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

Еще не существует стандартизированной терминологии и она вряд ли появится, так как за всю историю математического моделирование очень большое количество ученных занимались данной темой.

Математическое моделирование применяется в различных сферах человеческой жизни. Таких как, например: математика, биохимия, медицина и так далее .

Определение математической модели, данное А.Д. Мишкисом.

Пусть мы исследуем совокупную величину S свойств некого объекта A (объект: система, ситуация, явление, процесс и так далее). Для чего мы строим математический объект A" – арифметическое соотношение, геометрическая фигура, система уравнений и так далее, исследование которого средствами математики должно дать ответы на поставленные вопросы о свойствах S. В данном случае математический объект A" называют математической моделью объекта A относительно совокупности свойств S. В определении дает понять не только то, что объекты A и A" имеют разную природу, но и то, что A" определяется не только самим оригиналом A, но и совокупностью его исследуемых свойств S. То если мы проводим два исследования одного и того же объекта A по отношении двух различных совокупностей S1 и S2 его свойств, то соответствующие математические модели " и " A1 A2 могут быть совершенно различны. Из данного исследования следует первое свойство математических моделей - их множественность. Выделим, что здесь имеется в виду не только множественность моделей, связанная с их иерархичностью, а результат порожденный необходимостью исследования различных систем, ... S1 S2 его свойств.

Например, одно и тоже массированное кучевое облако можно рассматривать как с точки зрения порождения им нисходящих воздушных потоков, распределяющихся далее по поверхности земли и осознаваемые нами как ветровой порыв перед началом сильного ливневого дождя, так и как зону высокой электрической активности атмосферы. Все это проявление объекта представляет высокую опасность для полета воздушных судов. Нисходящие потоки опасны на этапах взлета - посадки, из-за значительного изменения величины подземной силы крыла воздушного судна (резкая смена направление скорости ветра с встречного на попутное). Возникающие в таком облаке сильные электрические поля могут создать разряд атмосферного электричества (молнию), результатом воздействия которого на воздушного судна может стать полный или частичный выход из строя радиоэлектронной аппаратуры на борту воздушного судна. Ясно, что в первом случае для модели используются уравнения аэрогидродинамики и исследуется поле скоростей воздушных потоков (математическая модель относительно совокупности признаков S1). Во втором случае изучается электрическая структура облака и строится электродинамическая модель (относительно совокупности признаков S2).

Вторым, наиболее важным свойством является единство математических моделей. Отличающим фактом является то, что разнообразные реальные системы или их содержательные модели могут иметь одну и ту же математическую модель.

Весомым в теории математического моделирования является постоянное согласование всех аспектов построения модели с задачами и целями исследования. Поэтому выделим на первый план некоторые существенные для исследований особенности механических систем и процессов.

Во-первых, факторы, определяющие такие объекты, характеризуются, как измеримые величины – параметры.

Во-вторых, в основе таких моделей лежат уравнения, описывающие фундаментальные законы природы (механики), не нуждающиеся в пересмотре и уточнении. Даже готовые частные модели отдельных явлений, используемые при составлении более общих, хорошо сформулированы и описаны с точки зрения условий и областей применения.

В-третьих, огромное препятствие при разработке моделей механических систем и процессов представляет описание недостоверно известных характеристик объекта, как функциональных, так и числовых.

В-четвертых, нынешние требования к таким моделям подводят к необходимости учета множества факторов, влияющих на поведение объекта, не только таких, которые связаны известными законами природы. Все эти особенности приводят к тому, что модели механических систем и процессов относятся в основном к классу математических.

Математические модели базируется на математическом описании объекта. В математическое описание, естественно, прежде всего, входят взаимосвязи параметров объекта, что характеризует его особенности функционирования. Такие связи можно представить в виде:

Рисунок 2.1.1 - Взаимосвязи параметров объекта

Первые четыре из указанных видов носят обобщающее название: аналитических зависимостей.

Математическое описание заключает в себе не только взаимосвязи элементов и параметров объекта (закономерности и законы), но и полный набор функциональных и числовых данных объекта (характеристики; начальные, граничные, конечные условия; ограничения), а также методы вычисления выходных параметров модели. То есть математическое описание – это полная совокупность функций, методов, данных вычисления, позволяющая получить результат.

Однако в математическую модель может не входить часть математического описания (чаще всего некоторые исходные данные), но кроме него обязаны содержаться описания всех допущений, использованных для ее построения, а также алгоритмы перевода исходных и выходных данных с модели на оригинал и обратно.

Рисунок 2.1.2 – Математическое описании модели

В качестве дополнения к классификации математические модели в зависимости от природы объекта, решаемых задач и применяемых методов могут различаться следующими видами:

– расчетные (алгоритмы, номограммы, формулы, графики, таблицы);

– соответственные (пример: модель в аэродинамической трубе и реальный полет самолета в атмосфере);

– подобные (пропорциональные соответствующие параметры и одинаковые математические описания);

– нелинейные и линейные (описываемые функциями, содержащие основные параметры только в степени 0 и 1, или любыми видами функций),

– нестационарные и стационарные (зависящие или независящие от времени),

– дискретные или непрерывные,

– стохастические или детерминированные (вероятностные, однозначные или точные: модели массового обслуживания, имитационные и др.),

– нечеткие и четкие (примеры нечетких множеств: около 10; глубоко или мелко; хорошо или плохо).

Исходя из исторических событий сложилось так, что под математической моделью порой подразумевают лишь один особый вид моделей, содержащих только однозначное прямое математическое описание в виде вычислительных алгоритмов или аналитических зависимостей – то есть детерминированная математическая модель, при помощью которой при одних и тех же исходных данных можно получить лишь один и тот же результат. Большое распространение получили детерминированные модели, устанавливающие связь с параметрами оригинала при помощи коэффициентов пропорциональности, всех одновременно равных единице. Математическое описание, используемое такой моделью, естественно рассматривать как описание непосредственно оригинала – данное утверждение верно: у модели и оригинала в этом случае существует одно общее математическое описание. В условиях такой кажущейся простоты неопытный инженер воспринимает и модель уже не как модель, а как оригинал. Однако такая математическая модель является всего лишь моделью со всеми упрощениями, условностями, абстракциями, предположениями, положенными в ее основу. Появляется желание "упростить" процесс добротного моделирования, что вообще говоря невозможно, так как модель или соответствует оригиналу, или ее нет вообще. Халатное отношение к этому приводит к множеству ошибочных выводов в прикладных исследованиях, и полученные результаты не соответствуют реальному положению вещей.

В качестве антипода детерминированных моделей представлены модели имитационные.

Имитационные модели (стохастические) – это математические модели таких оригиналов, для отдельных элементов которых отсутствует аналитический вид математического описания. Математическое описание имитационных моделей содержит в себе описание случайных процессов (стохастических). В качестве такого описания представляют разнообразные формы законов распределения, которые можно составить на основании статистической обработки результатов наблюдения за оригиналом.

В математическое описание имитационных моделей кроме законов распределения случайных величин, которые описывают явление, может входить описание взаимосвязей случайных величин (например, с помощью моделей теории массового обслуживания), а также алгоритм статистических испытаний (метод Монте-Карло для реализации элементарных случайных событий). Отсюда следует, что имитационные модели используют математический аппарат теории вероятностей: математической статистики, теории массового обслуживания и метода статистических испытаний.

Формирование теоретических представлений на основе исследований в области естествознания, которые послужили основой информации для изучения природных процессов в водных экосистемах и развития математического моделирования как самостоятельного научного направления

Базовые понятия и определения

1.2.1. Модель (фр. мера, образец):

– некоторая совокупность объектов (пространственно-временных ячеек – станций, разрезов, матриц и т.д.), описывающая какие-либо параметры исследуемого явления;

Некоторая совокупность объектов, свойства которых и отношения между которыми удовлетворяют данной системе аксиом;

Мера, образец, норма – аналог (схема, структура, знаковая система) определенного фрагмента природной (или социальной) реальности.

(из словаря пусть найдут: метод, методика, методология ).

1.2.2. По классам сами модели бывают:

- физические;

- математические;

- социальные.

В свою очередь математические модели по принципу реализации могут быть:

- детерминированные – которые строятся на основе математически выраженных закономерностях, описывающих физико-химические процессы в объекте моделирования. Они позволяют однозначно определять значение переменных;

- статистические – строятся на основе экспериментальных данных и представляют собой системы соотношений, связывающих собой значения входных и выходных параметров;

- стохастические (или имитационные) – строятся на основе вероятностных представлений о процессах в объекте исследований и позволяют моделировать его поведение путем вычисления функций распределения вероятности переменных, характеризующих исследуемые свойства.

Имитация – подражание.

Стохастический – случайный, вероятностный.

Принцип – руководящая идея, основное правило деятельности.

Благодаря усилиям классиков современного естествознания, в ходе истории его развития формировалась качественная модель окружающего мира. Так, В.И. Вернадский заложил основы учения о живом веществе и морской геохимии, А.П. Виноградов начал изучать химический состав микроорганизмов, Н.М. Книпович был пионером рыбопромысловых исследований морей и солоноватых вод, С.В. Бруевич разработал аналитические методы морских гидрохимических работ, сформулировал основы гидрохимии, биогидрохимии и химической динамики морей, Л.А. Зенкевич изучал фауну и продуктивность морских вод, А.Б. Скопинцев начал исследования биогенных и органических веществ (ОВ) в водоемах и водотоках, Г.Г. Винберг обращался к вопросам формирования биологической продуктивности морей.

Эти работы послужили методологическим и теоретическим фундаментом начавшихся во всем мире со второй половины ХХ в. регулярных исследований экологического состояния морских экосистем, гидрохимических особенностей формирования сырьевой базы и биопродуктивности природных вод; закономерностей развития химико-биологических процессов трансформации и распада ОВ; механизмов регенерации биогенных субстратов в связи с изучением условий оборачиваемости и круговорота веществ в биосфере [Леонов, 1999], а также способов систематизации и анализа полученной информации [Фащук, 1997; Фащук и др., 1997].

По выражению известного математика, академика И.М. Яглома: “Уровень зрелости той или иной дисциплины в значительной мере определяется степенью использования в ней математического аппарата, содержательностью присущих дисциплине “математических моделей” и тесно с ними связанных дедуктивных выводов…” . Ко второй половине ХХ в. морская экология “созрела” как наука до такой степени, что математическое моделирование состояния морских экосистем стало самостоятельным научным направлением в естествознании. В его рамках Мировой океан рассматривается как сложная динамическая система физических, химических, биологических, геологических и других процессов.

Развитие средств вычислительной техники и аппарата прикладной математики привело к интенсивной разработке математических моделей морских экосистем, которые позволили систематизировать полученные знания в различных областях морской науки с целью прогноза и управления состоянием морских водоемов. В этой связи, математические модели морских экосистем, наряду с полевыми наблюдениями в море, можно рассматривать как фундамент научного понимания природы океана. Построение и использование математических моделей служит средством системного анализа условий функционирования морских экосистем.

1.4.1. На основе методологического подхода к моделированию природных процессов и явлений выделяют следующие типы моделей : эмпирические, полуэмпирические и теоретические.

Эмпирические модели описывают математическими зависимостями связи между отдельными параметрами состояния среды и действующими на них внешними факторами.

Теоретические модели строятся на широком фактическом материале, полученном в результате фундаментальных исследований отдельных элементов экосистемы, процессов трансформации вещества и энергии, закономерностей изменения химических и биологических параметров и др.

Полуэмпирические модели представляют собой синтез первых двух, и большая часть разработанных моделей может быть отнесена к этой категории.

1.4.2. По способу реализации модели делятся на:

- детерминистические (в них используются функциональные зависимости для связи между переменными);

- стохастические (построены на основании статистических связей). Первые из них применяются чаще, так как допускают бесконечное множество компонентов и не учитывают случайных колебаний параметров водной среды. Они удобны с точки зрения интерпретации результатов [Айзатуллин, Лебедев, 1977].

- стохастико-детерминистические , в которых на первом этапе решение ищется детерминистическим способом, а затем, с помощью метода статистических испытаний моделируется изменчивость различных параметров и исследуется реакция решения на эту изменчивость.

1.4.3. В зависимости от точности описания объекта модели можно подразделить на имитационные (приурочены к конкретным бассейнам или районам и разрабатываемые для конкретных задач исследований) и качественные (используются для выяснения общих закономерностей развития и анализа процессов, их иногда также называют теоретическими ). В имитационных моделях стремятся учесть максимум деталей, а в качественных – минимум (но наиболее важных), поэтому для последних главная проблема – выбор приоритетных переменных [Смит, 1976].

По другой классификации имитационные (они же стохастические) модели – это модели, построенные на основе вероятностных представлений о процессах в объекте исследований и позволяющие моделировать его поведение.

1.4.4. По способу представления (описания) пространственной структуры модели делятся на:

- точечные (или нульмерные) с сосредоточенными параметрами, в них значения характеристик состояния принимаются средними для всего объема воды, т.е. водоем рассматривается как точка (напр. как средняя океанологическая станция).

Математическое моделирование

1. Что такое математическое моделирование?

С середины XX в. в самых различных областях человеческой деятельности стали широко применять математические методы и ЭВМ. Возникли такие новые дисциплины, как «математическая экономика», «математическая химия», «математическая лингвистика» и т. д., изучающие математические модели соответствующих объектов и явлений, а также методы исследования этих моделей.

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.

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.

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.

4. Примеры математических моделей

1) Задачи о движении снаряда.

Рассмотрим следующую задачу механики.

Снаряд пущен с Земли с начальной скоростью v 0 = 30 м/с под углом a = 45° к ее поверхности; требуется найти траекторию его движения и расстояние S между начальной и конечной точкой этой траектории.

Тогда, как это известно из школьного курса физики, движение снаряда описывается формулами:

где t - время, g = 10 м/с 2 - ускорение свободного падения. Эти формулы и дают математическую модель поставленной задачи. Выражая t через x из первого уравнения и подставляя во второе, получим уравнение траектории движения снаряда:

Эта кривая (парабола) пересекает ось x в двух точках: x 1 = 0 (начало траектории) и (место падения снаряда). Подставляя в полученные формулы заданные значения v0 и a, получим

ответ: y = x – 90x 2 , S = 90 м.

Отметим, что при построении этой модели использован ряд предположений: например, считается, что Земля плоская, а воздух и вращение Земли не влияют на движение снаряда.

2) Задача о баке с наименьшей площадью поверхности.

Требуется найти высоту h 0 и радиус r 0 жестяного бака объема V = 30 м 3 , имеющего форму закрытого кругового цилиндра, при которых площадь его поверхности S минимальна (в этом случае на его изготовление пойдет наименьшее количество жести).

Запишем следующие формулы для объема и площади поверхности цилиндра высоты h и радиуса r:

V = p r 2 h, S = 2p r(r + h).

Выражая h через r и V из первой формулы и подставляя полученное выражение во вторую, получим:

Таким образом, с математической точки зрения, задача сводится к определению такого значения r, при котором достигает своего минимума функция S(r). Найдем те значения r 0 , при которых производная

обращается в ноль:Можно проверить, что вторая производная функции S(r) меняет знак с минуса на плюс при переходе аргумента r через точку r 0 . Следовательно, в точке r0 функция S(r) имеет минимум. Соответствующее значение h 0 = 2r 0 . Подставляя в выражение для r 0 и h 0 заданное значение V, получим искомый радиус и высоту

3) Транспортная задача.

В городе имеются два склада муки и два хлебозавода. Ежедневно с первого склада вывозят 50 т муки, а со второго - 70 т на заводы, причем на первый - 40 т, а на второй - 80 т.

Обозначим через a ij стоимость перевозки 1 т муки с i-го склада на j-й завод (i, j = 1,2). Пусть

a 11 = 1,2 р., a 12 = 1,6 р., a 21 = 0,8 р., a 22 = 1 р.

Как нужно спланировать перевозки, чтобы их стоимость была минимальной?

Придадим задаче математическую формулировку. Обозначим через x 1 и x 2 количество муки, которое надо перевезти с первого склада на первый и второй заводы, а через x 3 и x 4 - со второго склада на первый и второй заводы соответственно. Тогда:

x 1 + x 2 = 50, x 3 + x 4 = 70, x 1 + x 3 = 40, x 2 + x 4 = 80. (1)

Общая стоимость всех перевозок определяется формулой

f = 1,2x 1 + 1,6x 2 + 0,8x 3 + x 4 .

С математической точки зрения, задача заключается в том, чтобы найти четыре числа x 1 , x 2 , x 3 и x 4 , удовлетворяющие всем заданным условиям и дающим минимум функции f. Решим систему уравнений (1) относительно xi (i = 1, 2, 3, 4) методом исключения неизвестных. Получим, что

x 1 = x 4 – 30, x 2 = 80 – x 4 , x 3 = 70 – x 4 , (2)

а x 4 не может быть определено однозначно. Так как x i і 0 (i = 1, 2, 3, 4), то из уравнений (2) следует, что 30Ј x 4 Ј 70. Подставляя выражение для x 1 , x 2 , x 3 в формулу для f, получим

f = 148 – 0,2x 4 .

Легко видеть, что минимум этой функции достигается при максимально возможном значении x 4 , то есть при x 4 = 70. Соответствующие значения других неизвестных определяются по формулам (2): x 1 = 40, x 2 = 10, x 3 = 0.

4) Задача о радиоактивном распаде.

Пусть N(0) - исходное количество атомов радиоактивного вещества, а N(t) - количество нераспавшихся атомов в момент времени t. Экспериментально установлено, что скорость изменения количества этих атомов N"(t) пропорциональна N(t), то есть N"(t)=–l N(t), l >0 - константа радиоактивности данного вещества. В школьном курсе математического анализа показано, что решение этого дифференциального уравнения имеет вид N(t) = N(0)e –l t . Время T, за которое число исходных атомов уменьшилось вдвое, называется периодом полураспада, и является важной характеристикой радиоактивности вещества. Для определения T надо положить в формуле Тогда Например, для радона l = 2,084 · 10 –6 , и следовательно, T = 3,15 сут.

5) Задача о коммивояжере.

Коммивояжеру, живущему в городе A 1 , надо посетить города A 2 , A 3 и A 4 , причем каждый город точно один раз, и затем вернуться обратно в A 1 . Известно, что все города попарно соединены между собой дорогами, причем длины дорог b ij между городами A i и A j (i, j = 1, 2, 3, 4) таковы:

b 12 = 30, b 14 = 20, b 23 = 50, b 24 = 40, b 13 = 70, b 34 = 60.

Надо определить порядок посещения городов, при котором длина соответствующего пути минимальна.

Изобразим каждый город точкой на плоскости и пометим ее соответствующей меткой Ai (i = 1, 2, 3, 4). Соединим эти точки отрезками прямых: они будут изображать дороги между городами. Для каждой «дороги» укажем ее протяженность в километрах (рис. 2). Получился граф - математический объект, состоящий из некоторого множества точек на плоскости (называемых вершинами) и некоторого множества линий, соединяющих эти точки (называемых ребрами). Более того, этот граф меченый, так как его вершинам и ребрам приписаны некоторые метки - числа (ребрам) или символы (вершинам). Циклом на графе называется последовательность вершин V 1 , V 2 , ..., V k , V 1 такая, что вершины V 1 , ..., V k - различны, а любая пара вершин V i , V i+1 (i = 1, ..., k – 1) и пара V 1 , V k соединены ребром. Таким образом, рассматриваемая задача заключается в отыскании такого цикла на графе, проходящего через все четыре вершины, для которого сумма всех весов ребер минимальна. Найдем перебором все различные циклы, проходящие через четыре вершины и начинающиеся в A 1:

1) A 1 , A 4 , A 3 , A 2 , A 1 ;
2) A 1 , A 3 , A 2 , A 4 , A 1 ;
3) A 1 , A 3 , A 4 , A 2 , A 1 .

Найдем теперь длины этих циклов (в км): L 1 = 160, L 2 = 180, L 3 = 200. Итак, маршрут наименьшей длины - это первый.

Заметим, что если в графе n вершин и все вершины попарно соединены между собой ребрами (такой граф называется полным), то число циклов, проходящих через все вершины, равно Следовательно, в нашем случае имеется ровно три цикла.

6) Задача о нахождении связи между структурой и свойствами веществ.

Рассмотрим несколько химических соединений, называемых нормальными алканами. Они состоят из n атомов углерода и n + 2 атомов водорода (n = 1, 2 ...), связанных между собой так, как показано на рисунке 3 для n = 3. Пусть известны экспериментальные значения температур кипения этих соединений:

y э (3) = – 42°, y э (4) = 0°, y э (5) = 28°, y э (6) = 69°.

Требуется найти приближенную зависимость между температурой кипения и числом n для этих соединений. Предположим, что эта зависимость имеет вид

y » a n + b,

где a , b - константы, подлежащие определению. Для нахождения a и b подставим в эту формулу последовательно n = 3, 4, 5, 6 и соответствующие значения температур кипения. Имеем:

– 42 » 3a + b, 0 » 4a + b, 28 » 5a + b, 69 » 6a + b.

Для определения наилучших a и b существует много разных методов. Воспользуемся наиболее простым из них. Выразим b через a из этих уравнений:

b » – 42 – 3a , b » – 4a , b » 28 – 5a , b » 69 – 6a .

Возьмем в качестве искомого b среднее арифметическое этих значений, то есть положим b » 16 – 4,5a . Подставим в исходную систему уравнений это значение b и, вычисляя a , получим для a следующие значения: a » 37, a » 28, a » 28, a » 36. Возьмем в качестве искомого a среднее значение этих чисел, то есть положим a » 34. Итак, искомое уравнение имеет вид

y » 34n – 139.

Проверим точность модели на исходных четырех соединениях, для чего вычислим температуры кипения по полученной формуле:

y р (3) = – 37°, y р (4) = – 3°, y р (5) = 31°, y р (6) = 65°.

Таким образом, ошибка расчетов данного свойства для этих соединений не превышает 5°. Используем полученное уравнение для расчета температуры кипения соединения с n = 7, не входящего в исходное множество, для чего подставим в это уравнение n = 7: y р (7) = 99°. Результат получился довольно точный: известно, что экспериментальное значение температуры кипения y э (7) = 98°.

7) Задача об определении надежности электрической цепи.

Здесь мы рассмотрим пример вероятностной модели. Сначала приведем некоторые сведения из теории вероятностей - математической дисциплины, изучающей закономерности случайных явлений, наблюдаемых при многократном повторении опыта. Назовем случайным событием A возможный исход некоторого опыта. События A 1 , ..., A k образуют полную группу, если в результате опыта обязательно происходит одно из них. События называются несовместными, если они не могут произойти одновременно в одном опыте. Пусть при n-кратном повторении опыта событие A произошло m раз. Частотой события A называется число W = . Очевидно, что значение W нельзя предсказать точно до проведения серии из n опытов. Однако природа случайных событий такова, что на практике иногда наблюдается следующий эффект: при увеличении числа опытов значение практически перестает быть случайным и стабилизируется около некоторого неслучайного числа P(A), называемого вероятностью события A. Для невозможного события (которое никогда не происходит в опыте) P(A)=0, а для достоверного события (которое всегда происходит в опыте) P(A)=1. Если события A 1 , ..., A k образуют полную группу несовместимых событий, то P(A 1)+...+P(A k)=1.

Пусть, например, опыт состоит в подбрасывании игральной кости и наблюдении числа выпавших очков X. Тогда можно ввести следующие случайные события A i ={X = i}, i = 1, ..., 6. Они образуют полную группу несовместных равновероятных событий, поэтому P(A i) = (i = 1, ..., 6).

Суммой событий A и B называется событие A + B, состоящее в том, что в опыте происходит хотя бы одно из них. Произведением событий A и B называется событие AB, состоящее в одновременном появлении этих событий. Для независимых событий A и B верны формулы

P(AB) = P(A) P(B), P(A + B) = P(A) + P(B).

8) Рассмотрим теперь следующую задачу . Предположим, что в электрическую цепь последовательно включены три элемента, работающие независимо друг от друга. Вероятности отказов 1-го, 2-го и 3-го элементов соответственно равны P 1 = 0,1, P 2 = 0,15, P 3 = 0,2. Будем считать цепь надежной, если вероятность того, что в цепи не будет тока, не более 0,4. Требуется определить, является ли данная цепь надежной.

Так как элементы включены последовательно, то тока в цепи не будет (событие A), если откажет хотя бы один из элементов. Пусть A i - событие, заключающееся в том, что i-й элемент работает (i = 1, 2, 3). Тогда P(A1) = 0,9, P(A2) = 0,85, P(A3) = 0,8. Очевидно, что A 1 A 2 A 3 - событие, заключающееся в том, что одновременно работают все три элемента, и

P(A 1 A 2 A 3) = P(A 1) P(A 2) P(A 3) = 0,612.

Тогда P(A) + P(A 1 A 2 A 3) = 1, поэтому P(A) = 0,388 < 0,4. Следовательно, цепь является надежной.

В заключение отметим, что приведенные примеры математических моделей (среди которых есть функциональные и структурные, детерминистические и вероятностные) носят иллюстративный характер и, очевидно, не исчерпывают всего разнообразия математических моделей, возникающих в естественных и гуманитарных науках.

Математическая модель - это абстракция реального мира, в которой интересующие исследователя отношения между реальными элементами заменены подходящими отношениями между математическими объектами. Математические модели, в описании которых используются случайные величины, называют вероятностными или стохастическими. Всякая модель является упрощенным представлением действительности, и искусство моделирования состоит в знании того, что, где, когда и как можно и нужно упростить. Это знание естественно приходит с опытом.

Следующий пример поможет читателю «прочувствовать» ряд узловых моментов и некоторые общие «тонкие места», с которыми приходится сталкиваться исследователю в процессе реалистического моделирования.

Рассмотрим эксперимент, в котором каждый из испытуемых прочитывает текст, набранный шрифтом А, и эквивалентный ему по трудности текст, набранный шрифтом Б. В обоих случаях фиксируется время затрачиваемое испытуемым на чтение. Пусть - время, потребовавшееся испытуемому на чтение контрольных текстов, набранных соответственно шрифтами А и Б. Один из возможных простых вариантов математической модели данной ситуации может быть описан следующим образом:

где - случайная величина, отражающая скорость чтения испытуемого и не зависящая от шрифта, - постоянные, зависящие только от шрифта, a - взаимно независимые случайные ошибки со средними значениями, равными нулю, и с одинаковыми дисперсиями . В правую часть уравнений (3.1) входит больше величин, чем в левую. Это означает, что оценить основные числовые характеристики величин , и по наблюдениям нельзя. Более того, даже при отсутствии в модели ошибок и , т. е. в ситуации, когда в левой части величин, а в правой - только найти без дополнительных соглашений величины и основные числовые характеристики случайных величин также нельзя. (В подобных случаях иногда принято говорить, что модель неизмерима относительно имеющихся опытных данных.) Однако, если в задачу исследования входит только сравнение средней скорости чтения двух анализируемых шрифтов, то неизмеримость модели нам не мешает. В самом деле, случайная величина

имеет положительное среднее значение, если шрифт Б более удобен для чтения, чем шрифт А, и отрицательное среднее значение - в противном случае.

Оценка же разности по значениям уже не представляет труда. Аналогично, если бы нам требовалось охарактеризовать меру случайного разброса в скорости чтения каждого из испытуемых (т. е. оценить дисперсию , ее определение и вычисление см. в гл. 5 и 8), мы могли бы найти дисперсию случайных величин

и вычесть из нее величину определяющую вклад случайных ошибок в модели (3.3). В данном случае дисперсию мы оцениваем, не определяя для каждого испытуемого, а воспользовавшись тем, что - постоянные.

Таким образом, с помощью различных вариантов моде» ли (3.1) можно учесть: различие между испытуемыми, в скорости чтения; различие между средней скоростью чтения шрифтов А и Б; случайный характер времени, затрачиваемого испытуемым на чтение текста. Вместе с тем в ней пренебрегается возможной зависимостью разности от скорости чтения индивидуума () и от того, в какой последовательности прочитываются тексты: сначала А, а затем Б или наоборот. Кроме того, упрощением является и предположение о постоянстве дисперсий случайных погрешностей. Безусловно, для более тщательного изучения длительности чтения потребовалась бы более сложная модель, в которой должны были бы найти отражение указанные выше зависимости. Однако, если речь идет только о сравнении средних скоростей чтения шрифтов, то достаточно рассмотреть модель (3.2) - она свою роль выполняет: подсказывает достаточно эффективный способ анализа данных, отвергая при этом другой возможный (и слишком наивный) подход, при котором сначала усредняются в отдельности данные по каждому шрифту:

а затем производится сравнение средних , полученных якобы по двум независимым сериям наблюдений (это сравнение может быть осуществлено, например, с помощью критерия Стьюдента, см. п. 11.2.8). Последний метод на практике может привести к резкой потере эффективности выявления существующего различия между шрифтами, так как наблюдения оказываются на самом деле существенно зависимыми из-за общего значения

В некотором смысле математическая модель является для исследователя тем же, чем для физика физическая лаборатория. Можно ставить эксперименты в «мире», порожденном моделью, и, если математическая модель является правдивым отражением действительности, результаты этих экспериментов применимы к реальному миру.

Говоря о применимости моделей к описанию реальной действительности, мы подразумеваем возможность их практического использования в качестве базы, отправной точки при выборе наилучшего способа статистической обработки исходных данных, а также при решении таких задач, как планирование, прогнозирование, оптимальное управление системами и процессами, оценка эффективности функционирования (или комплексной характеристики качества) сложной системы, диагностика (медицинская и техническая), нормирование.