Математические модели процессов (стр. 3 из 4)

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия («учтём только некоторые особенности»).

Жёсткие и мягкие модели

Гармонический осциллятор — пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь

— некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения,

— некоторый малый параметр. Явный вид функции f нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида

, то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания. Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор — пример структурно-неустойчивой (негрубой) системы.Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени

Универсальность моделей

Важнейшие математические модели обычно обладают важным свойством универсальности: принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в U-образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем».

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задается как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача: структура модели и все её параметры считаются известными, главная задача — провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку (например, на марш роты солдат, или на прохождение поезда на различной скорости), как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера, — вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Великобритании обрушился металлический мост через реку Тей, конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача: известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение) или быть результатом специально планируемого в ходе решения эксперимента (активное наблюдение).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

В качестве другого примера можно привести математическую статистику. Задача этой науки — разработка методов регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений. Т.е. множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.

Компьютерные системы моделирования

Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple, Mathematica, Mathcad, MATLAB, VisSim и др.Они позволяют создавать формальные и блочные модели как простых, так и сложных процессов и устройств и легко менять параметры моделей в ходе моделирования. Блочные модели представлены блоками (чаще всего графическими), набор и соединение которых задаются диаграммой модели.

1.2Особенности симплекс метода

Симплекс-метод позволяет отказаться от метода перебора при решении задач линейной оптимизации, является основным численным методом решения задач линейного программирования и позволяет за меньшее число шагов, чем в методе перебора, получить решение.

Реализация алгоритма симплекс-метода.

Записать задачу в канонической форме: заменить все ограничения-неравенства с положительной правой;
Разделить переменные на базисные и свободные: перенести свободные переменные в правую часть ограничений-неравенств.
Выразить базисные переменные через свободные: решить систему линейных уравнений (ограничений-неравенств) – относительно базисных переменных;
Проверить неотрицательность базисных переменных: убедиться в неотрицательности свободных членов в выражениях для базисных переменных. Если это не так, вернуться к пункту 2, выбирая другой вариант разделения переменных на базисные и свободные.
Выразить функцию цели через свободные переменные: базисные переменные, входящие в функцию, выразить через свободные переменные;
Вычислить полученное базисное решение и функцию цели на нем: приравнять к 0 свободные переменные;
проанализировать формулу функции цели: если все коэффициенты свободных переменных положительны (отрицательны), то найденное базисное решение будет минимально (максимально) и задача считается решенной;
Определить включаемую в базис и исключаемую из базиса переменные: если не все коэффициенты при свободных переменных в функции цели положительны (отрицательны), то следует выбрать свободную переменную, входящую в функцию цели с максимальным по модулю отрицательным (положительным) коэффициентом, и увеличивать ее до тех пор, пока какая-нибудь из базисных переменных не станет равной 0. Свободную переменную рассматриваем как новую базисную переменную (включаемую в базис), а базисную переменную рассматриваем как новую базисную переменную (исключаемую из базиса);
Используя новое разделение переменных на базисное и свободное, вернуться к пункту 3 и повторять все этапы до тех пор, пока не будет найдено оптимальное решение.

Для привидения системы ограничений неравенств к каноническому виду, необходимо в системе ограничений выделить единичный базис.

I. Ограничения вида «£»- ресурсные ограничения. Справа находится то что мы используем на производстве, слева - то что получаем. При таких ограничения вводят дополнительные переменные с коэффициентом «+1», образующие единичный базис. В целевую функцию эти переменные войдут с коэффициентом «0».

II. Ограничения вида «=». Часто бывает, что несмотря на то что ограничения имеют вид равенства, единичный базис не выделяется или трудно выделяется. В этом случае вводятся искусственные переменные для создания единичного базиса - Yi. В систему ограничений они входят с коэффициентом «1» , а в целевую функцию с коэффициентом «M», стремящимся к бесконечности (при Fmin - «+M», при Fmax - «-M»).