Кабардино-Балкарский государственный университет
Опубликован: 02.03.2006 | Доступ: свободный | Студентов: 6215 / 1736 | Оценка: 4.28 / 3.98 | Длительность: 15:25:00
ISBN: 978-5-9556-0108-3
Лекция 11:

Математическое и компьютерное моделирование

< Лекция 10 || Лекция 11: 1234 || Лекция 12 >
Аннотация: Рассматриваются основные понятия математического и компьютерного моделирования, вычислительный эксперимент, операции моделирования. Цель лекции: введение в математические и компьютерные системные основы информационных систем и информационного менеджмента.
Ключевые слова: математическая модель, математические структуры, алгебраические, операции, математическое моделирование, линеаризация, множество состояний, линейное пространство, множества, операторы, линейная комбинация, линейная, нелинейная модель, линейная модель, физическая система, значение, множитель, идентификация, вектор, ПО, метода наименьших квадратов, эвристика, оценивание, параметр, оценка адекватности, точность, погрешность, вычислительный эксперимент, выход, информационные технологии, алгоритм, программа, компьютер, пользователь, эквивалентность программ, моделирование, компьютерная модель, самообучение, компьютерное моделирование, представление знаний, жизненный цикл, интеграция, интерактивность, модель, анализ, информация, абстракция, этап компьютерного моделирования, пакеты прикладных программ, математическое обеспечение, анализ задачи, псевдокод, оптимизация программы, Оценка средств, процедура принятия решения, динамическая модель, дискретная модель, алгоритмический язык, запаздывания, нормальное распределение, вычислительный, эксперимент, непрерывная модель, устойчивость

Математическая модель описывается (представляется) математическими структурами, математическим аппаратом (числа, буквы, геометрические образы, отношения, алгебраические структуры и т.д.).

У математических моделей есть и дидактические аспекты - развитие модельного и математического стиля мышления, позволяющего вникать в структуру и внутреннюю логику моделируемой системы.

Отметим основные операции (процедуры) математического моделирования.

1. Линеаризация. Пусть дана математическая модель М=М(X, Y, A), где X - множество входов, Y - множество выходов, А - множество состояний системы. Схематически можно это изобразить так: X->A->Y. Если X, Y, A - линейные пространства (множества), а \varphi : X\to A, \psi : A\to Y - линейные операторы (т.е. любые линейные комбинации ax+by аргументов \phi и \psi преобразуют в соответствующие линейные комбинации a\varphi (x)+b\varphi (y) и a\varphi (x)+b\psi (y)), то система (модель) называется линейной. Все другие системы (модели) - нелинейные. Они труднее поддаются исследованию, хотя и более актуальны. Нелинейные модели менее изучены, поэтому их часто линеаризуют - сводят к линейным моделям каким-то образом, какой-то корректной линеаризующей процедурой.

Пример. Применим операцию линеаризации к модели (какой физической системы, явления?) у=at2/2, 0<=t<=4, которая является нелинейной (квадратичной). Для этого заменим один из множителей t на его среднее значение для рассматриваемого промежутка, т.е. на t=2. Такая (пусть простят меня знакомые с линеаризацией читатели, - хоть и очень наглядная, но очень грубая!) процедура линеаризации дает уже линейную модель вида y=2at. Более точную линеаризацию можно провести следующим образом: заменим множитель t не на среднее, а на значение в некоторой точке (это точка - неизвестная!); тогда, как следует из теоремы о среднем из курса высшей математики, такая замена будет достаточно точна, но при этом необходимо оценить значение неизвестной точки. На практике используются достаточно точные и тонкие процедуры линеаризации.

2. Идентификация. Пусть М=М(X, Y, A), A={ai}, ai=(ai1, ai2, ..., aik) - вектор состояния объекта (системы). Если вектор ai зависит от некоторых неизвестных параметров, то задача идентификации (модели, параметров модели) состоит в определении по некоторым дополнительным условиям, например, экспериментальным данным, характеризующим состояние, системы в некоторых случаях. Идентификация - задача построения по результатам наблюдений математических моделей некоторого типа, адекватно описывающих поведение системы. Если S={s1, s2, ..., sn} - некоторая последовательность сообщений, получаемых от источника информации о системе, М={m1, m2, ..., mz} - последовательность моделей, описывающих S, среди которых, возможно, содержится оптимальная (в каком-то смысле) модель, то идентификация модели М означает, что последовательность S позволяет различать (по рассматриваемому критерию адекватности) две разные модели в М. Последовательность сообщений (данных) S назовем информативной, если она позволяет различать разные модели в М. Цель идентификации - построение надежной, адекватной, эффективно функционирующей гибкой модели на основе минимального объема информативной последовательности сообщений. Наиболее часто используемые методы идентификации систем (параметров систем): метод наименьших квадратов, метод максимального правдоподобия, метод байесовских оценок, метод марковских цепных оценок, метод эвристик, экспертное оценивание и другие.

Пример. Применим операцию идентификации параметра a в модели предыдущего примера. Для этого необходимо задать дополнительно значение y для некоторого t, например, y=6 при t=3. Тогда из модели получаем: 6=9a/2, a=12/9=4/3. Идентифицированный параметр а определяет следующую модель y=2t2/3. Методы идентификации моделей могут быть несоизмеримо сложнее, чем приведенный прием.

3. Оценка адекватности (точности) модели.

Пример. Оценим адекватность (точность) модели у=at2/2, 0<=t<=4, полученной в результате линеаризации выше. В качестве меры (критерия) адекватности рассмотрим привычную меру - абсолютное значение разности между точным (если оно известно) значением и значением, полученным по модели (почему берется по модулю?). Отклонение точной модели от линеаризованной будет в рамках этого критерия равно |at2/2-2at|, 0<=t<=4. Если a>0, то, как несложно оценить с помощью производной, эта погрешность будет экстремальна при t=2a. Например, если a=1, то эта величина не превосходит 2. Это достаточно большое отклонение, и можно заключить, что наша линеаризованная модель в данном случае не является адекватной (как исходной системе, так и нелинеаризованной модели).

4. Оценка чувствительности модели (чувствительности к изменениям входных параметров).

Пример. Из предыдущего примера следует, что чувствительность модели у=at2/2, 0<=t<=4 такова, что изменение входного параметра t на 1% приводит к изменению выходного параметра y на более, чем 2%, т.е. эта модель является чувствительной.

5. Вычислительный эксперимент по модели. Это эксперимент, осуществляемый с помощью модели на ЭВМ с целью определения, прогноза тех или иных состояний системы, реакции на те или иные входные сигналы. Прибором эксперимента здесь является компьютер (и модель!). Это процедура часто отождествляется с компьютерным моделированием.

Отметим основные причины, несколько тормозящие выход математического моделирования на новые информационные технологии:

  • традиционное описание модели системами математических уравнений, соотношений; в то же время, большинство плохо структурированных и плохо формализуемых систем описываются с помощью экспертных данных, эвристических и имитационных процедур, интегрированных пакетов программ, графических образов и т.д.;
  • существующие средства описания и представление моделей на ЭВМ не учитывают специфику моделирования, нет единого представления моделей, генерации новых моделей по банку моделей;
  • недооценка возможностей компьютера, который может делать больше, чем простая реализация алгоритма, как правило, структурируемого и/или реализуемого хорошо, отсутствие доступа к опыту моделирования на ЭВМ.

В базовой пятерке: "система (исследуемая среда) - модель (описание среды) - алгоритм (программа) - компьютер (компьютерная технология) - пользователь (выработка решения)" при компьютерном моделировании главную роль играют уже алгоритм (программа), компьютер и технология, точнее, инструментальные системы для компьютера, компьютерные технологии.

Пример. При имитационном моделировании (при отсутствии строгого и формально записанного алгоритма) главную роль играют технология и средства моделирования; аналогичная ситуация наблюдается в когнитивной графике.

< Лекция 10 || Лекция 11: 1234 || Лекция 12 >
Эрнесто Жолондиевский
Эрнесто Жолондиевский

Добрый день! Я ранее заканчивал этот курс бесплатно. Мне пришло письмо что я могу по этому курсу получить удостоверение о повышении квалификации. Каким образом это можно сделать не совсем понятны шаги кроме как вновь записаться на этот курс. С уважением Жолондиевский Эрнесто Робертович.

Андрей Коробейников
Андрей Коробейников
Россия, Новосибирск, Сибирский государственный университет телекоммуникаций и информатики, 1999
Berkut Molodoy
Berkut Molodoy
Россия