Пространственное объединение отдельных элементов технического объекта широко распространенная задача проектирования в любой отрасли техники: радиоэлектроники, машиностроения, энергети­ки и т. д. Значительную частью пространственного моделирования доставляет визуализация отдельных элементов и технического объекта в целом Большой интерес представляют вопросы построения базы данных графических трехмер­ных моделей элементов, алгоритмы и программная реализация графи­ческих приложений для решения данной задачи.

Построение моделей элементов носит универсальный характер и может рассматриваться как инвариантная часть многих систем пространственного моделирования и автоматизированного проектирования технических объектов.

Независимо от возможностей используемой графической среды по характеру формирования графических моделей можно выделить три группы элементов:

1.Уникальные элементы, конфигурация и размеры которых не повторяются в других аналогичных деталях.

2.Унифицированные элементы, включающие некоторый набор Фрагментов конфигураций, характерных для деталей данного класса. Как правило, существует ограниченный ряд типоразмеров унифицированного элемента.

3.Составные элементы, включающие как уникальные, так и унифицированные элементы в произвольном наборе. Используемые графические средства могут допускать некоторую вложенность составных элементов.

Пространственное моделирование уникальных элементов не представляет большой сложности. Прямое формирование конфигурации модели выполняется в интерактивном режиме, после чего программ­ная реализация оформляется на основе протокола формирования мо­дели или текстового описания полученного элемента.

2.Поочередный выбор фрагментов пространственной конфигурации и определение их размеров;

3.Привязка графической модели элемента к прочим элемента, технического объекта или системы;

4.Ввод дополнительной информации о моделируемом элементе

Данный подход формирования моделей унифицированных элементов обеспечивает надежную программную реализацию.

Модель составных элементов состоит из совокупности модели как уникальных, так и унифицированных элементов. Процедурно модель составного элемента строится аналогично модели унифицированного элемента, в которой в качестве графических фрагменте: выступают готовые модели элементов. Основными особенностями являются способ взаимной привязки включаемых моделей и механик объединения отдельных фрагментов в составной элемент. Последнее определяется, главным образом, возможностями инструментальных графических средств.

Интеграция графической среды и системы управления базами данных (СУБД) технической информации обеспечивает открытость системы моделирования для решения других задач проектирования: предварительные конструкторские расчеты, подбор элементной базы, оформление конструкторской документации (текстовой и графической) и др. Структура баз данных (БД) определяется как требованиями графических моделей так и информационными потребностями сопутствующих задач. В качестве инструментальных средств возможно использовать любую СУБД, сопрягаемую с графической средой. Наиболее общий характер носит построение моделей унифицированных элементов. На первом этапе в результате систематизации номенклатуры элементов, однотипных по назначению и составу гра­фических фрагментов, формируется гипотетический или выбирается существующий образец моделируемого элемента, обладающий полным набором моделируемых частей объекта.

Методы интерполяции по дискретно расположенным точкам.

Общая задача интерполяции по точкам формулируется так: дан ряд точек (узлов интерполяции), положение и значения характеристик в которых известны, необходимо определить значения характеристик для других точек, для которых известно только положение. При этом различают методы глобальной и локальной интерполяции, и среди них точные и аппроксимирующие.

При глобальной интерполяции для всей территории одновременно используется единая функция вычисления z = F(x,y) . В этом случае изменение одного значения (х, у) на входе сказывается на всей результирующей ЦМР. При локальной интерполяции многократно применяют алгоритм вычисления для некоторых выборок из общего набора точек, как правило, близко расположенных. Тогда изменение выбора точек сказывается лишь на результатах обработки небольшого участка территории. Алгоритмы глобальной интерполяции создают сглаженные поверхности с небольшим числом резких перепадов; они применяются в случаях, если предположительно известна форма поверхности, например тренд. При включении в процесс локальной интерполяции большой доли общего набора данных она, по сути, становится глобальной.

Точные методы интерполяции.

Точные методы интерполяции воспроизводят данные в точках (узлах), на которых базируется интерполяция, и поверхность проходит через все точки с известными значениями. анализ соседства, в котором все значения моделируемых характеристик принимаются равными значениям в ближайшей известной точке. В результате образуются полигоны Тиссена с резкой сменой значений на границах. Такой метод применяется в экологических исследованиях, при оценке зон воздействия, и больше подходит для номинальных данных.

В методе В-сплайнов строят кусочно-линейный полином, позволяющий создать серию отрезков, которые в конечном итоге образуют поверхность с непрерывными первой и второй производными. Метод обеспечивает непрерывность высот, уклонов, кривизны. Результирующая ЦМР имеет растровую форму. Этот метод локальной интерполяции применяется, главным образом, для плавных поверхностей и не годится для поверхностей с отчетливо выраженными изменениями - это приводит к резким колебаниям сплайна. Он широко используется в программах интерполяции поверхностей общего назначения и сглаживания изолиний при их рисовке.

В TIN-моделях поверхность в пределах каждого треугольника обычно представляется плоскостью. Поскольку для каждого треугольника она задается высотами трех его вершин, то в общей мозаичной поверхности треугольники для смежных участков точно прилегают по сторонам: образуемая поверхность непрерывна. Однако, если на поверхности проведены горизонтали, то в этом случае они будут прямолинейны и параллельны в пределах треугольников, а на границах будет происходить резкое изменение их направления. Поэтому для некоторых приложений TIN в пределах каждого треугольника строится математическая поверхность, характеризующаяся плавным изменением углов наклона на границах треугольников. Анализ трендов. Поверхность аппроксимируется многочленом и структура выходных данных имеет вид алгебраической функции, которую можно использовать для расчета значений в точках растра или в любой точке поверхности. Линейное уравнение, например, z = а + b х + су описывает наклонную плоскую поверхность, а квадратичное z = а + b х + су + dx 2 + еху + fy 2 -простой холм или долину. Вообще говоря, любое сечение поверхности т-го порядка имеет не более (т – 1) чередующихся максимумов и минимумов. Например, кубическая поверхность может иметь в любом сечении один максимум и один минимум. Возможны значительные краевые эффекты, поскольку полиномиальная модель дает выпуклую поверхность.

Методы скользящего среднего и среднего взвешенного по расстоянию используются наиболее широко, особенно для моделирования плавно меняющихся поверхностей. Интерполированные значения представляют собой среднюю величину значений для п известных точек, либо среднее, полученное по интерполируемым точкам, и в общем случае обычно представляются формулой

Аппроксимационные методы интерполяции.

Аппроксимационные методы интерполяции применяются в тех случаях, когда имеется некоторая неопределенность в отношении имеющихся данных о поверхности; в их основе лежит соображение о том, что во многих наборах данных отображается медленно изменяющийся тренд поверхности, на который накладываются местные, быстро меняющиеся отклонения, приводящие к неточностям или ошибкам в данных. В таких случаях сглаживание за счет аппроксимации поверхности позволяет уменьшить влияние ошибочных данных на характер результирующей поверхности.

Методы интерполяции по ареалам.

Интерполяция по ареалам заключается в переносе данных с одного исходного набора ареалов (ключевого) на другой набор (целевой) и часто применяется при районировании территории. Если целевые ареалы представляют собой группировку ключевых ареалов, сделать это просто. Трудности возникают, если границы целевых ареалов не связаны с исходными ключевыми.

Рассмотрим два варианта интерполяции по ареалам: в первом из них в результате интерполяции суммарное значение интерполируемого показателя (например, численности населения) целевых ареалов в полном объеме не сохраняется, во втором - сохраняется.

Представим, что имеются данные о численности населения для некоторых районов с заданными границами, и их нужно распространить на более мелкую сетку районирования, границы которой в общем не совпадают с первой.

Методика заключается в следующем. Для каждого исходного района (ключевого ареала) рассчитывают плотность населения путем деления общего количества проживающих на площадь участка и присваивают полученное значение центральной точке (центроиду). На основе этого набора точек с помощью одного из методов, описанных выше, интерполируется регулярная сетка, для каждой ячейки сети определяется численность населения путем умножения рассчитанной плотности на площадь ячейки. Интерполированная сетка накладывается на итоговую карту, значения по каждой ячейке относятся к границам соответствующего целевого ареала. Затем рассчитывается общая численность населения каждого из итоговых районов.

К недостаткам метода можно отнести не совсем четкую определенность выбора центральной точки; методы интерполяции по точкам неадекватны, и что важнее всего - не сохраняется суммарная величина интерполируемого показателя ключевых ареалов (в данном случае общей численности населения зон переписи). Например, если исходная зона разделена на две целевые, то общее количество населения в них после интерполяции не обязательно будет равно численности населения исходной зоны.

Во втором варианте интерполяции применяют способы ГИС-технологии оверлея или построения гладкой поверхности, основанного на так называемой адаптивной интерполяции.

В первом способе осуществляют наложение ключевых и целевых ареалов, определяют долю каждого из исходных ареалов в составе целевых, величины показателя каждого исходного ареала делят пропорционально площадям его участков в разных целевых ареалах. Считается, что плотность показателя в пределах каждого ареала одинакова, например, если показатель - это общее население ареала, то плотность населения считается для него постоянной величиной.

Целью второго способа является создание гладкой поверхности без уступов (значения атрибутов не должны резко изменяться на границах ареалов) и сохранение суммарной величины показателя в пределах каждого ареала. Методика его такова. На картограмму, представляющую ключевые ареалы, накладывают густой растр, общее значение показателя для каждого ареала поровну делится между ячейками растра, перекрывающими ее, значения сглаживают путем замены величины для каждой ячейки растра средним по окрестности (по окну 2×2, 3×3, 5×5) и суммируют значения для всех ячеек каждого ареала. Далее значения для всех ячеек корректируют пропорционально так, чтобы общее значение показателя для ареала совпадало с исходным (например, если сумма меньше исходного значения на 10%, значения для каждой ячейки увеличиваются на 10%). Процесс повторяют до тех пор, пока не. прекратятся изменения.

Для описанного метода однородность в пределах ареалов необязательна, но слишком сильные вариации показателя в их пределах могут отразиться на качестве интерполяции.

Результаты могут быть представлены на карте горизонталями или непрерывными полутонами.

Применение метода требует задания некоторых граничных условий, так как по периферии исходных ареалов элементы растра могут выходить за пределы области изучения или соседствовать с ареалами, не имеющими значения интерполируемого показателя. Можно, например, присвоить плотности населения значение 0 (озеро и т. п.) или принять ее равной значениям самых дальних от центра ячеек области изучения.

При интерполяции по ареалам могут возникнуть весьма сложные случаи, например, когда нужно создать карту, показывающую «ареалы расселения», на основе данных о населении отдельных городов, особенно если эти ареалы в масштабе карты показываются точкой. Проблема возникает и для небольших исходных ареалов, когда отсутствуют файлы границ, а в данных указывается только положение центральной точки. Здесь возможны разные подходы: замена точек, к которым приписаны данные, на круги, радиус которых оценивается по расстояниям до соседних центроидов; определение пороговой плотности населения для отнесения территории к городской; распределение населения каждого города по его территории так, что в центре плотность населения выше, а к окраинам уменьшается; по точкам с пороговым значением показателя проводят линии, ограничивающие заселенные территории.

Часто попытка создать непрерывную поверхность с помощью интерполяции по ареалам по данным, приуроченным только к точкам, приводит к неправильным результатам.

Пользователь обычно оценивает успешность применения метода субъективно и, главным образом, визуально. До сих пор многие исследователи используют ручную интерполяцию или интерполяцию «на глазок» (этот метод обычно невысоко оценивается географами и картографами, однако широко используется геологами). В настоящее время предпринимаются попытки «извлечь» познания экспертов с помощью методов создания баз знаний и ввести их в экспертную систему, осуществляющую интерполяцию.

До последнего времени географические факторы, оказывающие существенно важное влияние на распространение заболеваний, исследовались сравнительно мало. Справедливость предположения об однородном перемешивании населения в небольшом городе или деревне уже давно ставилась под сомнение, хотя вполне допустимо в качестве первого приближения принять, что перемещения источников инфекции носят случайный характер и во многом напоминают движение частиц в коллоидном растворе. Тем не менее необходимо, конечно, иметь некоторое представление о том, к какому эффекту может привести наличие большого числа восприимчивых индивидуумов в пунктах, удаленных на довольно большие расстояния от любого данного источника инфекции.

В детерминистской модели, принадлежащей Д. Кендаллу, предполагается существование бесконечного двумерного континуума популяции, в которой на единицу площади приходится о индивидуумов. Рассмотрим область , окружающую точку Р, и допустим, что числа восприимчивых, зараженных и удаленных из коллектива индивидуумов равны соответственно . Величины х, у и z могут быть функциями времени и положения, однако их сумма должна равняться единице. Основные уравнения движения, аналогичные системе (9.18), имеют вид

где - пространственно взвешенное среднее значение

Пусть и - постоянные, - элемент площади, окружающий точку Q, и - неотрицательный весовой коэффициент.

Допустим, что начальная концентрация заболеваний равномерно распределена в некоторой небольшой области, окружающей первоначальный очаг. Заметим также, что в произведение Роху в явном виде введен множитель о, с тем чтобы скорость распространения инфекции оставалась независимой от плотности популяции. Если бы у оставалось постоянным на плоскости, то интеграл (9.53) наверняка сходился бы. В этом случае удобно было бы потребовать, чтобы

Описанная модель позволяет довольно далеко продвинуть математические исследования. Можно показать (с одной-двумя оговорками), что пандемия охватит всю плоскость в том и только в том случае, если плотность популяции превышает пороговое значение . Если пандемия возникла, то ее интенсивность определяется единственным положительным корнем уравнения

Смысл этого выражения состоит в том, что доля индивидуумов, заболевающих в конце концов в любой области, как бы далеко она ни отстояла от первоначального эпидемического очага, будет не меньше?. Очевидно, что эта теорема Кендалла о пороге пандемии аналогична пороговой теореме Кермака и Мак-Кендрика, в которой пространственный фактор не учитывался.

Можно также построить модель для следующего частного случая. Пусть х и у - пространственные плотности восприимчивых и зараженных индивидуумов соответственно. Если считать инфекцию локальной и изотропной, то нетрудно показать, что уравнения, соответствующие первым двум уравнениям системы (9.18), можно записать в виде

где не пространственные координаты] и

Для начального периода, когда можно приближенно считать постоянной величиной, второе уравнение системы (9.56) примет вид

Это стандартное уравнение диффузии, решение которого имеет вид

где постоянная С зависит от начальных условий.

Общее число зараженных индивидуумов, находящихся вне круга радиусом R, равно

Следовательно,

и если , то . Радиус соответствующий какому-либо выбранному значению растет со скоростью . Эту величину можно рассматривать как скорость распространения эпидемии, и ее предельное значение для больших t равно . В одном из случаев эпидемии кори в Глазго в течение почти полугода скорость распространения составляла около 135 м в неделю.

Уравнения (9.56) легко видоизменить так, чтобы была учтена миграция восприимчивых и зараженных индивидуумов, а также появление новых восприимчивых индивидуумов. Как и в случае повторяющихся эпидемий, рассмотренных в разд. 9.4, здесь возможно равновесное решение, однако небольшие колебания затухают столь же быстро или даже быстрее, чем в непространственной модели. Таким образом, ясно, что в данном случае детерминистский подход имеет определенные ограничения. В принципе следовало бы, конечно, предпочесть стохастические модели, но обычно анализ их сопряжен с огромными трудностями, во всяком случае если он проводится чисто математическим путем.

Было выполнено несколько работ по моделированию этих процессов. Так, Бартлетт использовал ЭВМ для изучения нескольких последовательных искусственных эпидемий. Пространственный фактор был учтен введением сетки ячеек . Внутри каждой ячейки использовались типичные непространственные модели для непрерывного или дискретного времени и допускалась случайная миграция зараженных индивидуумов между ячейками, имеющими общую границу. Была получена информация о критическом объеме популяции, ниже которого происходит затухание эпидемического процесса. Основные параметры модели были получены на основе фактических эпидемиологических и демографических данных.

Недавно автор этой книги предпринял ряд аналогичных исследований, в которых была сделана попытка построить пространственное обобщение стохастических моделей для простого и общего случаев, рассмотренных в разд. 9.2 и 9.3. Допустим, что имеется квадратная решетка, каждый узел которой занят одним восприимчивым индивидуумом. В центре квадрата помещается источник инфекции и рассматривается такой процесс цепочечно-биномиального типа для дискретного времени, в котором опасности заражения подвергаются только индивидуумы, непосредственно примыкающие к какому-либо источнику инфекции. Это могут быть либо только четыре ближайших соседа (схема 1), либо также индивидуумы, расположенные по диагонали (схема 2); во втором случае всего будет восемь индивидуумов, лежащих на сторонах квадрата, центр которого занимает источник инфекции.

Очевидно, что выбор схемы произволен, однако в нашей работе использовалось последнее расположение.

Сначала была рассмотрена простая эпидемия без случаев выздоровления. Для удобства использовалась решетка ограниченного размера, и информация о состоянии каждого индивидуума (т. е. восприимчив ли он к инфекции или является ее источником) хранилась в вычислительной машине. В процессе моделирования проводилась текущая запись изменений состояния всех индивидуумов и подсчитывалось общее число новых случаев заболевания во всех квадратах с первоначальным источником инфекции в центре. В памяти машины фиксировались также текущие значения суммы и суммы квадратов числа случаев. Это позволило довольно легко вычислить средние значения и средние квадратические ошибки. Детали этого исследования будут опубликованы в отдельной статье, а здесь мы отметим лишь одну-две частные особенности этой работы. Например, ясно, что при очень высокой вероятности достаточного контакта будет иметь место почти детерминированное распространение эпидемии, при котором на каждом новом этапе развития эпидемии будет добавляться новый квадрат с источниками инфекции.

При меньших вероятностях будет иметь место действительно стохастическое распространение эпидемии. Так как каждый источник инфекции может заразить только восемь своих ближайших соседей, а не всю популяцию, то можно ожидать, что эпидемическая кривая для всей решетки будет возрастать не столь резко, как при однородном перемешивании всей популяции. Этот прогноз действительно оправдывается, и число новых случаев увеличивается с течением времени более или менее линейно до тех пор, пока не начнут сказываться краевые эффекты (поскольку решетка имеет ограниченную протяженность).

Таблица 9. Пространственная стохастическая модель простой эпидемии, построенная на решетке 21x21

В табл. 9 приведены результаты, полученные для решетки при наличии одного исходного источника инфекции и вероятности достаточного контакта, равной 0,6. Можно видеть, что между первым и десятым этапами эпидемии среднее число новых случаев каждый раз увеличивается примерно на 7,5. После этого начинает преобладать краевой эффект, и эпидемическая кривая резко падает вниз.

Можно также определить среднее число новых случаев для любой данной точки решетки и найти таким образом эпидемическую кривую для этой точки. Удобно проводить усреднение по всем точкам, лежащим на границе квадрата, в центре которого находится источник инфекции, хотя симметрия в этом случае не будет полной. Сравнение результатов для квадратов различного размера дает картину эпидемической волны, движущейся от первоначального источника инфекции.

Здесь мы имеем последовательность распределений, моды которых увеличиваются в линейной прогрессии, а дисперсия непрерывно возрастает.

Было также выполнено более детальное исследование эпидемии общего типа с удалением зараженных индивидуумов. Безусловно, все это очень упрощенные модели. Однако важно понять, что они могут быть значительно усовершенствованы. Чтобы учесть мобильность популяции, надо допустить, что восприимчивые индивидуумы заражаются и от тех источников инфекции, которые не являются их ближайшими соседями. Возможно, здесь придется использовать какой-то весовой коэффициент, зависящий от расстояния. Видоизменения, которые нужно будет ввести при этом в программу вычислительной машины, сравнительно невелики. На следующем этапе, возможно, удастся описать таким способом реальные или типичные популяции с самой разнообразной структурой. Это откроет возможность оценивать эпидемиологическое состояние реальных популяций с точки зрения опасности возникновения эпидемий различного типа.

Трехмерные картографические изображения являются электронными картами более высокого уровня и представляют собой визуализированные на средствах компьютерных систем моделирования пространственные образы основных элементов и объектов местности. Они предназначены для использования в системах управления и навигации (наземной и воздушной) при анализе местности, решении расчетных задач и моделировании, проектировании инженерных сооружений, мониторинге окружающей среды.

Технология моделирования местности позволяет создавать наглядные и измеримые перспективные изображения, весьма похожие на реальную местность. Их включение по определенному сценарию в компьютерный фильм позволяет при его просмотре "увидеть" местность с разных точек съемки, в различных условиях освещенности, для различных времен года и суток (статическая модель) или "пролететь" над ней по заданным или произвольным траекториям движения и скорости полета - (динамическая модель).

Использование компьютерных средств, в состав которых входят векторные или растровые дисплеи, позволяющие осуществлять в своих буферных устройствах преобразование входной цифровой информации в заданный кадр, требует предварительного создания в качестве такой информации цифровых пространственных моделей местности (ПММ).

Цифровые ПММ по своей сущности представляют собой совокупность цифровых семантических, синтаксических и структурных данных, записанных на машинный носитель, предназначенных для воспроизведения (визуализации) объемных образов местности и топографических объектов в соответствии с заданными условиями наблюдения (обзора) земной поверхности.

Исходными данными для создания цифровых ПММ могут служить фотоснимки, картографические материалы, топографические и цифровые карты, планы городов и справочная информация, обеспечивающие получение данных о положении, форме, размерах, цвете, и назначении объектов. При этом полнота ПММ будет определяться информативностью используемых фотоснимков, а точность - точностью исходных картографических материалов.

Технические средства и методы создания ПММ

Разработка технических средств и методов создания цифровых ПММ является непростой научно-технической проблемой. Решение этой проблемы предполагает:

Разработку аппаратно-программных средств получения первичной трехмерной цифровой информации об объектах местности по фотоснимкам и картматериалам;
- создание системы трехмерных картографических условных знаков;
- разработку методов формирования цифровых ПММ с использованием первичной картографической цифровой информации и фотоснимков;
- разработку экспертной системы формирования содержания ПММ;
- разработку методов организации цифровых данных в банке ПММ и принципов построения банка ПММ.

Разработка аппаратно-программных средств получения первичной трехмерной цифровой информации об объектах местности по фотоснимкам и картматериалам обусловлена следующими принципиальными особенностями:

Более высокими, по сравнению с традиционными ЦКМ, требованиями к цифровым ПММ по полноте и точности;
- использованием в качестве исходных дешифровочных фотоснимков, получаемых кадровыми, панорамными, щелевыми и ПЗС съемочными системами и не предназначенных для получения точной измерительной информации об объектах местности.

Создание системы трехмерных картографических условных знаков является принципиально новой задачей современной цифровой картографии. Ее суть заключается в создании библиотеки условных знаков, близких к реальному изображению объектов местности.

Методы формирования цифровых ПММ с использованием первичной цифровой картографической информации и фотоснимков должны обеспечить, с одной стороны, оперативность их визуализации в буферных устройствах компьютерных систем, а, с другой стороны, требуемые полноту, точность и наглядность трехмерного изображения.

Исследования, выполняемые в настоящее время, показали, что для получения цифровых ПММ, в зависимости от состава исходных данных могут быть применимы методы, использующие:

Цифровую картографическую информацию;
- цифровую картографическую информацию и фотоснимки;
- фотоснимки.

Наиболее перспективными представляются методы , использующие цифровую картографическую информацию и фотоснимки. Основными из них могут быть методы создания цифровых ПММ различной полноты и точности: по фотоснимкам и ЦМР; по фотоснимкам и ЦКМ; по фотоснимкам и ЦММ.

Разработка экспертной системы формирования содержания ПММ должна обеспечить решение задач проектирования пространственных изображений путем отбора объектового состава, его обобщения и символизации и вывода на экран отображения в требуемой картографической проекции. При этом потребуется разработать методику описания не только условных знаков, но и пространственно-логических отношений между ними.

Решение задачи разработки методов организации цифровых данных в банке ПММ и принципов построения банка ПММ определяется спецификой пространственных изображений, форматами представления данных. Вполне возможно, что потребуется создавать пространственно-временной банк с четырехмерными моделированием (Х,У,Н,t), где будут генерироваться ПММ в режиме реального времени.

Технические и программные средства отображения и анализа ПММ

Второй проблемой является разработка технических и программных средств отображения и анализа цифровых ПММ. Решение данной проблемы предполагает:

Разработку технических средств отображения и анализа ПММ;
- разработку способов решения расчетных задач.

Разработка технических и программных средств отображения и анализа цифровых ПММ потребует использования существующих графических рабочих станций, для которых должно быть создано специальное программное обеспечение (СПО).

Разработка способов решения расчетных задач является прикладной задачей, возникающей в процессе использования цифровых ПММ в практических целях. Состав и содержание данных задач будут определяться конкретными потребителями ПММ.

В предыдущей главе мы рассматривали модели, которые явля­ются статическим отражением систем в определенные моменты времени. В этом смысле рассмотренные варианты модели «черного ящика», модели состава и структурной модели называют статиче­скими моделями, что подчеркивает их неподвижность.

Следующий шаг в исследовании системы состоит в том, чтобы понять и описать, как система «работает», выполняя свое предна­значение. Такие модели должны описывать поведение системы, фиксировать изменения, происходящие с течением времени, улав­ливать причинно-следственные связи, адекватно отражать последо­вательность протекаемых в системе процессов и этапность ее разви­тия. Такого рода модели называют динамическими. При исследова­нии конкретной системы необходимо определить направление воз­можных изменений ситуации. Если такой перечень будет исчерпы­вающим, то он характеризует число степеней свободы, а значит, достаточен для описания состояния системы. Как оказалось, дина­мические модели делятся на такие же типы, как статические («чер­ного ящика», состава и «белого ящика»), только элементы этих мо­делей имеют временной характер.

2.4.1. Динамическая модель «черного ящика»

При математическом моделировании динамической системы ее конкретная реализация описывается в виде соответствия между возможными значениями некоторой интегральной характеристики системы с и моментами времени t. Если обозначить через С - множество возможных значений с, а через Т - упорядоченное множество моментов времени t, то построение модели динамиче­ской системы равносильно построению отображения

Г->С:с(t)ϵСͭͭ,

где Сͭ - значение интегральной характеристики в точке t ϵ .

В динамической модели «черного ящика» предполагается раз­биение входного потока х на две составляющие: и - управляемые входы, y - неуправляемые входы (рис 2.9).

Таким образом, она выражается совокупностью двух процессов:

Хͭ = {u(t), y(t)}; u(t)eU; y(f)eK;

Рис. 2.9. Динамическая модель «черного ящика»

предполагается, что это преобразование неизвестно.

Из данного типа моделей в наибольшей мере изучены так назы­ваемые безынерционные системы. Они не учитывают фактора време­ни и работают по схеме «если-то». Например: если воду нагреть до

100° С, то она закипит. Или: если вы правильно авторизовали свою кредитную карту, то банкомат вам сразу выдаст затребованную сумму денег. То есть следствие вступает в силу сразу за причиной.

Определение 1. Динамическая система называется безынерцион­ной, если она мгновенно преобразует вход в выход, т.е. если y(t)

является функцией только х(t) в тот же момент времени.

Поиск неизвестной функции у(/) = Ф(х(t)) осуществляется по­средством наблюдения входов и выходов исследуемой системы. По существу, эта задача о переходе от модели «черного ящика» к моде­ли «белого ящика» по наблюдениям входов и выходов при наличии информации о безынерционности системы.

Однако класс безынерционных систем весьма узок. В экономи­ке такие системы очень большая редкость. Разве только отдельные биржевые операции с некоторой натяжкой можно причислить к классу безинерционных.

При моделировании экономических систем необходимо пом­нить, что в них всегда присутствует задержка и, более того, следст­вие (результат) может проявиться совсем не в том месте, где его ожидали. Таким образом, имея дело с экономическими системами, нужно быть готовым к тому, что последствия могут отстоять от вы­звавшей их причины во времени и пространстве.

Например, если в фирме отдел сбыта пустит на самотек пред­продажное обслуживание и сконцентрирует все свои силы на про­дажах, пострадает отдел гарантийного обслуживания. Но это про­явится не сразу, а спустя определенное время. На лицо проявление следствия «не там и не в то время». Или: для изменения покупа­тельских пристрастий может потребоваться несколько недель рек­ламной кампании, и не обязательно ощутимые перемены начнутся сразу же после ее окончания.

Обратная связь действует по цепочке причинно-следственных связей, образующих замкнутый контур, и требуется время, чтобы его обойти. Чем большей динамической сложностью обладает сис­тема, тем больше нужно времени на то, чтобы сигнал обратной свя­зи пробежал по ее структуре (сети взаимосвязей). Достаточно одной задержки, чтобы обеспечить сильное запаздывание сигнала.

Определение 2. Время, необходимое для того, чтобы сигнал об­ратной связи прошел по всем звеньям системы и вернулся в исход­ную точку, называется памятью системы.

Не только живые системы имеют память. В экономике, напри­мер, это ярко демонстрирует процесс вывода на рынок нового то­вара. Как только на рынке появляется новый товар, пользующийся спросом, сразу находится много желающих его производить. Мно­гие фирмы запускают производство этого товара, и пока существует спрос, наращивают его объемы. Рынок постепенно насыщается, но производители пока этого не ощущают. Когда объем производства превысит некоторое критическое значение, спрос станет падать. Производство товара по определенной инерции еще некоторое вре­мя будет продолжаться. Начнется затоваривание складов готовой продукцией. Предложение сильно превысит спрос. Цена на товар упадет. Многие фирмы прекратят производство этого товара. И та­кая ситуация будет сохраняться до тех пор, пока предложение не упадет до таких значений, что не сможет покрыть существующий спрос. Рынок сразу уловит складывающийся дефицит и отреагирует повышением цены. После этого начнется оживление производства и новый цикл взлета-падения рынка. Так будет продолжаться до тех пор, пока на рынке не останутся несколько производителей, которые либо договорятся между собой, либо интуитивно нащупают квоты производства товара, суммарный объем которых будет соответство­вать требуемому соотношению спроса и предложения (рис. 2.10).

Точно так же выглядят графики инфляции и дефляции денеж­ного рынка, расцвета и крахов фондового рынка, пополнения и расходования семейного бюджета. Все дело в том, что причину и следствие разделяет задержка во времени. Все это время система «помнит» как она должна отреагировать на причину. На первых порах кажется, что и следствия-то никакого нет. Но со временем эффект проявляется. Введенные в заблуждение (в нашем примере предприниматели) слишком поздно и слишком сильно реагируют на пики спроса и предложения. А во всем виновата уравновеши­вающая обратная связь, работающая с задержкой во времени.

Рис. 2.11. Колебание рынка товара

В такой ситуации есть два решения. Во-первых, можно сделать более надежным измерение, осуществляя постоянный или перио­дический мониторинг рынка. Во-вторых, следует учитывать раз­ницу во времени и стремиться оказаться там где нужно к тому времени, когда сигнал обратной связи успеет пройти через все звенья системы. Когда понимаешь, как осуществляется процесс, появляется возможность изменить ситуацию в желательном на­правлении.

В очень сложных системах следствие может проявиться спустя очень длительное время. К тому времени, когда оно даст о себе знать, критический порог может миновать и будет уже поздно что- либо исправлять. Особенно наглядно такая опасность просматрива­ется во влиянии промышленных отходов на окружающую среду. То, что мы делаем сейчас, скажется на нашей будущей жизни, когда появятся последствия наших дел. Нашими сегодняшними поступ­ками мы формируем облик будущего.

В облике динамической модели «черного ящика», по существу, ничего не изменится, кроме того, что момент появления выхода у потребуется скорректировать на время задержки ∆, т.е. выход сис­темы примет вид y(t + ∆) (см. рис. 2.10). Однако основная труд­ность моделирования в том и заключается, чтобы определить вели­чину Д и место, в котором появится у. Наилучшим образом это удается в рамках построения так называемых лаговых моделей, кото­рые изучает математическая статистика.

2.4.2. Динамическая модель состава

В теории систем различают два вида динамики: функциониро­вание и развитие. Под функционированием подразумевают процессы, которые происходят в системе, стабильно реализующей фиксиро­ванную цель (функционирует предприятие, функционируют часы, функционирует городской транспорт и т.п.). Под развитием пони­мают изменение состояния системы, обусловленное внешними и внутренними причинами. Развитие, как правило, связывают с дви­жением систем в фазовом пространстве.

Исследованием функционирования экономических систем заня­ты специалисты в области экономического анализа. Исходную базу для этого исследования составляют данные бухгалтерского учета, статистической отчетности и статистических наблюдений. В боль­шинстве случаев задача экономического анализа решается аналити­ческими методами бухгалтерского учета или сводится к построению и реализации корреляционно-регрессионных моделей. Богатейший инструментарий экономического анализа изучается в рамках ряда дисциплин цикла «Бухгалтерский учет и статистика».

Развитие в большинстве случаев обусловлено изменением внешних целей системы. Характерной чертой развития является то, что существующая структура перестает соответствовать новым це­лям и для обеспечения необходимого соответствия приходится из­менять структуру системы, т.е. осуществлять ее реорганизацию. Экономические системы (предприятия, организации, корпоратив­ные образования) в условиях рыночной экономики для выживания в конкурентной борьбе должны постоянно находиться в фазе разви­тия. Только постоянное обновление ассортимента выпускаемой продукции или оказываемых услуг, совершенствование технологии производства и методов управления, повышение квалификации и образованности персонала могут обеспечить экономической систе­ме определенные конкурентные преимущества и расширенное вос­производство.

В данном параграфе, не отрицая значимости фазы функциони­рования системы, большей частью будем вести речь о фазе ее раз­вития, хотя при расширенном толковании функционирования сис­темы как движения к намеченной цели (плану) приведенные ниже рассуждения вполне применимы к моделированию фазы функцио­нирования системы.

Динамическому варианту модели состава соответствует перечень этапов развития или состояний системы на моделируемом интерва­ле времени. Под состоянием системы будем понимать такую сово­купность параметров, характеризующих пространственное положе­ние системы, которая исчерпывающе определяет ее текущее позирование.

Фиксация состояния определяется посредством введения раз­личных переменных, каждая из которых отражает какую-то одну существенную сторону исследуемой системы. В данном случае важ­на исчерпываемость описания для раскрытия того назначения сис­темы, которое подвергается исследованию в рамках данной модели.

Наиболее наглядно состояние системы определяется через сте­пени свободы. Это понятие введено в механике и означает число независимых координат, однозначно описывающих положение сис­темы. Так, твердое тело в механике есть система с шестью степеня­ми свободы: три линейные координаты фиксируют положение цен­тра масс, а три угловые - положение тела относительно центра масс.

В экономических исследованиях каждую координату (степень свободы) связывают с определенным показателем (количественно измеряемой характеристикой системы). Ключевая задача при этом заключается в том, чтобы обеспечить независимость показателей, отобранных для построения модели системы. Поэтому необходимо глубоко понимать природу экономических явлений и отражающих их показателей, чтобы правильно сформировать базис для построе­ния модели состава экономической системы.

Развитие системы есть не привычное перемещение, а некоторая абстракция, описывающая изменение ее состояния. Таким образом, динамические свойства объекта характеризуются через изменение параметров состояния во времени. На рис. 2.12 приведено графиче­ское отображение движения системы в трехмерном пространстве (в теории систем такое пространство называют пространством состоя­ний, или фазовым пространством).

Рис. 2.12. Траектория развития системы

Тогда состояние системы в момент времени ts описывается вектором Cs = (C1s,C2s,C3s). Аналогично описываются ее началь­ное Сн и конечное Ск состояния, а изменения в системе отобра­жаются некоторой кривой - траекторией развития. Каждая точка этой кривой фиксирует состояние системы в определенный момент времени. Тогда движение системы эквивалентно перемещению точ­ки по траектории С2.

Экстраполируя это описание на случай и независимых коорди­нат и помня, что каждая координата (параметр) зависит от времени t, развитие системы можно описать совокупностью функций с1= с1(t), с2=с2(t) ,..., сn =сn(t), или вектором (с1(t), с2 (t),...,сn =сn(t)), принадлежащим пространству состояний С.

Таким образом, динамическая модель состава системы это не что иное, как упорядоченная последовательность ее состояний, по­следнее из которых эквивалентно цели системы, т.е.

Сн =С0 ->СJ ->Ct ->...->СT=Ск,

где Сн - начальное;

Ск - конечное;

С, = (c1 (t), c2 (t),..., сn (t)), t ϵ - текущее состояние системы.

Случай, когда строго определены граничные состояния систе­мы, относится к категории простейших, так как далеко не всегда удается описать состояние конкретными значениями. Более общей является ситуация, когда на начальное и конечное состояния сис­темы накладываются некоторые условия. Каждое из условий в про­странстве состояний представляется некоторой поверхностью или областью, размерность которой не должна быть больше числа сте­пеней свободы системы. Тогда вектор состояния системы в гранич­ные моменты времени должен находиться на заданной поверхности или в заданной области, что и будет означать выполнение условий.

2.4.3. Динамическая структурная модель

В динамических системах элементы могут вступать в самые раз­нообразные отношения между собой. А поскольку каждый из них способен пребывать во множестве различных состояний, то даже при небольшом числе элементов они могут быть соединены множе­ством различных способов. Построить модель такой системы, пре­дусмотрев изменение состояний одних элементов системы в зави­симости от того, что происходит с другими ее элементами, - очень непростая задача. Тем не менее современная наука выработала не­мало подходов к моделированию такого рода систем. На двух из них, которые стали классическими, остановимся подробнее.

Как и в случае статической структурной модели, динамическая структурная модель представляет собой симбиоз динамической мо­дели «черного ящика» и динамической модели состава. Другими словами, динамическая структурная модель должна увязать в еди­ное целое вход в систему X = {х(t)} = {u(t),v(t)}, u(t)ϵu, v(t)ϵV, промежуточные состояния

Ct = , t ϵ, и выход y={y(t)},

где, U - множество управляемых входов u(t);

U - множество неуправляемых входов v(t);

X = U U X - множество всех входов в систему;

Т - горизонт моделирования системы;

С, - промежуточное состояние системы в момент време­ни t ϵ .

В зависимости от того, отображаются промежуточные состояния системы строго определенной упорядоченной последовательностью

Сt (t = 0,1, 2, ..., Т) или одной неопределенной функцией Ct = Ф(t, хt), в результате моделирования получают либо динамическую струк­турную модель сетевого типа, либо динамическую структурную мо­дель аналитического типа.

Сетевые динамические модели. В динамической структурной мо­дели сетевого типа для каждой пары соседних состояний системы Сt-1 и Сt (t ϵ ) задается управляющее воздействие u(t), которое переводит систему из состояния Ct-l в состояние Ct. При этом оче­видно, что u(t) на каждом шаге траектории может принимать зна­чения из некоторого множества допустимых управляющих воздей­ствий на этом шаге

Ut: u(t)ϵUt. (2.1)

Таким образом, промежуточное состояние системы в некоторой точке t траектории ее развития записывается следующим образом

Сt=F(Ct-i,u(t)), t ϵ.

Обозначим через Ct множество всех состояний системы, в ко­торое можно ее перевести из начального состояния C0=CH за t ша­гов, используя управляющие воздействия u(t) ϵ Ut (t = 0,1, 2,..., t). Множество достижимости Сt определяется с помощью следующих рекуррентных соотношений:

Сt = {Ct: Сt = ƒ(Сt-1, и(t); и(t ϵUt; t = 0,1, 2,...,t}.

В задании на дальнейшее развитие или первоначальную разра­ботку системы указывается перечень допустимых ее конечных со­стояний, которые должны принадлежать некоторой области

СtϵС-Т. (2.2)

Управление U =(u(1), u(2),..., u{t),..., и(Т)) , состоящее из пошаговых управляющих воздействий, будет допустимым, если оно переводит систему из начального состояния Сн = С0 в конечное состояние Ск =СT , удовлетворяющее условию (2.2).

Выведем условия допустимости управления. Для этого рассмотрим последний Т-й шаг. В силу ограниченности множества UT перевести систему в состояние СT ϵ СT можно не из любого состоя­ния CT-1, а лишь из-T-1,Ст-1 G с,

Где, С - множество, удовлетворяющее условию

VCT=1 ϵ C-T-1зu(T)ϵUT: су =/(СУ-1, и(Т))&ст.

Иными словами, чтобы иметь возможность после Т-то шага-г управления выйти в область допустимых состояний С, необходимо-г-1 после (Г - 1) шагов находиться в области С.

Аналогичные множества допустимых состояний с" формируют­ся для всех остальных шагов t = 1, Т - 1.

Для достижения цели построения (развития) системы необхо­димо выполнение условий

С"ПС"*0, / = 1,Т. (2.3)

В противном случае цель системы не может быть достигнута. Для преодоления этого препятствия потребуется либо изменить-T цель системы, изменив тем самым С, либо расширить область возможных управляющих воздействий ut = 1,Т (в первую очередь на тех шагах траектории системы, на которых не выполняется усло­вие 2.3).

Пусть в результате преодоления (t -1) шагов система перешла в состояние Ct-1. Тогда множество допустимых управляющих воздей­ствий на t-м шаге определяется следующим образом:

U(t) = {u(t): Сt =ƒ(Сt-1, u(t) ϵс-t}. (2.4)

Объединяя (2.1) и (2.4), можно записать условия управляемого целенаправленного развития системы:

U(t)ϵ(t)nU(f) = 1д. (2.5)

Условия (2.5) означают, что управление должно быть возможным по его реализуемости и допустимым по обеспечению выхода системы в заданную область конечных состояний.

Таким образом, построение динамической структурной модели системы сетевого типа заключается в формализованном описании траектории ее развития путем задания промежуточных состояний системы и управляющих воздействий, последовательно переводя­ щих систему из начального состояния в конечное, соответствующее цели ее развития.

Поскольку из «начала» в «конец», как правило, существует множество путей, определение траектории развития системы можно вести по различным критериям (минимуму времени, максимуму эффекта, минимуму затрат и т.п.). Выбор критерия определяется целью моделирования системы.

Такой подход к моделированию динамических систем, как пра­вило, приводит к построению сетевых моделей разных типов (сете­вым графикам, технологическим сетям, сетям Петри и т.п.). Неза­висимо от типа сетевой модели их сущность заключается в том, что они описывают некоторую совокупность логически увязанных ра­бот, выполнение которых должно обеспечить построение некоторой системы (предприятия, дороги, политической партии) или перевода ее в другое состояние, соответствующее новым целям и требовани­ям времени.

Конкретизация динамических систем на этом, конечно, не за­канчивается. Приведенные модели, скорее всего, являются отдель­ными примерами реальных систем. В классе моделей динамических систем различают еще стационарные модели, мягкие и жесткие мо­дели, которые находят применение при исследовании конкретных прикладных проблем.

Контрольные вопросы

1. Приведите несколько определений системы и содержательную характеристику каждого из них.

2. В чем заключается разница между философской категорией и естественно-научным понятием?

3. Перечислите и проинтерпретируйте основные свойства системы.

4. Что такое эмерджентность системы?

5. Как соотносятся понятия «целостность» и «эмерджентность»?

6. В чем заключается сущность редукционизма? Чем он отличается от системного подхода?

7. В чем заключается разница между внешними и внутренними связями системы?

8. Какое свойство лежит в основе деления систем на открытые и закрытые (замкнутые)?

9. Приведите примеры закрытых экономических систем.

10. С помощью чего обеспечивается устойчивость системы?

11. В чем заключаются внутренняя и внешняя цели системы?

12. Как согласуются внутренняя и внешняя стратегии системы?

13. Как установить границы экономической системы?

14. Назовите причину неудовлетворительности прогнозов, получаемых в результате эконометрического моделирования.

15. Охарактеризуйте транзакционную среду экономической системы.

16. За счет чего открытые экономические системы сохраняют свои индивидуальные особенности?

17. Как (в каких шкалах) измеряются эмерджентные свойства сис-тем?

18. Назовите необходимое условие существования эмерджентного свойства системы.

19. В чем заключается сущность свойства целеустремленности. Как это свойство проявляется в экономических системах?

20. Приведите примеры реактивных, ответных, самонастраиваемых и активных экономических систем.

21. В чем заключается сущность свойства иерархичности экономических систем?

22. Эквивалентны ли понятия «уровень иерархии» и «страта»?

23. В чем заключается сущность свойства многомерности экономической системы?

24. Дайте системное определение понятию «компромисс».

25. Приведите практические примеры использования свойства многомерности при исследовании экономических систем.

26. В чем заключается сущность свойства множественности экономической системы?

27. Приведите примеры множественности функций экономической системы.

28. Как проявляется множественность структуры экономической системы?

29. Приведите примеры эквифинальности и мультифинальности экономических систем.

30. Перечислите причины контринтуитивного поведения экономи-ческих систем.

31. Какой классификационный признак положен в основу первич-ной классификации систем?

32. Назовите основные характеристики естественных систем. При-ведите примеры.

33. Назовите основные характеристики искусственных систем. Приведите примеры.

34. В чем заключается специфика социокультурных систем?

35. К какому классу первичных систем относятся экономические системы?

36. В какой мере естественные, технические и гуманитарные науки привлекаются к анализу экономических систем?

37. Разместите факторы в порядке убывания влияния на конфигурацию системы: внешняя среда, внутренние связи системы, связи системы с внешней средой, элементы системы.

38. Поясните, каким образом моральные ценности лица, принимающего решения, материализуются в реальной экономической системе.

39. Что представляет собой среда, в которой существуют и функционируют экономические системы?

40. Дайте определение экономической системы.

41. Какие классификационные признаки положены в основу пространственно-временной классификации экономических систем?

Классификация моделей

Учебные элементы параграфа:

1. Назначение моделей. Способ воплощения моделей.

2. Абстрактная модель. Вещественная модель.

3. Язык описания модели. Способ построения модели.

4. Подобие. Прямое подобие. Косвенное подобие. Условное подобие.

5. Текстовая модель. Графическая модель. Математическая модель.

6. Аналитическая модель. Экспериментальная модель. Пространственная модель.

7. Соответствие моделей оригиналу. Конечность моделей упрощенность, приближенность моделей.

Целевая предназначенность моделей позволяет всё разнообразное множество моделей разделить на три основных типа по назначению: познавательные , прагматические , чувственные ), для различных объектов (рис. 1.3).

Рис.1.3 Классификация моделей

Познавательные модели являются формой организации и представления знаний, средством соединений новых знаний с уже имеющимися. Поэтому при обнаружении расхождения между моделью и реальностью встаёт задача устранения этого расхождения с помощью изменения модели. Познавательная деятельность основана на приближении модели и реальности (рис. 1.4а).

Прагматические модели являются средством организации практических действий, средством управления, способом представления образцовых действий или их результата.

б а

Рис. 1.4. Различия между познавательной (а) и прагматической моделью (б)

Использование прагматических моделей состоит в том, чтобы при обнаружении расхождений между моделью и реальностью направить усилия на изменения реальности так, чтобы приблизить реальность к модели

Примерами прагматических моделей могут служить планы, программы, экзаменационные требования, инструкции, руководства и т.д. (рис. 1.4б).

Чувственные модели служат для удовлетворения эстетических потребностей человека (произведение искусства).

Другим принципом классификации целей моделирования служит деление моделей на статические и динамические.

Статические модели отражают конкретное состояние объекта (моментальная фотография). Если нужно изучить различия между состояниями системы строят динамические модели.

Модели сознательно создаваемые субъектом (человеком) воплощаются из двух типов материалов годных для их построения - средства окружающего мира и средства самого сознания человека.

По этому признаку модели делятся на абстрактные (идеальные, мысленные, символические) и вещественные (материальные, реальные).

Абстрактные модели являются идеальными конструкциями, построенными средствами мышления. Их различают по языку описания и способу построения (рис.1.3).

По способу построения абстрактные модели делятся на аналитические (теоретические), формальные (экспериментальные) и комбинированные . Аналитические модели строятся по данным о внутренней структуре объекта и на основе физических законов, описывающих протекающие в нём процессы.

Формальные модели строятся по данным экспериментальных исследований, в процессе которых устанавливаются взаимосвязи между входными воздействиями и (выходными) параметрами состояния объекта.

Комбинированные модели используют принцип уточнения в эксперименте параметры структуры и закономерностей аналитической модели.

По типу языка описания символические модели разделяются на текстовые (словесные), графические (чертежи, схемы), математические и комбинированные .

Чтобы некоторая материальная конструкция могла быть отображением, т.е. замещала в каком-то отношении оригинал, между моделью и оригиналом должно быть установлено отношение подобия .

Будем различать три вида подобия: прямое, косвенное и условное (рис. 1.3).

Прямое подобие может быть пространственным (макеты судов, самолётов, манекены и т.д.) и физическим . Физическим подобием называют явления в геометрически подобных системах, у которых в процессе их функционирования отношения характеризующих их одноимённых физических величин в сходственных точках являются постоянной величиной (критерии подобия). Пример физической модели - испытание макета самолёта в аэродинамической трубе.

Второй тип подобия в отличие от прямого подобия называют косвенным . Косвенное подобие между оригиналом и моделью устанавливается не в результате их физического взаимодействия, а объективно существует в природе, обнаруживается в виде совпадения или достаточной близости их абстрактных моделей и после этого используются в практике реального моделирования. Примером косвенного подобия служит аналогии между физическими (фазовыми) переменными (табл. 1.1).

Таблица 1.1

Вид системы Фазовые переменные Типа потока Типа потенциала Механическая поступательная Сила, F Скорость, u Механическая вращательная Момент, M Угловая скорость, w Механическая упругая Сила, F Деформация, s Гидроаэромеханическая Расход (поток), Давление, P Тепловая Тепловой поток, Q Температура, T Электрическая Ток, I Напряжение, U

Закономерности механических, тепловых, электрических процессов описываются одинаковыми уравнениями: различие состоит лишь в разной физической интерпретации переменных входящих в уравнения.

В результате оказывается возможным не только заменить громоздкое экспериментирование с механической или тепловой системой, на простые опыты с электрической схемой (R , L , C - цепи) или электронной моделью (АВМ).

Роль моделей обладающих косвенным подобием оригинала, очень велика. Часы - аналог времени. Аналоговые и цифровые вычислительные моменты (материальный объект) позволяет найти решение любого дифференциального уравнения.

Третий особый класс реальных моделей образуют модели, подобие которых оригиналу не является ни прямым, ни косвенным, а устанавливается в результате соглашения. Такое подобие называют условным .

Примерами условного подобия служат деньги (модель стоимости), знаки дорожного движения (модель сообщения) и т.д.

С моделями условного подобия приходится иметь дело очень часто. Они являются способом материального воплощения абстрактных моделей, вещественной формой, в которой абстрактные модели могут передаваться от одного человека к другому, хранится до момента их использования, т.е. отчуждаться от сознания и всё-таки сохранять возможность возвращения в абстрактную форму. Это достигается с помощью соглашения о том, какое состояние реального объекта ставится в соответствие данному элементу абстрактной модели. Такое соглашение принимает вид совокупности правил построения моделей условного подобия и правил пользования ими.

Модель объекта можно охарактеризовать несколькими признаками (таблицы 1.2 и 1.3).

Таблица 1.2

Объект Модель Назначение Способ воплощения Язык описания Корабль Макет корабля Познавательная материальный Электрическая цепь I=U/R Познавательная абстрактный математический Бак с водой Ty ’ +y =kx решаемая на ПК Познавательная абстрактный математический Телевизор Инструкция пользователя Прагматическая материальный текстовый Клапан Чертеж для изготовления Прагматическая абстрактный графический Стоимость товара Сумма оплаты купюрами Прагматическая материальный Человек Портрет Чувственная материальный Объект Модель Вид подобия Способ построения Вид задачи Корабль Макет корабля Прямое физическое экспериментальный динамическая Электрическая цепь I=U/R косвенное аналитический статическая Бак с водой Ty ’ +y =kx решаемая на ПК косвенное аналитический динамическая Телевизор Инструкция пользователя Клапан Чертеж косвенное Стоимость товара Сумма оплаты купюрами условное Человек Портрет прямое пространственное

Таблица 1.3

Таким образом, мы рассмотрели вопросы о том, что отображает модель, из чего и как она может быть построена, каковы внешние условия осуществления функций модели. Но важен и вопрос о ценности самого моделирования, т.е. отношение моделей с отображаемой ими реальностью: чем отличаются модели и моделируемые объекты или явления, в каком смысле, и до какой степени можно отождествлять модель с оригиналом.

Различают следующие главные отличия модели от оригинала: конечность, упрощенность и приближенность (адекватность).

Модель конечна , так как она отображает оригинал лишь в конечном числе отношений при ограниченном количестве ресурсов.

Модель всегда упрощенно отображает оригинал за счет конечности модели; отображение только главных существенных свойств и отношений; ограниченностью средств оперирования с моделью. Упрощённость характеризует качественные различия модели и оригинала.

Модель отображает оригинал приближённо. Этот аспект допускает количественную оценку различия (“больше - меньше”, “лучше - хуже”). С приближенностью модели связано понятие адекватность .

Модель с помощью, которой успешно достигается поставленная цель, называют адекватной этой цели.

Адекватность модели не гарантирует требования полноты, точности и истинности модели, но означает, что они выполняются в той мере, которая достаточна для достижения цели. Упрощение и приближённость модели необходимы, неизбежны, но замечательное свойство мира и нас самих состоит в том, что этого достаточно для человеческой практики.

Между моделью и оригиналом кроме различий есть сходства .

Сходство выражается, прежде всего, в истинности модели. Степень истинности модели выясняется только в её практическом соотношении с отображенной ею натурой. При этом изменение условий, в которых ведётся сравнение, весьма существенно влияет на результат: именно из-за этого возможно существование двух противоречивых, но “одинаково” истинных моделей одного объекта. Яркий пример этого – волновая и корпускулярная модели электрона.

Сходство модели и оригинала зависит от сочетания истинного и ложного типов модели. Кроме, безусловно, истинного содержания в модели имеется: 1) условно истинное (т.е. верное лишь при определенных условиях); 2) предположительно истинное (т.е. условно – истинное при неизвестных условиях), а следовательно, логичное. При этом в каждых конкретных условиях неизвестно точно, каково же фактическое соотношение истинного и ложного в данной модели. Ответ на этот вопрос только практика.

Однако в любом случае модель принципиально беднее оригинала, это ее фундаментальное свойство.

Завершая рассмотрение понятия “моделирование” следует подчеркнуть, что, собираясь создавать модель системы нужно иметь в виду следующую схему (рис. 1.5):

Рис.1.5. Оценка ситуации моделирования

Широкое распространение при исследовании технических систем получил метод математического моделирования, который рассмотрим более подробно.

Вопросы

1. Какие признаки образуют семейство моделей по назначению?

2. Какие признаки образуют семейство моделей по способу воплощения?

3. Какие признаки образуют типы моделей по подобию?

4. Чем отличается прагматическая модель от познавательной модели?

5. На каких языках можно представлять модели?

6. Каковы виды прямого подобия материальных моделей?

7. Чем отличаются между собой вещественные модели косвенного и условного подобия?

8. Каковы признаки отличия модели и оригинала?

9. С помощью, каких вопросов можно оценить ситуацию моделирования?

§ 1.1. 4. Объекты моделирования и их классификация

Учебные элементы параграфа:

1. Признаки классификации объектов моделирования .

2. Тип, свойства и методы исследования объекта.

3. Непрерывные - дискретные объекты.

4. Стационарные - не стационарные объекты.

5. Сосредоточенные - распределённые объекты.

6. Одномерные, многомерные объекты.

7. Детерминированные - стохастические объекты.

8. Динамические - статические объекты.

9. Линейные, не линейные объекты.

10. Аналитические, идентифицируемые, комбинированные методы исследования.

11. Математическая модель .

12. Математическое моделирование .

13. Параметры и фазовые переменные модели.

14. Характеристики моделей (универсальность, точность, адекватность и экономичность).

15. Признаки классификации ММ:

16. Структурные - функциональные модели;

17. Полные - макромодели;

18. Аналитические - алгоритмические модели;

Свойства стационарности – не стационарности характеризуют степень изменчивости объекта во времени.

Свойства сосредоточенности – распределённости характеризует объектыс точки зрения роли, которую играет в их модельном описании пространственная протяжённость и конечная скорость распространения в пространстве физических процессов.

Если пространственной протяжённостью можно пренебречь и считать, что независимой переменной, характерной для объекта, является только время, то говоря

т об объекте с сосредоточенными параметрами .

В пространственно протяжённых объектах (газы, деформирующие тела) необходимо учитывать зависимость характеристик от координат.

Для всех реально существующих объектов присуще свойство стохастичности . Определение детерминированности означает лишь тот факт, что по условиям решаемой задачи и применительно к свойствам конкретного объекта случайные факторы можно не учитывать.

Понятие динамический объект отражает изменение параметров объекта во времени. Это происходит из-за конечной скорости накопления запасов вещества и энергии, аккумулируемых объектом.

В статическом объекте связь входных и выходных параметров не учитывает динамических эффектов.

Весьма существенно деление объектов на линейные и нелинейные . Различие между ними заключается в том, что для первых справедлив принцип суперпозиции (положения), когда каждый из выходов объекта характеризуется линейной зависимостью от соответствующих входных переменных.

Объекты с одним выходом называют одномерными , а с несколькими многомерными .

Деление методов исследования объектов моделирования на аналитические, которые основаны на ранее изученных и описанных в математической форме закономерностях объекта и идентифицируемые, которые строятся на основе специального экспериментального исследования, связано со степенью сложности объекта.

Вопросы для самоконтроля и подготовки к МК:

По каким признакам классифицируют объекты моделирования?

Чем отличаются детерминированные объекты от стохастических?

По каким признакам можно отличить динамический объект от статического?

Что характерно для непрерывного объекта моделирования?