: объекты, являющиеся предметом исследований теории автоматического управления, и объекты, являющиеся предметом теории массового обслуживания. Для первой категории объектов возможно использование математического аппарата макроуровня, для второй категории объектов используют методы событийного моделирования.
Когда число компонентов в исследуемой системе превышает некоторый порог, сложность модели системы на макроуровне вновь становится чрезмерной. Принимая соответствующие допущения, переходят на функционально-логический уровень, где используется аппарат передаточных функций для исследования аналоговых (непрерывных) процессов или аппарат математической логики и конечных автоматов, если объектом исследования является дискретный процесс.
Для исследования еще более сложных объектов (производственные предприятия и их объединения, вычислительные системы и сети, социальные системы и др.) применяют аппарат теории массового обслуживания, возможно использование и некоторых других подходов, например сетей Петри. Эти модели относятся к системному уровню моделирования.
studfiles.net
Реферат на тему:
Математи́ческая моде́ль — это математическое представление реальности[1].
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.
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 (модель):
По учебнику Советова и Яковлева [3]: «модель (лат. modulus — мера) — это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.» (с. 6) «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием.» (с. 6) «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 [4], 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 (достаточное соответствие) триады исходному объекту установлена, с моделью проводятся разнообразные и подробные „опыты“, дающие все требуемые качественные и количественные свойства и характеристики объекта.» (с.7-8)
По монографии Мышкиса [5]: «Перейдем к общему определению. Пусть мы собираемся исследовать некоторую совокупность S свойств реального объекта a с помощью математики (здесь термин объект понимается в наиболее широком смысле: объектом может служить не только то, что обычно именуется этим словом, но и любая ситуация, явление, процесс и т. д.). Для этого мы выбираем (как говорят, строим) „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.» (с.8)
По Севостьянову А. Г.[6] : «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.»[7]
Наконец, наиболее лаконичное определение математической модели: «Уравнение, выражающее идею.»[8]
Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов дихотомий [9]:
и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом — распределённые модели и т. д.
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 (функционирование) объекта. В их предельном выражении они называются также моделями «чёрного ящика»[13] 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[14]. Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель[15], умозрительная модель[16] или предмодель[17]. При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели (предмодели). 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 (передний край физики, биологии, экономики, социологии, психологии, и большинства других областей), создание содержательных моделей резко усложняется.
В работе Р. Пайерлса (англ. R. Реiеrls) [18] дана классификация математических моделей, используемых в физике и, шире, в естественных науках. В книге А. Н. Горбаня и Р. Г. Хлебопроса[19] 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 (усовершенствованная Кеплером), 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.»[20]
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 вре́менной паузой: статус модели первого типа может быть только вре́менным.
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 вре́менных 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 (моделей типа 3). 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 (приближение). 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 (приближение) или 4 (опустим для ясности некоторые детали) — это зависит от явления, для изучения которого используется модель. Так, если модели линейного отклика применяются при отсутствии более сложных моделей (то есть не производится линеаризация нелинейных уравнений, а просто ищутся линейные уравнения, описываюшие объект), то это уже феноменологические линейные модели, и относятся они к следующему типу 4 (все нелинейные детали «для ясности» опускаем).
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 (или сред), 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 (Лобачевский называл её «воображаемой геометрией»). 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.
В основе содержательной классификации — этапы, предшествующие математическому анализу и вычислениям. Восемь типов моделей по Р. Пайерлсу суть восемь типов исследовательских позиций при моделировании.
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 (например, движение происходит вдоль стержня). 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 (F = − kx) 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 (об отсутствии внешних сил, отсутствии трения, малости отклонений и т. д.), которые в реальности могут не выполняться.
По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), 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 (хотя и снова ограниченной) 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 (и, формально, «более правильная»).
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 («учтём только некоторые особенности»).
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,
— 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 (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), 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 (всегда присутствующим в реальной системе), 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 (негрубой) системы.[21] Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.
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».
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 (плотность, модули упругости, стандартные прочностные характеристики), 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 (например, на марш роты солдат, или на прохождение поезда на различной скорости), как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера, — вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) 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. [22]
В простейшем случае (одно уравнение осциллятора, например) 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 (задача проектирования). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение) или быть результатом специально планируемого в ходе решения эксперимента (активное наблюдение).
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[23]. Т.е. множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.
Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple, Mathematica, Mathcad, MATLAB, VisSim и др.[24] 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 (чаще всего графическими), набор и соединение которых задаются диаграммой модели.
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(t) = x0eαt. Если рождаемость превосходит смертность (α > 0), 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 (питающиеся растениями) и лисы (питающиеся кроликами). 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 (например, учитывающее ограниченность ресурсов, необходимых кроликам) 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.
wreferat.baza-referat.ru
