Лекция: Математическое моделирование. Форма и принципы представления математических моделей

По учебнику Советова и Яковлева : «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.»

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

Классификация моделей

Формальная классификация моделей

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

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.

Классификация по способу представления объекта

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

  • Структурные или функциональные модели

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» Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

Содержательные и формальные модели

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 (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 , биология , экономика , социология , психология , и большинство других областей), создание содержательных моделей резко усложняется.

Содержательная классификация моделей

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 вре́менной паузой: статус модели первого типа может быть только вре́менным.

Тип 2: Феноменологическая модель (ведем себя так, как если бы …)

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.

Тип 3: Приближение (что-то считаем очень большим или очень малым )

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 .

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

Тип 8: Демонстрация возможности (главное - показать внутреннюю непротиворечивость возможности )

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.

Пример

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 = − k x ) 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 классификация 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»).

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, - 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. 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 (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 ни 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 Англии 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 (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 экперимента (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.

Дополнительные примеры

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

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.

Примечания

  1. «A mathematical representation of reality»(Encyclopaedia Britanica)
  2. Новик И. Б. , О философских вопросах кибернетического моделирования. М., Знание, 1964.
  3. Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
  4. Самарский А. А. , Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры. . - 2-е изд., испр.. - М.: Физматлит, 2001. - ISBN 5-9221-0120-X
  5. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
  6. Wiktionary: mathematical model
  7. CliffsNotes
  8. Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena, Springer, Complexity series, Berlin-Heidelberg-New York, 2006. XII+562 pp. ISBN 3-540-35885-4
  9. «Теория считается линейной или нелинейной в зависимости от того, какой - линейный или нелинейный - математический аппарат, какие - линейные или нелинейные - математические модели она использует. … ез отрицание последней. Современный физик, доведись ему заново создавать определение столь важной сущности, как нелинейность, скорее всего, поступил бы иначе, и, отдав предпочтение нелинейности как более важной и распространенной из двух противоположностей, определил бы линейность как „не нелинейность“.» Данилов Ю. А. , Лекции по нелинейной динамике. Элементарное введение. Серия «Синергетика: от прошлого к будущему». Изд.2. - M.: URSS, 2006. - 208 с. ISBN 5-484-00183-8
  10. «Динамические системы, моделируемые конечным числом обыкновенных дифференциальных уравнений, называют сосредоточенными или точечными системами. Они описываются с помощью конечномерного фазового пространства и характеризуются конечным числом степеней свободы. Одна и та же система в различных условиях может рассматриваться либо как сосредоточенная, либо как распределенная. Математические модели распределенных систем - это дифференциальные уравнения в частных производных, интегральные уравнения или обыкновенные уравнения с запаздывающим аргументом. Число степеней свободы распределенной системы бесконечно, и требуется бесконечное число данных для определения ее состояния.» Анищенко В. С. , Динамические системы, Соросовский образовательный журнал, 1997, № 11, с. 77-84.
  11. «В зависимости от характера изучаемых процессов в системе S все виды моделирования могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные. Детерминированное моделирование отображает детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий; стохастическое моделирование отображает вероятностные процессы и события. … Статическое моделирование служит для описания поведения объекта в какой-либо момент времени, а динамическое моделирование отражает поведение объекта во времени. Дискретное моделирование служит для описания процессов, которые предполагаются дискретными, соответственно непрерывное моделирование позволяет отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.» Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
  12. Обычно в математической модели отражается структура (устройство) моделируемого объекта, существенные для целей исследования свойства и взаимосвязи компонентов этого объекта; такая модель называется структурной. Если же модель отражает только то, как объект функционирует - например, как он реагирует на внешние воздействия,- то она называется функциональной или, образно, черным ящиком. Возможны и модели комбинированного типа. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
  13. «Очевидный, но важнейший начальный этап построения или выбора математической модели - это получение по возможности более четкого представления о моделируемом объекте и уточнение его содержательной модели, основанное на неформальных обсуждениях. Нельзя жалеть времени и усилий на этот этап, от него в значительной мере зависит успех всего исследования. Не раз бывало, что значительный труд, затраченный на решение математической задачи, оказывался малоэффективным или даже потраченным впустую из-за недостаточного внимания к этой стороне дела.» Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4, с. 35.
  14. «Описание концептуальной модели системы. На этом подэтапе построения модели системы: а) описывается концептуальная модель М в абстрактных терминах и понятиях; б) дается описание модели с использованием типовых математических схем; в) принимаются окончательно гипотезы и предположения; г) обосновывается выбор процедуры аппроксимации реальных процессов при построении модели.» Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2, с. 93.

Понятие модели и моделирования.

Модель в широком смысле - это любой образ, аналог мысленный или установленный изображение, описание, схема, чертеж, карта и т. п. какого либо объема, процесса или явления, используемый в качестве его заменителя или представителя. Сам объект, процесс или явление называется оригиналом данной модели.

Моделирование - это исследование какого либо объекта или системы объектов путем построения и изучения их моделей. Это использование моделей для определения или уточнения характеристик и рационализации способов построения вновь конструируемых объектов.

На идее моделирования базируется любой метод научного исследования, при этом, в теоретических методах используются различного рода знаковые, абстрактные модели, в экспериментальных - предметные модели.

При исследовании сложное реальное явление заменяется некоторой упрощенной копией или схемой, иногда такая копия служит лишь только для того чтобы запомнить и при следующей встрече узнать нужное явление. Иногда построенная схема отражает какие - то существенные черты, позволяет разобраться в механизме явления, дает возможность предсказать его изменение. Одному и тому же явлению могут соответствовать разные модели.

Задача исследователя - предсказывать характер явления и ход процесса.

Иногда, бывает, что объект доступен, но эксперименты с ним дорогостоящи или привести к серьезным экологическим последствиям. Знания о таких процессах получают с помощью моделей.

Важный момент - сам характер науки предполагает изучение не одного конкретного явления, а широкого класса родственных явлений. Предполагает необходимость формулировки каких - то общих категорических утверждений, которые называются законами. Естественно, что при такой формулировке многими подробностями пренебрегают. Чтобы более четко выявить закономерность сознательно идут на огрубление, идеализацию, схематичность, то есть изучают не само явление, а более или менее точную ее копию или модель. Все законы- это законы о моделях, а поэтому нет ничего удивительного в том, что с течением времени некоторые научные теории признаются непригодными. Это не приводит к краху науки, поскольку одна модель заменилась другой более современной .

Особую роль в науке играют математические модели, строительный материал и инструменты этих моделей - математические понятия. Они накапливались и совершенствовались в течении тысячелетий. Современная математика дает исключительно мощные и универсальные средства исследования. Практически каждое понятие в математике, каждый математический объект, начиная от понятия числа, является математической моделью. При построении математической модели, изучаемого объекта или явления выделяют те его особенности, черты и детали, которые с одной стороны содержат более или менее полную информацию об объекте, а с другой допускают математическую формализацию. Математическая формализация означает, что особенностям и деталям объекта можно поставить в соответствие подходящие адекватные математические понятия: числа, функции, матрицы и так далее. Тогда связи и отношения, обнаруженные и предполагаемые в изучаемом объекте между отдельными его деталями и составными частями можно записать с помощью математических отношений: равенств, неравенств, уравнений. В результате получается математическое описание изучаемого процесса или явление, то есть его математическая модель.

Изучение математической модели всегда связанно с некоторыми правилами действия над изучаемыми объектами. Эти правила отражают связи между причинами и следствиями.

Построение математической модели - это центральный этап исследования или проектирования любой системы. От качества модели зависит весь последующий анализ объекта. Построение модели - это процедура не формальная. Сильно зависит от исследователя, его опыта и вкуса, всегда опирается на определенный опытный материал. Модель должна быть достаточно точной, адекватной и должна быть удобна для использования.

Математическое моделирование.

Классификация математических моделей.

Математические модели могут быть детерменированными и стохастическими .

Детерменированные модели- это модели, в которых установлено взаимно-однозначное соответствие между переменными описывающими объект или явления.

Такой подход основан на знании механизма функционирования объектов. Часто моделируемый объект сложен и расшифровка его механизма может оказаться очень трудоемкой и длинной во времени. В этом случае поступают следующим образом: на оригинале проводят эксперименты, обрабатывают полученные результаты и, не вникая в механизм и теорию моделируемого объекта с помощью методов математической статистики и теории вероятности, устанавливают связи между переменными, описывающими объект. В этом случае получают стахостическую модель. В стахостической модели связь между переменными носит случайный характер, иногда это бывает принципиально. Воздействие огромного количества факторов, их сочетание приводит к случайному набору переменных описывающих объект или явление. По характеру режимов модель бывают статистическими и динамическими .

Статистическая модель включает описание связей между основными переменными моделируемого объекта в установившемся режиме без учета изменения параметров во времени.

В динамической модели описываются связи между основными переменными моделируемого объекта при переходе от одного режима к другому.

Модели бывают дискретными и непрерывными , а также смешанного типа. В непрерывных переменные принимают значения из некоторого промежутка, в дискретных переменные принимают изолированные значения.

Линейные модели - все функции и отношения, описывающие модель линейно зависят от переменных и не линейные в противном случае.

Математическое моделирование.

Требования,п редъявляемые к моделям.

1. Универсальность - характеризует полноту отображения моделью изучаемых свойств реального объекта.

    1. Адекватность - способность отражать нужные свойства объекта с погрешностью не выше заданной.
    2. Точность - оценивается степенью совпадения значений характеристик реального объекта и значения этих характеристик полученных с помощью моделей.
    3. Экономичность - определяется затратами ресурсов ЭВМ памяти и времени на ее реализацию и эксплуатацию.

Математическое моделирование.

Основные этапы моделирования.

1. Постановка задачи.

Определение цели анализа и пути ее достижения и выработки общего подхода к исследуемой проблеме. На этом этапе требуется глубокое понимание существа поставленной задачи. Иногда, правильно поставить задачу не менее сложно чем ее решить. Постановка - процесс не формальный, общих правил нет.

2. Изучение теоретических основ и сбор информации об объекте оригинала.

На этом этапе подбирается или разрабатывается подходящая теория. Если ее нет, устанавливаются причинно - следственные связи между переменными описывающими объект. Определяются входные и выходные данные, принимаются упрощающие предположения.

3. Формализация.

Заключается в выборе системы условных обозначений и с их помощью записывать отношения между составляющими объекта в виде математических выражений. Устанавливается класс задач, к которым может быть отнесена полученная математическая модель объекта. Значения некоторых параметров на этом этапе еще могут быть не конкретизированы.

4. Выбор метода решения.

На этом этапе устанавливаются окончательные параметры моделей с учетом условия функционирования объекта. Для полученной математической задачи выбирается какой - либо метод решения или разрабатывается специальный метод. При выборе метода учитываются знания пользователя, его предпочтения, а также предпочтения разработчика.

5. Реализация модели.

Разработав алгоритм, пишется программа, которая отлаживается, тестируется и получается решение нужной задачи.

6. Анализ полученной информации.

Сопоставляется полученное и предполагаемое решение, проводится контроль погрешности моделирования.

7. Проверка адекватности реальному объекту.

Результаты, полученные по модели сопоставляются либо с имеющейся об объекте информацией или проводится эксперимент и его результаты сопоставляются с расчётными.

Процесс моделирования является итеративным. В случае неудовлетворительных результатов этапов 6. или 7. осуществляется возврат к одному из ранних этапов, который мог привести к разработке неудачной модели. Этот этап и все последующие уточняются и такое уточнение модели происходит до тех пор, пока не будут получены приемлемые результаты.

Математическая модель - это приближенное описание какого-либо класса явлений или объектов реального мира на языке математики. Основная цель моделирования - исследовать эти объекты и предсказать результаты будущих наблюдений. Однако моделирование - это еще и метод познания окружающего мира, дающий возможность управлять им.

Математическое моделирование и связанный с ним компьютерный эксперимент незаменимы в тех случаях, когда натурный эксперимент невозможен или затруднен по тем или иным причинам. Например, нельзя поставить натурный эксперимент в истории, чтобы проверить, «что было бы, если бы...» Невозможно проверить правильность той или иной космологической теории. В принципе возможно, но вряд ли разумно, поставить эксперимент по распространению какой-либо болезни, например чумы, или осуществить ядерный взрыв, чтобы изучить его последствия. Однако все это вполне можно сделать на компьютере, построив предварительно математические модели изучаемых явлений.

1.1.2 2. Основные этапы математического моделирования

1) Построение модели . На этом этапе задается некоторый «нематематический» объект - явление природы, конструкция, экономический план, производственный процесс и т. д. При этом, как правило, четкое описание ситуации затруднено. Сначала выявляются основные особенности явления и связи между ними на качественном уровне. Затем найденные качественные зависимости формулируются на языке математики, то есть строится математическая модель. Это самая трудная стадия моделирования.

2) Решение математической задачи, к которой приводит модель . На этом этапе большое внимание уделяется разработке алгоритмов и численных методов решения задачи на ЭВМ, при помощи которых результат может быть найден с необходимой точностью и за допустимое время.

3) Интерпретация полученных следствий из математической модели. Следствия, выведенные из модели на языке математики, интерпретируются на языке, принятом в данной области.

4) Проверка адекватности модели. На этом этапе выясняется, согласуются ли результаты эксперимента с теоретическими следствиями из модели в пределах определенной точности.

5) Модификация модели. На этом этапе происходит либо усложнение модели, чтобы она была более адекватной действительности, либо ее упрощение ради достижения практически приемлемого решения.

1.1.3 3. Классификация моделей

Классифицировать модели можно по разным критериям. Например, по характеру решаемых проблем модели могут быть разделены на функциональные и структурные. В первом случае все величины, характеризующие явление или объект, выражаются количественно. При этом одни из них рассматриваются как независимые переменные, а другие - как функции от этих величин. Математическая модель обычно представляет собой систему уравнений разного типа (дифференциальных, алгебраических и т. д.), устанавливающих количественные зависимости между рассматриваемыми величинами. Во втором случае модель характеризует структуру сложного объекта, состоящего из отдельных частей, между которыми существуют определенные связи. Как правило, эти связи не поддаются количественному измерению. Для построения таких моделей удобно использовать теорию графов. Граф - это математический объект, представляющий собой некоторое множество точек (вершин) на плоскости или в пространстве, некоторые из которых соединены линиями (ребрами).

По характеру исходных данных и результатов предсказания модели могут быть разделены на детерминистические и вероятностно-статистические. Модели первого типа дают определенные, однозначные предсказания. Модели второго типа основаны на статистической информации, а предсказания, полученные с их помощью, имеют вероятностный характер.

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ВСЕОБЩАЯ КОМПЬЮТЕРИЗАЦИЯ ИЛИ ИМИТАЦИОННЫЕ МОДЕЛИ

Сейчас, когда в стране происходит чуть ли не всеобщая компьютеризация, от специалистов различных профессий приходится слышать высказывания: "Вот внедрим у себя ЭВМ, тогда все задачи сразу же будут решены". Эта точка зрения совершенно не верна, сами по себе ЭВМ без математических моделей тех или иных процессов ничего сделать не смогут и о всеобщей компьютеризации можно лишь мечтать.

В подтверждение вышесказанного попытаемся обосновать необходимость моделирования, в том числе математического, раскроем его преимущества в познании и преобразовании человеком внешнего мира, выявим существующие недостатки и пойдем… к имитационному моделированию, т.е. моделированию с использованием ЭВМ. Но все по порядку.

Прежде всего, ответим на вопрос: что такое модель?

Модель – это материальный или мысленно представленный объект, который в процессе познания (изучения) замещает оригинал, сохраняя некоторые важные для данного исследования типичные свойства.

Хорошо построенная модель доступнее для исследования – нежели реальный объект. Например, недопустимы эксперименты с экономикой страны в познавательных целях, здесь без модели не обойтись.

Резюмируя сказанное можно ответить на вопрос: для чего нужны модели? Для того, чтобы

  • понять, как устроен объект (его структура, свойства, законы развития, взаимодействия с окружающим миром).
  • научиться управлять объектом (процессом) и определять наилучшие стратегии
  • прогнозировать последствия воздействия на объект.

Что положительного в любой модели? Она позволяет получить новые знания об объекте, но, к сожалению, в той или иной степени не полна.

Модель сформулированная на языке математики с использованием математических методов называется математической моделью.

Исходным пунктом ее построения обычно является некоторая задача, например экономическая. Широко распространены, как дескриптивные, так и оптимизационные математические, характеризующие различные экономические процессы и явления, например:

  • распределение ресурсов
  • рациональный раскрой
  • транспортные перевозки
  • укрупнение предприятий
  • сетевое планирование.

Каким образом происходит построение математической модели?

  • Во–первых , формулируется цель и предмет исследования.
  • Во–вторых , выделяются наиболее важные характеристики, соответствующие данной цели.
  • В–третьих, словесно описываются взаимосвязи между элементами модели.
  • Далее взаимосвязь формализуется.
  • И производится расчет по математической модели и анализ полученного решения.

Используя данный алгоритм можно решить любую оптимизационную задачу, в том числе и многокритериальную, т.е. ту в которой преследуется не одна, а несколько целей, в том числе противоречивых.

Приведем пример. Теория массового обслуживания – проблема образования очередей. Нужно уравновесить два фактора – затраты на содержание обслуживающих устройств и затраты на пребывание в очереди. Построив формальное описание модели производят расчеты, используя аналитические и вычислительные методы. Если модель хороша, то ответы найденные с ее помощью адекватны моделирующей системе, если плоха, то подлежит улучшению и замене. Критерием адекватности служит практика.

Оптимизационные модели, в том числе многокритериальные, имеют общее свойство– из вестна цель(или несколько целей) для достижения которой часто приходится иметь дело со сложными системами, где речь идет не столько о решении оптимизационных задач, сколько об исследовании и прогнозировании состояний в зависимости от избираемых стратегий управления. И здесь мы сталкиваемся с трудностями реализации прежнего плана. Они состоят в следующем:

  • сложная система содержит много связей между элементами
  • реальная система подвергается влиянию случайных факторов, учет их аналитическим путем невозможен
  • возможность сопоставления оригинала с моделью существует лишь в начале и после применения математического аппарата, т.к. промежуточные результаты могут не иметь аналогов в реальной системе.

В связи с перечисленными трудностями, возникающими при изучении сложных систем, практика потребовала более гибкий метод, и он появился – имитационное моделирование "Simujation modeling ".

Обычно под имитационной моделью понимается комплекс программ для ЭВМ, описывающий функционирование отдельных блоков систем и правил взаимодействия между ними. Использование случайных величин делает необходимым многократное проведение экспериментов с имитационной системой (на ЭВМ) и последующий статистический анализ полученных результатов. Весьма распространенным примером использования имитационных моделей является решение задачи массового обслуживания методом МОНТЕ–КАРЛО.

Таким образом, работа с имитационной системой представляет собой эксперимент, осуществляемый на ЭВМ. В чем же заключаются преимущества?

–Большая близость к реальной системе, чем у математических моделей;

–Блочный принцип дает возможность верифицировать каждый блок до его включения в общую систему;

–Использование зависимостей более сложного характера, не описываемых простыми математическими соотношениями.

Перечисленные достоинства определяют недостатки

–построить имитационную модель дольше, труднее и дороже;

–для работы с имитационной системой необходимо наличие подходящей по классу ЭВМ;

–взаимодействие пользователя и имитационной модели (интерфейс) должно быть не слишком сложным, удобным и хорошо известным;

–построение имитационной модели требует более глубокого изучения реального процесса, нежели математическое моделирование.

Встает вопрос: может ли имитационное моделирование заменить методы оптимизации? Нет, но удобно дополняет их. Имитационная модель – это программа, реализующая некоторый алгоритм, для оптимизации управления которым прежде решается оптимизационная задача.

Итак, ни ЭВМ, ни математическая модель, ни алгоритм для ее исследования порознь не могут решить достаточно сложную задачу. Но вместе они представляют ту силу, которая позволяет познавать окружающий мир, управлять им в интересах человека.

1.2 Классификация моделей

1.2.1
Классификация с учетом фактора времени и области использования (Макарова Н.А.)

Статическая модель - это как бы одномоментный срез информации по объекту (результат одного обследования)
Динамическая модель-позволяет увидеть изменения объекта во времени(Карточка в поликлинике)
Можно классифицировать модели и по тому, к какой области знаний они принадлежат (биологические,исторические , экологические и т.п.)
Возврат в начало

1.2.2 Классификация по области использования (Макарова Н.А.)

Учебные- наглядные пособия, тренажеры,о бучающие программы
Опытные модели-уменьшенные копии (автомобиль в аэродинамической трубе)
Научно-технические- синхрофазотрон , стенд для проверки электронной аппаратуры
Игровые- экономические , спортивные, деловые игры
Имитационные- не просто отражают реальность, но имитируют ее(на мышах испытываеется лекарство, в школах проводятся эксперементы и т.п. .Такой метод моделирования называется методом проб и ошибок
Возврат в начало

1.2.3 Классификация по способу представления Макарова Н.А.)

Материальные модели-иначе можно назвать предметными. Они воспринимают геометрические и физические свойства оригинала и всегда имеют реальное воплощение
Информационные модели-нельзя потрогать или увидеть. Они строятся только на информации.И нформационная модель совокупность информации, характеризующая свойства и состояния объекта, процесса, явления, а также взаимосвязь с внешним миром.
Вербальная модель - информационная модель в мысленной или разговорной форме.
Знаковая модель-информационная модель выраженная знаками,т .е . средствами любого формального языка.
Компьютерная модель -м одель, реализованная средствами программной среды.

1.2.4 Классификация моделей, приведенная в книге "Земля Информатика" (Гейн А.Г.))

"...вот нехитрая на первый взгляд задача: сколько потребуется времени, чтобы пересечь пустыню Каракумы? Ответ,разумеется зависит от способа передвижения. Если путешествоватьна верблюдах , то потребуется один срок, другой-если ехать на автомобиле, третий - если лететь самолетом. А самое главное - для планирования путешествия требуются разные модели. Для первого случая требуемую модель можно найти в мемуарах знаменитых исследователей пустынь: ведь здесь не обойтись без информации об оазисах и верблюжьих тропах. Во втором случае незаменимая информация, содержащаяся в атласе автомобильных дорог. В третьем - можно воспользоваться расписанием самолетных рейсов.
Отличаются эти три модели - мемуары, атлас и расписание и характером предьявления информации. В первом случае модель представлена словесным описанием информации (описательная модель) , во втором- как бы фотографией с натуры (натурная модель) , в третьем - таблицей содержащей условные обозначения: время вылета и прилета, день недели, цена билета (так называемая знаковая модель) Впрочем это деление весьма условно- в мемуарах могут встретиться карты и схемы (элементы натурной модели), на картах имеются условные обозначения (элементы знаковой модели), в расписании приводится расшифровка условных обозначений (элементы описательной модели). Так что эта классификация моделей... на наш взгля малопродуктивна"
На мой взгляд этот фрагмент демонстрирует общий для всех книг Гейна описательный (замечательный язык и стиль изложения) и как бы, сократовский стиль обучения (Все считают что это вот так. Я совершенно согласен с вами, но если приглядеться, то...). В таких книгах достаточно сложно найти четкую систему определений (она и не предполагается автором). В учебнике под редакцией Н.А. Макаровой демонстрируется другой подход - определения понятий четко выделены и несколько статичны.

1.2.5 Классификация моделей приведенная в пособии А.И.Бочкина

Способов классификации необычно много.П риведем лишь некоторые, наиболее известные основания и признаки:дискретность и непрерывность,матричные и скалярные модели, статические и динамические модели, аналитические и информационные модели, предметные и образно-знаковые модели, масштабные и немасштабные...
Каждый признак даетопределенное знание о свойствах и модели, и моделируемой реальности. Признак может служить подсказкой о способе выполненного или предстоящего моделирования.
Дискретность и непрерывностьДискретность - характерный признак именно компьютерных моделей.В едь компьютер может находиться в конечном, хотя и очень большом количестве состояний. Поэтому даже если объект непрерывен (время), в модели он будет изменяться скачками. Можно считать непрерывность признаком моделей некомпьютерного типа.
Случайность и детерминированность . Неопределенность, случайность изначально противостоит компьютерному миру: Запущенный вновь алгоритм должен повториться и дать те же результаты. Но для имитации случайных процессов используют датчики псевдослучайных чисел. Введение случайности в детерминированные задачи приводит к мощным и интересным моделям (Вычисление площади методом случайных бросаний).
Матричность - скалярность . Наличие параметров у матричной модели говорит о ее большей сложности и, возможно, точности по сравнению со скалярной . Например, если не выделить в населении страны все возрастные группы, рассматривая его изменение как целое, получим скалярную модель (например модель Мальтуса), если выделить, - матричную (половозрастную). Именно матричная модель позволила объяснить колебания рождаемости после войны.
Статичность динамичность . Эти свойства модели обычно предопределяются свойствами реального объекта. Здесь нет свободы выбора. Просто статическая модель может быть шагом к динамической , либо часть переменных модели может считаться пока неизменной. Например, спутник движется вокруг Земли, на его движение влияет Луна. Если считать Луну неподвижной за время оборота спутника, получим более простую модель.
Аналитические модели . Описание процессов аналитически , формулами и уравнениями. Но при попытке построить график удобнее иметь таблицы значений функции и аргументов.
Имитационные модели . Имитационные модели появились давно в виде масштабных копий кораблей, мостов и пр. появились давно, но в связи с компьютерами рассматриваются недавно. Зная как связаны элементы модели аналитически и логически, проще не решать систему неких соотношений и уравнений, а отобразить реальную систему в память компьютера, с учетом связей между элементами памяти.
Информационные модели . Информационные модели принято противополагать математическим , точнее алгоритмическим. Здесь важно соотношение объемов данные/алгоритмы. Если данных больше или они важнее имеем информационную модель, иначе - математичеескую .
Предметные модели . Это прежде всего детская модель - игрушка.
Образно-знаковые модели . Это прежде всего модель в уме человека: образная , если преобладают графические образы, и знаковая , если больше слов или (и) чисел. Образно-знаковые модели строятся на компьютере.
Масштабные модели . К масштабным моделям те из предметных или образных моделей, которые повторяют форму объекта (карта).



Начальный уровень

Математические модели на ОГЭ и ЕГЭ (2019)

Понятие математической модели

Представь себе самолет: крылья, фюзеляж, хвостовое оперение, все это вместе – настоящий огромный, необъятный, целый самолет. А можно сделать модель самолета, маленькую, но все как взаправду, те же крылья и т.д., но компактный. Так же и математическая модель. Есть текстовая задача, громоздкая, на нее можно так посмотреть, прочесть, но не совсем понять, и уж тем более не ясно как решать ее. А что если сделать из большой словесной задачи ее маленькую модель, математическую модель? Что значит математическую? Значит, используя правила и законы математической записи, переделать текст в логически верное представление при помощи цифр и арифметических знаков. Итак, математическая модель – это представление реальной ситуации с помощью математического языка.

Начнем с простого: Число больше числа на. Нам нужно записать это, не используя слов, а только язык математики. Если больше на, то получается, что если мы из вычтем, то останется та самая разность этих чисел равная. Т.е. или. Суть понял?

Теперь посложнее, сейчас будет текст, который ты должен попробовать представить в виде математической модели, пока не читай, как это сделаю я, попробуй сам! Есть четыре числа: , и. Произведение и больше произведения и в два раза.

Что получилось?

В виде математической модели выглядеть это будет так:

Т.е. произведение относится к как два к одному, но это можно еще упросить:

Ну ладно, на простых примерах ты понял суть, я так полагаю. Переходим к полноценным задачам, в которых эти математические модели еще и решать нужно! Вот задача.

Математическая модель на практике

Задача 1

После дождя уровень воды в колодце может повыситься. Мальчик измеряет время падения небольших камешков в колодец и рассчитывает расстояние до воды по формуле, где - расстояние в метрах, - время падения в секундах. До дождя время падения камешков составляло с. На сколько должен подняться уровень воды после дождя, чтобы измеряемое время изменилось на с? Ответ выразите в метрах.

О, ужас! Какие формулы, что за колодец, что происходит, что делать? Я прочел твои мысли? Расслабься, в задачах этого типа условия бывают и пострашнее, главное помнить, что тебя в этой задаче интересуют формулы и отношения между переменными, а что все это обозначает в большинстве случаев не очень важно. Что ты тут видишь полезного? Я лично вижу. Принцип решения этих задач следующий: берешь все известные величины и подставляешь. НО, задумываться иногда надо!

Последовав моему первому совету, и,подставив все известные в уравнение, получим:

Это я подставил время секунды, и нашел высоту, которую пролетал камень до дождя. А теперь надо посчитать после дождя и найти разницу!

Теперь прислушайся ко второму совету и задумайся, в вопросе уточняется, «на сколько должен подняться уровень воды после дождя, чтобы измеряемое время изменилось на с». Сразу надо прикинуть, тааак, после дождя уровень воды повышается, значит, время падения камня до уровня воды меньше и тут витиеватая фраза «чтобы измеряемое время изменилось» приобретает конкретный смысл: время падения не увеличивается, а сокращается на указанные секунды. Это означает, что в случае броска после дождя, нам просто нужно из начального времени c вычесть с, и получим уравнение высоты, которую камень пролетит после дождя:

Ну и наконец, чтобы найти, на сколько должен подняться уровень воды после дождя, чтобы измеряемое время изменилось на с., нужно просто вычесть из первой высоты падения вторую!

Получим ответ: на метра.

Как видишь, ничего сложного нет, главное, особо не заморачивайся, откуда такое непонятное и порой сложное уравнение в условиях взялось и что все в нем означает, поверь на слово, большинство этих уравнений взяты из физики, а там дебри похлеще, чем в алгебре. Мне иногда кажется, что эти задачи придуманы, чтоб запугать ученика на ЕГЭ обилием сложных формул и терминов, а в большинстве случаев не требуют почти никаких знаний. Просто внимательно читай условие и подставляй известные величины в формулу!

Вот еще задача, уже не по физике, а из мира экономической теории, хотя знаний наук кроме математики тут опять не требуется.

Задача 2

Зависимость объёма спроса (единиц в месяц) на продукцию предприятия-монополиста от цены (тыс. руб.) задаётся формулой

Выручка предприятия за месяц (в тыс. руб.) вычисляется по формуле. Определите наибольшую цену, при которой месячная выручка составит не менее тыс. руб. Ответ приведите в тыс. руб.

Угадай, что сейчас сделаю? Ага, начну подставлять то, что нам известно, но, опять же, немного подумать все же придется. Пойдем с конца, нам нужно найти при котором. Так, есть, равно какому-то, находим, чему еще равно это, а равно оно, так и запишем. Как ты видишь, я особо не заморачиваюсь о смысле всех этих величин, просто смотрю из условий, что чему равно, так тебе поступать и нужно. Вернемся к задаче, у тебя уже есть, но как ты помнишь из одного уравнения с двумя переменными ни одну из них не найти, что же делать? Ага, у нас еще в условии осталась неиспользованная частичка. Вот, уже два уравнения и две переменных, значит, теперь обе переменные можно найти - отлично!

– такую систему решить сможешь?

Решаем подстановкой, у нас уже выражена, значит, подставим ее в первое уравнение и упростим.

Получается вот такое квадратное уравнение: , решаем, корни вот такие, . В задании требуется найти наибольшую цену, при которой будут соблюдаться все те условия, которые мы учли, когда систему составляли. О, оказывается это было ценой. Прикольно, значит, мы нашли цены: и. Наибольшую цену, говорите? Окей, наибольшая из них, очевидно, ее в ответ и пишем. Ну как, сложно? Думаю, нет, и вникать не надо особо!

А вот тебе и устрашающая физика, а точнее еще одна задачка:

Задача 3

Для определения эффективной температуры звёзд используют закон Стефана–Больцмана, согласно которому, где - мощность излучения звезды, - постоянная, - площадь поверхности звезды, а - температура. Известно, что площадь поверхности некоторой звезды равна, а мощность её излучения равна Вт. Найдите температуру этой звезды в градусах Кельвина.

Откуда и понятно? Да, в условии написано, что чему равно. Раньше я рекомендовал все неизвестные сразу подставлять, но здесь лучше сначала выразить неизвестное искомое. Смотри как все просто: есть формула и в ней известны, и (это греческая буква «сигма». Вообще, физики любят греческие буквы, привыкай). А неизвестна температура. Давай выразим ее в виде формулы. Как это делать, надеюсь, знаешь? Такие задания на ГИА в 9 классе обычно дают:

Теперь осталось подставить числа вместо букв в правой части и упростить:

Вот и ответ: градусов Кельвина! А какая страшная была задача, а!

Продолжаем мучить задачки по физике.

Задача 4

Высота над землей подброшенного вверх мяча меняется по закону, где - высота в метрах, - время в секундах, прошедшее с момента броска. Сколько секунд мяч будет находиться на высоте не менее трех метров?

То были всё уравнения, а вот здесь надо определить, сколько мяч находился на высоте не менее трех метров, это значит на высоте. Что мы составлять будем? Неравенство, именно! У нас есть функция, которая описывает как летит мяч, где – это как раз та самая высота в метрах, нам нужна высота. Значит

А теперь просто решаешь неравенство, главное, не забудь поменять знак неравенства с больше либо равно на меньше, либо равно, когда будешь умножать на обе части неравенства, чтоб перед от минуса избавиться.

Вот такие корни, строим интервалы для неравенства:

Нас интересует промежуток, где знак минус, поскольку неравенство принимает там отрицательные значения, это от до оба включительно. А теперь включаем мозг и тщательно думаем: для неравенства мы применяли уравнение, описывающее полет мяча, он так или иначе летит по параболе, т.е. он взлетает, достигает пика и падает, как понять, сколько времени он будет находиться на высоте не менее метров? Мы нашли 2 переломные точки, т.е. момент, когда он взмывает выше метров и момент, когда он, падая, достигает этой же отметки, эти две точки выражены у нас в виде времени, т.е. мы знаем на какой секунде полета он вошел в интересующую нас зону (выше метров) и в какую вышел из нее (упал ниже отметки в метра). Сколько секунд он находился в этой зоне? Логично, что мы берем время выхода из зоны и вычитаем из него время вхождения в эту зону. Соответственно: - столько он находился в зоне выше метров, это и есть ответ.

Так уж тебе повезло, что больше всего примеров по этой теме можно взять из разряда задачек по физике, так что лови еще одну, она заключительная, так что поднапрягись, осталось совсем чуть-чуть!

Задача 5

Для нагревательного элемента некоторого прибора экспериментально была получена зависимость температуры от времени работы:

Где - время в минутах, . Известно, что при температуре нагревательного элемента свыше прибор может испортиться, поэтому его нужно отключить. Найдите, через какое наибольшее время после начала работы нужно отключить прибор. Ответ выразите в минутах.

Действуем по отлаженной схеме, все, что дано, сперва выписываем:

Теперь берем формулу и приравниваем ее к значению температуры, до которой максимально можно нагреть прибор пока он не сгорит, то есть:

Теперь подставляем вместо букв числа там, где они известны:

Как видишь, температура при работе прибора описывается квадратным уравнением, а значит, распределяется по параболе, т.е. прибор нагревается до какой-то температуры, а потом остывает. Мы получили ответы и, следовательно, при и при минутах нагревания температура равна критической, но между и минутами - она еще выше предельной!

А значит, отключить прибор нужно через минуты.

МАТЕМАТИЧЕСКИЕ МОДЕЛИ. КОРОТКО О ГЛАВНОМ

Чаще всего математические модели используются в физике: тебе ведь наверняка приходилось запоминать десятки физических формул. А формула – это и есть математическое представление ситуации.

В ОГЭ и ЕГЭ есть задачи как раз на эту тему. В ЕГЭ (профильном) это задача номер 11 (бывшая B12). В ОГЭ – задача номер 20.

Схема решения очевидна:

1) Из текста условия необходимо «вычленить» полезную информацию – то, что в задачах по физике мы пишем под словом «Дано». Этой полезной информацией являются:

  • Формула
  • Известные физические величины.

То есть каждой букве из формулы нужно поставить в соответствие определенное число.

2) Берешь все известные величины и подставляешь в формулу. Неизвестная величина так и остается в виде буквы. Теперь нужно только решить уравнение (обычно, довольно простое), и ответ готов.

Ну вот, тема закончена. Если ты читаешь эти строки, значит ты очень крут.

Потому что только 5% людей способны освоить что-то самостоятельно. И если ты дочитал до конца, значит ты попал в эти 5%!

Теперь самое главное.

Ты разобрался с теорией по этой теме. И, повторюсь, это… это просто супер! Ты уже лучше, чем абсолютное большинство твоих сверстников.

Проблема в том, что этого может не хватить…

Для чего?

Для успешной сдачи ЕГЭ, для поступления в институт на бюджет и, САМОЕ ГЛАВНОЕ, для жизни.

Я не буду тебя ни в чем убеждать, просто скажу одну вещь…

Люди, получившие хорошее образование, зарабатывают намного больше, чем те, кто его не получил. Это статистика.

Но и это - не главное.

Главное то, что они БОЛЕЕ СЧАСТЛИВЫ (есть такие исследования). Возможно потому, что перед ними открывается гораздо больше возможностей и жизнь становится ярче? Не знаю...

Но, думай сам...

Что нужно, чтобы быть наверняка лучше других на ЕГЭ и быть в конечном итоге… более счастливым?

НАБИТЬ РУКУ, РЕШАЯ ЗАДАЧИ ПО ЭТОЙ ТЕМЕ.

На экзамене у тебя не будут спрашивать теорию.

Тебе нужно будет решать задачи на время .

И, если ты не решал их (МНОГО!), ты обязательно где-нибудь глупо ошибешься или просто не успеешь.

Это как в спорте - нужно много раз повторить, чтобы выиграть наверняка.

Найди где хочешь сборник, обязательно с решениями, подробным разбором и решай, решай, решай!

Можно воспользоваться нашими задачами (не обязательно) и мы их, конечно, рекомендуем.

Для того, чтобы набить руку с помощью наших задач нужно помочь продлить жизнь учебнику YouClever, который ты сейчас читаешь.

Как? Есть два варианта:

  1. Открой доступ ко всем скрытым задачам в этой статье - 299 руб.
  2. Открой доступ ко всем скрытым задачам во всех 99-ти статьях учебника - 999 руб.

Да, у нас в учебнике 99 таких статей и доступ для всех задач и всех скрытых текстов в них можно открыть сразу.

Во втором случае мы подарим тебе тренажер “6000 задач с решениями и ответами, по каждой теме, по всем уровням сложности”. Его точно хватит, чтобы набить руку на решении задач по любой теме.

На самом деле это намного больше, чем просто тренажер - целая программа подготовки. Если понадобится, ты сможешь ею так же воспользоваться БЕСПЛАТНО.

Доступ ко всем текстам и программам предоставляется на ВСЕ время существования сайта.

И в заключение...

Если наши задачи тебе не нравятся, найди другие. Только не останавливайся на теории.

“Понял” и “Умею решать” - это совершенно разные навыки. Тебе нужны оба.

Найди задачи и решай!

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.

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.

 

Возможно, будет полезно почитать: