Struktur og hovedstadier i modelleringsprosessen. Systemmodellering Hovedstadier av systemmodellering

Før du bygger en modell av et objekt (fenomen, prosess), er det nødvendig å identifisere dets bestanddeler og forbindelsene mellom dem (utføre en systemanalyse) og "oversette" (vise) den resulterende strukturen til en forhåndsbestemt form - formalisere informasjon.

Modellering av ethvert system er umulig uten foreløpig formalisering. Faktisk er formalisering det første og svært viktige stadiet i modelleringsprosessen. Modeller reflekterer det mest vesentlige i objektene, prosessene og fenomenene som studeres, basert på det uttalte formålet med modelleringen. Dette er hovedtrekket og hovedformålet med modellene.

Formalisering er prosessen med å identifisere og oversette den interne strukturen til et objekt, fenomen eller prosess til en spesifikk informasjonsstruktur - form.

For eksempel, Du vet fra geografikurset ditt at styrken til skjelv vanligvis måles på en skala fra ti. Faktisk har vi å gjøre med den enkleste modellen for å vurdere styrken til dette naturfenomenet. Faktisk holdningen "sterkere", opererer i den virkelige verden, her formelt erstattet av relasjonen "mer", betydning i settet med naturlige tall: de svakeste skjelvingene tilsvarer tallet 1, den sterkeste - 10. Det resulterende ordnede settet med 10 tall er en modell som gir en ide om styrken til skjelvinger.

Modelleringsstadier

Før du tar på deg noe arbeid, må du tydelig forestille deg startpunktet og hvert punkt for aktiviteten, samt dens omtrentlige stadier. Det samme kan sies om modellering. Utgangspunktet her er en prototype. Det kan være et eksisterende eller designet objekt eller prosess. Det siste stadiet av modellering er å ta en beslutning basert på kunnskap om objektet.

(I modellering er utgangspunktet - prototype, som bare kan være et eksisterende eller designet objekt eller prosess. Det siste stadiet av modellering er å ta en beslutning basert på kunnskap om objektet.)

Kjedet ser slik ut.

La oss forklare dette med eksempler.

Et eksempel på modellering når du lager nye tekniske midler er historien om utviklingen av romteknologi. For å realisere romflukt, måtte to problemer løses: å overvinne tyngdekraften og å sikre fremgang i luftløst rom. Newton snakket om muligheten for å overvinne jordens tyngdekraft på 1600-tallet. K. E. Tsiolkovsky foreslo å lage en jetmotor for bevegelse i rommet, som bruker drivstoff fra en blanding av flytende oksygen og hydrogen, som frigjør betydelig energi under forbrenning. Han kompilerte en ganske nøyaktig beskrivende modell av fremtidens interplanetariske romfartøy med tegninger, beregninger og begrunnelser.

Mindre enn et halvt århundre har gått siden den beskrivende modellen til K. E. Tsiolkovsky ble grunnlaget for ekte modellering i designbyrået under ledelse av S. P. Korolev. I fullskalaforsøk ble det testet ulike typer flytende brensel, formen på en rakett, et flykontrollsystem og livsstøtte for astronauter, instrumenter for vitenskapelig forskning etc. Resultatet av allsidig modellering ble kraftige raketter som sendte opp kunstig jord satellitter, skip med astronauter om bord og romstasjoner.

La oss se på et annet eksempel. Den berømte kjemikeren fra 1700-tallet Antoine Lavoisier, som studerte forbrenningsprosessen, utførte en rekke eksperimenter. Han simulerte forbrenningsprosesser med ulike stoffer, som han varmet opp og veide før og etter forsøket. Det viste seg at noen stoffer blir tyngre etter oppvarming. Lavoisier foreslo at noe ble tilsatt disse stoffene under oppvarmingsprosessen. Dermed førte modellering og påfølgende analyse av resultatene til definisjonen av et nytt stoff - oksygen, til generaliseringen av begrepet "forbrenning", ga en forklaring på mange kjente fenomener og åpnet nye horisonter for forskning innen andre vitenskapsfelt, spesielt i biologi, siden oksygen viste seg å være en av hovedkomponentene i respirasjon og energimetabolisme hos dyr og planter.

Modellering- kreativ prosess. Det er veldig vanskelig å sette det inn i en formell ramme. I sin mest generelle form kan den presenteres i etapper, som vist i fig. 1.

Ris. 1. Modelleringsstadier.

Hver gang når du løser et spesifikt problem, kan en slik ordning gjennomgå noen endringer: noen blokker vil bli fjernet eller forbedret, noen vil bli lagt til. Alle stadier bestemmes av oppgaven og modelleringsmålene. La oss vurdere hovedstadiene av modellering mer detaljert.

SCENE. FORMULERING AV PROBLEMET.

En oppgave er et problem som må løses. På stadiet av problemformuleringen er det nødvendig å reflektere tre hovedpunkter: beskrivelse av problemet, fastsettelse av modelleringsmål og analyse av objektet eller prosessen.

Beskrivelse av oppgaven

Problemstillingen er formulert i vanlig språk, og beskrivelsen skal være tydelig. Hovedsaken her er å definere modelleringsobjektet og forstå hva resultatet skal være.

Formål med modellering

1) kunnskap om verden rundt

Hvorfor lager en person modeller? For å svare på dette spørsmålet, må vi se inn i den fjerne fortiden. For flere millioner år siden, ved menneskehetens begynnelse, studerte primitive mennesker den omkringliggende naturen for å lære å tåle de naturlige elementene, bruke naturlige fordeler og ganske enkelt overleve.

Akkumulert kunnskap ble gitt videre fra generasjon til generasjon muntlig, senere skriftlig, og til slutt gjennom objektmodeller. Slik ble for eksempel en modell av jorden født - en jordklode - som lar oss få en visuell ide om formen på planeten vår, dens rotasjon rundt sin egen akse og plasseringen av kontinentene. Slike modeller gjør det mulig å forstå hvordan et spesifikt objekt er strukturert, å finne ut dets grunnleggende egenskaper, å etablere lovene for dets utvikling og samspill med omgivelsesverdenen av modeller.

(Mennesket har gjennom århundrene skapt modeller, akkumulert kunnskap og gitt den videre fra generasjon til generasjon muntlig, senere skriftlig og til slutt ved hjelp av fagmodeller. Slike modeller gjør det mulig å forstå hvordan et spesifikt objekt er bygget opp, å finne ut dens grunnleggende egenskaper, for å etablere lovene for dens utvikling og interaksjon med den omkringliggende verdenen av modeller.*Eksempel: modell av kloden*).

2) opprettelse av objekter med spesifiserte egenskaper ( bestemt av problemformuleringen "hvordan gjøre det...".

Etter å ha samlet nok kunnskap, stilte en person seg selv spørsmålet: "Er det ikke mulig å lage et objekt med gitte egenskaper og evner for å motvirke elementene eller bruke naturfenomener til å tjene seg selv?" Mennesket begynte å bygge modeller av gjenstander som ennå ikke eksisterte. Slik ble ideene om å lage vindmøller, forskjellige mekanismer og til og med en vanlig paraply født. Mange av disse modellene har nå blitt virkelighet. Dette er gjenstander skapt av menneskehender.

(Etter å ha akkumulert nok kunnskap, hadde en person et ønske om å skape et objekt med gitte egenskaper og evner, *for å motvirke elementene eller å bruke naturfenomener til sin tjeneste* for å gjøre livet lettere, og å beskytte seg mot de destruktive effektene av naturen. Mennesket begynte å bygge modeller av objekter som ennå ikke eksisterer Mange av disse modellene har nå blitt virkelighet. Dette er objekter skapt av menneskehender.) *Eksempel: vindmøller, ulike mekanismer, til og med en vanlig paraply*

3) bestemme konsekvensene av innvirkning på objektet og ta den riktige avgjørelsen . Hensikten med å modellere problemer som "hva skjer hvis..." . (hva vil skje hvis du øker taksten for transport, eller hva vil skje hvis du graver ned atomavfall i et og annet område?)

For å redde byen ved Neva fra konstante flom som forårsaker enorme skader, ble det for eksempel besluttet å bygge en demning. Under utformingen ble det bygget mange modeller, inkludert fullskala, nettopp for å forutsi konsekvensene av inngrep i naturen.

I dette avsnittet kan vi bare gi et eksempel og si om spørsmålet.

4) effektiviteten av objekt (eller prosess) styring ) .

Siden forvaltningskriterier kan være svært motstridende, vil det bare være effektivt hvis "ulvene blir matet og sauene er trygge."

For eksempel må du forbedre maten i skolens kantine. På den ene siden må den oppfylle alderskrav (kaloriinnhold, inneholdende vitaminer og mineralsalter), på den annen side må den være likt av de fleste barn og dessuten være rimelig for foreldrene, og på den tredje forberedelsesteknologien skal samsvare med kapasiteten til skolekantiner. Hvordan kombinere uforenlige ting? Å bygge en modell vil hjelpe deg med å finne en akseptabel løsning.

Hvis informasjonen i dette avsnittet virker viktig for noen, så velg det selv.

Objektanalyse

På dette stadiet er det modellerte objektet og dets hovedegenskaper tydelig identifisert, hva det består av og hvilke forbindelser som finnes mellom dem.

(Et enkelt eksempel på underordnede koblinger av objekter er å analysere en setning. Først utheves hovedmedlemmene (subjekt, predikat), deretter de underordnede medlemmene relatert til de viktigste, deretter ordene relatert til de sekundære, osv.)

Trinn II. MODELLUTVIKLING

1. Informasjonsmodell

På dette stadiet blir egenskapene, tilstandene, handlingene og andre egenskaper til elementære objekter avklart i enhver form: verbalt, i form av diagrammer, tabeller. Det dannes en idé om de elementære objektene som utgjør det opprinnelige objektet, dvs. informasjonsmodell.

Modeller må gjenspeile de mest essensielle egenskapene, egenskapene, tilstandene og relasjonene til objekter i den objektive verden. De gir fullstendig informasjon om objektet.

Tenk deg at du må løse en gåte. Du tilbys en liste over egenskapene til en ekte gjenstand: rund, grønn, blank, kjølig, stripet, ringende, moden, aromatisk, søt, saftig, tung, stor, med en tørr hale...

Listen fortsetter, men du har sikkert allerede gjettet at vi snakker om vannmelon. Den mest varierte informasjonen om det er gitt: farge, lukt, smak og til og med lyd... Det er åpenbart mye mer av det enn det som kreves for å løse dette problemet. Prøv å velge fra alle de oppførte tegnene og egenskapene minimum som lar deg identifisere objektet nøyaktig. En løsning har lenge blitt funnet i russisk folklore: "Den skarlagenrøde, sukker, grønne, fløyelskaftanen."

Hvis informasjonen var ment for at kunstneren skulle male et stilleben, kunne man begrense seg til følgende egenskaper ved objektet: rund, stor, grønn, stripet. For å vekke appetitten til en søt tann, bør du velge andre egenskaper: moden, saftig, aromatisk, søt. For en person som velger en vannmelon fra en melonlapp, kan vi tilby følgende modell: stor, høy, med tørr hale.

Dette eksemplet viser at det ikke trenger å være mye informasjon. Det er viktig at det er "på fortjeneste", det vil si i samsvar med formålet det brukes til.

For eksempel, på skolen, blir elevene introdusert for informasjonsmodellen for blodsirkulasjon. Denne informasjonen er nok for et skolebarn, men ikke nok for de som utfører vaskulære operasjoner på sykehus.

Informasjonsmodeller spiller en svært viktig rolle i menneskelivet.

Kunnskapen du tilegner deg på skolen har form av en informasjonsmodell beregnet på å studere objekter og fenomener.

Historietimer gjøre det mulig å bygge en modell for utviklingen av samfunnet, og kunnskap om den lar deg bygge ditt eget liv, enten gjenta feilene til dine forfedre, eller ta dem i betraktning.

På geografitimer du får informasjon om geografiske objekter: fjell, elver, land osv. Dette er også informasjonsmodeller. Mye av det som undervises i geografitimer vil du aldri se i virkeligheten.

På kjemitimer informasjon om egenskapene til forskjellige stoffer og lovene for deres interaksjon støttes av eksperimenter, som ikke er mer enn ekte modeller av kjemiske prosesser.

En informasjonsmodell karakteriserer aldri et objekt fullt ut. For samme objekt kan du bygge forskjellige informasjonsmodeller.

La oss velge et objekt som "person" for modellering. En person kan sees fra forskjellige synsvinkler: som individ og som person generelt.

Hvis du har en bestemt person i tankene, kan du bygge modeller som er presentert i Tabell. 1-3.

Tabell 1. Studentinformasjonsmodell

Tabell 2.. Informasjonsmodell av en besøkende på skolemedisinsk kontor

Tabell 3. Informasjonsmodell for en bedriftsansatt

La oss vurdere og andre eksempler ulike informasjonsmodeller for samme objekt.

Tallrike vitner til forbrytelsen rapporterte en rekke opplysninger om den påståtte angriperen - dette er informasjonsmodellene deres. Politirepresentanten bør velge fra informasjonsstrømmen de mest betydningsfulle som vil bidra til å finne forbryteren og arrestere ham. En representant for loven kan ha mer enn én informasjonsmodell av en banditt. Suksessen til virksomheten avhenger av hvor riktig de essensielle funksjonene er valgt og de sekundære blir forkastet.

Valget av den mest essensielle informasjonen når man lager en informasjonsmodell og dens kompleksitet bestemmes av formålet med modelleringen.

Å bygge en informasjonsmodell er utgangspunktet for modellutviklingsstadiet. Alle inngangsparametere til objekter identifisert under analysen er ordnet i synkende viktighetsrekkefølge og modellen er forenklet i samsvar med formålet med modelleringen.

2. Ikonisk modell

Før du starter modelleringsprosessen, lager en person foreløpige skisser av tegninger eller diagrammer på papir, utleder beregningsformler, dvs. lager en informasjonsmodell i en eller annen form ikonisk form, som kan være enten datamaskin eller ikke-datamaskin.

Datamaskinmodell

En datamaskinmodell er en modell implementert ved hjelp av et programvaremiljø.

Det finnes mange programvarepakker som lar deg utføre forskning (modellering) av informasjonsmodeller. Hvert programvaremiljø har sine egne verktøy og lar deg jobbe med visse typer informasjonsobjekter.

Personen vet allerede hva modellen blir og bruker datamaskinen for å gi den en ikonisk form. For eksempel brukes grafiske miljøer til å bygge geometriske modeller og diagrammer, og et tekstredigeringsmiljø brukes for verbale eller tabellformede beskrivelser.

TRINN III. DATAEKSPERIMENT

For å gi liv til nye designutviklinger, introdusere nye tekniske løsninger i produksjonen eller teste nye ideer, trengs et eksperiment. I den siste tiden kunne et slikt eksperiment utføres enten i laboratorieforhold på installasjoner spesielt laget for det, eller in situ, dvs. på en ekte prøve av produktet, og utsette det for alle slags tester

Med utviklingen av datateknologi har det oppstått en ny unik forskningsmetode – et dataeksperiment. Et dataeksperiment inkluderer en sekvens av arbeid med en modell, et sett med målrettede brukerhandlinger på en datamodell.

IV STAGE. ANALYSE AV SIMULASJONSRESULTATER

Det endelige målet med modellering er å ta en beslutning, som bør tas på grunnlag av en omfattende analyse av de oppnådde resultatene. Dette stadiet er avgjørende – enten fortsetter du forskningen eller fullfører den. Kanskje du kjenner det forventede resultatet, så må du sammenligne de oppnådde og forventede resultatene. Hvis det er en match, vil du kunne ta en avgjørelse.

Grunnlaget for å utvikle en løsning er resultatene av testing og eksperimenter Hvis resultatene ikke samsvarer med målene for oppgaven, betyr det at det ble gjort feil på de tidligere stadiene. Dette kan være en altfor forenklet konstruksjon av en informasjonsmodell, eller et mislykket valg av modelleringsmetode eller miljø, eller et brudd på teknologiske teknikker ved bygging av en modell. Hvis slike feil blir identifisert, må modellen justeres, dvs. gå tilbake til en av de tidligere stadiene. Prosessen gjentas til de eksperimentelle resultatene oppfyller modelleringsmålene.

Det viktigste er å alltid huske: en identifisert feil er også et resultat. http://www.gmcit.murmansk.ru/text/information_science/base/simulation/materials/mysnik/2.htm

Relatert informasjon.

Modelleringsteori er en av komponentene i teorien om automatisering av kontrollprosesser. Et av dets grunnleggende prinsipper er utsagnet: systemet er representert av et begrenset sett med modeller, som hver gjenspeiler en viss fasett av dets essens.

Det er hittil opparbeidet betydelig erfaring som gir grunnlag for å formulere de grunnleggende prinsippene for å konstruere modeller. Til tross for at når man bygger modeller, er rollen som erfaring, intuisjon og intellektuelle kvaliteter til forskeren svært viktig, skyldes mange feil og feil i modelleringspraksis uvitenhet om modelleringsmetodikk og manglende overholdelse av prinsippene for å bygge modeller.

De viktigste inkluderer:

Prinsippet om samsvar av modellen med målene for studien;

Prinsippet om å matche kompleksiteten til modellen med den nødvendige nøyaktigheten til modelleringsresultatene;

Prinsippet om modelleffektivitet;

Prinsippet om proporsjonalitet;

Prinsippet om modularitet i byggemodeller;

Prinsippet om åpenhet;

Prinsippet om kollektiv utvikling (spesialister innen fagområdet og innen modellering deltar i å lage modellen);

Prinsippet om brukbarhet (brukervennlighet av modellen).

Mange modeller kan bygges for samme system. Disse modellene vil avvike i detaljgraden og ta hensyn til visse funksjoner og funksjonsmåter til et reelt objekt, reflektere en viss fasett av essensen av systemet, og fokusere på studiet av en viss egenskap eller gruppe egenskaper til system. Derfor er det viktig å tydelig formulere hensikten med modellering allerede i den innledende fasen av modellkonstruksjonen. Det bør også tas i betraktning at modellen er bygget for å løse et spesifikt forskningsproblem. Opplevelsen av å lage universelle modeller har ikke rettferdiggjort seg selv på grunn av den tungvinte naturen til de opprettede modellene og deres uegnethet for praktisk bruk. For å løse hvert spesifikt problem, må du ha din egen modell, som gjenspeiler de viktigste aspektene og sammenhengene fra forskningssynspunkt. Viktigheten av å spesifikt sette målene for modellering er også diktert av det faktum at alle påfølgende stadier av modellering utføres med fokus på et spesifikt forskningsmål.

Modellen er alltid omtrentlig i forhold til originalen. Hva bør denne tilnærmingen være? For mange detaljer kompliserer modellen, gjør den dyrere og kompliserer forskning. Det er nødvendig å finne et kompromiss mellom graden av kompleksitet av modellen og dens tilstrekkelighet til det modellerte objektet.

Generelt sett er problemet "nøyaktighet - kompleksitet" formulert som ett av to optimaliseringsproblemer:

Nøyaktigheten til simuleringsresultatene spesifiseres, og deretter minimeres kompleksiteten til modellen;

Ved å ha en modell av en viss kompleksitet, streber de etter å sikre maksimal nøyaktighet av modelleringsresultatene.

Redusere antall egenskaper, parametere, forstyrrende faktorer. Ved å spesifisere målene for modellering fra settet med egenskaper til systemet, utelukkes enten de som kan bestemmes uten modellering eller er, fra forskerens synspunkt, av sekundær betydning, eller de kombineres. Muligheten for å implementere slike prosedyrer er forbundet med det faktum at når modellering er det ikke alltid tilrådelig å ta hensyn til hele utvalget av forstyrrende faktorer. Noe idealisering av driftsforholdene er tillatt. Hvis formålet med modellering ikke bare er å registrere egenskapene til systemet, men også å optimalisere visse beslutninger om konstruksjon eller drift av systemet, er det i tillegg til å begrense antall systemparametere nødvendig å identifisere de parameterne som forskeren kan endre seg.

Endring av systemets egenskaper. For å forenkle konstruksjonen og studien av modellen, er det tillatt å betrakte noen variable parametere som konstanter, diskrete som kontinuerlige, og omvendt.

Endre det funksjonelle forholdet mellom parametere. En ikke-lineær avhengighet erstattes vanligvis med en lineær, og en diskret funksjon med en kontinuerlig. I sistnevnte tilfelle kan den inverse transformasjonen også være en forenkling.

Endring av restriksjoner. Når restriksjoner fjernes, forenkles vanligvis prosessen med å få en løsning. Og omvendt, når begrensninger innføres, viser det seg å være mye vanskeligere å finne en løsning. Ved å variere begrensningene er det mulig å bestemme beslutningsområdet skissert av grenseverdiene til systemytelsesindikatorene.

Modelleringsprosessen er ledsaget av visse kostnader for ulike ressurser (materiale, beregninger, etc.). Disse kostnadene er større jo mer komplekst systemet er og jo høyere krav til modelleringsresultater. Vi vil vurdere en økonomisk modell som en slik modell, hvis effekt av å bruke modelleringsresultatene har en viss overskytende rate i forhold til ressursbruken som brukes til å lage og bruke den.

Når man utvikler en matematisk modell, er det nødvendig å strebe etter å overholde det såkalte proporsjonalitetsprinsippet. Dette betyr at den systematiske modelleringsfeilen (dvs. modellens avvik fra beskrivelsen av det modellerte systemet) må stå i forhold til feilen i beskrivelsen, inkludert feilen i kildedataene. I tillegg bør nøyaktigheten av beskrivelsen av individuelle elementer i modellen være den samme uavhengig av deres fysiske natur og det matematiske apparatet som brukes. Og til slutt må den systematiske modelleringsfeilen og tolkningsfeilen, samt feilen i gjennomsnittet av modelleringsresultatene, stå i forhold til hverandre.

Den totale modelleringsfeilen kan reduseres dersom ulike metoder for gjensidig kompensasjon av feil på grunn av ulike årsaker benyttes. Prinsippet om feilbalanse må med andre ord overholdes. Essensen av dette prinsippet er å kompensere for feil av en type med feil av en annen type. For eksempel balanseres feil forårsaket av mangelfulle modeller av feil i kildedataene. En strengt formell prosedyre for å observere dette prinsippet er ikke utviklet, men erfarne forskere klarer å bruke dette prinsippet med hell i sitt arbeid.

Modularitet av konstruksjon "reduserer kostnadene" betydelig for prosessen med å lage modeller, da den tillater bruk av akkumulert erfaring med implementering av standardelementer og moduler ved utvikling av komplekse modeller av systemer. I tillegg er en slik modell enkel å modifisere (utvikle).

Åpenheten til modellen innebærer muligheten for å inkludere nye programvaremoduler i sammensetningen, og behovet for disse kan avdekkes under forskningen og i prosessen med å forbedre modellen.

Kvaliteten på modellen vil i stor grad avhenge av hvor vellykket de organisatoriske aspektene ved modellering løses, nemlig involvering av spesialister fra ulike felt. Dette er spesielt viktig for de innledende stadiene, hvor formålet med forskningen (modelleringen) formuleres og en konseptuell modell av systemet utvikles. Deltakelse av kunderepresentanter i arbeidet er obligatorisk. Kunden må tydelig forstå målene for modelleringen, den utviklede konseptuelle modellen, forskningsprogrammet, og kunne analysere og tolke modelleringsresultatene.

De endelige målene for modellering kan bare oppnås ved å utføre forskning ved å bruke den utviklede modellen. Forskning består i å utføre eksperimenter ved hjelp av en modell, hvis vellykkede implementering i stor grad skyldes tjenesten som gjøres tilgjengelig for forskeren, med andre ord, brukervennligheten til modellen, som betyr brukergrensesnittets bekvemmelighet, input. -utdata av modelleringsresultater, fullstendighet av feilsøkingsverktøy, enkle tolkningsresultater, etc.

Modelleringsprosessen kan deles inn i en rekke stadier.

Første etappe inkluderer: å forstå målene for forskningen, modellens plass og rolle i prosessen med systemforskning, formulere og spesifisere formålet med modellering, sette modelleringsoppgaven.

Andre fase- dette er stadiet for å lage (utvikle) modellen. Den begynner med en meningsfull beskrivelse av det modellerte objektet og slutter med en programvareimplementering av modellen.

På tredje trinn forskning utføres ved hjelp av en modell, som består av planlegging og gjennomføring av eksperimenter.

Modelleringsprosessen (fjerde trinn) avsluttes med analyse og bearbeiding av modelleringsresultater, utvikling av forslag og anbefalinger for bruk av modelleringsresultater i praksis.

Direkte konstruksjon av modellen begynner med en meningsfull beskrivelse av det modellerte objektet. Modelleringsobjektet er beskrevet fra perspektivet til en systemtilnærming. Basert på formålet med studien bestemmes et sett med elementer og deres mulige tilstander, forbindelser mellom dem er indikert, og informasjon om den fysiske naturen og kvantitative egenskapene til objektet (systemet) som studeres er gitt. En meningsfull beskrivelse kan utarbeides som et resultat av en ganske grundig studie av objektet som studeres. Beskrivelsen utføres som regel på nivå med kvalitative kategorier. En slik foreløpig, omtrentlig representasjon av et objekt kalles vanligvis en verbal modell. En meningsfull beskrivelse av et objekt har som regel ingen uavhengig mening, men tjener bare som grunnlag for ytterligere formalisering av studieobjektet - konstruksjonen av en konseptuell modell.

Den konseptuelle modellen av et objekt er et mellomledd mellom en meningsfull beskrivelse og en matematisk modell. Den utvikles ikke i alle tilfeller, men bare når en direkte overgang fra en meningsfull beskrivelse til en matematisk modell, på grunn av kompleksiteten til objektet som studeres eller vanskelighetene med å formalisere noen av elementene, viser seg å være umulig eller upraktisk. Prosessen med å lage en konseptuell modell er kreativ. Det er i denne forbindelse at det noen ganger sies at modellering ikke er så mye en vitenskap som en kunst.

Det neste trinnet i modelleringen er utviklingen av en matematisk modell av objektet. Opprettelsen av en matematisk modell har to hovedmål: å gi en formalisert beskrivelse av strukturen og funksjonsprosessen til objektet som studeres og å prøve å presentere prosessen med å fungere i en form som tillater analytisk eller algoritmisk studie av objektet.

For å konvertere en konseptuell modell til en matematisk, er det nødvendig å skrive ned, for eksempel i analytisk form, alle relasjonene mellom de essensielle parameterne, deres forbindelse med målfunksjonen, og sette begrensninger på verdiene til de kontrollerte parameterne .

En slik matematisk modell kan representeres som:

hvor U er målfunksjonen (effektivitetsfunksjon, kriteriefunksjon);

Vektor av kontrollerte parametere;

Vektor av ukontrollerte parametere;

(x,y) - restriksjoner på verdiene til kontrollerte parametere.

Det matematiske apparatet som brukes til formalisering, den spesifikke typen objektiv funksjon og restriksjoner bestemmes av essensen av problemet som skal løses.

Den utviklede matematiske modellen kan studeres ved hjelp av ulike metoder - analytisk, numerisk, "kvalitativ", simulering.

Ved hjelp av analytiske metoder kan du gjøre den mest komplette studien av modellen. Imidlertid kan disse metodene bare brukes på en modell som kan representeres i form av eksplisitte analytiske avhengigheter, noe som kun er mulig for relativt enkle systemer. Derfor brukes vanligvis analytiske forskningsmetoder for en innledende grovvurdering av egenskapene til et objekt (ekspressvurdering), så vel som i de tidlige stadiene av systemdesign.

Hoveddelen av de virkelige objektene som studeres kan ikke studeres med analytiske metoder. Numeriske og simuleringsmetoder kan brukes for å studere slike objekter. De er anvendelige for en bredere klasse av systemer der den matematiske modellen presenteres enten i form av et system av ligninger som kan løses med numeriske metoder, eller i form av en algoritme som simulerer prosessen med dens funksjon.

Hvis de resulterende ligningene ikke kan løses med analytiske, numeriske eller simuleringsmetoder, tyr de til bruken av "kvalitative" metoder. "Kvalitative" metoder gjør det mulig å estimere verdiene til de ønskede mengdene, samt bedømme oppførselen til banen til systemet som helhet. Lignende metoder, sammen med metodene for matematisk logikk og metoder for teorien om vage sett, inkluderer også en rekke metoder for teorien om kunstig intelligens.

En matematisk modell av et virkelig system er et abstrakt, formelt beskrevet objekt, hvor studiet også utføres ved hjelp av matematiske metoder, og hovedsakelig ved bruk av datateknologi. Derfor, under matematisk modellering, må en beregningsmetode bestemmes, eller på annen måte må det utvikles en algoritmisk eller programvaremodell som implementerer beregningsmetoden.

Den samme matematiske modellen kan implementeres på en datamaskin ved hjelp av forskjellige algoritmer. Alle av dem kan variere i nøyaktigheten til løsningen, beregningstid, mengde minne okkupert og andre indikatorer.

Naturligvis, når du forsker, er det nødvendig med en algoritme som gir modellering med den nødvendige nøyaktigheten av resultater og minimalt med datamaskintid og andre ressurser.

En matematisk modell, som er gjenstand for et maskineksperiment, presenteres i form av et dataprogram (programmodell). I dette tilfellet er det nødvendig å velge språk og programmeringsverktøy for modellen, og beregne ressursene for kompilering og feilsøking av programmet. Nylig har prosessen med å programmere modeller blitt stadig mer automatisert (denne tilnærmingen vil bli diskutert i avsnittet "Automasjon av modellering av komplekse militære organisatoriske og tekniske systemer"). Spesielle algoritmiske modelleringsspråk er laget for å programmere en bred klasse av modeller (bruken av GPSS-språket (bokstavelig russisk oversettelse - diskrete systemmodelleringsspråk) for modellering av datasystemer vil også bli diskutert i påfølgende kapitler). De gir enkel implementering av slike vanlige oppgaver som oppstår under modellering, for eksempel organisering av pseudo-parallell utførelse av algoritmer, dynamisk minneallokering, vedlikehold av modelltid, simulering av tilfeldige hendelser (prosesser), vedlikehold av en rekke hendelser, innsamling og behandling av simuleringsresultater , etc. Simuleringer av beskrivende språkverktøy lar deg identifisere og stille inn parametrene til det simulerte systemet og ytre påvirkninger, drifts- og kontrollalgoritmer, moduser og nødvendige simuleringsresultater. I dette tilfellet fungerer modelleringsspråk som et formalisert grunnlag for å lage matematiske modeller.

Før du starter et eksperiment på modellen, er det nødvendig å forberede de første dataene. Utarbeidelsen av innledende data begynner på stadiet med å utvikle en konseptuell modell, der noen kvalitative og kvantitative egenskaper ved objektet og ytre påvirkninger identifiseres. For kvantitative egenskaper er det nødvendig å bestemme deres spesifikke verdier, som vil bli brukt som inputdata for modellering. Dette er en arbeidskrevende og ansvarlig arbeidsfase. Det er åpenbart at påliteligheten til modelleringsresultatene klart avhenger av nøyaktigheten og fullstendigheten til kildedataene.

Som regel er innsamling av innledende data en svært kompleks og tidkrevende prosess. Dette skyldes en rekke årsaker. For det første kan parameterverdier ikke bare være deterministiske, men også stokastiske. For det andre viser ikke alle parametere seg å være stasjonære. Dette gjelder spesielt parametrene for ytre påvirkninger. For det tredje snakker vi ofte om å modellere et ikke-eksisterende system eller et system som må fungere under nye forhold. Unnlatelse av å ta hensyn til noen av disse faktorene fører til betydelige brudd på modellens tilstrekkelighet.

De endelige målene for modellering oppnås ved bruk av den utviklede modellen, som består i å utføre eksperimenter med modellen, som et resultat av at alle de nødvendige egenskapene til systemet bestemmes.

Eksperimenter med en modell utføres vanligvis etter en bestemt plan. Dette er fordi, med begrensede data- og tidsressurser, er det vanligvis ikke mulig å gjennomføre alle mulige eksperimenter. Derfor er det behov for å velge visse kombinasjoner av parametere og sekvensen av eksperimentet, det vil si at oppgaven er å konstruere en optimal plan for å oppnå modelleringsmålet. Prosessen med å utvikle en slik plan kalles strategisk planlegging. Imidlertid er ikke alle problemer knyttet til planlegging av eksperimenter fullstendig løst. Det er behov for å redusere varigheten av maskineksperimenter samtidig som man sikrer statistisk pålitelighet av modelleringsresultatene. Denne prosessen kalles taktisk planlegging.

Den eksperimentelle planen kan innlemmes i et dataforskningsprogram og utføres automatisk. Imidlertid innebærer forskningsstrategien oftest at forskeren griper aktivt inn i eksperimentet for å korrigere forsøksplanen. Slike intervensjoner implementeres vanligvis interaktivt.

Under eksperimenter måles vanligvis mange verdier av hver karakteristikk, som deretter behandles og analyseres. Med et stort antall implementeringer reprodusert under modelleringsprosessen, kan mengden informasjon om systemets tilstander være så betydelig at lagring i datamaskinens minne, prosessering og påfølgende analyse er praktisk talt umulig. Derfor er det nødvendig å organisere registreringen og behandlingen av simuleringsresultater på en slik måte at estimater av de nødvendige mengdene dannes gradvis under simuleringen.

Siden utdatakarakteristikker ofte er tilfeldige variabler eller funksjoner, er essensen av prosessering å beregne estimater av matematiske forventninger, varianser og korrelasjonsmomenter.

For å eliminere behovet for å lagre alle målinger i maskinen, utføres behandlingen vanligvis ved hjelp av tilbakevendende formler, når estimater beregnes under eksperimentet ved å bruke den kumulative totalmetoden etter hvert som nye målinger tas.

Basert på de bearbeidede eksperimentelle resultatene, analyseres avhengighetene som karakteriserer systemets oppførsel med hensyn til miljøet. For godt formaliserte systemer kan dette gjøres ved hjelp av korrelasjons-, sprednings- eller regresjonsmetoder. Analysen av modelleringsresultater inkluderer også problemet med modellens følsomhet for variasjoner i parameterne.

Analyse av modelleringsresultater lar oss avklare mange informative parametere for modellen, og følgelig klargjøre selve modellen. Dette kan føre til en betydelig endring i den opprinnelige formen til den konseptuelle modellen, identifisering av en eksplisitt avhengighet av egenskapene, fremveksten av muligheten for å lage en analytisk modell av systemet, redefinering av vektkoeffisientene til vektoreffektivitetskriteriet og andre modifikasjoner av den opprinnelige versjonen av modellen.

Det siste stadiet av modellering er bruken av modelleringsresultater og deres overføring til et ekte objekt - originalen. Til syvende og sist blir simuleringsresultatene vanligvis brukt til å ta beslutninger om helsen til systemet, forutsi systemets oppførsel, optimalisere systemet, etc.

Beslutningen om drift er tatt basert på om egenskapene til systemet går utover de fastsatte grensene eller ikke går utover de fastsatte grensene for eventuelle tillatte endringer i parametere. Prediksjon er vanligvis hovedmålet for enhver modellering. Det består i å vurdere oppførselen til systemet i fremtiden under en viss kombinasjon av dets kontrollerte og ukontrollerbare parametere.

Optimalisering er bestemmelsen av en systematferdsstrategi (naturligvis tatt i betraktning miljøet) der oppnåelsen av systemets mål vil bli sikret med optimalt (i betydningen av det aksepterte kriteriet) ressursforbruk. Vanligvis fungerer ulike metoder fra teorien om operasjonsforskning som optimeringsmetoder.

Under modelleringsprosessen, på alle stadier, er forskeren tvunget til å hele tiden bestemme om modellen som lages vil reflektere originalen på riktig måte. Inntil dette problemet er løst positivt, er verdien av modellen ubetydelig.

Kravet til adekvans er som nevnt ovenfor i strid med kravet om enkelhet, og dette må hele tiden huskes ved kontroll av modellen for adekvans. I prosessen med å lage en modell blir tilstrekkeligheten objektivt krenket på grunn av idealisering av ytre forhold og driftsmoduser, utelukkelse av visse parametere og neglisjering av noen tilfeldige faktorer. Mangelen på nøyaktig informasjon om ytre påvirkninger, visse trekk ved strukturen og funksjonsprosessen til systemet, aksepterte metoder for tilnærming og interpolering, heuristiske antakelser og hypoteser fører også til en reduksjon i samsvaret mellom modellen og originalen. På grunn av mangelen på en tilstrekkelig utviklet metodikk for å vurdere tilstrekkeligheten, utføres slik verifisering i praksis enten ved å sammenligne resultatene fra tilgjengelige eksperimenter på stedet med lignende resultater oppnådd under maskineksperimenter, eller ved å sammenligne resultater oppnådd på lignende modeller. Andre indirekte metoder for å kontrollere tilstrekkeligheten kan også brukes.

Basert på resultatene fra tilstrekkelighetstesten trekkes det konklusjoner om modellens egnethet for å gjennomføre forsøk. Hvis modellen oppfyller kravene, utføres planlagte eksperimenter på den. Ellers blir modellen foredlet (korrigert) eller fullstendig omarbeidet. Samtidig må det foretas en vurdering av modellens tilstrekkelighet på hvert trinn av modelleringen, fra stadiet for å danne målet med modellering og sette oppgaven for modellering og slutte med stadiet med å utvikle forslag til bruk. av modelleringsresultater.

Ved justering eller omarbeiding av en modell kan man skille mellom følgende typer endringer: globale, lokale og parametriske.

Globale endringer kan være forårsaket av alvorlige feil i de innledende stadiene av modellering: når man setter opp et modelleringsproblem, når man utvikler verbale, konseptuelle og matematiske modeller. Å eliminere slike feil fører vanligvis til utvikling av en ny modell.

Lokale endringer er forbundet med klargjøring av noen parametere eller algoritmer. Lokale endringer krever en delvis endring i den matematiske modellen, men kan føre til behov for å utvikle en ny programvaremodell. For å redusere sannsynligheten for slike endringer, anbefales det umiddelbart å utvikle en modell med større detaljeringsgrad enn det som er nødvendig for å nå modelleringsmålet.

Parametriske endringer inkluderer endringer i noen spesielle parametere kalt kalibreringsparametere. For å forbedre egnetheten til modellen gjennom parametriske endringer, bør kalibreringsparametre identifiseres på forhånd og enkle måter å variere dem på bør gis.

Modelljusteringsstrategien bør være rettet mot først å introdusere globale, deretter lokale og til slutt parametriske endringer.

I praksis utføres modelleringsstadier noen ganger isolert fra hverandre, noe som påvirker resultatene som helhet negativt. Løsningen på dette problemet ligger i måtene å vurdere prosessene for å konstruere en modell, organisere eksperimenter på den og lage modelleringsprogramvare innenfor en enhetlig ramme.

Simulering bør betraktes som enhetlig prosess for å bygge og undersøke en modell, ha passende programvare- og maskinvarestøtte. Det er to viktige aspekter å merke seg.

Metodisk aspekt- identifikasjon av mønstre, teknikker for å konstruere algoritmiske beskrivelser av systemer, målrettet transformasjon av de resulterende beskrivelsene til pakker med sammenkoblede maskinmodeller, utarbeide scenarier og arbeidsplaner i forhold til slike pakker, rettet mot å oppnå anvendte modelleringsmål.

Kreativt aspekt- kunst, ferdighet, evne til å oppnå praktisk nyttige resultater under maskinmodellering av komplekse systemer.

Implementeringen av konseptet med systemmodellering som et integrert sett med metoder for å konstruere og bruke modeller er bare mulig med et passende nivå av utvikling av informasjonsteknologi.

Uavhengig av typen modeller (kontinuerlig og diskret, deterministisk og stokastisk, etc.), inkluderer simuleringsmodellering en rekke hovedstadier presentert i fig. 3.1 og er en kompleks iterativ prosess:

Ris. 3.1. Teknologiske stadier av simuleringsmodellering

1. Det dokumenterte resultatet på dette stadiet er det kompilerte ;

2. Utvikling av en konseptuell beskrivelse. Resultatet av systemanalytikerens aktiviteter på dette stadiet er konseptuell modellOg valg av formaliseringsmetode for et gitt modelleringsobjekt.

3. Formalisering av simuleringsmodellen. Kompilert formell beskrivelse modelleringsobjekt.

4. Programmere en simuleringsmodell (utvikling av et simulatorprogram). OM valg avøy, algoritmisering, programmering og feilsøking av simuleringsmodellen utføres.

5. Modelltesting og forskning, modellverifisering. Modellen verifiseres, tilstrekkeligheten vurderes, egenskapene til simuleringsmodellen studeres m.m. omfattende testprosedyrer utviklet modell.

6. Planlegging og gjennomføring av et simuleringseksperiment. Det gjennomføres strategisk og taktisk planlegging av simuleringseksperimentet. Resultatet er: kompilert og implementert forsøksplan, gitt simuleringskjøringsforhold for den valgte planen.

7. Analyse av simuleringsresultater. Forskeren tolker modelleringsresultatene og bruker dem, og tar faktisk beslutninger.

Formulering av problemstilling og fastsettelse av målene for simuleringsstudien. I det første trinnet formuleres problemet forskeren står overfor og det tas en beslutning om det er tilrådelig å bruke simuleringsmetoden. Deretter fastsettes målene som skal oppnås som et resultat av simuleringen. Valget av type simuleringsmodell og arten av videre simuleringsforskning ved bruk av simuleringsmodellen avhenger i stor grad av formuleringen av mål. På dette stadiet blir modelleringsobjektet bestemt og studert i detalj, de aspektene ved dets funksjon som er av interesse for forskning. Resultatet av arbeidet på dette stadiet er meningsfull beskrivelse av modelleringsobjektet som indikerer målene for simuleringen og de aspektene ved funksjonen til modelleringsobjektet som må studeres ved bruk av simuleringsmodellen. En meningsfull beskrivelse er utarbeidet i terminologien til det virkelige systemet, på fagområdets språk, forståelig for kunden.

I I prosessen med å utarbeide en meningsfull beskrivelse av modelleringsobjektet, etableres grensene for studiet av det modellerte objektet, og det gis en beskrivelse av det ytre miljøet det samhandler med. Hovedeffektivitetskriteriene er formulert, i henhold til hvilke det er ment å sammenligne ulike løsningsalternativer ved hjelp av en modell, og alternativene som vurderes genereres og beskrives. Det finnes ingen generell oppskrift for å lage en meningsfull beskrivelse. Suksess avhenger av utviklerens intuisjon og kunnskap om det virkelige systemet. Den generelle teknologien eller sekvensen av handlinger på dette stadiet er som følger: samle inn data om modelleringsobjektet og kompilere meningsfull beskrivelse av modelleringsobjektet; Dette etterfølges av: studere problemsituasjonen - fastsette diagnosen og stille problemet; avklaring av modelleringsmål; behovet for modellering er begrunnet og modelleringsmetoden velges. På dette stadiet klart og spesifikt formulert modelleringsmål.

C Modelleringstrærne definerer det overordnede designet modeller og gjennomsyre alle påfølgende stadier av simuleringsmodellering. Deretter dannes en konseptuell modell av objektet som studeres.

P La oss dvele mer detaljert på hovedinnholdet i aktivitetene til en systemanalytiker på disse tidlige stadiene. Dette arbeidet er viktig for alle påfølgende stadier av simuleringsmodellering, og det er her simuleringsmodelløren viser seg som en systemanalytiker som mestrer kunsten å modellere.

Strukturering av det opprinnelige problemet. Formulering av problemet

Strukturering av det opprinnelige problemet. Formulering av problemet. Først av alt må en systemanalytiker kunne analysere et problem. Han utfører studiet og struktureringen av den opprinnelige problemstillingen, en klar problemformulering.

Analyse av problemet må begynne med en detaljert studie av alle aspekter ved funksjon. Her er det viktig å forstå detaljene, så du må enten være ekspert på et spesifikt fagområde eller samhandle med eksperter. Det aktuelle systemet er koblet til andre systemer, så det er viktig å definere oppgavene riktig. Det generelle modelleringsproblemet er delt inn i spesifikke.

Det viktigste semantiske innholdet i den systematiske tilnærmingen til problemløsning er demonstrert i fig. 3.2.

En systematisk tilnærming til problemløsning innebærer:

• systematisk vurdering av essensen av problemet:

1. begrunnelse av essensen og stedet for problemet som studeres;
2. dannelse av den generelle strukturen til systemet som studeres;
3. identifikasjon av hele settet av viktige faktorer;
4. bestemmelse av funksjonelle avhengigheter mellom faktorer;

• bygge et enhetlig konsept for å løse problemet:

1. forskning på objektive forhold for å løse et problem;
2. begrunnelse av mål og mål som er nødvendige for å løse problemet;
3. strukturere oppgaver, formalisere mål;
4. utvikling av midler og metoder for å løse problemet: beskrivelse av alternativer, scenarier, beslutningsregler og kontrollhandlinger for videreutvikling av beslutningsprosedyrer på en modell;

• systematisk bruk av modelleringsmetoder:

1. systemklassifisering (strukturering) av modelleringsproblemer;
2. systemanalyse av evnene til modelleringsmetoder;
3. valg av effektive modelleringsmetoder.

Identifisere mål

Identifisere mål. Det første og viktigste trinnet i å lage en modell er å bestemme dens tiltenkte formål. Måldekomponeringsmetoden kan brukes, som innebærer å dele opp helheten i deler: mål i delmål, oppgaver i deloppgaver, etc. I praksis fører denne tilnærmingen til hierarkiske trestrukturer (bygge et tre av mål). Denne prosedyren er domenet til spesialister og eksperter på problemet. Det vil si at det er en subjektiv faktor her. Den praktiske utfordringen er hvor fullstendig alt er strukturert. Måltreet konstruert som et resultat av denne prosedyren kan senere vise seg å være nyttig i dannelsen av mange kriterier.

Hvilke fallgruver venter en begynnende systemanalytiker? Det som er et mål for ett nivå er et middel for et annet nivå, og det oppstår ofte en forvirring av mål. For et komplekst system med mange delsystemer kan målene være motstridende. Det er sjelden et enkelt mål, med mange mål er det fare for feil rangering.

Modelleringsmålene som ble formulert og strukturert i det første trinnet gjennomsyrer hele løpet av videre simuleringsforskning.

La oss se på de mest brukte målkategorier i en simuleringsstudie: vurdering, prognoser, optimalisering, sammenligning av alternativer og så videre.

Simuleringseksperimenter utføres for en rekke formål, som kan omfatte:

• karakter– bestemme hvor godt systemet til den foreslåtte strukturen vil oppfylle noen spesifikke kriterier;
• sammenligning av alternativer– sammenligning av konkurrerende systemer designet for å utføre en spesifikk funksjon, eller sammenligning av flere foreslåtte driftsprinsipper eller teknikker;
• prognose– vurdering av oppførselen til systemet under en antatt kombinasjon av driftsforhold;
• følsomhetsanalyse– identifisere fra et stort antall driftsfaktorer de som har størst innflytelse på den generelle oppførselen til systemet;
• identifisering av funksjonelle sammenhenger– bestemmelse av arten av forholdet mellom to eller flere aktive faktorer på den ene siden og systemets respons på den andre;
• optimalisering – presis bestemmelse av en slik kombinasjon av driftsfaktorer og deres verdier, noe som sikrer den beste responsen til hele systemet som helhet.

Dannelse av kriterier

Dannelse av kriterier. En klar og entydig definisjon av kriteriene er ekstremt viktig. Dette påvirker prosessen med å lage og eksperimentere modellen, i tillegg fører feil definisjon av kriteriet til feil konklusjoner. Det er kriterier som vurderer i hvilken grad et system har oppnådd et mål, og kriterier som metoden for å bevege seg mot et mål (eller effektiviteten til et middel for å oppnå mål på) vurderes etter. For multikriteriemodellerte systemer dannes et sett med kriterier; de må struktureres i delsystemer eller rangeres etter viktighet.

Ris. 3.3. Overgang fra et reelt system til et logisk diagram over dets funksjon

Utvikling av en konseptuell modell av modelleringsobjektet. Konseptuell modell– det er en logisk og matematisk beskrivelse av det modellerte systemet i samsvar med problemformuleringen.

(Det generelle innholdet i denne teknologiske overgangen er vist skjematisk i fig. 3.3). Her er en beskrivelse av objektet i form av matematiske konsepter og en algoritme for funksjonen til dets komponenter. Den konseptuelle beskrivelsen er en forenklet algoritmisk representasjon av det virkelige systemet.

Ved utvikling av en konseptuell modell etableres den grunnleggende strukturen til modellen, som inkluderer statisk og dynamisk beskrivelse av systemet. Systemets grenser bestemmes, en beskrivelse av det ytre miljøet er gitt, essensielle elementer identifiseres og deres beskrivelse er gitt, variabler, parametere, funksjonelle avhengigheter dannes både for individuelle elementer og prosesser og for hele systemet, restriksjoner, mål funksjoner (kriterier).

Resultatet av arbeidet på dette stadiet er en dokumentert konseptuell beskrivelse og den valgte metoden for å formalisere det modellerte systemet. Når du lager små modeller, kombineres dette stadiet med stadiet for å lage en meningsfull beskrivelse av systemet som modelleres. På dette stadiet er metodikken for simuleringseksperimentet avklart.

Bygge en konseptuell modell

Bygge en konseptuell modell begynner med det faktum at, basert på formålet med modellering, etableres grensene for det modellerte systemet og påvirkningene fra det ytre miljøet bestemmes. Hypoteser fremsettes og alle forutsetninger som er nødvendige for å bygge en simuleringsmodell registreres. Detaljnivået til de simulerte prosessene diskuteres.

Et system kan defineres som en samling av sammenkoblede elementer. I et bestemt domene avhenger definisjonen av et system av formålet med modelleringen og hvem som definerer systemet. På dette stadiet utføres det systemdekomponering. De viktigste elementene i systemet, i betydningen av det formulerte problemet, bestemmes (den struktur analyse modellert system) og interaksjoner mellom dem, er hovedaspektene ved funksjonen til det modellerte systemet identifisert (kompilert funksjonell modell), er det gitt en beskrivelse av det ytre miljøet. Dekomponering av et system (modelleringsobjekt) eller valg av delsystemer er en operasjon analyse. Elementer i modellen må samsvare med faktisk eksisterende fragmenter i systemet. Et komplekst system brytes ned i deler, samtidig som det opprettholder forbindelsene som muliggjør samhandling. Det er mulig å lage et funksjonsdiagram som vil avklare spesifikasjonene til de dynamiske prosessene som forekommer i det aktuelle systemet. Det er viktig å bestemme hvilke komponenter som skal inkluderes i modellen, hvilke som skal eksternaliseres, og hvilke relasjoner som vil etableres mellom dem.

Beskrivelse av ytre miljø

Beskrivelse av ytre miljø er utført ut fra hensynet til at elementer i det ytre miljø har en viss innflytelse på elementene i systemet, men selve systemets innflytelse på dem er som regel ubetydelig.

Når man diskuterer detaljnivået til en modell, er det viktig å forstå at enhver dekomponering er basert på to motstridende prinsipper: fullstendighet og enkelhet. Typisk, i de innledende stadiene av modellutvikling, er det en tendens til å inkludere for mange komponenter og variabler. En god modell er imidlertid enkel. Det er kjent at graden av forståelse av et fenomen er omvendt proporsjonal med antallet variabler som vises i beskrivelsen. En modell overbelastet med detaljer kan bli kompleks og vanskelig å implementere.

Kompromisset mellom disse to polene er bare det betydelige(eller aktuell) komponenter – vesentlig i forhold til formålet med analysen.

Så først må det være "elementært" - det enkleste treet av mål, en forenklet struktur av modellen, er kompilert. Deretter foredles modellen gradvis. Vi må strebe etter å lage enkle modeller, for så å komplisere dem. Må følges prinsippet om iterativ modellkonstruksjon når, ettersom systemet studeres ved hjelp av modellen, under utvikling, endres modellen ved å legge til nye eller ekskludere noen av dens elementer og/eller relasjoner mellom dem.

Hvordan gå fra et ekte system til dets forenklede beskrivelse? Forenkling, abstraksjon– grunnleggende teknikker for enhver modellering. Det valgte detaljnivået bør tillate abstraksjon fra dårlig definerte aspekter ved funksjonen til det virkelige systemet på grunn av mangel på informasjon.

Under forenkling refererer til å neglisjere uviktige detaljer eller gjøre antakelser om enklere sammenhenger (for eksempel å anta en lineær sammenheng mellom variabler). Ved modellering fremsettes hypoteser og antakelser om forholdet mellom komponentene og variablene i systemet.

Et annet aspekt ved å analysere et virkelig system er abstraksjon. Abstraksjon inneholder de essensielle egenskapene til oppførselen til et objekt, men ikke nødvendigvis i samme form og så detaljert som tilfellet er i et virkelig system.

Etter at delene eller elementene i systemet er analysert og modellert, fortsetter vi å kombinere dem til en enkelt helhet. Den konseptuelle modellen må reflektere deres interaksjon korrekt. Komposisjon det er en operasjon syntese, aggregering (i systemmodellering er dette ikke bare en sammenstilling av komponenter). Under denne operasjonen etableres relasjoner mellom elementer (for eksempel blir strukturen avklart, en beskrivelse av relasjoner, bestilling osv. gitt).

Systemforskning er basert på en kombinasjon av analyse- og synteseoperasjoner. I praksis implementeres iterative prosedyrer for analyse og syntese. Først etter dette kan vi prøve å forklare helheten - systemet, gjennom dets komponenter - delsystemer, i form av helhetens generelle struktur.

Ytelseskriterier

Ytelseskriterier. Parametere, modellvariabler. Systembeskrivelsen skal inneholde kriterier for effektiviteten til systemet og de alternative løsningene som vurderes. Sistnevnte kan betraktes som modellinndata eller scenarioparametere. Når du algoritmerer de simulerte prosessene, spesifiseres også hovedvariablene til modellen som er involvert i beskrivelsen.

Hver modell representerer en kombinasjon av slike komponenter som komponenter, variabler, parametere, funksjonelle avhengigheter, restriksjoner, objektive funksjoner (kriterier).

Under komponenter forstå de bestanddelene som, når de er riktig kombinert, danner et system. Noen ganger vurderes også komponenter elementer systemet eller dets delsystemer. System definert som en gruppe eller samling av objekter forent av en eller annen form for regelmessig interaksjon eller gjensidig avhengighet for å utføre en gitt funksjon. Systemet som studeres består av komponenter.

Parametere er mengder som forskeren kan velge vilkårlig, i motsetning til variabler modeller som kan ta verdier bestemt av typen av en gitt funksjon. I modellen skal vi skille mellom to typer variabler: eksogene og endogene. Eksogen variabler kalles også input. Dette betyr at de genereres utenfor systemet eller er et resultat av samspillet mellom eksterne årsaker. Endogent Variabler er variabler som oppstår i systemet som følge av påvirkning av interne årsaker. I tilfeller der endogene variabler karakteriserer tilstanden eller forholdene som oppstår i systemet, kaller vi dem tilstandsvariabler. Når det er nødvendig å beskrive innganger og utganger til systemet, forholder vi oss til input og output variabler.

Funksjonelle avhengigheter beskrive oppførselen til variabler og parametere i en komponent eller uttrykke relasjonene mellom systemkomponenter. Disse forholdene er enten deterministiske eller stokastiske.

Begrensninger representerer etablerte grenser for å endre verdiene til variabler eller begrensende betingelser for endringene deres. De kan legges inn enten av utvikleren eller installeres av systemet selv på grunn av dets iboende egenskaper.

Objektiv funksjon (kriterium funksjon) representerer en nøyaktig representasjon av målene eller målene for systemet og de nødvendige reglene for å vurdere implementeringen av dem. Uttrykket for den objektive funksjonen skal være en entydig definisjon av de mål og mål som vedtakene som tas skal måles med.

Formalisering av simuleringsmodellen. På tredje trinn av simuleringsstudien formaliseres modelleringsobjektet. Prosessen med å formalisere et komplekst system inkluderer:

• valg av formaliseringsmetode;
• utarbeide en formell beskrivelse av systemet.

I prosessen med å bygge en modell kan tre nivåer av representasjonen skilles:

• uformell (trinn 2) – konseptuell modell;
• formalisert (trinn 3) – formell modell;
• programvare (trinn 4) – simuleringsmodell.

Hvert nivå skiller seg fra det forrige i detaljgraden til det modellerte systemet og i måtene å beskrive dets struktur og funksjonsprosess på. Samtidig øker abstraksjonsnivået.

Konseptuell modell

Konseptuell modell er en systematisk, meningsfull beskrivelse av det modellerte systemet (eller problemsituasjonen) i uformelt språk. En ikke-formalisert beskrivelse av simuleringsmodellen som utvikles inkluderer definisjonen av hovedelementene i det modellerte systemet, deres egenskaper og samspillet mellom elementene på deres eget språk. I dette tilfellet kan tabeller, grafer, diagrammer osv. brukes. En uformell beskrivelse av modellen er nødvendig både for utviklerne selv (når de sjekker modellens tilstrekkelighet, modifikasjoner osv.) og for gjensidig forståelse med spesialister på andre felt.

Den konseptuelle modellen inneholder innledende informasjon til systemanalytikeren som formaliserer systemet og bruker en viss metodikk og teknologi for dette, d.v.s. Basert på den uformelle beskrivelsen utvikles en mer streng og detaljert formalisert beskrivelse.

Deretter konverteres den formaliserte beskrivelsen til et program - en simulator i samsvar med en eller annen metodikk (programmeringsteknologi).

Et lignende opplegg oppstår når du utfører simuleringseksperimenter: innholdsformuleringen kartlegges på en formell modell, hvoretter nødvendige endringer og tillegg gjøres til metodikken til det regisserte beregningseksperimentet.

Hovedoppgaven til formaliseringsstadiet– gi en formell beskrivelse av et komplekst system, fri for sekundærinformasjon i den materielle beskrivelsen, algoritmisk representasjon av modelleringsobjektet. Formål med formalisering– få en formell representasjon av den logisk-matematiske modellen, dvs. algoritmer for oppførselen til komponenter i et komplekst system og reflekterer interaksjonen mellom komponenter på nivå med modelleringsalgoritmen.

Det kan vise seg at informasjonen som er tilgjengelig i den meningsfulle beskrivelsen ikke er nok til å formalisere modelleringsobjektet. I dette tilfellet er det nødvendig å gå tilbake til stadiet for å utarbeide en meningsfull beskrivelse og supplere den med data, behovet for som ble oppdaget under formaliseringen av modelleringsobjektet. I praksis kan det være flere slike returer. Formalisering er nyttig innenfor visse rammer og er ikke berettiget for enkle modeller.

Det er en betydelig variasjon av formaliserings- og struktureringsskjemaer (konsepter) som har funnet anvendelse i simuleringsmodellering. Formaliseringsskjemaer er styrt av ulike matematiske teorier og er basert på ulike ideer om prosessene som studeres. Derav deres mangfold og problemet med å velge et passende (for å beskrive et gitt modelleringsobjekt) formaliseringsskjema.

For diskrete modeller kan for eksempel prosessorienterte systemer (prosessbeskrivelse), systemer basert på nettverksparadigmer (nettverksparadigmer) brukes, for kontinuerlige - flytdiagram av systemdynamikkmodeller.

De mest kjente og mest brukte i praksis konseptene for formalisering er: aggregerte systemer og automater; Petri-nett og deres forlengelser; systemdynamikkmodeller. Innenfor rammen av ett formaliseringskonsept kan ulike algoritmemodeller implementeres. Som regel er et eller annet konsept for strukturering (skjema for å representere algoritmiske modeller) eller formalisering på teknologisk nivå fast i modelleringssystemet, modelleringsspråket. Konseptet med strukturering ligger til grunn for alle simuleringssystemer og støttes av spesialutviklede teknikker for programmeringsteknologi. Dette forenkler konstruksjonen og programmeringen av modellen. For eksempel har GPSS-modelleringsspråket et blokkkonsept for strukturering; strukturen til den modellerte prosessen er avbildet som en flyt av transaksjoner som går gjennom tjenesteenheter, køer og andre elementer i køsystemer.

I en rekke moderne modelleringssystemer, sammen med apparatet som støtter et eller annet struktureringskonsept, er det spesielle verktøy som sikrer anvendelse av et visst formaliseringsbegrep i systemet.

Konstruksjonen av simuleringsmodeller er basert på moderne metoder for å strukturere komplekse systemer og beskrive deres dynamikk. Følgende modeller og metoder er mye brukt i praksisen med å analysere komplekse systemer:

• nettverk av stykkevise lineære enheter som modellerer diskrete og kontinuerlig diskrete systemer;
• Petri-nett (hendelsesnett, E-nett, KOMBI-nett og andre utvidelser), brukt til å strukturere årsakssammenhenger og modelleringssystemer med parallelle prosesser, som tjener til stratifisering og algoritmisering av dynamikken til diskrete og diskrete kontinuerlige systemer;
• flytdiagrammer og endelige forskjellsligninger av systemdynamikk, som er modeller av kontinuerlige systemer.

Simuleringsmodellprogrammering

Simuleringsmodellprogrammering. En konseptuell eller formell beskrivelse av en kompleks systemmodell konverteres til et simulatorprogram i samsvar med noen programmeringsmetodikk og ved bruk av språk og modelleringssystemer. Et viktig poeng er riktig valg av verktøy for implementering av simuleringsmodellen.

Innsamling og analyse av innledende data. Dette stadiet blir ikke alltid pekt ut som uavhengig, men arbeidet som utføres på dette stadiet er av stor betydning. Mens programmering og sporing av en simuleringsmodell kan utføres på hypotetiske data, må den kommende eksperimentelle studien utføres på en reell datastrøm. Nøyaktigheten av de oppnådde simuleringsresultatene og modellens tilstrekkelighet til det virkelige systemet avhenger av dette.

Her står simuleringsmodellutvikleren overfor to spørsmål:

• hvor og hvordan man kan innhente og samle inn førsteinformasjon;
• hvordan behandle innsamlede data om et reelt system.

Grunnleggende metoder for å skaffe innledende data:

• fra eksisterende dokumentasjon for systemet (rapportdata, statistiske samlinger, for eksempel for sosioøkonomiske systemer, finansiell og teknisk dokumentasjon for produksjonssystemer, etc.);
• fysisk eksperimentering. Noen ganger, for å angi den første informasjonen, er det nødvendig å utføre fullskala eksperimenter på det simulerte systemet eller dets prototyper;
• foreløpig, a priori syntese av data. Noen ganger kan det hende at inndataene ikke eksisterer, og systemet som modelleres utelukker fysisk eksperimentering. I dette tilfellet foreslås forskjellige metoder for foreløpig datasyntese. For eksempel, ved modellering av informasjonssystemer, estimeres varigheten av oppfyllelsen av et informasjonskrav basert på kompleksiteten til algoritmene implementert på en datamaskin. Disse metodene inkluderer ulike prosedyrer basert på en generell analyse av problemet, spørreskjemaer, intervjuer og utbredt bruk av ekspertvurderingsmetoder.

Det andre spørsmålet er relatert til problemet identifikasjon av inndata for stokastiske systemer. Det ble tidligere bemerket at simuleringsmodellering er et effektivt verktøy for å studere stokastiske systemer, d.v.s. systemer hvis dynamikk avhenger av tilfeldige faktorer. Inndata (og utdata) variablene til en stokastisk modell er vanligvis tilfeldige variabler, vektorer, funksjoner, tilfeldige prosesser. Derfor oppstår det ytterligere vanskeligheter knyttet til syntese av ligninger for relativt ukjente distribusjonslover og bestemmelse av sannsynlighetsegenskaper (matematiske forventninger, dispersjoner, korrelasjonsfunksjoner, etc.) for de analyserte prosessene og deres parametere. Behovet for statistisk analyse ved innsamling og analyse av inngangsdata er knyttet til oppgavene med å bestemme typen funksjonelle avhengigheter som beskriver inngangsdataene, vurdere de spesifikke verdiene til parameterne til disse avhengighetene, samt kontrollere betydningen av parametere. For å velge teoretiske fordelinger av tilfeldige variabler, brukes velkjente metoder for matematisk statistikk, basert på å bestemme parametrene for empiriske fordelinger og teste statistiske hypoteser, ved å bruke goodness-of-fit-kriterier for å bestemme om empiriske data er i samsvar med kjente distribusjonslover.

Teste og studere egenskapene til simuleringsmodellen

Teste og studere egenskapene til simuleringsmodellen. Etter å ha implementert simuleringsmodellen på en datamaskin, er det nødvendig å gjennomføre tester for å vurdere påliteligheten til modellen. På stadiet med testing og forskning av den utviklede simuleringsmodellen, omfattende testing av modellen (testing) – en planlagt iterativ prosess rettet mot å støtte prosedyrer for verifisering og validering av simuleringsmodeller og data.

Hvis modellen, som et resultat av prosedyrene som er utført, viser seg å være utilstrekkelig pålitelig, da kalibrering av simuleringsmodeller(kalibreringskoeffisienter er innebygd i modelleringsalgoritmen) for å sikre at modellen er tilstrekkelig. I mer komplekse tilfeller er tallrike iterasjoner mulig på tidlige stadier for å få ytterligere informasjon om det modellerte objektet eller avgrense simuleringsmodellen. Tilstedeværelsen av feil i samspillet mellom modellkomponenter bringer forskeren tilbake til stadiet for å lage en simuleringsmodell. Årsaken til dette kan være en i utgangspunktet forenklet modell av en prosess eller et fenomen, som fører til at modellen er utilstrekkelig for objektet. Hvis valget av formaliseringsmetode ikke lykkes, er det nødvendig å gjenta stadiet med å utarbeide en konseptuell modell, under hensyntagen til ny informasjon og ervervet erfaring. Til slutt, når det ikke er tilstrekkelig informasjon om objektet, er det nødvendig å gå tilbake til stadiet for å utarbeide en meningsfull beskrivelse av systemet og avklare det under hensyntagen til testresultatene.

Regissert beregningseksperiment på en simuleringsmodell. Analyse av simuleringsresultater og beslutningstaking. I sluttfasen av simuleringsmodellering er det nødvendig å gjennomføre strategisk og taktisk planlegging av simuleringseksperimentet. Å organisere et rettet beregningseksperiment på en simuleringsmodell innebærer valg og anvendelse av ulike analytiske metoder for å behandle resultatene av en simuleringsstudie. Til dette formålet brukes metoder for å planlegge et beregningseksperiment, regresjons- og variansanalyse og optimaliseringsmetoder. Organisering og gjennomføring av et eksperiment krever riktig anvendelse av analytiske metoder. Basert på de oppnådde resultatene, bør studien gjøre det mulig å trekke konklusjoner som er tilstrekkelige til å ta beslutninger om problemene og oppgavene som ble identifisert på de tidlige stadiene.

Hvert trinn i modelleringen bestemmes av oppgaven og målene for modelleringen. Generelt kan prosessen med å konstruere og studere en modell representeres ved hjelp av diagrammet:

Trinn I. Formulering av problemet

Inkluderer tre stadier:

Beskrivelse av oppgaven

Oppgaven er beskrevet på vanlig språk.

Hele settet med problemer kan deles inn i 2 hovedgrupper i henhold til formuleringens natur:

1. Den første gruppen inneholder oppgaver der det er nødvendig å studere hvordan egenskapene til et objekt vil endre seg under en viss påvirkning på det, dvs. du trenger å få svar på spørsmålet "Hva vil skje hvis?...".

   Hva skjer for eksempel hvis et magnetkort plasseres på kjøleskapet? Hva skjer hvis kravene for å komme inn på et universitet økes? Hva skjer hvis du øker forbruksregningene kraftig? og så videre.

   Den andre gruppen inneholder oppgaver der det er nødvendig å bestemme hva som må gjøres med et objekt slik at dets parametere tilfredsstiller en viss spesifisert betingelse, dvs. du må få svar på spørsmålet "Hvordan gjøre det slik at...".

   Hvordan strukturere for eksempel en mattetime slik at barna forstår stoffet? Hvilken flymodus bør jeg velge for å gjøre flyturen tryggere og mer økonomisk? Hvordan planlegge byggearbeid slik at det blir ferdig så raskt som mulig?

Bestemme formålet med simuleringen

På dette stadiet, blant de mange egenskapene (parametrene) til objektet, er de viktigste identifisert. Det samme objektet for ulike modelleringsformål vil ha ulike vesentlige egenskaper.

For eksempel, når du bygger en modell av en yacht for å delta i modellskipkonkurranser, vil dens navigeringsegenskaper være avgjørende. For å oppnå målet om å bygge en modell, vil svaret på spørsmålet "Hvordan gjøre det ...?" bli søkt.

Når du bygger en modell av en yacht for å reise på den, vil langsiktige cruise, i tillegg til navigerbare egenskaper, dens interne struktur være betydelig: antall dekk, komforten til hytter, tilstedeværelsen av andre fasiliteter, etc.

Når du bygger en datasimuleringsmodell av en yacht for å teste påliteligheten til designet i stormfulle forhold, vil yachtmodellen representere en endring i bildet og beregnede parametere på monitorskjermen når verdiene til inngangsparameterne endres. Problemet "Hva vil skje hvis...?" vil bli løst.

Formålet med modellering lar deg fastslå hvilke data som vil være de første dataene, hva som må oppnås som et resultat, og hvilke egenskaper ved objektet som kan ignoreres.

På denne måten konstrueres en verbal modell av problemet.

Objektanalyse

Dette innebærer en klar identifikasjon av objektet som blir modellert og dets hovedegenskaper.

Trinn II. Formalisering av oppgaven

Knyttet til opprettelsen av en formalisert modell, dvs. modell, som er skrevet på et eller annet formelt språk. For eksempel er fruktbarhetsrater, som presenteres i form av en tabell eller et diagram, en formalisert modell.

Formalisering forstås som å bringe de essensielle egenskapene og egenskapene til et modelleringsobjekt til en bestemt form.

En formell modell er en modell som oppnås som et resultat av formalisering.

Merknad 1

For å løse problemer ved hjelp av en datamaskin er det mest passende språket matematisk. Den formelle modellen fanger opp forbindelsene mellom de første dataene og det endelige resultatet ved hjelp av ulike formler, samt pålegger begrensninger på de tillatte verdiene til parameterne.

Trinn III. Utvikling av en datamodell

Det starter med å velge et modelleringsverktøy (programvaremiljø) for å lage og studere modellen.

Algoritmen for å konstruere en datamodell og presentasjonsformen avhenger av valg av programvaremiljø.

For eksempel, i et programmeringsmiljø, er representasjonsformen et program som er skrevet på det aktuelle språket. I applikasjonsmiljøer (regneark, DBMS, grafiske redaktører, etc.) er presentasjonsformen for en algoritme en sekvens av teknologiske teknikker som fører til å løse et problem.

Merk at det samme problemet kan løses ved hjelp av forskjellige programvaremiljøer, valget av disse avhenger først og fremst av dens tekniske og materielle evner.

Trinn IV. Dataeksperiment

Inkluderer 2 trinn:

Modelltesting – kontroll av riktigheten av modellkonstruksjonen.

På dette stadiet kontrolleres den utviklede algoritmen for å konstruere modellen og egnetheten til den resulterende modellen til objektet og formålet med modelleringen.

Notat 2

For å kontrollere riktigheten av modellkonstruksjonsalgoritmen brukes testdata der det endelige resultatet er kjent på forhånd. Oftest bestemmes testdata manuelt. Hvis resultatene faller sammen under kontrollen, er den riktige algoritmen utviklet, og hvis ikke, må årsaken til avviket deres finnes og elimineres.

Testing bør målrettes og systematiseres, mens økende kompleksitet av testdata bør gjøres gradvis. For å bestemme riktigheten av konstruksjonen av modellen, som gjenspeiler egenskapene til originalen som er essensielle for formålet med modellering, dvs. dens tilstrekkelighet, er det nødvendig å velge testdata som vil gjenspeile den virkelige situasjonen.

Modellstudie

Du kan fortsette å studere modellen først etter vellykket testing og tillit til at akkurat den modellen som må studeres er opprettet.

V scene. Analyse av resultater

Det er grunnleggende for modelleringsprosessen. Beslutningen om å fortsette eller fullføre studien tas basert på resultatene fra dette bestemte stadiet.

Hvis resultatene ikke samsvarer med målene for oppgaven, konkluderer de med at det ble gjort feil på de tidligere stadiene. Da er det nødvendig å korrigere modellen, d.v.s. gå tilbake til et av de forrige trinnene. Prosessen må gjentas til resultatene av dataeksperimentet oppfyller modelleringsmålene.

I tidligere emner formulerte vi hva en modell er og definerte et nytt konsept - modellering. Det er viktig å forstå at modellering er en av de viktigste menneskelige aktivitetene. Modellering går alltid foran enhver virksomhet i en eller annen form.

Ris. 4. Fra prototype til beslutningstaking.

Diagrammet vist i fig. 4 viser at modellering inntar en sentral plass i studiet av et objekt. Den lar deg ta informerte beslutninger: hvordan forbedre kjente objekter, om det er nødvendig å lage nye, hvordan endre ledelsesprosesser og til slutt hvordan endre verden rundt oss til det bedre.

Utgangspunktet her er en prototype (fig. 2.4). Det kan være et eksisterende eller designet objekt eller prosess.

Den siste fasen av modellering er beslutningstaking. I mange situasjoner må vi ta en eller annen avgjørelse. I modellering betyr dette at vi enten lager et nytt objekt, modellen som vi har studert, eller forbedrer en eksisterende, eller innhenter tilleggsinformasjon om det.

Modellering er en kreativ prosess. Det er veldig vanskelig å sette det inn i en formell ramme. I sin mest generelle form kan den presenteres i etapper, som vist i fig. 5. Hver gang når du løser et spesifikt problem, kan et slikt opplegg gjennomgå noen endringer: noen blokker vil bli fjernet eller forbedret, noen vil bli lagt til. Alle stadier bestemmes av oppgaven og modelleringsmålene.

Trinn I. Formulering av problemet
Beskrivelse av oppgaven
Formål med modellering
Objektanalyse
Trinn II. Modellutvikling
Informasjonsmodell
Ikonisk modell
Datamaskinmodell
Trinn III. Dataeksperiment
Simuleringsplan
Simuleringsteknologi
Trinn IV. Analyse av simuleringsresultater
Resultatene er i mål	Resultatene oppfyller ikke målet

La oss vurdere hovedstadiene av modellering mer detaljert.

3.2. Trinn I. Formulering av problemet

En oppgave i ordets mest generelle betydning forstås som et bestemt problem som må løses. På stadiet for å sette problemet, er det nødvendig å reflektere tre hovedpunkter: beskrivelse av problemstillingen, fastsettelse av modelleringsmål og analyse av objektet eller prosessen.

Beskrivelse av oppgaven

Oppgaven (problemet) er formulert på vanlig språk, og beskrivelsen skal være forståelig. Hovedsaken her er å definere modelleringsobjektet og forstå hva resultatet skal være. Resultatet av modellering og, til syvende og sist, beslutningstaking avhenger av hvordan problemet blir forstått.

Ut fra formuleringens art kan alle problemer deles inn i to hovedgrupper.

Til den første gruppen Man kan inkludere oppgaver der det er nødvendig å studere hvordan egenskapene til et objekt vil endre seg under en viss påvirkning på det. Denne formuleringen av problemet kalles vanligvis "hva vil skje hvis?" For eksempel, hvordan vil hastigheten til en bil endres etter 6 s hvis den beveger seg rettlinjet og jevnt akselerert med en starthastighet på 3 m/s og en akselerasjon på 0,5 m/s 2

Noen ganger er oppgavene noe bredere formulert. Hva skjer hvis du endrer egenskapene til et objekt i et gitt område med et bestemt trinn? En slik studie hjelper til med å spore avhengigheten av objektets parametere på de første dataene. For eksempel informasjonseksplosjonsmodellen:

"En mann så en UFO og fortalte i løpet av de neste 15 minuttene tre av vennene sine om det. De på sin side, etter ytterligere 15 minutter, informerte om nyhetene til ytterligere tre av sine bekjente hver, osv. Overvåk hvor mange personer som blir varslet etter 15, 30, osv. minutter.»

Andre gruppe problemet har følgende generaliserte formulering: hvilken innvirkning må gjøres på objektet slik at dets parametere tilfredsstiller en gitt betingelse? Denne formuleringen av problemet kalles ofte "hvordan gjøre det slik at...". For eksempel, hvilket volum må en ballong fylt med heliumgass være for at den skal kunne stige med en belastning på 100 kg?

Det største antallet modelleringsproblemer er som regel komplekse. For eksempel problemet med å endre konsentrasjonen av en løsning: "En kjemisk løsning med et volum på 5 deler har en startkonsentrasjon på 70%. Hvor mange deler vann må tilsettes for å få en løsning med en gitt konsentrasjon? Først beregnes konsentrasjonen ved tilsetning av 1 del vann. Deretter konstrueres en konsentrasjonstabell ved tilsetning av 2, 8, 4... deler vann. Den resulterende beregningen lar deg raskt beregne modellen på nytt med forskjellige startdata. Ved hjelp av beregningstabellene kan du svare på spørsmålet: hvor mange deler vann skal tilsettes for å oppnå den nødvendige konsentrasjonen.

Formål med modellering

Hvorfor lager en person modeller?

Hvis modeller gjør det mulig å forstå hvordan et spesifikt objekt er strukturert, å finne ut dets grunnleggende egenskaper, å etablere lovene for dets utvikling og interaksjon med omverdenen, så er i dette tilfellet formålet med å bygge modeller erkunnskap om verden rundt.

Et annet viktig formål med modellering er opprettelse av objekter med spesifiserte egenskaper. Dette målet bestemmes av problemformuleringen "hvordan gjøre det...".

Hensikten med å modellere problemer som "hva skjer hvis..." - bestemme konsekvensene av innvirkning på objektet og ta den riktige avgjørelsen. Slik modellering er av stor betydning når man tar opp sosiale og andre problemer.

Ofte er hensikten med modellering effektiviteten av objekt (eller prosess) styring .

Objektanalyse

På dette stadiet, fra den generelle formuleringen av problemet, er det modellerte objektet og dets hovedegenskaper tydelig identifisert. Faktisk kan alle disse faktorene kalles inngangsparametere til simuleringen. Det kan være ganske mange av dem, og noen kan ikke beskrives med kvantitative sammenhenger.

Svært ofte er det originale objektet en hel samling av mindre komponenter som er i et eller annet forhold. Ord "analyse" (fra gresk "analyse") betyr dekomponering, oppdeling av et objekt for å identifisere komponenter, kalt elementære objekter. Resultatet er en samling enklere gjenstander. De kan enten være i et likeverdig forhold til hverandre eller i gjensidig underordning. Opplegg for slike forbindelser er presentert i fig. 6 og 7.

Det er objekter med mer komplekse relasjoner. Som regel kan komplekse objekter bestå av enklere med ulike typer relasjoner.

Grunnlaget for ethvert seriøst arbeid (det være seg designutvikling eller design av en teknologisk prosess, utvikling av en algoritme eller modellering) bør være basert på systemprinsippet "ovenfra – ned" , det vil si fra generelle problemer til spesifikke detaljer. Resultatet av analysen av et objekt vises i prosessen med å identifisere dets komponenter (elementære objekter) og bestemme forbindelsene mellom dem.