Этапы создания математических моделей

В общем случае под математической моделью объекта (системы) понимается любое математическое описание, отражающее с требуемой точностью поведения объекта (системы) в реальных условиях. Математическая модель отражает записанную на языке математики совокупность знаний, представлений и гипотез исследователя о моделируемом объекте. Поскольку эти знания никогда не бывают абсолютными, то модель лишь приближенно учитывает поведение реального объекта.

Математическая модель системы – это совокупность соотношений (формул, неравенств, уравнений, логических соотношений), определяющих характеристики состояний системы в зависимости от ее внутренних параметров, начальных условий, входных сигналов, случайных факторов и времени.

Процесс создания математической модели можно разбить на этапы отраженные на рис. 3.2.

Рис. 3.2 Этапы создания математической модели

1. Постановка проблемы и ее качественный анализ. Этот этап включает:

· выделение важнейших черт и свойств моделируемого объекта и абстрагирование от второстепенных;

· изучение структуры объекта и основных зависимостей, связывающих его элементы;

· формирование гипотез (хотя бы предварительных), объясняющих поведение и развитие объекта.

2. Построение математической модели. Это – этап формализации проблемы, выражения ее в виде конкретных математических зависимостей и отношений (функций, уравнений, неравенств и т.д.). Обычно сначала определяется основная конструкция (тип) математической модели, а затем уточняются детали этой конструкции (конкретный перечень переменных и параметров, форма связей). Таким образом, построение модели подразделяется в свою очередь на несколько стадий.

Неправильно полагать, что чем больше факторов (т.е. входных и выходных переменных состояния) учитывает модель, тем она лучше «работает» и дает лучшие результаты. То же можно сказать о таких характеристиках сложности модели, как используемые формы математических зависимостей (линейные и нелинейные), учет факторов случайности и неопределенности и т.д. Излишняя сложность и громоздкость модели затрудняют процесс исследования. Нужно не только учитывать реальные возможности информационного и математического обеспечения, но и сопоставлять затраты на моделирование с получаемым эффектом (при возрастании сложности модели нередко рост затрат на моделирование может превысить рост эффекта от внедрения моделей в задачи управления).

3. Математический анализ модели. Целью этого этапа является выяснение общих свойств модели. Здесь применяются чисто математические приемы исследования. Наиболее важный момент – доказательство существования решений в сформулированной модели (теорема существования). Если удается доказать, что математическая задача не имеет решения, то необходимость в последующей работе по первоначальному варианту модели отпадает; следует скорректировать либо постановку задачи, либо способы ее математической формализации. При аналитическом исследовании модели выясняются такие вопросы, как, например, единственно ли решение, какие переменные могут входить в решение, каковы будут соотношения между ними, в каких пределах и в зависимости от каких исходных условий они изменяются, каковы тенденции их изменений и т.д.

4. Подготовка исходной информации. Моделирование предъявляет жесткие требования к системе информации. В процессе подготовки информации широко используются методы теории вероятностей, теоретической и математической статистики. При системном математическом моделировании исходная информация, используемая в одних моделях, является результатом функционирования других моделей.

5. Численное решение. Этот этап включает разработку алгоритмов для численного решения задачи, составления программ на ЭВМ и непосредственное проведение расчетов. Здесь приобретают актуальности различные методы обработки данных, решения разнообразных уравнений, вычисления интегралов и т.п. Нередко расчеты по математической модели носят многовариантный, имитационный характер. Благодаря высокому быстродействию современных ЭВМ удается проводить многочисленные «модельные» эксперименты, изучая «поведение» модели при различных изменениях некоторых условий.

6. Анализ численных результатов и их применение. На этом заключительном этапе цикла встает вопрос о правильности и полноте результатов моделирования, об адекватности модели, о степени ее практической применимости. Математические методы проверки результатов могут выявлять некорректности построения модели и тем самым сужать класс потенциально правильных моделей.

Неформальный анализ теоретических выводов и численных результатов, получаемых посредством модели, сопоставление их с имеющимися знаниями и фактами действительности также позволяют обнаруживать недостатки исходной постановки задачи, сконструированной математической модели, ее информационного и математического обеспечения.

Поскольку современные математические задачи могут быть сложны по своей структуре, иметь большую размерность, то часто случается, что известные алгоритмы и программы для ЭВМ не позволяют решить задачу в первоначальном виде. Если невозможно в короткий срок разработать новые алгоритмы и программы, исходную постановку задачи и модель упрощают:

· снимают и объединяют условия, уменьшают число учитываемых факторов.

· нелинейные соотношения заменяют линейными и т.д.

Недостатки, которые не удается исправить на промежуточных этапах моделирования, устраняются в последующих циклах. Но результаты каждого цикла имеют и вполне самостоятельное значение. Начав исследование с построения простой модели, можно быстро получить полезные результаты, а затем перейти к созданию более совершенной модели, пополняемой новыми условиями, включающей уточненные математические зависимости.

Сущность построения математической модели состоит в том, что реальная система упрощается, схематизируется и описывается с помощью математического аппарата. Построение математической модели проходит по следующим этапам 1 .

устанавливается цель исследования для решения проблемы, стоящей перед организацией;

определяются элементы, из которых состоит система;

выделенные элементы группируются на функциональные и обеспечивающие;

определяются все виды связей между элементами;

определяются возможные допустимые значения каждого элемента, исходя из возможностей сервисной организации;

определяются характеристики элементов системы, важных для целей исследования.

Формализация операций происходит по следующим шагам:

определение характеристик системы;

изучается каждая характеристика системы;

выделяются существенные характеристики для целей исследования;

определение управляемых и неуправляемых параметров системы;

определяются ограничения на управляемые параметры системы;

формулируется целевая функция.

Проверка адекватности модели заключается впроверке выполнения следующих условий:

все ли существенные факторы включены в модель;

есть ли в модели несущественные факторы;

правильно ли определены ограничения на значения факторов;

правильно ли определена функциональная связь между переменными;

проверка достоверности модели, с использованием обучающей и контрольной совокупности данных.

Примечание. Требование адекватности модели входит в противоречие с требованием простоты модели.

Использование модели для решения проблем может проходить в такой последовательности:

на основе полученной модели предлагается несколько сценариев решения проблемы;

для каждого сценария решения проблемы вычисляется коэффициент эффективности, равный отношению результат к затратам;

сценарии решения проблем ранжируются по признаку коэффициента эффективности решения проблемы;

результаты расчетов и их анализа оформляются в виде отчета в удобном для визуального восприятия наглядном виде с использованием графических моделей;

передача отчета руководителю предприятия для принятия управленческих решений по решению проблемы, стоящей перед организацией. Предложенный руководителю предприятия отчет по решению проблемы носит рекомендательный характер. Решение руководителя предприятия носит юридическую силу. Поэтому, решение руководителя должно основываться на системном анализе проблемы с использованием разных методов и способов ее решения: на полученном отчете по моделированию, а также иных возможных решений проблемы, полученных из других источников (плановый отдел, отдел развития и прогнозирования).

3. Постановка задачи линейного программирования

Методы линейного программирования являются наиболее разработанными в области решения оптимизационных задач торговли. Эти методы позволяют описать с достаточной точностью широкий круг задач торговой практики (планирование товарооборота, планирование товароснабжения города, прикрепление торговых предприятий к поставщикам, организация рациональных перевозок товаров (транспортная задача)).

Методы линейного программирования требуют наличия системы взаимосвязанных факторов, критерия оценки оптимальности использования ресурсов.

Оптимальным считается план, который обеспечивает экстремум целевой функции (например, максимальный доход или минимум издержек обращения), при условии соблюдения ограничений на используемые ресурсы.

Например поиск оптимальных плановых решений можно свести к получению запланированного эффекта при минимуме затрат или получение максимального эффекта при использовании заданных ограниченных ресурсах.

Линейное программирование - областьматематического программирования, посвященная теории и методам решенияэкстремальных задач, характеризующихсялинейной зависимостьюмеждупеременными.

В самом общем виде задачу Л. п. можно записать так. Даны ограничения типа

или в т. н. канонической форме, к которой можно привести все три указанных случая:

Требуется найти неотрицательные числа x j (j = 1, 2, ...,n ), которые минимизируют (или максимизируют)линейную форму

Неотрицательность искомых чисел записывается так: x j ≥ 0.

Таким образом, представлена общая задача математического программирования с оговорками: как ограничения , так и целевая функция линейные, а искомые переменные неотрицательные .

Обозначения можно трактовать следующим образом:

b i - количество ресурса вида i ;

m - количество видов этих ресурсов;

a ij - норма расхода ресурса вида i на единицу продукции вида j ;

x j - количество продукции вида j , причем количество таких видов - n ;

c j - доход (или другой выигрыш) от единицы этой продукции, а в случае задачи на минимум - затраты на единицу продукции;

нумерация ресурсов разделена на три части:

от 1 до m 1 , в первом случае - “не больше”

от m 1 + 1 до m 2 во втором - “столько же”

от m 2 + 1 до m

в зависимости от того, какие ставятся ограничения на расходование этих ресурсов;, в третьем - “не меньше”;

Z - в случае максимизации, напр., объем продукции или дохода, в случае же минимизации - себестоимость, расход сырья и т. п.

Добавим еще одно обозначение, оно появится несколько ниже:

v i - оптимальная оценка i -го ресурса.

Слово “программирование” объясняется здесь тем, что неизвестные переменные, которые отыскиваются в процессе решения задачи, обычно в совокупности определяют программу (план ) работы некоторого экономического объекта . Слово “линейное” отражает факт линейной зависимости между переменными. При этом, как указано, задача обязательно имеет экстремальный характер, т. е. состоит в отыскании экстремума (максимума или минимума) целевой функции .

Следует с самого начала предупредить: предпосылка линейности, когда в реальной экономике подавляющее большинство зависимостей носит более сложный нелинейный характер, есть огрубление, упрощение действительности. В некоторых случаях оно достаточно реалистично, в других же выводы, получаемые с помощью решения задач Л. п., оказываются весьма несовершенными.

Уточним постановку задачи линейного программирования на примере планирования выпуска собственной продукции сервисной организацией.

Дано :

ресурсы: персонал, техника и оборудование, сырье и материалы, финансы, информация, время, технология изготовления, земля и другие ресурсы.

(А и В - обозначим численные значения ресурсов 2-х видов соответственно);

выпускается продукция разных видов, с одинаковыми единицами измерения, выраженных в руб. или в штуках.

(Х 1 и Х 2 - обозначим численные значения выпускаемой продукции 2-х);

имеются нормы затрат ресурса на выпуск единицы продукции;

(а1 и а2 - численные значения норм затрат ресурса А на выпуск изделий 1-го и 2-го видов соответственно,

в1 и в2 - численные значения норм затрат ресурса В на выпуск изделий 1-го и 2-го видов соответственно)

имеются нормы прибыли от реализации единицы выпускаемой продукции.

(с1 и с2 - нормы прибыли, равные прибыли, получаемой от реализации единицы соответствующей продукции Х1 и Х2)

имеется целевая функция, отражающая прибыль предприятия от продажи, выпускаемой продукции;

(Ф = с1Х1 + с2Х2 - прибыль)

Необходимо : определить такие значения выпускаемой продукции Х 1 и Х 2 , при которых используемые ресурсы не превысили значений А и В, а целевая функция получила максимальное значение

Приведем постановку задачи в математическом (формализованном виде):

Целевая функция:

Ограничения:

Необходимо найти такие значения Х 1 и Х 2 , при которых целевая функция станет максимальной и будут соблюдены все ограничения на ресурсы и численные значения Х 1 и Х 2 .

Решение.

С помощью программы "поиск решения", имеющейся в Ехсеl, задача решается в следующей последовательности:

выделяются ячейки, где будут расположены искомые значения Х 1 и Х 2 ;

вводятся в отдельные ячейки (выбор ячеек может быть произвольным):

нормы затрат ресурсов а 1 , а 2 , в 1 , в 2 ;

размеры ресурсов А и В;

нормы прибыли с 1 и с 2 ;

формулы ограничений:

а 1 Х 1 + а 2 Х 2 ; в 1 Х 1 + в 2 Х 2 ;

формула целевой функции:

с 1 Х 1 + с 2 Х 2 ;

обращаемся к программе "поиск решения", вводятся характеристики программы в соответствующие поля, получают решение: численные значения Х 1 и Х 2 ;

проводится анализ решения на соблюдение ограничений и условия целевой функции. Делается вывод о степени использования выделенных ресурсов;

если ресурсы использовались не полностью, то можно изменить нормы затрат. Если в решении задачи некоторые товары не выпускаются, то надо ввести дополнительные ограничения на минимум выпуска продукции.

Если цель моделирования ясна, то возникает следующая задача – задача построения математической модели. На этом этапе исходные предположения переводятся на четкий однозначный язык количественных отношений и устраняются нечеткие, неоднозначные высказывания или определения, которые заменяются, быть может, и приближенными, но четкими, не допускающими различных толкований высказываниями.

Построение математической модели выполняется в следующей последовательности :

1) выбор вида моделей и подмоделей;

2) проектирование структуры и состава моделей (подмоделей);

3) разработка отдельных подмоделей;

4) сборка модели в целом;

5) идентификация параметров моделей и подготовка исходных данных;

6) проверка достоверности модели системы.

На первом и втором подэтапах выполняется формализация описания системы: устанавливаются ее структура и существенные зависимости между элементами. Основная задача этих двух подэтапов – получение математического описания процессов в моделируемой системе и её структурной схемы, которая должна быть идентична структурной схеме промышленной системы.

При большой сложности системы первоначально производится разбиение процесса функционирования системы на отдельные достаточно автономные подпроцессы. Таким образом, модель функционально подразделяется на подмодели, каждая из которых в свою очередь может быть разбита на еще более мелкие элементы.

Для правильно построенной модели характерным является то, что она выявляет лишь те закономерности, которые нужны исследователю, и не рассматривает свойства системы, не существенные для данного исследования. Следует отметить, что оригинал и модель должны быть одновременно сходны по одним признакам и различны по другим, что позволяет выделить наиболее важные изучаемые свойства.

Разработка отдельных подмоделей состоит в составлении их математического описания: в установлении связей между параметрами процесса и выявлении их граничных и начальных условий, а также в формализации процесса в виде системы математических соотношений, характеризующих изучаемый объект (технологический процесс). При составлении математического описания используется либо теоретический, либо статистический подход (см. п.2.2.4).

При выполнении этого этапа особенно важно выбрать математическую модель минимально необходимой сложности. Если модель сложной системы образуется простым объединением полных моделей подсистем нижних уровней, то может возникнуть диспропорция между требуемой точностью и фактической сложностью модели. Эта диспропорция может быть устранена загрублением моделей низшего уровня (после детального автономного исследования их). Возможными вариантами такого загрубления являются:

Сведение детальных описаний многокомпонентного процесса к главной составляющей с поправочными коэффициентами;

Укрупнение состояний и фаз процессов;

Аппроксимация выявленных зависимостей;

Усреднение характеристик процессов по их аргументам;

Замораживание медленно меняющихся параметров;

Снижение требований к точности итераций;

Пренебрежение взаимной зависимостью переменных;

Для выведенных математических соотношений на следующем подэтапе выполняется идентификация их параметров. В настоящее время широко применяют различные способы оценки параметров: по методу наименьших квадратов, по методу максимального правдоподобия, байесовские, марковские оценки.

Подготовка исходных данных состоит в сборе и обработке результатов наблюдений за изучаемой системой. Обработка в типичном случае заключается в построении функций распределения соответствующих случайных величин или вычислении числовых характеристик распределений. Эти исходные данные, полученные в результате проведения исследования на реальной системе, будут использоваться в качестве параметров модели при реализации ее на ЭВМ.

Проверка достоверности модели системы является первой из проверок, выполняемых на этапе реализации модели. Так как модель представляет собой приближенное описание процесса функционирования реальной системы, то до тех пор, пока не доказана достоверность модели, нельзя утверждать, что с ее помощью будут получены результаты, совпадающие с теми, которые могли бы быть получены при проведении натурного эксперимента с реальной системой. Поэтому определение достоверности модели устанавливает степень доверия к результатам, полученным методом моделирования. Проверка модели на рассматриваемом подэтапе должна дать ответ на вопрос, насколько логическая схема модели системы и используемые математические соотношения отражают замысел модели, сформированный на первом этапе. При этом проверяются возможность решения поставленной задачи, точность отражения замысла в логической схеме, полнота логической схемы модели, правильность используемых математических соотношений.

Только после того, как разработчик убеждается путем соответствующей проверки в правильности всех этих положений, можно считать, что разработанная логическая схема модели системы пригодна для дальнейшей работы по реализации модели на ЭВМ.

Что такое математическая модель?

Понятие математической модели.

Математическая модель - очень простое понятие. И очень важное. Именно математические модели связывают математику и реальную жизнь.

Говоря простым языком, математическая модель - это математическое описание любой ситуации. И всё. Модель может быть примитивной, может быть и суперсложной. Какая ситуация, такая и модель.)

В любом (я повторяю - в любом! ) деле, где нужно чего-нибудь посчитать да рассчитать - мы занимаемся математическим моделированием. Даже если и не подозреваем об этом.)

Р = 2·ЦБ + 3·ЦМ

Вот эта запись и будет математической моделью расходов на наши покупки. Модель не учитывает цвет упаковки, срок годности, вежливость кассиров и т.п. На то она и модель, а не реальная покупка. Но расходы, т.е. то, что нам надо - мы узнаем точно. Если модель правильная, конечно.

Представлять, что такое математическая модель полезно, но этого мало. Самое главное - уметь эти модели строить.

Составление (построение) математической модели задачи.

Составить математическую модель - это значит, перевести условия задачи в математическую форму. Т.е. превратить слова в уравнение, формулу, неравенство и т.д. Причём превратить так, чтобы эта математика строго соответствовала исходному тексту. Иначе у нас получится математическая модель какой-то другой, неведомой нам задачи.)

Говоря конкретнее, нужно

Задач в мире - бесконечное количество. Поэтому предложить чёткую пошаговую инструкцию по составлению математической модели любой задачи - невозможно.

Но можно выделить три основных момента, на которые нужно обратить внимание.

1. В любой задаче есть текст, как ни странно.) В этом тексте, как правило, имеется явная, открытая информация. Числа, значения и т.п.

2. В любой задаче имеется скрытая информация. Это текст, который предполагает наличие дополнительных знаний в голове. Без них - никак. Кроме того, математическая информация частенько скрывается за простыми словами и... проскакивает мимо внимания.

3. В любой задаче должно быть дана связь данных между собой. Эта связь может быть дана открытым текстом (что-то равно чему-то), а может быть и скрыта за простыми словами. Но простые и понятные факты частенько упускаются из виду. И модель никак не составляется.

Сразу скажу: чтобы применить эти три момента, задачу приходится читать (и внимательно!) несколько раз. Обычное дело.

А теперь - примеры.

Начнём с простой задачки:

Петрович вернулся с рыбалки и гордо предъявил семье улов. При ближайшем рассмотрении оказалось, что 8 рыбин родом из северных морей, 20% всех рыбин - из южных, а из местной реки, где рыбачил Петрович - нет ни одной. Сколько всего рыбин купил Петрович в магазине "Морепродукты"?

Все эти слова нужно превратить в какое-то уравнение. Для этого нужно, повторюсь, установить математическую связь между всеми данными задачи.

С чего начинать? Сначала вытащим из задачи все данные. Начнём по порядочку:

Обращаем внимание на первый момент.

Какая здесь явная математическая информация? 8 рыбин и 20%. Не густо, да нам много и не надо.)

Обращаем внимание на второй момент.

Ищем скрытую информацию. Она здесь есть. Это слова: "20% всех рыбин ". Здесь нужно понимать, что такое проценты и как они считаются. Иначе задача не решается. Это как раз та дополнительная информация, которая должна быть в голове.

Здесь ещё имеется математическая информация, которую совершенно не видно. Это вопрос задачи: "Сколько всего рыбин купил..." Это ведь тоже какое-то число. И без него никакая модель не составится. Поэтому обозначим это число буквой "х". Мы пока не знаем, чему равен икс, но такое обозначение очень нам пригодится. Подробнее, что брать за икс и как с ним обращаться, написано в уроке Как решать задачи по математике? Вот так сразу и запишем:

х штук - общее количество рыб.

В нашей задаче южные рыбы даны в процентах. Надо их перевести в штуки. Зачем? Затем, что в любой задаче модели надо составлять в однотипных величинах. Штуки - так всё в штуках. Если даны, скажем часы и минуты - всё переводим во что-нибудь одно - или только часы, или только минуты. Не суть важно во что. Важно, чтобы все величины были однотипными.

Возвращаемся к раскрытию информации. Кто не знает, что такое процент, никогда не раскроет, да... А кто знает, тот сразу скажет, что проценты здесь от общего числа рыб даны. А нам это число неизвестно. Ничего не выйдет!

Общее количество рыб (в штуках!) мы не зря буквой "х" обозначили. Посчитать южных рыб в штуках не получится, но записать-то мы сможем? Вот так:

0,2·х штук - количество рыб из южных морей.

Вот теперь мы скачали всю информацию с задачи. И явную, и скрытую.

Обращаем внимание на третий момент.

Ищем математическую связь между данными задачи. Эта связь настолько проста, что многие её не замечают... Такое часто бывает. Здесь полезно просто записать собранные данные в кучку, да и посмотреть, что к чему.

Что у нас есть? Есть 8 штук северных рыб, 0,2·х штук - южных рыб и х рыб - общее количество. Можно связать эти данные как-то воедино? Да легко! Общее количество рыб равно сумме южных и северных! Ну кто бы мог подумать...) Вот и записываем:

х = 8 + 0,2х

Вот это уравнение и будет математической моделью нашей задачи.

Прошу заметить, что в этой задаче нас не просят ничего складывать! Это мы сами, из головы, сообразили, что сумма южных и северных рыб даст нам общее количество. Вещь настолько очевидная, что проскакивает мимо внимания. Но без этой очевидности математическую модель не составить. Вот так.

Теперь уже можно применить всю мощь математики для решения этого уравнения). Именно для этого и составлялась математическая модель. Решаем это линейное уравнение и получаем ответ.

Ответ: х=10

Составим математичесскую модель ещё одной задачки:

Спросили Петровича: "А много ли у тебя денег?" Заплакал Петрович и отвечает: "Да всего чуть-чуть. Если я потрачу половину всех денег, да половину остатка, то всего-то один мешок денег у меня и останется..." Сколько денег у Петровича?

Опять работаем по пунктам.

1. Ищем явную информацию. Тут её не сразу и обнаружишь! Явная информация - это один мешок денег. Есть ещё какие-то половинки... Ну, это во втором пункте разберём.

2. Ищем скрытую информацию. Это половинки. Чего? Не очень понятно. Ищем дальше. Есть ещё вопрос задачи: "Сколько денег у Петровича?" Обозначим количество денег буквой "х" :

х - все деньги

И вновь читаем задачу. Уже зная, что у Петровича х денег. Вот тут уже и половинки сработают! Записываем:

0,5·х - половина всех денег.

Остаток будет тоже половина, т.е. 0,5·х. А половину от половины можно записать так:

0,5·0,5·х = 0,25х - половина остатка.

Теперь вся скрытая информация выявлена и записана.

3. Ищем связь между записанными данными. Здесь можно просто читать страдания Петровича и записывать их математически):

Если я потрачу половину всех денег ...

Запишем этот процесс. Всех денег - х. Половина - 0,5·х . Потратить - это отнять. Фраза превращается в запись:

х - 0,5·х

да половину остатка...

Отнимем ещё половину остатка:

х - 0,5·х - 0,25х

то всего-то один мешок денег у меня и останется...

А вот и равенство нашлось! После всех вычитаний один мешок денег остаётся:

х - 0,5·х - 0,25х = 1

Вот она, математическая модель! Это опять линейное уравнение, решаем, получаем:

Вопрос на соображение. Четыре - это чего? Рубля, доллара, юаня? А в каких единицах у нас деньги в математической модели записаны? В мешках! Значит, четыре мешка денег у Петровича. Тоже неплохо.)

Задачки, конечно, элементарные. Это специально, чтобы уловить суть составления математической модели. В некоторых задачах может быть гораздо больше данных, в которых легко запутаться. Это часто бывает в т.н. компетентностных задачах. Как вытаскивать математическое содержание из кучи слов и чисел показано на примерах

Ещё одно замечание. В классических школьных задачах (трубы заполняют бассейн, куда-то плывут катера и т.п.) все данные, как правило, подобраны очень тщательно. Там выполняются два правила:
- информации в задаче хватает для её решения,
- лишней информации в задаче не бывает.

Это подсказка. Если осталась какая-то неиспользованная в математической модели величина - задумайтесь, нет ли ошибки. Если данных никак не хватает - скорее всего, не вся скрытая информация выявлена и записана.

В компетентностных и прочих жизненных задачах эти правила строго не соблюдаются. Нету подсказки. Но и такие задачи можно решать. Если, конечно, потренироваться на классических.)

Если Вам нравится этот сайт...

Кстати, у меня есть ещё парочка интересных сайтов для Вас.)

Можно потренироваться в решении примеров и узнать свой уровень. Тестирование с мгновенной проверкой. Учимся - с интересом!)

можно познакомиться с функциями и производными.

Аннотация: В лекции описан процесс построения математической модели. Приведен словесный алгоритм процесса.

Для использования ЭВМ при решении прикладных задач прежде всего прикладная задача должна быть "переведена" на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена его математическая модель .

Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи .

Для построения математической модели необходимо:

1. тщательно проанализировать реальный объект или процесс;
2. выделить его наиболее существенные черты и свойства;
3. определить переменные, т.е. параметры, значения которых влияют на основные черты и свойства объекта;
4. описать зависимость основных свойств объекта, процесса или системы от значения переменных с помощью логико-математических соотношений (уравнения, равенства, неравенства, логико-математические конструкций);
5. выделить внутренние связи объекта, процесса или системы с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций;
6. определить внешние связи и описать их с помощью ограничений, уравнений, равенств, неравенств, логико-математических конструкций.

Математическое моделирование , кроме исследования объекта, процесса или системы и составления их математического описания, также включает:

1. построение алгоритма, моделирующего поведение объекта, процесса или системы;
2. проверка адекватности модели и объекта, процесса или системы на основе вычислительного и натурного эксперимента;
3. корректировка модели;
4. использование модели.

Математическое описание исследуемых процессов и систем зависит от:

1. природы реального процесса или системы и составляется на основе законов физики, химии, механики, термодинамики, гидродинамики, электротехники, теории пластичности , теории упругости и т.д.
2. требуемой достоверности и точности изучения и исследования реальных процессов и систем.

На этапе выбора математической модели устанавливаются: линейность и нелинейность объекта, процесса или системы, динамичность или статичность, стационарность или нестационарность, а также степень детерминированности исследуемого объекта или процесса. При математическом моделировании сознательно отвлекаются от конкретной физической природы объектов, процессов или систем и, в основном, сосредотачиваются на изучении количественных зависимостей между величинами, описывающими эти процессы.

Математическая модель никогда не бывает полностью тождественна рассматриваемому объекту, процессу или системе. Основанная на упрощении, идеализации , она является приближенным описанием объекта. Поэтому результаты, полученные при анализе модели, носят приближенный характер. Их точность определяется степенью адекватности (соответствия) модели и объекта.

Обычно начинается с построения и анализа простейшей, наиболее грубой математической модели рассматриваемого объекта, процесса или системы. В дальнейшем, в случае необходимости, модель уточняется, делается ее соответствие объекту более полным.

Возьмем простой пример. Нужно определить площадь поверхности письменного стола. Обычно для этого измеряют его длину и ширину, а затем перемножают полученные числа. Такая элементарная процедура фактически обозначает следующее: реальный объект (поверхность стола) заменяется абстрактной математической моделью – прямоугольником. Прямоугольнику приписываются размеры, полученные в результате измерения длины и ширины поверхности стола, и площадь такого прямоугольника приближенно принимается за искомую площадь стола.

Однако модель прямоугольника для письменного стола – это простейшая, наиболее грубая модель. При более серьезном подходе к задаче прежде, чем воспользоваться для определения площади стола моделью прямоугольника, эту модель нужно проверить. Проверки можно осуществить следующим образом: измерить длины противоположных сторон стола, а также длины его диагоналей и сравнить их между собой. Если, с требуемой степенью точности, длины противоположных сторон и длины диагоналей попарно равны между собой, то поверхность стола действительно можно рассматривать как прямоугольник . В противном случае модель прямоугольника придется отвергнуть и заменить моделью четырехугольника общего вида. При более высоком требовании к точности может возникнуть необходимость пойти в уточнении модели еще дальше, например, учесть закругления углов стола.

С помощью этого простого примера было показано, что математическая модель не определяется однозначно исследуемым объектом, процессом или системой. Для одного и того же стола мы можем принять либо модель прямоугольника, либо более сложную модель четырехугольника общего вида, либо четырехугольника с закругленными углами. Выбор той или иной модели определяется требованием точности. С повышением точности модель приходится усложнять, учитывая новые и новые особенности изучаемого объекта, процесса или системы.

Рассмотрим другой пример: исследование движения кривошипно-шатунного механизма (Рис. 2.1) .

Рис. 2.1.

Для кинематического анализа этого механизма, прежде всего, необходимо построить его кинематическую модель. Для этого:

1. Заменяем механизм его кинематической схемой, где все звенья заменены жесткими связями ;
2. Пользуясь этой схемой, мы выводим уравнение движения механизма;
3. Дифференцируя последнее, получаем уравнения скоростей и ускорения, которые представляют собой дифференциальные уравнения 1-го и 2-го порядка.

Запишем эти уравнения:

где С 0 – крайнее правое положение ползуна С:

r – радиус кривошипа AB;

l – длина шатуна BC;

– угол поворота кривошипа;

Полученные трансцендентные уравнения представляют математическую модель движения плоского аксиального кривошипно-шатунного механизма, основанную на следующих упрощающих предположениях:

1. нас не интересовали конструктивные формы и расположение масс, входящих в механизм тел, и все тела механизма мы заменили отрезками прямых. На самом деле, все звенья механизма имеют массу и довольно сложную форму. Например, шатун – это сложное сборное соединение, форма и размеры которого, конечно, будут влиять на движение механизма;
2. при движения рассматриваемого механизма мы также не учитывали упругость входящих в механизм тел, т.е. все звенья рассматривали как абстрактные абсолютно жесткие тела. В действительности же, все входящие в механизм тела – упругие тела. Они при движении механизма будут как-то деформироваться, в них могут даже возникнуть упругие колебания. Это все, конечно, также будет влиять на движение механизма;
3. мы не учитывали погрешность изготовления звеньев, зазоры в кинематических парах A, B, C и т.д.

Таким образом, важно еще раз подчеркнуть, что, чем выше требования к точности результатов решения задачи, тем больше необходимость учитывать при построении математической модели особенности изучаемого объекта, процесса или системы. Однако, здесь важно во время остановиться, так как сложная математическая модель может превратиться в трудно разрешимую задачу.

Наиболее просто строится модель, когда хорошо известны законы, определяющие поведение и свойства объекта, процесса или системы, и имеется большой практический опыт их применения.

Более сложная ситуация возникает тогда, когда наши знания об изучаемом объекте, процессе или системе недостаточны. В этом случае при построении математической модели приходится делать дополнительные предположения, которые носят характер гипотез, такая модель называется гипотетической. Выводы, полученные в результате исследования такой гипотетической модели, носят условный характер. Для проверки выводов необходимо сопоставить результаты исследования модели на ЭВМ с результатами натурного эксперимента. Таким образом, вопрос применимости некоторой математической модели к изучению рассматриваемого объекта, процесса или системы не является математическим вопросом и не может быть решен математическими методами.

Основным критерием истинности является эксперимент, практика в самом широком смысле этого слова.

Построение математической модели в прикладных задачах – один из наиболее сложных и ответственных этапов работы. Опыт показывает, что во многих случаях правильно выбрать модель – значит решить проблему более, чем наполовину. Трудность данного этапа состоит в том, что он требует соединения математических и специальных знаний. Поэтому очень важно, чтобы при решении прикладных задач математики обладали специальными знаниями об объекте, а их партнеры, специалисты, – определенной математической культурой, опытом исследования в своей области, знанием ЭВМ и программирования.