Математическое моделирование - процесс построения и изучения математических моделей

основные тенденции в развитии математического (компьютерного) моделирования в последние годы связываются не столько с решением "микро" проблем, таких как представленное выше соотношение "модель-алгоритм-программа". Акценты моделирования все более смещаются к "макро-проблемам". Действительно, аппаратно-программные средства решения микро-проблем за последнее время практически перестали ограничивать возможности моделирования даже в самых крупных проектах. Во всем мире наряду с базовыми языками программирования для моделирования широко используются десятки специализированных языков и коммерчески доступных систем моделирования, а возможности сетевого общения открывают доступ к самым современным методологиям и идеям.

В современной теории управления создаются и применяются математические модели двух основных типов (хотя в различных разделах теории эти типы и определяются по-разному).
Для технологических объектов это деление соответствует "феноменологическим" и "дедуктивным" моделям. Под феноменологическими моделями понимаются преимущественно эмпирически восстанавливаемые входо-выходные зависимости, как правило, с небольшим числом входов и выходов. Дедуктивное моделирование предполагает выяснение и описание основных физических закономерностей функционирования всех узлов исследуемого процесса и механизмов их взаимодействия. Дедуктивные модели намного богаче, они описывают процесс в целом, а не отдельные его режимы.
Первый тип моделей - аналитические модели (или, точнее говоря, модели данных). "Модели данных - это модели, которые не требуют, не используют и не отображают каких-либо гипотез о физических процессах (системах), в которых эти данные получены". Второй тип моделей - системные модели (или модели систем). Это математические модели , которые "строятся в основном на базе физических законов и гипотез о том, как система структурирована и, возможно, о том, как она функционирует".
В классическом понимании к моделям данных (аналитическим моделям) относятся все модели математической статистики . В последнее время характерные макро-изменения наблюдаются и для этих моделей. Связь с "внешним миром" проникает в эту сферу моделирования как экспертно-статистические методы и системы, что существенно расширяет методологическую базу для принятия решений в задачах анализа данных и управления.
Вплоть до недавнего времени математические модели использовались в практике управления только как источник входных данных для систем управления. Моделирование технических систем на этапе проектирования для оптимизации их структуры и параметров продолжает эту традицию.
Во многих других задачах принципиально применимы только системные модели Во многих случаях модель может входить в систему управления в форме блока, вычисляющего выходы некоторого объекта по ее входам. Часто в этом случае речь идет о развитии так называемого имитационного моделирования - динамическом моделировании объекта . Динамическое моделирование характерно для различных задач реального времени, прежде всего, для компьютерных тренажеров. Так, в процессе тренажерного обучения действия оператора интерпретируются как входы модели системы (технологической, транспортной и т.п.), а выходы модели преобразуются в аудио-визуальный образ реакций системы на действия оператора. Такое моделирование осуществляется в реальном времени, что позволяет использовать его результаты в различных технологиях реального времени (от обнаружения неисправностей до интерактивного тренинга операторов).
Существует два основных класса задач, связанных с математическими моделями: прямые и обратные. В первом случае все параметры модели считаются известными, и нам остается только исследовать её поведение. Например, определение частоты колебаний гармонического осциллятора при известном значении параметра k -- прямая задача математического моделирования.

Порой требуется решить обратную задачу: какие-то параметры модели неизвестны (например, не могут быть измерены явно), и требуется их найти, сопоставляя поведение реальной системы с её моделью. Ещё одна обратная задача: подобрать параметры модели таким образом, чтобы она удовлетворяла каким-то заданным условиям - такие задачи требуется решать при проектировании систем.

математическая модель выражает существенные черты-объекта или процесса языком уравнений и других математических средств. Собственно говоря, сама математика обязана своим существованием тому, что она пытается отразить, т.е. промоделировать, на своем специфическом языке закономерности окружающего мира.

Путь математического моделирования в наше время гораздо более всеобъемлющ, нежели моделирования натурного. Огромный толчок развитию математического моделирования дало появление ЭВМ, хотя сам метод зародился одновременно с математикой тысячи лет назад.

Математическое моделирование как таковое отнюдь не всегда требует компьютерной поддержки. Каждый специалист, профессионально занимающийся математическим моделированием, делает все возможное для аналитического исследования модели. Аналитические решения (т.е. представленные формулами, выражающими результаты исследования через исходные данные) обычно удобнее и информативнее численных. Возможности аналитических методов решения сложных математических задач, однако, очень ограниченны и, как правило, эти методы гораздо сложнее численных.

ПРЕДИСЛОВИЕ

Целью курса моделирование подъемно-транспортных систем является обучение основам моделирования подъемно-транспортных машин (ПТМ), что включает в себя составление математических моделей ПТМ, программную реализацию моделей на ЭВМ, а также получение, обработку и анализ результатов моделирования.

Для самостоятельного ознакомления с перечисленными вопросами рекомендуется следующая литература: Брауде В. И., Тер-Мхитаров М. С. «Системные методы расчета грузоподъемных машин», Игнатьев Н. Б., Ильевский Б. З., Клауз Л. П. «Моделирование системы машин», Рачков Е. В., Силиков Ю. В. «Подъемно - транспортные машины и механизмы», а также справочники и учебные пособия по численным методам вычислительной математики и использованию математического редактора MathCad.

§1. ОСНОВНЫЕ ЦЕЛИ, ОПРЕДЕЛЕНИЯ И ПРИНЦИПЫ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ, ВИДЫ МОДЕЛЕЙ

1.1 Основные определения

Моделирование - это теоретико-экспериментальный метод познавательной деятельности, это метод исследования и объяснения явлений, процессов и систем (объектов-оригиналов) на основе создания новых объектов - моделей.

Моделирование – это замещение исследуемого объекта (оригинала) его условным образом или другим объектом (моделью) и изучение свойств оригинала путем исследования свойств модели.

В зависимости от способа реализации все модели можно разделить на 4 группы: физические, математические, предметно-математические и комбинированные [, ].

Физическая модель – реальное воплощение тех свойств оригинала, которые интересует исследователя. Физические модели называют еще макетами, поэтому физическое моделирование называется макетированием.

Математическая модель – это формализованное описание системы (или процесса) с помощью некоторого абстрактного языка (математически), например, в виде графов, уравнений, алгоритмов, математических соответствий и пр.

Предметно-математические модели являются аналоговыми, т.е. при этом для моделирования используется принцип одинакового математического описания процессов, реального и протекающего в модели.

Комбинированные модели представляют собой сочетание математической или предметно-математической и физической модели. Они используются тогда, когда математическое описание одного из элементов исследуемой системы неизвестно или затруднительно, а также по условиям моделирования необходимо ввести в качестве элемента физическую модель (например, тренажер).

Математическое моделирование – это замещение оригинала математической моделью и исследование свойств оригинала на данной модели.

Системой называется объединение нескольких объектов (элементов), взаимосвязанных между собой, образующее определенную целостность.

Элемент - это относительно самостоятельная часть системы, рассматриваемая на данном уровне анализа как единое целое, предназначенная для реализацию некоторой функции.

Система обладает следующими, т.н. «системными» свойствами:

структурой, т.е. строго определенным порядком объединения элементов в группы;

целенаправленностью или функциональностью, т.е. наличием цели, для которой создана система;

эффективностью, способностью достигать цели с наименьшими затратами ресурсов;

устойчивостью, способностью сохранять характеристики своих свойств неизменными в определенных пределах при изменении внешних условий.

В настоящее время в технике для исследования работы машинных комплексов и машин используется понятие «человеко-машинной системы» (ЧМС), т.е. смешанной системы, составной частью которой наряду с техническими объектами является человек-оператор [, ]. Кроме того, ЧМС взаимодействует с окружающей средой. Таким образом, для моделирования ПТС необходимо рассматривать систему Человек-Машина-Среда, которая может быть отображена следующим графом (Рис. 1).

Р
ис. 1 Граф системы Человек-Машина-Среда.

Стрелками на графе изображены потоки энергии, вещества и информации, которыми обмениваются элементы системы.

Процессы, протекающие в технических системах, образованы совокупностью простейших операций. Операции – преобразования входных физических величин в выходные в низкоуровневом элементе системы (Рис. 2).

В каждом элементе системы (E i) происходит преобразование входных воздействий (X i) в выходные (Y i), причем выходные воздействия одного элемента могут являться входными следующего. Соединение элементов в структурную схему по характеру передачи воздействий происходит последовательно или параллельно.

Рис. 2 Структурная схема системы.

Подъемно-транспортными системами (ПТС), изучаемыми в рамках данного курса, будем называть системы, включающими в себя человека, окружающую среду и подъемно-транспортные машины (ПТМ).

ПТМ – это машины, предназначенные для перемещения груза на относительно небольшие расстояния без его переработки. ПТМ применяются для облегчения, ускорения, повышения эффективности перегрузочных работ.

1.2 Принципы и виды математического моделирования

Математические модели должны обладать следующими свойствами:

адекватность, свойство соответствия модели и объекта исследований;

достоверность, обеспечение заданной вероятности попадания результатов моделирования в доверительный интервал,

точность, незначительное (в пределах допустимой погрешности) расхождение результатов моделирования с показателями реальных объектов (процессов);

устойчивость, свойство соответствия малых изменений выходных параметров малым изменениям входных;

эффективность, способность достижения цели с малыми затратами ресурсов;

адаптабельность, способность легко перестраиваться для решения различных задач.

Для достижения этих свойств существуют некоторые принципы (правила) математического моделирования , ряд которых приведен ниже.

Принцип целенаправленности заключается в том, что модель должна обеспечивать достижение строго определенных целей и, в первую очередь, отражать те свойства оригинала, которые необходимы для достижения цели.

Принцип информационной достаточности заключается в ограничении количества информации об объекте при создании его модели и поиске оптимума между вводимой информацией и результатами моделирования. Он может быть проиллюстрирован следующей схемой.

Все возможные случаи моделирования располагаются в столбце 2.

Принцип осуществимости состоит в том, что модель должна обеспечивать достижение поставленной цели с вероятностью близкой к 1 и за конечное время. Этот принцип можно выразить двумя условиями

и
, (1)

где
- вероятность достижения цели, - время достижения цели,
и - допустимые значения вероятности и времени достижения цели.

Принцип агрегатирования заключается в том, что модель должна состоять из подсистем 1-го уровня, которые, в свою очередь, состоят из подсистем 2-го уровня и т.д. Подсистемы должны оформляться в виде отдельных самостоятельных блоков. Подобное построение модели позволяет использовать стандартные процедуры расчетов, а также делает более легкой адаптацию модели к решению различных задач.

Принцип параметризации состоит в замене при моделировании определенных параметров подсистем, описанных функциями, соответствующими числовыми характеристиками.

Процесс моделирования с использованием этих правил заключается в выполнении следующих 5 шагов (этапов).

Определение целей моделирования.

Разработка концептуальной модели (расчетной схемы).

Формализация.

Реализация модели.

Анализ и интерпретация результатов моделирования.

Существенные различия в выполнении 3-5 этапов позволяют говорить о двух подходах к построению модели.

Аналитическое моделирование – это использование математической модели в виде дополненных системой ограничений уравнений, связывающих входные переменные с выходными параметрами. Аналитическое моделирование используется, если существует законченная постановка задачи на исследования и необходимо получить один конечный результат, соответствующий ей.

Имитационное моделирование – это использование математической модели для описания функционирования системы во времени при различных сочетаниях параметров системы и различных внешних воздействиях. Имитационное моделирование используется, если конечной постановки задачи не существует и необходимо исследовать протекающие в системе процессы. Имитационное моделирование предполагает соблюдение временного масштаба. Т.е. события на одели происходят через интервалы времени пропорциональные событиям на оригинале с постоянным коэффициентом пропорциональности.

По использованию средств для реализации модели можно выделить еще один вид моделирования, компьютерное моделирование. Компьютерное моделирование – это математическое моделирование с использованием средств вычислительной техники.

1.3 Классификация математических моделей

Все математические модели можно разделить на несколько групп по следующим классификационным признакам.

По виду моделируемой системы модели бывают статические и динамические. Статические модели служат для исследования статических систем, динамические для исследования динамических. Динамические системы характеризуются тем, что обладают множеством состояний, которые изменяют во времени.

По целям моделирования модели подразделяются на нагрузочные, управленческие и функциональные. Нагрузочные модели служат для определения нагрузок, действующих на элементы системы, управленческие – для определения кинематических параметров исследуемой системы, к которым относятся скорости и перемещения элементов системы, функциональные – для определения координат модели в пространстве возможных функциональных состояний системы.

По степени дискретизации модели подразделяются на дискретные, смешанные и континуальные. Дискретные модели содержат элементы, связанные между собой, характеристики которых сосредоточены в точках. Это могут быть массы, объемы, силовые и прочие воздействия, сосредоточенные в точках. Континуальные модели содержат элементы, параметры которых распределены по длине, по площади или по объему всего элемента. Смешанные модели содержат элементы обоих типов.

ЛЕКЦИЯ 4

Определение и назначение математического моделирования

Под моделью (от латинского modulus - мера, образец, норма) будем понимать такой материально или мысленно представляемый объект, который в процессе познания (изучения) замещает объект-оригинал, сохраняя некоторые важные для данного исследования типичные его черты. Процесс построения и использования модели называется моделированием.

Суть математического моделирования (ММ ) заключается в замене изучаемого объекта (процесса) адекватной математической моделью и последующем исследовании свойств этой модели с помощью либо аналитических методов, либо вычислительных экспериментов.

Иногда полезнее вместо того, чтобы давать строгие определения, описывать то или инее понятие на конкретном примере. Поэтому проиллюстри-руем приведенные выше определения ММ на примере задачи расчета удельного импульса. В начале 60-х годов перед учеными ставилась задача разработки ракетного топлива с наибольшим удельным импульсом. Принцип движения ракеты состоит в следующем: жидкое топливо и окислитель из баков ракеты подаются в двигатель, где происходит их сгорание, а продукты сгорания вылетают в атмосферу. Из закона сохранения импульса следует, что в этом ракета будет двигаться со скоростью.

Удельный импульс топлива – это полученный импульс, деленный на массу топлива. Проведение экспериментов было очень дорогостоящим и приводило к систематической порче оборудования. Оказалось, что легче и дешевле рассчитать термодинамические функции идеальных газов, вычислить с их помощью состав вылетающих газов и температуру плазмы, а затем и удельный импульс. То есть провести ММ процесса горения топлива.

Понятие математического моделирования (ММ) сегодня одно из самых распространенных в научной литературе . Подавляющее большинство современных дипломных и диссертационных работ связано с разработкой и использованием соответствующих математических моделей. Компьютерное ММ сегодня является составной частью многих областей человеческой деятельности (наука, техника, экономика, социология и т. д.). Это одна из причин сегодняшнего дефицита специалистов в области информационных технологий .

Бурный рост математического моделирования обусловлен стремительным совершенствованием вычислительной техники. Если еще 20 лет назад проведением численных расчетов занималось лишь небольшое число программистов, то теперь объем памяти и быстродействие современных компьютеров, позволяющих решать задачи математического моделирования доступных всем специалистам, включая студентов ВУЗов.

В любой дисциплине вначале дается качественное описание явлений. А затем уже – количественное, сформулированное в виде законов, устанавливающих связи между различными величинами (напряженность поля, интенсивность рассеяния, заряд электрона, …) в форме математических уравнений. Поэтому можно сказать, что в каждой дисциплине столько науки, сколько в ней есть математики, и этот факт позволяет успешно решать многие задачи методами математического моделирования.

Данный курс предназначен для студентов, специализирующихся в области прикладной математики, которые выполняют дипломные работы под руководством ведущих ученых, работающих в различных областях. Поэтому данный курс необходим не только как учебный материал, но и как подготовка к дипломной работе. Для изучения данного курса нам будут необходимы следующие разделы математики:

1. Уравнения математической физики (кантовая механика, газо - и гидродинамика)

2. Линейная алгебра (теория упругости)

3. Скалярные и векторные поля (теория поля)

4. Теория вероятностей (квантовая механика, статистическая физика, физическая кинетика)

5. Специальные функции.

6. Тензорный анализ (теория упругости)

7. Математический анализ

ММ в естествознании, технике, и экономике

Рассмотрим вначале различные разделы естествознания, техники, экономики, в которых используются математические модели.

Естествознание

Физика, устанавливающая основные законы естествознания, давно разделилась на теоретическую и экспериментальную. Выводом уравнений, описывающих физические явления, занимается теоретическая физика. Таким образом, теоретическая физика также может считаться одним из направлений математического моделирования. (Вспомним, что название первой книги по физике – «Математические начала натуральной философии» И. Ньютона можно перевести на современный язык как «Математические модели естествознания».) На основании полученных законов проводятся инженерные расчеты, которые проводятся в различных институтах, фирмах, КБ. Эти организации разрабатывают технологии изготовления современной продукции, которые являются наукоемкими.Таким образом, понятие наукоемкие технологии включает в себя расчеты с помощью соответствующих математических моделей.

Один из наиболее обширных разделов физики – классическая механика (иногда этот раздел называется теоретической или аналитической механикой). Данный раздел теоретической физики изучает движение и взаимодействие тел. Расчеты с помощью формул теоретической механики необходимы при изучении вращения тел (расчет моментов инерции, гиростатов – устройств сохраняющих в неподвижности оси вращения), анализе движения тела в безвоздушном пространстве, и др. Один из разделов теоретической механики называется теорией устойчивости и лежит в основе многих математических моделей, описывающих движение самолетов, кораблей, ракет. Разделы практической механики – курсы «Теория машин и механизмов», «Детали машин», изучается студентами почти всех технических вузов (включая МГИУ).

Теория упругости – часть раздела механики сплошных сред , предполагающая, что материал упругого тела однороден и непрерывно распределен по всему объему тела, так что самый малый элемент, вырезанный из тела, обладает теми же физическими свойствами, что и все тело. Приложение теории упругости – курс «сопротивление материалов», изучается студентами всех технических вузов (включая МГИУ). Данный раздел необходим для всех расчетов прочности. Здесь и расчет прочности корпусов кораблей, самолетов, ракет, расчет прочности стальных и железобетонных конструкций зданий и многое другое.

Газо- и гидродинамика , как и теория упругости – часть раздела механики сплошных сред , рассматривает законы движения жидкости и газа. Уравнения газо - и гидродинамики необходимы при анализе движения тел в жидкой и газообразной среде (спутники, подводные лодки, ракеты, снаряды, автомобили), при расчетах истечения газа из сопел двигателей ракет, самолетов. Практическое приложение гидродинамики – гидравлика (тормоз, руль,…)

Предыдущие разделы механики рассматривали движении тел в макромире, и физические законы макромира неприменимы в микромире, в котором движутся частицы вещества - протоны, нейтроны, электроны. Здесь действуют совершенно другие принципы, и для описания микромира необходима квантовая механика . Основное уравнение, описывающее поведение микрочастиц - уравнение Шредингера: . Здесь - оператор Гамильтона (гамильтониан). Для одномерного уравнения движения частицы https://pandia.ru/text/78/009/images/image005_136.gif" width="35" height="21 src=">-потенциальная энергия. Решение этого уравнения – набор собственных значений энергии и собственных функций..gif" width="55" height="24 src=">– плотность вероятности. Квантовомеханические расчеты нужны для разработки новых материалов (микросхемы), создания лазеров, разработки методов спектрального анализа, и др.

Большое количество задач решает кинетика , описывающая движение и взаимодействие частиц. Здесь и диффузия , теплообмен, теория плазмы – четвертого состояния вещества.

Статистическая физика рассматривает ансамбли частиц, позволяет сказать о параметрах ансамбля, исходя из свойств отдельных частиц. Если ансамбль состоит из молекул газа, то выведенные методами статистической физики свойства ансамбля представляют собой хорошо известные со средней школы уравнения газового состояния: https://pandia.ru/text/78/009/images/image009_85.gif" width="16" height="17 src=">.gif" width="16" height="17">-молекулярный вес газа. К – постоянная Ридберга. Статистическими методами рассчитываются также свойства растворов, кристаллов, электронов в металлах. ММ статистической физики – теоретическая основа термодинамики, которая лежит в основе расчета двигателей, тепловых сетей и станций.

Теория поля описывает методами ММ одну из основных форм материи – поле. При этом основной интерес представляют электромагнитные поля. Уравнения электромагнитного поля (электродинамики) были выведены Максвеллом: , , , . Здесь и https://pandia.ru/text/78/009/images/image018_44.gif" width="16" height="17"> - плотность заряда, -плотность тока. Уравнения электродинамики лежат в основе расчетов распространения электромагнитных волн, необходимых для описания распространения радиоволн (радио, телевидение, сотовая связь), объяснения работы радиолокационных станций.

Химию можно представить в двух аспектах, выделяя описательную химию – открытие химических факторов и их описание – и теоретическую химию – разработку теорий, позволяющих обобщить установленные факторы и представить их в виде определенной системы (Л. Полинг). Теоретическая химия называется также физической химией и является, в сущности, разделом физики, изучающей вещества и их взаимодействия. Поэтому все, что было сказано относительно физики, в полной мере относится и к химии. Разделами физической химии будут термохимия, изучающая тепловые эффекты реакций, химическая кинетика (скорости реакций), квантовая химия (строение молекул). При этом задачи химии бывают чрезвычайно сложными. Так, например, для решения задач квантовой химии – науки о строении атомов и молекул, используются программы, сравнимые по объему с программами ПВО страны. Например, для того, чтобы описать молекулу UCl4, состоящую из 5 ядер атомов и +17*4) электронов, нужно записать уравнение движения – уравнения в частных производных.

Биология

В биологию математика пришла по настоящему только во второй половине 20 века. Первые попытки математически описать биологические процессы относятся к моделям популяционной динамики. Популяцией называется сообщество особей одного вида, занимающих некоторую область пространства на Земле. Эта область математической биологии, изучающая изменение численности популяции в различных условиях (наличие конкурирующих видов, хищников, болезней и т. п.) и в дальнейшем служила математическим полигоном, на котором "отрабатывались" математические модели в разных областях биологии. В том числе модели эволюции, микробиологии, иммунологии и других областей, связанных с клеточными популяциями.
Самая первая известная модель, сформулированная в биологической постановке, ‑ знаменитый ряд Фибоначчи (каждое последующее число является суммой двух предыдущих), который приводит в своем труде Леонардо из Пизы в 13 веке. Это ряд чисел, описывающий количество пар кроликов, которые рождаются каждый месяц, если кролики начинают размножаться со второго месяца и каждый месяц дают потомство в виде пары кроликов. Ряд представляет последовательность чисел: 1, 1, 2, 3, 5, 8, 13, 21, …

1,

2 ,

3,

5,

8, 13, …

Другим примером является изучение процессов ионного трансмембранного переноса на искусственной бислойной мембране. Здесь для того, чтобы изучить законы образования поры, через которую ион проходит сквозь мембрану внутрь клетки, необходимо создать модельную систему, которую можно изучать экспериментально, и для которой можно использовать хорошо разработанное наукой физическое описание.

Классическим примером ММ также является популяция дрозофилы. Еще более удобной моделью являются вирусы , которые можно размножать в пробирке. Методами моделирования в биологии служат методы динамической теории систем, а средствами - дифференциальные и разностные уравнения, методы качественной теории дифференциальных уравнений, имитационное моделирование.
Цели моделирования в биологии:
3. Выяснение механизмов взаимодействия элементов системы
4. Идентификация и верификация параметров модели по экспериментальным данным.
5. Оценка устойчивости системы (модели).

6. Прогноз поведения системы при различных внешних воздействиях, различных способах управления и проч.
7. Оптимальное управление системой в соответствии с выбранным критерием оптимальности .

Техника

Совершенствованием техники занимается большое количество специалистов, которые в своей работе опираются на результаты научных исследований. Поэтому ММ в технике те же самые, что и ММ естествознания, о которых говорилось выше.

Экономика и социальные процессы

Принято считать, что математическое моделирование как метод анализа макроэкономических процессов было впервые применено лейб-медиком короля Людовика XV доктором Франсуа Кенэ , который в 1758 г. опубликовал работу «Экономическая таблица». В этой работе была сделана первая попытка количественно описать национальную экономику. А в 1838 г. в книге О. Курно «Исследование математических принципов теории богатства» количественные методы были впервые использованы для анализа конкуренции на рынке товара при различных рыночных ситуациях.

Широко известна также теория Мальтуса о народонаселении, в которой он предложил идею: рост населения далеко не всегда желателен, и рост этот идет быстрее, чем растут возможности обеспечения населения продовольствием. Математическая модель такого процесса достаточно проста: Пусть - прирост численности населения за время https://pandia.ru/text/78/009/images/image027_26.gif" width="15" height="24"> численность была равна . и - коэффициенты, учитывающие рождаемость и смертность (чел/год). Тогда

https://pandia.ru/text/78/009/images/image032_23.gif" width="151" height="41 src=">Инструментальные и математические методы " href="/text/category/instrumentalmznie_i_matematicheskie_metodi/" rel="bookmark">математические методы анализа (например, в последние десятилетия в гуманитарных науках появились математические теории развития культуры, построены и исследованы математические модели мобилизации, циклического развития социокультурных процессов, модель взаимодействия народа и правительства, модель гонки вооружений и др.).

В самых общих чертах процесс ММ социально-экономических процессов условно можно подразделить на четыре этапа:

формулировка системы гипотез и разработка концептуальной модели; разработка математической модели; анализ результатов модельных расчетов, который включает сравнение их с практикой; формулировка новых гипотез и уточнение модели в случае несоответствия результатов расчетов и практических данных.

Отметим, что, как правило, процесс математического моделирования носит циклический характер, поскольку даже при исследовании сравнительно простых процессов редко удается с первого шага построить адекватную математическую модель и подобрать точные ее параметры.

В настоящее время экономика рассматривается как сложная развивающаяся система, для количественного описания которой применяются динамические математические модели различной степени сложности. Одно из направлений исследования макроэкономической динамики связано с построением и анализом относительно простых нелинейных имитационных моделей, отражающих взаимодействие различных подсистем – рынка труда, рынка товаров, финансовой системы , природной среды и др.

Успешно развивается теория катастроф. Эта теория рассматривает вопрос об условиях, при которых изменение параметров нелинейной системы вызывает перемещение точки в фазовом пространстве, характеризующей состояние системы, из области притяжения к начальному положению равновесия в область притяжения к другому положению равновесия. Последнее очень важно не только для анализа технических систем, но и для понимания устойчивости социально-экономических процессов. В этой связи представляют интерес выводы о значении исследования нелинейных моделей для управления. В книге «Теория катастроф», опубликованной в 1990 г., он, в частности, пишет: «…нынешняя перестройка во многом объясняется тем, что начали действовать хотя бы некоторые механизмы обратной связи (боязнь личного уничтожения)».

(параметры модели)

При построении моделей реальных объектов и явлений часто приходится сталкиваться с недостатком информации. Для исследуемого объекта распределение свойств, параметры воздействия и начальное состояние известны с той или иной степенью неопределенности. При построении модели возможны следующие варианты описания неопределенных параметров:

Классификация математических моделей

(методы реализации)

Методы реализации ММ можно классифицировать в соответствии с таблицей, приведенной ниже.

Методы реализации ММ Очень часто аналитическое решение для модели представляется в виде функций. Для получения значений этих функций при конкретных значениях входных параметров используют их разложение в ряды (например, Тейлора), и значение функции при каждом значении аргумента определяется приближенно. Модели, использующие такой прием, называются приближенными . При численном подходе совокупность математических соотношений модели заменяется конечномерным аналогом. Это чаще всего достигается дискретизацией исходных соотношений, т. е. переходом от функций непрерывного аргумента к функциям дискретного аргумента (сеточные методы). Найденное после расчетов на компьютере решение принимается за приближен-ное решение исходной задачи. Большинство существующих систем является очень сложными, и для них невозможно создать реальную модель, описанную аналитически. Такие системы следует изучать с помощью имитационного моделирования . Один из основных приемов имитационного моделирования связан с применением датчика случайных чисел. Так как огромное количество задач решается методами ММ, то способы реализации ММ изучаются не в одном учебном курсе. Здесь и уравнения в частных производных, численные методы решения этих уравнений, вычислительная математика, компьютерное моделирование и т. п. ПОЛИНГ, ЛАЙНУС КАРЛ (Pauling, Linus Carl) (), американский химик и физик, удостоенный в 1954 Нобелевской премии по химии за исследования природы химической связи и определение структуры белков. Родился 28 февраля 1901 в Портленде (шт. Орегон). В разработал квантовомеханический метод изучения строения молекул (наряду с американским физиком Дж. Слейером) - метод валентных связей, а также теорию резонанса, позволяющую объяснить строение углеродосодержащих соединений, прежде всего соединений ароматического ряда. В период культа личности СССР ученые, занимавшиеся квантовой химией подвергались гонениям и обвинялись в «полингизме». МАЛЬТУС, ТОМАС РОБЕРТ (Malthus, Thomas Robert) (), английский экономист. Родился в Рукери близ Доркинга в Суррее 15 или 17 февраля 1766. В 1798 анонимно опубликовал труд Опыт о законе народонаселения. В 1819 Мальтус был избран членом Королевского общества.

С.П. БОБКОВ, Д.О. БЫТЕВ

МОДЕЛИРОВАНИЕ СИСТЕМ

Учебное пособие

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

Ивановский государственный химико-технологический университет

Международный университет бизнеса и новых технологий (институт)

С.П. БОБКОВ, Д.О. БЫТЕВ

МОДЕЛИРОВАНИЕ СИСТЕМ

для студентов высших учебных заведений.

Бобков С.П. Моделирование систем: учеб. пособие / С.П. Бобков,

Д.О. Бытев; Иван. гос. хим.-технол. ун-т. – Иваново, 2008. – 156 с. - ISBN

Цель учебного пособия – дать студентам общее представление о со- временных методах моделирования технических и технико-экономических систем и объектов.

В пособии рассматриваются общие вопросы и современная методо-

логия моделирования, непрерывные и дискретные детерминированные мо-

дели объектов и систем, стохастические модели с дискретным и непрерыв- ным временем. Большое внимание уделено методам имитационного моде- лирования систем с вероятностными характеристиками. Дается обзор дру- гих подходов к моделированию сложных систем, таких как информацион- но-энтропийный, использование нейронных сетей и сетей Петри.

Учебное пособие предназначено для студентов, обучающихся по специальностям подготовки 080801 «Прикладная информатика» и 230201

«Информационные системы и технологии». Кроме того, пособие может быть полезным для студентов других специальностей и направлений.

Табл.7. Ил.92. Библиогр.:10 назв.

Печатается по решению редакционно-издательского совета Иванов-

ского государственного химико-технологического университета.

Рецензенты:

кафедра прикладной математики Ивановского государственного энергетического университета; доктор физико-математических наук В.А.Соколов, (Ярославский государственный университет).

ISBN 5-9616-0268-6 © ГОУ ВПО Ивановский государст- венный химико-технологический университет», 2008

1.5. Понятие математической схемы моделирования. . . . . . . . . . . . . . 12

1.6. Общая методика создания математических моделей. . . . . . . . . . . 13

1.7. Основные понятия системного подхода к созданию

математических моделей. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2. ДЕТЕРМИНИРОВАННЫЕ МОДЕЛИ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.1. Математические модели технических объектов. . . . . . . . . . . . . . . 20

2.1.1. Компонентные функциональные уравнения объектов. . . . . 20

2.1.2. Фазовые переменные и их аналогии. . . . . . . . . . . . . . . . . . . . 23

2.1.3. Топологические уравнения. . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.1.4. Примеры создания моделей технических объектов. . . . . . . 25

2.1.5. Модели технологических аппаратов. . . . . . . . . . . . . . . . . . . 29

2.2. Конечные автоматы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.1. Понятие конечного автомата. . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.2. Способы описания и классы конечных автоматов. . . . . . . . 32

2.2.3. Другие виды конечных автоматов. . . . . . . . . . . . . . . . . . . . . 37

3. СТОХАСТИЧЕСКИЕ МОДЕЛИ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1. Элементы теории марковских случайных процессов. . . . . . . . . . . 39

3.1.1. Понятие случайного процесса. . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1.2. Дискретные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.1.3. Стационарное распределение вероятностей. . . . . . . . . . . . . 43

3.1.4. Непрерывные марковские цепи. . . . . . . . . . . . . . . . . . . . . . . 45

3.1.5. Уравнения А.Н. Колмогорова. . . . . . . . . . . . . . . . . . . . . . . . . 46

3.1.6. Потоки событий. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.2. Основы теории массового обслуживания. . . . . . . . . . . . . . . . . . . . . 51

3.2.1. Обобщенная структурная схема СМО. Параметры

и характеристики. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2.2. Разомкнутые СМО с ожиданием и терпеливыми заявками. 58

3.2.3. Предельные варианты разомкнутой СМО. . . . . . . . . . . . . . . 62

3.2.4.Общий случай разомкнутой СМО. . . . . . . . . . . . . . . . . . . . . . 64

3.2.5. Замкнутые СМО. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

3.2.6. Сети массового обслуживания

с простейшими потоками событий. . . . . . . . . . . . . . . . . . . . . . . . . . 73

3.3. Вероятностные автоматы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ. . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Определение метода имитационного моделирования. . . . . . . . . .
4.2. Основные понятия имитационного моделирования. . . . . . . . . . . .
4.3. Основные этапы имитационного моделирования. . . . . . . . . . . . . .
4.4. Время в имитационных моделях. Псевдопараллелизм. . . . . . . . . .
4.5. Обобщённые алгоритмы имитационного моделирования. . . . . . .
4.6. Моделирование случайных факторов. . . . . . . . . . . . . . . . . . . . . . . .
4.6.1. Моделирование базовых случайных величин. . . . . . . . . . . .
4.6.2. Моделирование непрерывных случайных величин
с произвольным распределением. . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.3. Моделирование дискретных случайных величин. . . . . . . . .
4.6.4. Моделирование случайных событий и их потоков. . . . . . .
4.7 Моделирование случайных процессов. . . . . . . . . . . . . . . . . . . . . . . .
4.7.1 Дискретные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.2 Непрерывные цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . .
4.8. Обработка и анализ результатов имитационного моделирования.
4.8.1. Оценка вероятностных параметров. . . . . . . . . . . . . . . . . . . .
4.8.2. Оценка корреляционных параметров. . . . . . . . . . . . . . . . . . .
4.8.3. Расчет средних по времени параметров СМО. . . . . . . . . . . .
4.9. Планирование экспериментов с имитационными моделями. . . . .
4.10. Общие проблемы имитационного моделирования. . . . . . . . . . . .
5. ОБЗОР АЛЬТЕРНАТИВНЫХ ПОДХОДОВ К МОДЕЛИРОВАНИЮ
СЛОЖНЫХ СИСТЕМ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1. Сети Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1. Определение сети Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.2. Функционирование сети Петри. . . . . . . . . . . . . . . . . . . . . . . .
5.1.3. Анализ сетей Петри. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Нейронные сети. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.1. Понятие нейронной сети. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.2. Искусственный нейрон. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.3. Основные виды активационных функций искусственных
нейронов. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.4. Виды простейших нейронных сетей. . . . . . . . . . . . . . . . . . . .
5.2.5. Рекуррентные и самоорганизующиеся нейронные сети. . .
5.2.6. Общие замечания по использованию нейронных сетей. . . .
5.3. Информационно-энтропийный подход к моделированию систем
СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .

ВВЕДЕНИЕ

Моделирование является универсальным методом получения и использо- вания знаний об окружающем мире. Моделирование всегда используется чело- веком в целенаправленной деятельности, особенно в исследовательской. В со- временных условиях усиливается роль и значение математического моделиро- вания, которое с развитием средств вычислительной техники часто стали назы- вать компьютерным.

Математические (компьютерные) модели, в силу своей логичности и строгого формального характера, позволяют выявить основные факторы, опре- деляющие свойства изучаемых систем и исследовать их реакции на внешние воздействия и изменения параметров. Часто математические модели проще и удобнее использовать, чем натуральные (физические). Они позволяют прово- дить вычислительные эксперименты, реальная постановка которых затруднена или невозможна.

Изучение основных принципов математического моделирования является неотъемлемой частью подготовки специалистов в технических областях дея- тельности. Дисциплины, связанные с изучением основных аспектов моделиро- вания объектов и систем в обязательном порядке входят в соответствующие учебные планы, являясь компонентами федеральных образовательных стандар- тов.

Целью данного учебного пособия является последовательное изложение современных методов моделирования. Пособие предназначено главным обра- зом для студентов, обучающихся по специальностям и направлениям «Инфор- мационные системы» и «Прикладная информатика (по отраслям». Однако, учи- тывая опыт преподавания подобных дисциплин в технических вузах, авторы сочли целесообразным не ограничиваться рассмотрением только информаци- онных систем, но и включить в текст рассмотрение технических и технико- экономических систем и объектов.

Материал пособия выстроен следующим образом. В первой главе рас- сматриваются общие вопросы и современная методология моделирования, ис- пользование системного подхода при создании математических моделей. Вто- рая глава посвящена рассмотрению непрерывных и дискретных детерминиро- ванных моделей объектов и систем. Предлагается использование метода анало- гий при синтезе и анализе моделей технических объектов различной физиче- ской природы. В третьей главе изучаются стохастические модели с дискретным и непрерывным временем. Большое внимание в пособии уделено методам ими- тационного моделирования систем с вероятностными характеристиками, что составляет содержание четвертой главы. В пятой главе дается обзор других подходов к моделированию сложных систем, таких как информационно- энтропийный, использование нейронных сетей и сетей Петри.

ОБЩИЕ ПОНЯТИЯ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

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.