VII. Седьмой этап – расчеты на ЭВМ – численный эксперимент

VI. Шестой этап – отладка и тестирование программы.

После составления программы решаем с ее помощью простейшую тестовую задачу (желательно, с заранее известным ответом) с целью устранения грубых ошибок. Это – лишь начало процедуры тестирования, которую трудно описать формально исчерпывающим образом. По существу, тестирование может продолжаться долго и закончиться тогда, когда пользователь по своим профессиональным признакам сочтет программу верной.

Затем следует собственно численный эксперимент, и выясняется, соответствует ли модель реальному объекту (процессу). Модель считается адекватной реальному процессу, если некоторые характеристики процесса, полученные на ЭВМ, совпадают с экспериментальными с заданной степенью точности. В случае несоответствия модели реальному процессу возвращаемся к одному из предыдущих этапов – ранжированию (отбрасываем или вводим в рассмотрение один или несколько исходных параметров) или уточним выбор метода решения.

КЛАССИФИКАЦИЯ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ

К классификации математических моделей можно подходить по-разному, положив в основу классификации различные принципы. Можно классифицировать модели по отраслям наук, т.е. рассматривать математические модели в:

§ физике,

§ биологии,

§ экологии,

§ социологии и т.д.

Эта классификация естественна, если к этому подходит специалист в какой-то одной науке.

Можно классифицировать по применяемому математическому аппарату, т.е. модели, основанные на применении:

§ обыкновенных дифференциальных уравнений,

§ дифференциальных уравнений в частных производных,

§ стохастических методов,

§ дискретных алгебраических преобразований и т.д.

Эта классификация естественна для математика, занимающегося аппаратом математического моделирования.

Если же человек интересуется общими закономерностями моделирования в разных науках безотносительно к математическому аппарату, то он поставит на первое место цели моделирования. Тогда получится следующая классификация:

• дескриптивные (описательные) модели;

• оптимизационные модели;

• многокритериальные модели;

• игровые модели;

• имитационные модели.

Остановимся на этом чуть подробнее и поясним на примерах:

1. Моделируя движение кометы, вторгшейся в Солнечную систему, мы описываем (предсказываем) траекторию ее полета, расстояние, на котором она пройдет от Земли и т. д., т. е. ставим чисто описательные цели. У нас нет никаких возможностей повлиять на движение кометы, что-то изменить. Дескриптивными будет в нашем курсе:

· модель падения парашютиста,

· модель распространения тепла в стержне,

2. В некоторых случаях мы можем воздействовать на процесс, пытаясь добиться какой-то цели. В этом случае в модель входит один или несколько параметров, доступных нашему влиянию. Например, меняя тепловой режим в зернохранилище, мы можем стремиться подобрать такой, чтобы достичь максимальной сохранности зерна, т. е. оптимизируем процесс. В нашем курсе мы будем использовать оптимизационные модели при решении экономических задач.

3. Часто приходится оптимизировать процесс по нескольким параметрам сразу, причем цели могут быть весьма противоречивыми. Например, зная цены на продукты и потребность человека в пище, организовать питание больших групп людей (в армии, летнем лагере и др.). С одной стороны питание должно быть как можно полезнее, с другой стороны – как можно дешевле. Ясно, что эти цели, вообще говоря, совсем не совпадают, т.е. при моделировании будет несколько критериев, между которыми надо искать баланс.

4. Игровые модели могут иметь отношение не только к детским играм (в том числе и компьютерным), но и к вещам весьма серьезным. Например, полководец перед сражением в условиях наличия неполной информации о противостоящей армии должен разработать план: в каком порядке вводить в бой те или иные части и при этом учитывать возможную реакцию противника. При этом используется довольно сложный раздел современной математики – теория игр. Она изучает методы принятия решений в условиях неполной информации.

5. Имитационные модели. Часто бывает, что модель в большой мере подражает реальному процессу, т.е. имитирует его. Например – моделирование движения молекул в газе. Каждая молекула представляется в виде шарика, и задаются условия поведения этих шариков при столкновении друг с другом и со стенками (например, абсолютно упругий удар); при этом не нужно использовать никаких уравнений движения. В данном случае имитационное моделирование применяется для описания свойств большой системы при условии, что поведение составляющих ее объектов очень просто сформулировано. Тогда математическое описание сводится к статистической обработке результатов моделирования. В нашем курсе мы будем рассматривать метод Монте-Карло, основанный на моделировании случайных величин.

Дата добавления: 2014-01-20