Процесс компьютерного математического моделирования

Здесь мы рассмотрим процесс компьютерного математического моделирования, включающий численный эксперимент с моделью (рис. 3.1).

Первый этап – определение целей моделирования. Основные из них таковы:

1) модель нужна для того, чтобы понять, как устроен конкретный объект, какова его структура, основные свойства, законы развития и взаимодействия с окружаю­щим миром (понимание);

2) модель нужна для того, чтобы научиться управлять объектом (или процессом) и определить наилучшие способы управления при заданных целях и критериях (управление);

3) модель нужна для того, чтобы прогнозировать прямые и косвенные последствия реализации заданных способов и форм воздействия на объект (прогнозирование).

Поясним это на примерах. Пусть объект исследования – взаимодействие потока жидкости или газа с телом, являющимся для этого потока препятствием. Опыт показывает, что сила сопротивления потоку со стороны тела растет с ростом скорости потока, но при некоторой достаточно высокой скорости эта сила скачком уменьшает­ся, с тем чтобы с дальнейшим увеличением скорости снова возрасти. Что же произош­ло, обусловив уменьшение силы сопротивления? Математическое моделирование позволяет получить четкий ответ: в момент скачкообразного уменьшения сопротив­ления вихри, образующиеся в потоке жидкости или газа позади обтекаемого тела, начинают отрываться от него и уноситься потоком.

Пример совсем из другой области: мирно сосуществовавшие со стабильными численностями популяции двух видов особей, имеющих общую кормовую базу, “вдруг” начинают резко менять численность – и здесь математическое моделирование позволяет (с известной долей достоверности) установить причину (или, по крайней мере, опровергнуть определенную гипотезу).

Выработка концепции управления объектом – другая возможная цель моделиро­вания. Какой режим полета самолета выбрать для того, чтобы полет был вполне безопасным и экономически наиболее выгодным? Как составить график выполне­ния сотен видов работ на строительстве большого объекта, чтобы оно закончилось в максимально короткий срок? Множество таких проблем систематически возника­ет перед экономистами, конструкторами, учеными.

Наконец, прогнозирование последствий тех или иных воздействий на объект мо­жет быть как относительно простым делом в несложных физических системах, так и чрезвычайно сложным – на грани выполнимости – в системах биолого-экономических, социальных. Если относительно легко ответить на вопрос об измене­нии режима распространения тепла в тонком стержне при изменениях в составляю­щем его сплаве, то несравненно труднее проследить (предсказать) экологические и климатические последствия строительства крупной ГЭС или социальные последствия изменений налогового законодательства. Возможно, и здесь методы математического моделирования будут оказывать в будущем более значительную помощь.

Составим список величин, от которых зависит поведение объекта или ход процес­са, а также тех величин, которые желательно получить в результате моделирования. Обозначим первые (входные) величины через х1, х2, ..., xn; вторые (выходные) через y1,y2,…,yk. Символически поведение объекта или процесса можно представить в виде:

где Fj– те действия, которые следует произвести над входными параметрами, чтобы получить результаты. Хотя запись F(х1, х2, ..., xn) напоминает о функции, мы здесь используем ее в более широком смысле. Лишь в простейших ситуациях F(x) есть функция в том смысле, который вкладывается в это понятие в учебниках математики; чтобы это подчеркнуть, лучше использовать по отношению к F(x) термин “оператор”.

Входные параметры хi, могут быть известны “точно”, т.е. поддаваться (в принципе) измерению однозначно и с любой степенью точности – тогда они являются детерминированными величинами. Так, в классической механике, сколь сложной ни была бы моделируемая система, входные параметры детермини­рованы – соответственно, детерминирован, однозначно развивается во времени процесс эволюции такой системы. Однако в природе и обществе гораздо чаще встречаются процессы иного рода, когда значения входных параметров известны лишь с определенной степенью вероятности, т.е. эти параметры являются вероятно­стными (стохастическими), и, соответственно, таким же является процесс эволюции системы (случайный процесс).

“Случайный” – не значит “непредсказуемый”; просто характер исследования, задаваемых вопросов резко меняется (они приобретают вид “С какой вероятно­стью...”, “С каким математическим ожиданием...” и т.п.). Примеров случайных процессов не счесть как в науке, так и в обыденной жизни (силы, действующие на летящий самолет в ветреную погоду, переход улицы при большом потоке транс­порта и т.д.).

Для стохастической модели выходные параметры могут быть как величинами вероятностными, так и однозначно определяемыми. Пример последнего: на пере­крестке улиц можно ожидать зеленого сигнала светофора и полминуты, и две минуты (с разной вероятностью), но среднее время ожидания есть величина вполне определенная, и именно она может быть объектом моделирования.

Важнейшим этапом моделирования является разделение входных параметров по степени важности влияния их изменений на выходные. Такой процесс называется ранжированием (разделением по рангам). Чаще всего невозможно (да и не нужно) учитывать все факторы, которые могут повлиять на значения интересующих нас величин уj. От того, насколько умело выделены важнейшие факторы, зависит успех моделирования, быстрота и эффективность достижения цели. Выделить более важные (или, как говорят, значимые) факторы и отсеять менее важные может лишь специалист в той предметной области, к которой относится модель. Так, опытный учитель знает, что на успех контрольной работы влияет степень знания предмета и психологический настрой класса; однако влияют и другие факторы – например, каким уроком по счету идет контрольная, какова в этот момент погода и т.д., т.е. фактически проведено ранжирование.

Отбрасывание (по крайней мере при первом подходе) менее значимых факто­ров огрубляет объект моделирования и способствует пониманию его главных свойств и закономерностей. Умело ранжированная модель должна быть адекват­на исходному объекту или процессу в отношении целей моделирования. Обычно определить, адекватна ли модель, можно только в процессе экспериментов с ней, анализа результатов.

На рис. 3.2 проиллюстрированы две крайние ситуации: а) некоторый параметр хi, очень сильно влияет на результирующую величину уj;, б) почти не влияет на нее. Ясно, что если все представляющие интерес величины уjреагируют на хiтак, как изображено на рис. 3.2,б, то хiявляется параметром, который при первом подходе может быть из модели исключен; если же хотя бы одна из величин уjреагирует на изменение хiтак, как изображено на рис. 3.2,а, то хiнельзя исключать из числа важнейших параметров.

Следующий этап – поиск математического описания. На этом этапе необходимо перейти от абстрактной формулировки модели к формулировке, имеющей конкретное математическое наполнение. В этот момент модель предстает перед нами в виде уравнения, системы уравнений, системы неравенств, дифференциального уравнения или системы таких уравнений и т.д.

Когда математическая модель сформулирована, выбираем метод ее исследова­ния. Как правило, для решения одной и той же задачи есть несколько конкретных методов, различающихся эффективностью, устойчивостью и т.д. От верного выбора метода часто зависит успех всего процесса.

Разработка алгоритма и составление программы для ЭВМ – это творческий и трудноформализуемый процесс. В настоящее время при компьютерном математи­ческом моделировании наиболее распространенными являются приемы процедур­но-ориентированного (структурного) программирования. Из языков программирования многие профессионалы-физики, например, до сих пор предпочитают FORTRAN как в силу традиций, так и в силу непревзойденной эффективности компиляторов (для расчетных работ) и наличия написанных на нем огромных, тщательно отлаженных и оптимизированных библиотек стандартных программ математической ориентации. В ходу и такие языки, как PASCAL, BASIC, – в зависимости от характера задачи и склонностей программиста.

При создании имитационной модели можно также воспользоваться возможностями одного из пакетов математической поддержки (MATHEMATICA, Eureka, MathCad, MathLab, Derive и др ). В настоящее время существуют проблемно-ориентированные имитационные языки, в которых объединяются различные альтернативные подходы, и которые самой своей структурой определяют возможную схему действий разработчика модели. Характерным примером такого рода явля­ется имитационный язык СЛАМ II (SLAM – Simulating Lan­guage for Alternative Modeling – имитационный язык для альтер­нативного моделирования).

Язык СЛАМ II позволяет осуществлять дискретно-имита­ционное и непрерывно-имитационное моделирование, а также строить комбинированные дискретно-непрерывные модели. Язык моделирования СЛАМ может реализовывать как событий­ный, так и процессно-ориентированный подход. В первом слу­чае система моделируется путем интерпретации изменений в ней, происходящих при совершении логической последователь­ности событий. Во втором случае модель представляется как по­следовательность операторов, определяющих последовательность процессов, описываемых имитационным языком.

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 адекватна 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.