Математические уравнения процессов можно считать моделями процессов

Видео:Тихонов Н. А. - Основы математического моделирования - Типы математических моделей (Лекция 1)Скачать

Реферат: Математические модели процессов

1.1 Математические модели процессов…………………….………………………….4

1.2 Особенности симплексного метода…………………………………………….…12

Актуальность проблемы. . Математические методы позволяют упорядочить систему экономической информации, выявлять недостатки в имеющейся информации и вырабатывать требования для подготовки новой информации или ее корректировки. Разработка и применение экономико-математических моделей указывают пути совершенствования экономической информации, ориентированной на решение определенной системы задач планирования и управления. Прогресс в информационном обеспечении планирования и управления опирается на бурно развивающиеся технические и программные средства информатики. Интенсификация и повышение точности экономических расчетов. Формализация экономических задач и применение ЭВМ многократно ускоряют типовые, массовые расчеты, повышают точность и сокращают трудоемкость, позволяют проводить многовариантные экономические обоснования сложных мероприятий, недоступные при господстве»ручной» технологии. Углубление количественного анализа экономических проблем. Благодаря применению метода моделирования значительно усиливаются возможности конкретного количественного анализа; изучение многих факторов, оказывающих влияние на экономические процессы, количественная оценка последствий изменения условий развития экономических объектов и т.п.

Решение принципиально новых экономических задач. Посредством математического моделирования удается решать такие экономические задачи, которые иными средствами решить практически невозможно, например: нахождение оптимального варианта народнохозяйственного плана, имитация народнохозяйственных мероприятий, автоматизация контроля за функционированием сложных экономических объектов.

Задачи контрольной работы:

1. Математические модели процессов

2. Особенности симплексного метода

1.1 Математические модели процессов.

Математи́ческая моде́ль — это математическое представление реальности.

Математическое моделирование — процесс построения и изучения математических моделей.

Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его математической моделью и затем изучают последнюю.

Никакое определение не может в полном объёме охватить реально существующую деятельность по математическому моделированию. Несмотря на это, определения полезны тем, что в них делается попытка выделить наиболее существенные черты.

Определение модели по А. А. Ляпунову: Моделирование — это опосредованное практическое или теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система (модель):

1. находящаяся в некотором объективном соответствии с познаваемым объектом;

2. способная замещать его в определенных отношениях;

3 .дающая при её исследовании, в конечном счете, информацию о самом моделируемом объекте.

По учебнику Советова и Яковлева : «модель (лат. modulus — мера) — это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.» (с. 6) «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием.» (с. 6) «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи.»

По Самарскому и Михайлову , математическая модель — это «„эквивалент“ объекта, отражающий в математической форме важнейшие его свойства — законы, которым он подчиняется, связи, присущие составляющим его частям, и т. д.» Существует в триадах «модель-алгоритм-программа». «Создав триаду „модель-алгоритм-программа“, исследователь получает в руки универсальный, гибкий и недорогой инструмент, который вначале отлаживается, тестируется в пробных вычислительных экспериментах. После того, как адекватность (достаточное соответствие) триады исходному объекту установлена, с моделью проводятся разнообразные и подробные „опыты“, дающие все требуемые качественные и количественные свойства и характеристики объекта.»

По монографии Мышкиса : «Перейдем к общему определению. Пусть мы собираемся исследовать некоторую совокупность S свойств реального объекта a с помощью математики (здесь термин объект понимается в наиболее широком смысле: объектом может служить не только то, что обычно именуется этим словом, но и любая ситуация, явление, процесс и т. д.). Для этого мы выбираем (как говорят, строим) „математический объект“ a’ — систему уравнений, или арифметических соотношений, или геометрических фигур, или комбинацию того и другого и т. д.,— исследование которого средствами математики и должно ответить на поставленные вопросы о свойствах S. В этих условиях a’ называется математической моделью объекта a относительно совокупности S его свойств.»

По Севостьянову А. Г. : «Математической моделью называется совокупность математических соотношений, уравнений, неравенств и т.п., описывающих основные закономерности, присущие изучаемому процессу, объекту или системе.»

Несколько менее общее определение математической модели, основанное на идеализации «вход — выход — состояние», заимствованной из теории автоматов, даёт Wiktionary: «Абстрактное математическое представление процесса, устройства или теоретической идеи; оно использует набор переменных, чтобы представлять входы, выходы и внутренние состояния, а также множества уравнений и неравенств для описания их взаимодействия.»

Наконец, наиболее лаконичное определение математической модели: «Уравнение, выражающее идею.»

Формальная классификация моделей

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов дихотомий :

— Линейные или нелинейные модели;

— Сосредоточенные или распределённые системы;

— Детерминированные или стохастические;

— Статические или динамические;

— Дискретные или непрерывные .

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом — распределённые модели и т. д.

Классификация по способу представления объекта

Наряду с формальной классификацией, модели различаются по способу представления объекта:

-Структурные или функциональные модели

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение (функционирование) объекта. В их предельном выражении они называются также моделями «чёрного ящика».Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

Содержательные и формальные модели

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель[. Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель, умозрительная модель или предмодель. При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели (предмодели). Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т. п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий (передний край физики, биологии, экономики, социологии, психологии, и большинства других областей), создание содержательных моделей резко усложняется.

Содержательная классификация моделей

В работе Р. Пайерлса дана классификация математических моделей, используемых в физике и, шире, в естественных науках. В книге А. Н. Горбаня и Р. Г. Хлебопроса эта классификация проанализирована и расширена. Эта классификация сфокусирована, в первую очередь, на этапе построения содержательной модели.

Тип 1 : Гипотеза (такое могло бы быть)

Эти модели «представляют собой пробное описание явления, причем автор либо верит в его возможность, либо считает даже его истинным». По Р. Пайерлсу это, например, модель Солнечной системы по Птолемею и модель Коперника (усовершенствованная Кеплером), модель атома Резерфорда и модель Большого Взрыва.

Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман:

«У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть.»

Если модель первого типа построена, то это означает что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только вре́менной паузой: статус модели первого типа может быть только вре́менным.

Тип 2: Феноменологическая модель (ведем себя так, как если бы…)

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус вре́менных решений. Считается, что ответ всё ещё неизвестен и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до статуса гипотезы. Аналогично, новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира, проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Тип 3: Приближение (что-то считаем очень большим или очень малым)

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае — использование приближений (моделей типа 3). Среди них модели линейного отклика. Уравнения заменяются линейными. Стандартный пример — закон Ома.

Если мы используем модель идеального газа для описания достаточно разреженных газов, то это — модель типа 3 (приближение). При более высоких плотностях газа тоже полезно представлять себе более простую ситуацию с идеальным газом для качественного понимания и оценок, но тогда это уже тип 4.

Тип 4: Упрощение (опустим для ясности некоторые детали)

В модели типа 4 отбрасываются детали, которые могут заметно и не всегда контролируемо повлиять на результат. Одни и те же уравнения могут служить моделью типа 3 (приближение) или 4 (опустим для ясности некоторые детали) — это зависит от явления, для изучения которого используется модель. Так, если модели линейного отклика применяются при отсутствии более сложных моделей (то есть не производится линеаризация нелинейных уравнений, а просто ищутся линейные уравнения, описываюшие объект), то это уже феноменологические линейные модели, и относятся они к следующему типу 4 (все нелинейные детали «для ясности» опускаем).

Примеры: применение модели идеального газа к неидеальному, уравнение состояния Ван-дер-Ваальса, большинство моделей физики твердого тела, жидкостей и ядерной физики. Путь от микроописания к свойствам тел (или сред), состоящих из большого числа частиц, очень длинен. Приходится отбрасывать многие детали. Это приводит к моделям 4-го типа.

Тип 5 : Эвристическая модель (количественного подтверждения нет, но модель способствует более глубокому проникновению в суть дела)

Эвристическая модель сохраняет лишь качественное подобие реальности и даёт предсказания только «по порядку величины». Типичный пример — приближение средней длины свободного пробега в кинетической теории. Оно даёт простые формулы для коэффициентов вязкости, диффузии, теплопроводности, согласующиеся с реальностью по порядку величины.

Но при построении новой физики далеко не сразу получается модель, дающая хотя бы качественное описание объекта — модель пятого типа. В этом случае часто используют модель по аналогии, отражающую действительность хоть в какой-нибудь черте.

Тип 6: Аналогия (учтём только некоторые особенности)

Р. Пайерлс приводит историю использования аналогий в первой статье В. Гейзенберга о природе ядерных сил. «Это произошло после открытия нейтрона, и хотя сам В. Гейзенберг понимал, что можно описывать ядра состоящими из нейтронов и протонов, он не мог все же избавиться от мысли, что нейтрон должен в конечном счете состоять из протона и электрона. При этом возникала аналогия между взаимодействием в системе нейтрон — протон и взаимодействием атома водорода и протоном. Эта-то аналогия и привела его к заключению, что должны существовать обменные силы взаимодействия между нейтроном и протоном, которые аналогичны обменным силам в системе H − H + , обусловленным переходом электрона между двумя протонами. … Позднее было все-таки доказано существование обменных сил взаимодействия между нейтроном и протоном, хотя ими не исчерпывалось полностью взаимодействие между двумя частицами… Но, следуя все той же аналогии, В. Гейзенберг пришёл к заключению об отсутствии ядерных сил взаимодействия между двумя протонами и к постулированию отталкивания между двумя нейтронами. Оба последних вывода находятся в противоречии с данными более поздних исследований».

Тип 7: Мысленный эксперимент (главное состоит в опровержении возможности)

А. Эйнштейн был одним из великих мастеров мысленного эксперимента. Вот один из его экспериментов. Он был придуман в юности и, в конце концов, привел к построению специальной теории относительности. Предположим, что в классической физике мы движемся за световой волной со скоростью света. Мы будем наблюдать периодически меняющееся в пространстве и постоянное во времени электромагнитное поле. Согласно уравнениям Максвелла, этого быть не может. Отсюда юный Эйнштейн заключил: либо законы природы меняются при смене системы отсчета, либо скорость света не зависит от системы отсчета. Он выбрал второй — более красивый вариант. Другой знаменитый мысленный эксперимент Эйнштейна — Парадокс Эйнштейна — Подольского — Розена.

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Тип 8: Демонстрация возможности (главное — показать внутреннюю непротиворечивость возможности)

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципам и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов — геометрия Лобачевского (Лобачевский называл её «воображаемой геометрией»). Другой пример — массовое производство формально — кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна — Подольского — Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа — демонстрацию возможности квантовой телепортации информации.

В основе содержательной классификации — этапы, предшествующие математическому анализу и вычислениям. Восемь типов моделей по Р. Пайерлсу суть восемь типов исследовательских позиций при моделировании.

Рассмотрим механическую систему, состоящую из пружины, закрепленной с одного конца, и груза массой m, прикрепленного к свободному концу пружины. Будем считать, что груз может двигаться только в направлении оси пружины (например, движение происходит вдоль стержня). Построим математическую модель этой системы. Будем описывать состояние системы расстоянием x от центра груза до его положения равновесия. Опишем взаимодействие пружины и груза с помощью закона Гука (F = − kx) после чего воспользуемся вторым законом Ньютона, чтобы выразить его в форме дифференциального уравнения:

где означает вторую производную от x по времени: .

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором».

По формальной классификации эта модель линейная, детерминисткая, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений (об отсутствии внешних сил, отсутствии трения, малости отклонений и т. д.), которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), такая модель достаточно хорошо описывает реальную механическую систему, поскольку отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой (хотя и снова ограниченной) областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная (и, формально, «более правильная»).

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

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.

1.2 Особенности 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.

1. Записать задачу в канонической форме: заменить все ограничения-неравенства с положительной правой;
2. Разделить переменные на базисные и свободные: перенести свободные переменные в правую часть ограничений-неравенств.
3. Выразить базисные переменные через свободные: решить систему линейных уравнений (ограничений-неравенств) – относительно базисных переменных;
4. 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.
5. Выразить функцию цели через свободные переменные: базисные переменные, входящие в функцию, выразить через свободные переменные;
6. Вычислить полученное базисное решение и функцию цели на нем: приравнять к 0 свободные переменные;
7. проанализировать формулу функции цели: если все коэффициенты свободных переменных положительны (отрицательны), то найденное базисное решение будет минимально (максимально) и задача считается решенной;
8. 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);
9. 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»).

III. Ограничения вида «³ » — Плановые ограничения. Дополнительные переменные (X), несущие определенный экономический смысл — перерасход ресурсов или перевыполнение плана, перепроизводство, добавляются с коэффициентом «-1», в целевую функцию — с коэффициентом «0». А искусственные переменные (Y) как в предыдущем случае.

Алгоритм симплекс метода .

(первая симплекс таблица)

Пусть система приведена к каноническому виду.

X1+ q1,m+1 Xm+1 + …. + q1,m+nXm+n = h1

X2+ q1,m+1 Xm+1 + …. + q1,m+nXm+n = h1

X3+ q1,m+1 Xm+1 + …. + q1,m+nXm+n = h1

Xm+ qm,m+1 Xm+1 + …. + qm,m+nXm+n =hm

В ней m базисных переменных, k свободных переменных. m+k=n — всего переменных.

Fmin= C1X1+ C2X2+ C3X3+. + CnXn

Все hi должны быть больше либо равны нулю, где i=1,2. m. На первом шаге в качестве допустимого решения принимаем все Xj=0 (j=m+1,m+2. m+k). При этом все базисные переменные Xi=Hi.

Для дальнейших рассуждений вычислений будем пользоваться первой симплекс таблицей (таблица 3.1).

Видео:7 класс, 3 урок, Что такое математическая модельСкачать

Основы математического моделирования систем и процессов (стр. 2 )

Из за большого объема этот материал размещен на нескольких страницах: 1 2 3 4 5

В каждом из перечисленных случаев в различной степени сказывается влияние таких ранее не учтенных факторов, как сила сопротивления воздуха, притяжение Луны, Солнца, убывание плотности атмосферы с высотой, вращение Земли, ветер, по-разному дующий на разных высотах, фактическое отличие формы Земли от шара (она является телом более сложной геометрической формы).

Проблема 3. Определение уровня детализации исследуемого объекта.

Любая физическая система представляет собой совокупность элементов. Каждый элемент в свою очередь можно расчленить на подэлементы. Процесс расчленения теоретически может быть бесконечным. Задача исследователя – выбрать оптимальный уровень детализации моделируемого объекта. Уровень детализации определяется целью моделирования и степенью знаний о свойствах элементов объекта.

Детализацию целесообразно производить до такого уровня, на котором для каждого элемента можно определить зависимость параметров выходных сигналов от параметров входных сигналов. Стремление повысить уровень детализации приводит к чрезмерной громоздкости модели и резкому увеличению ее размерности.

3-й этап. Формирование математической модели, т. е. запись модели в формализованном виде:

– все соотношения записывают в аналитической форме;

– логические условия выражают в виде систем неравенств;

– случайные процессы заменяют их типовыми моделями.

4-й этап. Исследование математической модели. Инструментами исследования являются численные и аналитические методы.

5-й этап. Анализ результатов моделирования с последующим выводом об адекватности модели либо о необходимости ее доработки, либо о ее непригодности.

1.3.4. Классификация математических моделей

Математические модели можно классифицировать по форме их представления (рис. 1.10). За основу второй классификации (рис. 1.11) взят характер модели.

2. МАТЕМАТИЧЕСКИЕ МОДЕЛИ В ФОРМЕ

СИСТЕМ ЛИНЕЙНЫХ АЛГЕБРАИЧЕСКИХ УРАВНЕНИЙ

2.1. Области применения

Исследование некоторых физических систем приводит к математическим моделям в форме систем линейных алгебраических уравнений (СЛАУ). Иногда СЛАУ появляются в процессе математического моделирования как промежуточный шаг (этап) в решении более сложной задачи. Есть значительное число научно-технических задач, в которых математические модели сложных нелинейных систем посредством дискретизации или линеаризации сводятся к решению СЛАУ.

Примеры задач, использующих математические модели в форме СЛАУ:

1) при проектировании и эксплуатации электротехнических устройств требуется проведение расчета и анализа их работы в стационарных режимах. Задача сводится к расчету эквивалентных схем, в основе которого лежит формирование и решение СЛАУ;

2) при построении математической модели, связывающей функциональной зависимостью некоторые параметры x, y исследуемого объекта на основании полученных в результате эксперимента данных , где i = 1,2,3, . ,n (задачи аппроксимации данных);

3) при исследовании процессов в системах, математические модели которых строятся в классе дифференциальных уравнений в частных производных. В результате разностной аппроксимации исходной модели при определенных условиях приходят к математическим соотношениям в форме СЛАУ;

4) сущность многих физических процессов математически отображается с помощью интегральных уравнений. Ввиду сложности решения многих из них исследователь предпочитает свести задачу к решению модели в форме СЛАУ, используя известные методы аппроксимации.

5) исследование систем автоматического регулирования в установившемся режиме приводит во многих случаях к статическим моделям в форме СЛАУ.

Система линейных уравнений порядка n имеет вид:

(2.1)

или в векторно-матричной форме:

(2.2)

где – вектор свободных членов;

– вектор неизвестных;

A – матрица коэффициентов системы, размером .

2.2. Методы решения

Методы решения СЛАУ делятся на две группы: прямые (точные) и итерационные (приближенные).

Прямые методы позволяют получить решение за конечное число шагов. Итерационные методы построены по принципу многократного вычисления последовательных приближений, сходящихся к искомому решению.

Прямые методы целесообразно использовать для решения систем сравнительно небольшой размерности с плотно заполненной матрицей (матрицей, имеющей малое количество нулевых элементов). Итерационные методы предпочтительнее в задачах большой размерности со слабо заполненными матрицами.

К прямым методам относятся метод определителей, метод Гаусса и его модификации, метод LU-разложения, матричный метод и др. К разряду итерационных методов принадлежат метод простой итерации, метод Зейделя.

Видео:Лекция 09.01. Математические модели технологических процессовСкачать

2.2.1. Прямые методы

2.2.1.1. Метод Гаусса

Решение СЛАУ осуществляется в два этапа (прямой и обратный ход)

Прямой ход. Исходная система (2.1) путем последовательных преобразований приводится к треугольному виду. Это достигается последовательным исключением неизвестных из уравнений. В результате получается эквивалентная система:

(2.3)

Обратный ход. С помощью подстановки в предпоследнее (n-1)-е уравнение системы (2.3) вычисляется . Подстановкой и в (n-2)-е уравнение определяют . Таким же образом последовательно определяют неизвестные .

П р и м е р 14. Решить систему с тремя неизвестными методом Гаусса:

(2.4)

Прямой ход. Первое уравнение из системы (2.4) разделим на 3:

(2.5)

Из второго уравнения исключим неизвестное Для этого ко второму уравнению прибавим преобразованное первое уравнение, умноженное на (–2). Получим:

(2.6)

(2.7)

Разделим уравнение (2.7) на . Получим:

. (2.8)

Из третьего уравнения системы (2.4) исключим . Для этого из третьего уравнения вычтем первое преобразованное (2.5):

(2.9)

(2.10)

Разделим уравнение (2.10) на :

, (2.11)

(2.12)

Из третьего уравнения системы (2.12) исключим неизвестное . Для этого к третьему уравнению прибавим второе:

(2.13)

или , (2.14)

откуда выразим : .

Тогда эквивалентная система в треугольном виде примет вид:

(2.15)

Обратный ход. Подставим значение во второе уравнение системы (2.15) и найдем . Подстановкой значений и в первое уравнение найдем .

Если квадратная матрица линейной системы

(2.16)

имеет отличные от нуля главные диагональные миноры, т. е.

(2.17)

то она может быть разложена на произведение двух треугольных матриц – нижней с ненулевыми диагональными элементами и верхней – с единичными диагональными элементами

(2.18)

Поэтому матричное уравнение (2.16) можно заменить уравнением:

(2.19)

Введем вектор вспомогательных переменных Тогда уравнение (2.19) можно записать в виде системы двух векторно-матричных уравнений:

(2.20)

Таким образом, решение системы (2.16) сводится к последовательному решению двух систем с треугольными матрицами типа (2.3) или (2.15), из которых неизвестные определяются последовательной подстановкой.

Математически это выражается так: из первого уравнения системы (2.20) определяется вектор :

, (2.21)

после чего из второго уравнения системы (2.19) вычисляется вектор :

. (2.22)

Обратные матрицы и существуют, т. к. определители треугольных матриц L и U, вычисляемые как произведения их диагональных элементов, отличны от нуля.

Метод LU-разложения – это фактически метод Гаусса, выраженный в векторно-матричной форме, отличающийся от классического варианта способом хранения матриц.

2.2.1.3. Матричный метод

Если для системы выполняется условие невырожденности матрицы A

, (2.23)

то решение этой системы можно представить в виде:

, (2.24)

где – обратная матрица.

2.2.2. Итерационные методы

2.2.2.1. Метод простых итераций

Исходная система уравнений (2.1) приводится к виду:

(2.25)

(2.26)

Задав начальные (нулевые) приближения для искомых неизвестных:

(2.27)

подставляем их в правую часть системы (2.26). Получаемые при этом в левой части системы значения представляют собой первые приближения:

, (2.28)

где

Подставив первые приближения в правую часть системы (2.26), в левой ее части получим вторые приближения − :

. (2.29)

Таким образом, итерационный процесс описывается соотношениями:

(2.30)

Полученные в результате последовательности итераций приближения: сходятся к истинному решению системы (2.1), в том случае, если для коэффициентов системы (2.26) выполняется хотя бы одно из условий:

; (2.31)

. (2.32)

Вычисления продолжают до тех пор, пока не будет выполнено условие:

(2.33)

где – заданная точность.

2.2.2.2. Метод Зейделя

Метод Зейделя – модификация метода простых итераций, обеспечивающая ускорение сходимости итерационного процесса к истинному решению системы за счет следующего приема.

Уточненное значение , полученное из первого уравнения системы (2.26) вводится во второе уравнение системы и используется для вычисления . Затем уточненные значения , вводятся в третье уравнение системы (2.26) и используются для вычисления . Таким образом, k-е приближение будет определяться через уточненные в процессе k-й итерации значения . Следовательно, итерационный процесс, реализуемый в методе Зейделя, может быть выражен соотношениями:

(2.34)

3. МАТЕМАТИЧЕСКИЕ МОДЕЛИ В ФОРМЕ НЕЛИНЕЙНЫХ

АЛГЕБРАИЧЕСКИХ И ТРАНСЦЕНДЕНТНЫХ УРАВНЕНИЙ

3.1. Пример формирования модели

П р и м е р 15. Моделируемый объект – нелинейная цепь постоянного тока (рис. 3.1). R2 – нелинейное сопротивление.

По закону Кирхгофа

(3.1)

Нелинейную вольт-амперную характеристику (ВАХ) элемента R2 аппроксимируем выражением:

(3.2)

Сделаем подстановку выражения (3.2) в уравнение (3.1):

(3.3)

(3.4)

f(i)

Соотношение f(i) = 0 представляет собой математическую модель электрической цепи в форме нелинейного алгебраического уравнения относительно тока i. Решение этой модели позволит определить ток i в цепи при заданных значениях U и R1.

Исследование объектов различной физической природы в установившемся режиме часто приводит к статическим моделям в форме нелинейных алгебраических уравнений.

Алгебраическое уравнение может содержать только алгебраические функции, в которых над переменной x производятся арифметические операции, возведение в степень с рациональным показателем и извлечение корня. Например:

(3.5)

(3.6)

В некоторых задачах моделирование приводит к трансцендентному уравнению.

Трансцендентным называется уравнение, в состав которого входят трансцендентные функции: показательная, логарифмическая, тригонометрические функции, возведение в иррациональную степень. Например:

(3.7)

(3.8)

3.2. Базовые понятия

Уравнение с одним неизвестным x в общем случае имеет вид:

где z(x) и g(x) — функции, определенные на некотором числовом множестве X, называемом областью допустимых значений уравнения.

Другая форма записи уравнения с одним неизвестным имеет вид:

где f(x) = z(x) – g(x) получается в результате переноса функции g(x) в левую часть уравнения (3.9).

Всякое значение x*, которое при подстановке в уравнение (3.10) обращает его в числовое равенство, а функцию f(x) — в ноль, т. е. такое, что

, (3.11)

называется корнем уравнения, или нулем функции f(x).

Решить уравнение – значит найти все его корни (решения) или доказать, что уравнение не имеет корней.

Для алгебраических уравнений число корней известно заранее. Каждое алгебраическое уравнение степени n имеет в множестве комплексных чисел n корней с учетом кратности.

3.3. Методы решения

Аналитическое (явное) решение, т. е. решение в виде готовой формулы, выражающей неизвестное x через параметры уравнения, можно получить только для ограниченного круга уравнений, например формулы для вычисления корней квадратного (аx2+bx+c=0) и кубического (x3+px+q=0) уравнений. Решение некоторых простейших трансцендентных уравнений может быть получено в аналитической форме с использованием степенных рядов, непрерывных дробей и т. д.

В большинстве случаев найти явное решение уравнения очень сложно или невозможно. Кроме того, использование аналитических формул для решения большинства уравнений не может обеспечить получение точного значения корня, поскольку коэффициенты уравнения являются приближенными величинами, определенными в результате измерений. Поэтому задача отыскания точного значения корня теряет смысл.

Ставится задача – определить приближенное значение корня уравнения с заданной точностью.

Приближенное решение математических задач лежит в основе численных методов.

3.3.1. Особенности численных методов решения

3.3.1.1. Этапы численного решения нелинейного уравнения

Численное решение уравнения f(x) = 0 (речь идет о действительных корнях) проводят в два этапа:

1) отделение корней, т. е. отыскание таких достаточно малых отрезков в области допустимых значений x, в которых содержится только один корень;

2) уточнение корней, т. е. вычисление корней с заданной точностью.

3.3.1.2. Отделение корней

Рассмотрим несколько способов отделения корней.

С п о с о б 1 – по графику функции y = f(x).

приближенно определяется как абсцисса точки пересечения графика с осью Оx (рис. 3.2). Устанавливаются границы a и b отрезка, в пределах которого заключен только один корень x*.

С п о с о б 2 – уравнение f(x) = 0 заменяют равносильным:

. (3.13)

Строят графики функций и

Приближенное значение корня определяют как абсциссу точки пересечения этих графиков.

Например: отделим корень уравнения

(3.14)

для области значений аргумента x > 0.

Преобразуем уравнение (3.14) к виду:

(3.15)

где

Строим графики (рис. 3.3) и находим приближенно x* и отрезок .

С п о с о б 3 – по таблице значений функции f(x) на интересующем интервале изменения аргумента x. Например, представим таблицу (табл.3.1) значений функции

. (3.16)

Из данных табл. 3.1 видно, что корень уравнения существует и его следует искать на отрезке [7,0; 10,0], так как значения функции на концах этого отрезка имеют разные знаки.

Таблица значений функции

С п о с о б 4 – аналитический метод отделения корней, который базируется на знании следующих свойств функции:

а) если функция непрерывна на отрезке и принимает на концах этого отрезка значения разных знаков, то внутри отрезка существует по крайней мере один корень уравнения ;

б) если функция непрерывна и монотонна на отрезке и принимает на концах отрезка значения разных знаков, а производная сохраняет постоянный знак внутри отрезка, то внутри этого отрезка существует корень уравнения и притом единственный.

Функция называется монотонной в заданном интервале, если при любых из этого интервала она удовлетворяет условию (монотонно возрастающая функция)

или (монотонно убывающая функция).

Необходимым и достаточным условием монотонности функции в заданном интервале является выполнение для всех внутренних точек этого интервала условия или

Зная свойства функции , можно сделать вывод о характере графика , что может существенно облегчить процесс отыскания корней. Продемонстрируем это для непрерывной и монотонной на отрезке функции , которая принимает на концах отрезка значения разных знаков, имеет во всех точках интервала первую и вторую производные и , сохраняющие постоянный знак (рис. 3.4).

3.3.1.3. Уточнение корней

Рассмотрим несколько численных методов уточнения корней, применяемых для решения как алгебраических, так и трансцендентных уравнений. Эти методы относятся к разряду итерационных.

Итерационный процесс состоит в последовательном шаг за шагом уточнении начального приближения x0 искомого корня. Каждый шаг такого метода называется итерацией.

В результате реализации итерационного метода получают последовательность приближенных значений корня Если эти значения с увеличением n приближаются к истинному значению корня x*, то говорят, что итерационный процесс сходится.

3.3.1.3.1. Метод половинного деления (дихотомии, бисекции)

Пусть дано уравнение

(3.17)

где функция непрерывна и монотонна на отрезке и имеет на концах отрезка разные знаки:

(3.18)

Требуется найти корень уравнения (3.17) с точностью до График функции представлен на рис. 3.5.

Рассмотрим суть и этапы реализации метода половинного деления.

1) Отрезок делим пополам и определяем середину отрезка:

(3.19)

2) Вычисляем значение функции в точке Если , то является корнем уравнения. Если то поиск корня продолжается на одном из двух полученных отрезков – или . Следует выбрать тот отрезок, на концах которого функция принимает значения противоположных знаков. В данном случае (см. рис. 3.5) выбираем отрезок , так как для него выполняется условие: Для того чтобы сохранить в дальнейших расчетах единое обозначение текущего отрезка, на котором ведется поиск корня на данном шаге вычислений, необходимо параметру b присвоить новое значение : b = . С точки зрения геометрической интерпретации (см. рис. 3.5) это означает, что правая граница исходного отрезка точка b переносится в точку а оставшаяся за пределами точки часть графика дальше не рассматривается.

Видео:Математическое моделированиеСкачать

Математическая модель

Видео:Математическая модель задачиСкачать

Что такое математическая модель

Математическая модель — концепция представления реальности математическим способом, вариант схемы как комплекса, изучение которого позволяет человеку обрести знания о некой другой системе.

Простой пример: график зависимости среднесуточной температуры от времени.

Математическая модель также была создана для того, чтобы проанализировать и предугадать поведение материального объекта. Однако у математической модели есть проблема, от которой не избавиться — идеализация.

Математическое моделирование — процесс создания, а также приемы построения и исследования математических моделей.

Все науки, которые используют для решения своих задач математический аппарат, практикуют математическое моделирование. То есть, заменяют объект своего исследования математической моделью и занимаются исследованием последней.

При помощи совокупности математических методов можно описать образцовый объект или процесс, который построен на стадии содержательного моделирования.

Как осуществляется связь математической модели и реальности?

1. Эмпирические законы.
2. Гипотезы.
3. Идеализация.
4. Упрощения.

Самые важные математические модели всегда обладают качеством универсальности. То есть, совершенно разные феномены могут быть описаны одной математической моделью.

Однако стоит помнить, что модель — объект, она может иметь собственные качества и свойства, которые могут не относиться к реальному моделируемому объекту.

Часто математические модели представляют в виде:

1. Графика. Получить данные для решения задачи мы можем, посмотрев на данные графика.
2. Уравнения. Данные для решения задачи зашифрованы в виде уравнения, под буквами x и y.

Представим основные понятия, которые важны для изучения данной темы:

1. Реальный объект — исследуемый объект. Им может быть явление, система, либо процесс.
2. Модель — нематериальный или материальный объект исследования, который является заменителем настоящего процессаявлениясистемы.
3. Моделирование — способ исследования предметов с помощью прототипов.

Видео:2) ТАУ для чайников. Часть 2.1: Математические модели...Скачать

Виды математических моделей, классификация

Существует несколько классификаций математических моделей. Рассмотрим некоторые из них.

Формальная типология

Основа данной классификации — какие математические средства используются для создания модели. Для создания схем в формальной классификации часто используется прием дихотомии.

Дихотомия — раздвоение, разделение чего-то на две части. Например, графиков.

К известным типам дихотомии относятся:

Типология по методу представления объекта

В рамках данной классификации выделяют структурные и функциональные модели.

• Структурная модель показывает объект как комплекс с механизмом и устройством функционирования.
• Функциональные модели могут отражать поведение объекта, которое мы можем воспринимать внешне.

Эти парадигмы также имеют название «черные ящики».

Содержательные, а также формальные модели

Многие авторы, которые описывают процесс моделирования в математике, отмечают, что для начала нужно построить специальную образцовую конструкцию, так называемую содержательную модель.

В разных учебных изданиях идеальный объект называется по-разному. Встречаются такие примеры как умозрительная модель, концептуальная модель, а также предмодель.

Конечная математическая схема будет назваться формальной моделью (математическая модель). Она получается в результате представления предмодели с помощью формального языка.

Построить умозрительную модель можно с помощью уже готового набора идеализаций. Например, в механике существуют идеальные пружины, маятники, твердые тела и тд, которые представляют собой готовые заготовки для построения содержательной модели.

Однако есть научные области, в которых сложно построить содержательные модели, потому что в них нет полноценных формализованных доктрин. К таким дисциплинам относятся биология, физика, психология, экономика и многие другие).

Содержательная типология

В работах английского физика Рудольфа Эрнста Пайерлса можно найти некоторые типологии математических моделей, которые используются в физике и других естественных науках. Советские ученые Александр Горбань и Рэм Хлебопрос расширили классификацию Пайерлса. Данная типология акцентирует свое внимание на процессе выстраивания содержательной модели. Итак, существуют следующие типы математических моделей:

• Гипотеза. Это пробное описание феноменов, автор которых либо верит в возможность их существования, либо считает это явление истинным. Такой, по мнению Пайерлса, является макет Солнечной системы от Птолемея, атомная модель Резерфорда, прототип Большого взрыва.
• Феноменологическая модель. Этот тип содержит систему для описания феномена. Эта система обычно не особенно убедительна, не имеет достаточную аргументационную базу, плохо соотносится с существующими теориями. У феноменологических моделей временный статус. Ответ на вопрос феноменологической модели неизвестен, поэтому продолжается поиск истинных решений проблемы. К этому типу относятся макет теплорода.
• Приближение. Если возможно построение уравнения, которое могло бы описать систему, это не значит, что его можно найти решения уравнения с помощью компьютерных программ. К таким уравнения относятся модели линейного отклика. Просто пример приближения — закон Ома.
• Упрощение. В рамках данной модели убираются детали, которые могли бы повлиять на результат исследования (заметно и не контролируемо). Примером данного типа являются уравнения состояния Вандер-Ваальса, а также модели из физики жидкостей, твердого тела и т.д.
• Эвристическая модель. Данная модель сохраняет подобие реальности, метод «слепого поиска» (через ошибки и пробы). Примером данной модели может быть измерение средней длины свободного пробега в кинетической теории.
• Аналогия. Этот тип учитывает лишь некоторые особенности систем. Примером аналогии может быть исследование Гейзенберга о происхождении ядерных сил.
• Мысленный эксперимент. Основа данного типа — предположение не на практике, не в результате реального эксперимента, а в опровержении какой-либо возможности в теории. Мысленный эксперимент часто использовал в своей работе Эйнштейн. В результате одного из мысленных экспериментов была выведена специальная теория относительности.
• Демонстрация возможности. Основа данного типа — показать непротиворечивость возможности. Это своеобразные мысленные эксперименты, которые демонстрируют, что явление может согласоваться с базовыми теориями и непротиворечиво само по себе. Модель демонстрации возможности был использован для эксперимента геометрии Лобачевского.

Сложность моделируемой системы

Выделяются три уровня систем по сложности:

• простые физические;
• сложные физические;
• биологические системы.

Советский академик Александр Андронов выделил три типа неустойчивых моделей:

1. Неустойчивые к преобразованию начальных требований.
2. Неустойчивые к небольшим преобразованиям условий, которые не вызывают никаких изменений в числе степеней свободы системы.
3. Неустойчивые к небольшим преобразованиям условий, которые вызывают изменения в числе степеней свободы системы.

Неустойчивые модели называют негрубыми. Устойчивые модели — мягкие.

Какие еще бывают модели?

1. Игровые (игры).
2. Учебные (тренажеры).
3. Опытные (уменьшенные копии чего-то).
4. Исследовательские (для исследования процессов).
5. Имитационные (представляют явления реальности).

Это ряд прототипов, которые выделяются по принципу применения.

Также выделяют материальные и информационные модели. Натуральные — муляжи, макеты. А информационные — прототипы, которые заменяют реальность формально (то есть словесно, графически и т.д.).

Видео:Информатика 11 класс (Урок№10 - Математические модели. Стохастические модели.)Скачать

Какие параметры нужны для построения математической модели

Рассмотрим принципы построения математических моделей:

1. Информационная достаточность. Невозможно построить схему без исследуемой информации. А при полноценном информационном обеспечении (когда все известно), построение не имеет никакого смысла. Поэтому для разработки математической модели важно иметь достаточное количество информации (не избыточное или недостаточное).
2. Осуществимость проекта. Схема обязана гарантировать достижение определенной цели исследования.
3. Множественность модели. Модель обязана отражать свойства реальных явлений, которые сказываются на эффективности исследования. Должны исследоваться лишь некоторые части реального объекта. Для полноценного исследования необходимо проанализировать некоторое множество (ряд) моделей.
4. Агрегирование. Создание в рамках большой и сложной системы несколько подсистем, которые могут помочь решить задачу, поставленную в исследовании.
5. Параметризация. Подсистема с определенным параметром выражается в числовой величине. Они не описывают процесс функционирования. Зависимость величины может быть задано таблицей, формулой, графиком. Служит для сокращения объема.

Также все математические модели должны отличаться следующими признаками адекватностью, конечностью, полнотой, упрощенностью, гибкостью.

Видео:Информатика 9 класс (Урок№4 - Математическое моделирование. Контрольная работа.)Скачать

Алгоритм составления, основные моменты

Для того чтобы составить математическую модель необходимо перевести данные задачи в вид математической формы. То есть переделать слова в формулу, уравнение и т.д. Необходимо установить математические связи между всеми условиями задачи.

Стоит помнить, что формула, уравнение математической модели должно полностью соответствовать тексту задачи, потому что иначе цель исследования изменится, а значит и задачу мы будем решать другую.

Представим алгоритм решения математической модели:

1. Определяем цель исследования.
2. Выделяем свойства системы.
3. Выбираем средства, с помощью которых будем исследовать систему.
4. Проводим исследование.
5. Анализируем получившиеся результаты.
6. Корректируем прототип.

Попробуем составить математическую модель на примере простой задачи:

Иван Федорович вернулся с охоты и показал своей семье добычу. Оказалось, что он принес 10 тушек зайцев, которые живут в тайге, 50 % всей добычи — из тундры, а из местного леса, где охотился Иван Федорович нет ни одного животного. Сколько всего дичи купил Иван Федорович в магазине «Мясо диких животных?».

Данный текст нужно представить в виде уравнения. Для этого необходимо установить математические связи между всеми условиями задачи.

1. Обращаем внимание на главные математические данные. 10 тушек и 50%.
2. Найдем скрытую информацию. Под 50% имеется в виду 50% от всего количества дичи.
3. Представим главный вопрос — сколько дичи — в виде X. То есть, X — количество всей дичи, что есть у Ивана Федоровича.
4. Процентное соотношение дичи из тундры нужно перевести в штуки, потому что в математических задачах важно все составлять в одинаковых значениях.
5. Число дичи из тундры невозможно посчитать в штуках, поэтому переводим в уравнение 50% = 0,5*X. Данное уравнение верно для вычисления количества дичи из тундры.
6. Какие данные у нас есть? 10 штук тушек зайцев из тайги, 0,5*X — дичи из тундры, а также X общее количество дичи.
7. То есть, общее количество дичи будет равно сумме дичи из тайги и дичи из тундры. То есть, уравнение X = 10 + 0,5X.
8. X = 10 + 0,5X — математическая модель.
9. Далее решаем линейное уравнение и получаем, что дичи всего 20 штук.
10. Ответ: 20.

Обобщение — для того, чтобы построить математическую модель, нужно выбросить всю ненужную информацию из задачи, оставить только нужное и заменяем на математический объект.

🎦 Видео

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ//#МАТЕМАТИКА_ПРОСТОСкачать

Математическое моделирование экономических процессовСкачать

Математическое моделирование - Лекция 1 (09.02.07)Скачать

Математическое моделирование социальных процессовСкачать

Математика это не ИсламСкачать

Математическое моделирование экономических процессовСкачать

Математическое моделированиеСкачать

Математическое моделирование процессовСкачать

Математическое моделирование технологических процессовСкачать

Математическая модель задачи. Как составить. Математическая постановка. Исследование операций.Скачать

Олегу Тинькову запрещён вход на Мехмат МГУСкачать

Проектная работа - Математические модели оценки процессовСкачать