Глава 1. Цели и задачи математического моделирования процессов и систем

1.1. Понятие «математическая модель»

Математическое моделирование позволяет до создания реальной системы (объекта) или возникновения реальной ситуации рассмотреть возможные режимы работы, выбрать оптимальные управляющие воздействия, составить объективный прогноз будущих состояний системы.

Вычислительные эксперименты, проводимые на основе математических моделей, помогают увидеть за частным общее, развить универсальные методы анализа объектов различной физической природы, познать свойства изучаемых процессов и систем.

Наконец, математическое моделирование является основой интенсивно разрабатываемых автоматизированных систем проектирования, управления и обработки данных.

Основная задача математического моделирования – выделение законов в природе, обществе и технике и запись их на языке математики.

Например:

1) Зависимость между массой тела m, действующей на него силой F и ускорением его движения а записывается в форме 2-го закона Ньютона: F = m× a;

2) Зависимость между напряжением в электрической цепи U, ее сопротивлением R и силой тока I записывается в виде закона Ома: I = U/R.

Существует множество определений математической модели.

Приведем одно из них:

Рекомендуемые материалы

Математической моделью некоторого объекта, процесса или явления будем называть запись его свойств на формальном языке с целью получения нового знания (свойств) об изучаемом процессе путем применения формальных методов.

Альтернативой формальному (математическому) подходу является экспериментальный подход. К его недостаткам можно отнести:

1) высокая стоимость подготовки и проведения экспериментов;

2) получение частного знания (знания о конкретном объекте исследования, а не о классе объектов).

Например, пусть требуется определить воздействие х на некоторый процесс или объект, при котором его результирующая характеристика у имеет максимально возможное значение (Рис. 1.1).

                                         а                                                                         б

Рис. 1.1.

На рис. 1.1. а) показан эмпирический (экспериментальный) подход к решению поставленной задачи, который состоит в экспериментальном определении значения параметра у для нескольких значений входного воздействия х. Среди них найдено наибольшее, и оно принимается за максимум. Как видим из этого рисунка, возможно несколько значений воздействия х (х₄ и х₅), при которых у имеет наибольшее значение, но ни одно из них не является настоящим максимумом, который, возможно, лежит между ними.

Математический подход (рис. 1.1. б) предполагает наличие математической модели процесса типа y = f(x). Взяв производную  и приравняв ее к нулю, получим уравнение, решением которого является точное значение x_max , доставляющее максимум функции у.

Схема применения математической модели при решении реальных задач имеет вид, показанный на рис. 1.2.

Рис. 1.2

Модель сложного объекта (процесса, системы) не может быть простой. Из чего следует, что процесс использования математических моделей реальных систем является итерационным процессом, когда последовательно уточняется (дорабатывается) математическая модель и методы решения стоящих задач.

Важнейшей характеристикой моделей является их точность, адекватность действительности. При этом важно иметь в виду, что все модели представляют собой приближенное описание реальных объектов (процессов) и поэтому принципиально неточны. Интегральная оценка модели может быть получена путем сравнения результатов моделирования и экспериментальных данных для конкретных объектов или режимов.

Для оценки значимости совпадения или несовпадения модельных и экспериментальных результатов широко используются методы математической статистики. Вместе с тем не следует переоценивать результаты такой проверки. Хорошее совпадение модельных и экспериментальных данных, вообще говоря, не доказывает точности модели, а лишь подтверждают ее функциональную пригодность для моделирования. Всегда может быть предложена модель, обеспечивающая лучшее совпадение с экспериментом, но не лучшее описание моделируемого объекта или процесса.

1.2. Классификация математических моделей

Существует несколько схем классификации математических моделей. Все они достаточно условны. Одна из таких схем приведена на рис. 1.3.

 

Рис. 1.3

Все математические модели по использованному формальному языку можно разбить на аналитические и имитационные.

Аналитические – модели, в которых используется стандартный математический язык. Имитационные – модели, в которых использован специальный язык моделирования или универсальный язык программирования.

Аналитические модели могут быть записаны в виде формул или уравнений. Если какой-либо процесс не может быть описан в виде аналитической модели, его описывают с помощью специального алгоритма или программы. Такая модель является имитационной.

Аналитические модели в свою очередь разбиваются на теоретические и эмпирические модели. Теоретические модели отражают реальные структуры и процессы в исследуемых объектах, то есть, опираются на теорию их работы. Эмпирические модели строятся на основе изучения реакций объекта на изменение условий окружающей среды. При этом теория работы объекта не рассматривается, сам объект представляет собой так называемый «черный ящик», а модель – некоторую интерполяционную зависимость. Эмпирические модели могут быть построены на основе экспериментальных данных. Эти данные получают непосредственно на исследуемых объектах или с помощью их физических моделей.

По форме описания аналитические модели подразделяются на линейные и нелинейные.

Если все входящие в модель величины не зависят от времени, то имеем статическую модель объекта или процесса, в противном случае получаем динамическую модель.

В детерминированных моделях все взаимосвязи, переменные и константы заданы точно, что приводит к однозначному определению результирующей функции. Если часть или все параметры, входящие в модель по своей природе являются случайными величинами или случайными функциями, то модель относят к классу стохастических моделей.
В стохастических моделях задаются законы распределения случайных величин, что приводит к вероятностной оценке результирующей функции.

Если аналитическое исследование может быть доведено до конца, модели называются аналитически разрешимыми. В противном случае говорят о численно разрешимых аналитических моделях.

Контрольные вопросы к лекции 1

1. Что позволяет осуществить математическое моделирование до создания реальной системы, объекта?

2. Что позволяют увидеть вычислительные эксперименты?

3. Сформулируйте основную задачу математического моделирования.

4. Дайте определение математической модели.

5. Какой подход решения научных задач является альтернативным математическому моделированию?

6. Перечислите основные недостатки экспериментального подхода.

7. Что является важнейшей характеристикой математической модели?

8. На какие два вида делятся математические модели?

9. Перечислите виды аналитических математических моделей.

10. Дайте краткую характеристику видов моделей.

1.3. Геометрическое представление математических моделей

Геометрически математическая модель может быть представлена как некоторая поверхность отклика, соответствующая расположению точек W = W(x) в k-мерном факторном пространстве Х.

Наглядно можно представить себе только одномерную и двухмерную поверхности отклика, причем в последнем случае удобно пользоваться топографическим способом изображения рельефа поверхности с помощью линий уровня (изолиний), построенных в двумерном факторном пространстве Х. (Рис. 1.4).

Рис. 1.4

Область, в которой определена поверхность отклика, называется областью определения Х*.

Эта область составляет, как правило, лишь часть полного факторного пространства Х  (Х* Ì Х) и выделяется с помощью ограничений, наложенных на управляющие переменные x_i , записанных в виде равенств

x_i = C_i ,  i = 1,…, m;

f_j(x) = C_j ,  j = 1,…, l

или неравенств

x_{i min} £ x_i £ x_{i max} ,  i = 1,…, k;

f_j(x) £ C_j ,  j = 1,…, n,

При этом функции f_j(x) могут зависеть как одновременно от всех переменных, так и от некоторой их части.

Ограничения типа неравенств характеризуют или физические ограничения на процессы в изучаемом объекте (например, ограничения температуры), или технические ограничения, связанные с условиями работы объекта (например, предельная скорость резания).

Возможности исследования моделей существенно зависят от свойств (рельефа) поверхности отклика, в частности, от количества имеющихся на ней «вершин» и ее контрастности.

Количество вершин (впадин) определяет модальность поверхности отклика.

Если в области определения на поверхности отклика имеется одна вершина (впадина), модель называется унимодальной.

Характер изменения функции при этом может быть различным (Рис. 1.5).

                              а                                    б                                    в

Рис. 1.5

Модель может иметь разрывы первого рода (см. рис. 1.5. а). Непрерывная унимодальная модель может иметь точки разрыва производной – разрывы второго рода (см. рис. 1.5. б). На рис. 1.5 в показана непрерывно-дифференцируемая унимодальная модель.

Для всех трех случаев, представленных на рис. 1.5, выполняется общее требование унимодальности:

Если W(x*) = extr W, то из условия х₁ < x₂ < x* (x₁ > x₂ > x*) следует
W(x₁) < W(x₂) < W(x*) , если extr – максимум, или W(x₁) > W(x₂) > W(x*) , если extr – минимум, то есть, по мере удаления от экстремальной точки значение функции W(x) непрерывно падает (растет).

Наряду с унимодальными бывают полимодальные модели (Рис. 1.6).

Рис. 1.6

Другим важным свойством поверхности отклика является ее контрастность, показывающая чувствительность результирующей функции к изменению факторов. Контрастность характеризуется величинами производных. Продемонстрируем характеристики контрастности на примере двумерной поверхности отклика (Рис. 1.7). Точка а расположена на «склоне», характеризующем равную контрастность по всем переменным х_i (i=1,2); точка b расположена в «овраге», в котором различная контрастность по различным переменным (имеем плохую обусловленность функции); точка с расположена на «плато», на котором низкая контрастность по всем переменным х_i говорит о близости экстремума.