1. Моделирование

Моделимрование -- исследование объектов познания на их моделях; построение и изучение моделей реально существующих предметов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя.

Модель - объект произвольной природы, который отражает главные, с точки зрения решаемой задачи, свойства объекта моделирования.

Моделирование - создание, применение, использование модели.

Главные функции модели - упрощение получения информации о свойствах объекта; передача информации и знаний; управление и оптимизация объектами и процессами; прогнозирование; диагностика.

1.1 Виды моделирования

В силу многозначности понятия «модель» в науке и технике не существует единой классификации видов моделирования: классификацию можно проводить по характеру моделей, по характеру моделируемых объектов, по сферам приложения моделирования (в технике, физических науках, кибернетике и т. д.). Например, можно выделить следующие виды моделирования:

· Информационное моделирование

· Компьютерное моделирование

· Математическое моделирование

· Математико-картографическое моделирование

· Молекулярное моделирование

· Цифровое моделирование

· Логическое моделирование

· Педагогическое моделирование

· Психологическое моделирование

· Статистическое моделирование

· Структурное моделирование

· Физическое моделирование

· Экономико-математическое моделирование

· Имитационное моделирование

· Эволюционное моделирование

· Историческое моделирование

· Нечеткое моделирование

· Модельное моделирование

· и т. д.

1.2 Процесс моделирования

Процесс моделирования включает три элемента:

· субъект (исследователь),

· объект исследования,

· модель, определяющую (отражающую) отношения познающего субъекта и познаваемого объекта.

Первый этап построения модели предполагает наличие некоторых знаний об объекте-оригинале. Познавательные возможности модели обусловливаются тем, что модель отображает (воспроизводит, имитирует) какие-либо существенные черты объекта-оригинала. Вопрос о необходимой и достаточной мере сходства оригинала и модели требует конкретного анализа. Очевидно, модель утрачивает свой смысл как в случае тождества с оригиналом (тогда она перестает быть моделью), так и в случае чрезмерного во всех существенных отношениях отличия от оригинала. Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от исследования других сторон. Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько «специализированных» моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.

На втором этапе модель выступает как самостоятельный объект исследования. Одной из форм такого исследования является проведение «модельных» экспериментов, при которых сознательно изменяются условия функционирования модели и систематизируются данные о ее «поведении». Конечным результатом этого этапа является множество (совокупность) знаний о модели.

На третьем этапе осуществляется перенос знаний с модели на оригинал -- формирование множества знаний. Одновременно происходит переход с «языка» модели на «язык» оригинала. Процесс переноса знаний проводится по определенным правилам. Знания о модели должны быть скорректированы с учетом тех свойств объекта-оригинала, которые не нашли отражения или были изменены при построении модели.

Четвертый этап -- практическая проверка получаемых с помощью моделей знаний и их использование для построения обобщающей теории объекта, его преобразования или управления им.

Моделирование -- циклический процесс. Это означает, что за первым четырехэтапным циклом может последовать второй, третий и т.д. При этом знания об исследуемом объекте расширяются и уточняются, а исходная модель постепенно совершенствуется. Недостатки, обнаруженные после первого цикла моделирования, обусловленные малым знанием объекта или ошибками в построении модели, можно исправить в последующих циклах.

Сейчас трудно указать область человеческой деятельности, где не применялось бы моделирование. Разработаны, например, модели производства автомобилей, выращивания пшеницы, функционирования отдельных органов человека, жизнедеятельности Азовского моря, последствий атомной войны. В перспективе для каждой системы могут быть созданы свои модели, перед реализацией каждого технического или организационного проекта должно проводиться моделирование.

2. Компьютерное моделирование

Компьютерное моделирование является одним из эффективных методов изучения сложных систем. Компьютерные модели проще и удобнее исследовать в силу их возможности проводить т.н. вычислительные эксперименты, в тех случаях когда реальные эксперименты затруднены из-за финансовых или физических препятствий или могут дать непредсказуемый результат. Логичность и формализованность компьютерных моделей позволяет выявить основные факторы, определяющие свойства изучаемого объекта-оригинала (или целого класса объектов), в частности, исследовать отклик моделируемой физической системы на изменения ее параметров и начальных условий.

Построение компьютерной модели базируется на абстрагировании от конкретной природы явлений или изучаемого объекта-оригинала и состоит из двух этапов - сначала создание качественной, а затем и количественной модели. Компьютерное же моделирование заключается в проведении серии вычислительных экспериментов на компьютере, целью которых является анализ, интерпретация и сопоставление результатов моделирования с реальным поведением изучаемого объекта и, при необходимости, последующее уточнение модели и т. д.

К основным этапам компьютерного моделирования относятся:

· постановка задачи, определение объекта моделирования;

· разработка концептуальной модели, выявление основных элементов системы и элементарных актов взаимодействия;

· формализация, то есть переход к математической модели; создание алгоритма и написание программы;

· планирование и проведение компьютерных экспериментов;

· анализ и интерпретация результатов.

Различают аналитическое и имитационное моделирование. При аналитическом моделировании изучаются математические (абстрактные) модели реального объекта в виде алгебраических, дифференциальных и других уравнений, а также предусматривающих осуществление однозначной вычислительной процедуры, приводящей к их точному решению. При имитационном моделировании исследуются математические модели в виде алгоритма(ов), воспроизводящего функционирование исследуемой системы путем последовательного выполнения большого количества элементарных операций.

2.1 Алгоритмы компьютерного моделирования

· Метод конечных элементов

· Метод конечных разностей

· Метод контрольных объёмов

3. Метод конечных элементов

· Метод конечных элементов: триангуляция

· Метод конечных элементов (МКЭ) -- численный метод решения задач прикладной механики.

· Широко используется для решения задач механики деформируемого твёрдого тела, теплообмена, гидродинамики и электромагнитных полей. С точки зрения вычислительной математики, идея метода конечных элементов заключается в том, что минимизация функционала вариационной задачи осуществляется на совокупности функций, каждая из которых определена на своей подобласти, для численного анализа системы позволяет рассматривать его как одну из конкретных ветвей диакоптики -- общего метода исследования систем путём их расчленения. Возникновение метода конечных элементов связано с решением задач космических исследований в 1950-х годах (идея МКЭ была разработана советскими учёными ещё в 1936 году, но из-за неразвитости вычислительной техники метод не получил развития). Этот метод возник из строительной механики и теории упругости, а уже затем было получено его математическое обоснование. Существенный толчок в своём развитии МКЭ получил в 1963 году после того, как было доказано то, что его можно рассматривать как один из вариантов распространённого в строительной механике метода Рэлея-Ритца, который путём минимизации потенциальной энергии сводит задачу к системе линейных уравнений равновесия. После того, как была установлена связь МКЭ с процедурой минимизации, он стал применяться к задачам, описываемым уравнениями Лапласа или Пуассона. Область применения МКЭ значительно расширилась, когда было установлено (в 1968 году), что уравнения, определяющие элементы в задачах, могут быть легко получены с помощью вариантов метода взвешенных невязок, таких как метод Галёркина или метод наименьших квадратов. Это сыграло важную роль в теоретическом обосновании МКЭ, так как позволило применять его при решении многих типов дифференциальных уравнений. Таким образом, метод конечных элементов превратился в общий метод численного решения дифференциальных уравнений или систем дифференциальных уравнений.

· С развитием вычислительных средств возможности метода постоянно расширяются, также расширяется и класс решаемых задач. Практически все современные расчёты на прочность проводят, используя метод конечных элементов.

4. Метод конечных разностей

Метод конечных разностей -- широко известный и простейший метод интерполяции. Его суть заключается в замене дифференциальных коэффициентов уравнения на разностные коэффициенты^[1], что позволяет свести решение дифференциального уравнения к решению его разностного аналога, т.е. построить его конечно-разностную схему.

Так, заменив производную в обыкновенном дифференциальном уравнении

u'(x) = 3u(x) + 2

на конечную разность

,

получаем аппроксимированную форму (конечно-разностную схему)

Последнее выражение носит название конечно-разностного уравнения, а его решение соответствует приближённому решению первоначального дифференциального уравнения.

4.1 Применение для интерполяции/экстраполяции

Рассмотрим квадратичный многочлен p(x) = 2x? ? 3x + 2 и предположим, что мы знаем его табличные значения p(0), p(0,1), p(0,2), p(0,3), p(0,4) и т. д. В представленной ниже таблице первая колонка содержит табличные значения полинома, вторая -- разность между двумя верхними соседними значениями из первой колонки, а третья -- разность между двумя соседями из второй колонки:

p(0)=2,0
	2,0?1,72=0,28
p(0,1)=1,72		0,28?0,24=0,04
	1,72?1,48=0,24
p(0,2)=1,48		0,24?0,20=0,04
	1,48?1,28=0,20
p(0,3)=1,28		0,20?0.16=0.04
	1,28?1,12=0,16
p(0,4)=1,12

Заметим, что значения в третьем столбце -- одинаковы. Это не случайность. Фактически, если мы начинаем таблицу для любого полинома степени n, колонка с номером n + 1 будет всегда содержать константу. Этот решающий факт делает работоспособным указанный метод.

Мы составляли таблицу слева-направо, но точно также её можно рассчитать и справа-налево, вычислив, таким образом, недостающие значения полинома.

Для вычисления p(0,5) мы воспользуемся значениями самой нижней диагонали. Начиная с самого нижнего значения в последней колонке 0.04. Затем продолжим вторую колонку вычтя 0,04 из 0,16 и получив значение 0,12. Таким же образом мы заполним первую колонку, вычитая из её нижнего значения 1,12 полученное нами на предыдущем шаге число 0,12 из второй колонки. p(0,5) будет равным 1,12-0,12 = 1,0. Для вычисления p(0,6) используется тот же самый алгоритм: берётся 0,04 из третьей колонки, вычитается из нижнего значения (теперь уже 0,12) во второй колонке, получившееся 0,08 прописывается в нижнюю часть второй колонки и затем вычитается из нижнего значения в первой колонке (как мы помним -- 1,0). Результат -- 0,92 является значением p(0,6).

Процесс может быть продолжен до бесконечности. Значения полинома получаются при этом без применения операции умножения. На этом факте, в частности, была основана работа разностной машины Чарльза Бэббиджа. Для выполнения каждого следующего цикла расчёта значений квадратичного полинома, достаточно сохранить 2 числа (последние элементы, во второй и в первой колонке); для табулирования полиномов степени n число требуемых значений больше, -- а именно, требуется сохранить n значений.

5. Математическая модель

Математимческая модемль -- это математическое представление реальности.

Математическое моделирование -- процесс построения и изучения математических моделей.

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

5.1 Определения

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

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

1. находящаяся в некотором объективном соответствии с познаваемым объектом;

2. способная замещать его в определенных отношениях;

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

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

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

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

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

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

6. Классификация моделей

6.1 Формальная классификация моделей

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

· Линейные или нелинейные модели;

· Сосредоточенные или распределённые системы;

· Детерминированные или стохастические;

· Статические или динамические;

· Дискретные или непрерывные.

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

6.2 Классификация по способу представления объекта

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

· Структурные или функциональные модели

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение (функционирование) объекта. В их предельном выражении они называются также моделями «чёрного ящика»^[12] Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

6.3 Содержательные и формальные модели

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель^[13]. Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель, умозрительная модель или предмодель. При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели (предмодели). Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т. п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий (передний край физики, биология, экономика, социология, психология, и большинство других областей), создание содержательных моделей резко усложняется.

6.4 Содержательная классификация моделей

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

Тип 1: Гипотеза (такое могло бы быть)

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

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

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

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

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

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

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

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

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

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

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

Тип 4: Упрощение (опустим для ясности некоторые детали)

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

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

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

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

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

Тип 6: Аналогия (учтём только некоторые особенности)

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

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

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

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

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

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

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

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

6.5 Пример

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

где означает вторую производную от x по времени:

.

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

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

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

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

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия («учтём только некоторые особенности»).

6.6 Жёсткие и мягкие модели

Гармонический осциллятор -- пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь  -- некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения,  -- некоторый малый параметр. Явный вид функции f нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида

,

то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания. Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор -- пример структурно-неустойчивой (негрубой) системы.^[20] Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

6.7 Универсальность моделей

Важнейшие математические модели обычно обладают важным свойством универсальности: принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в U-образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем».

6.8 Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задается как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача: структура модели и все её параметры считаются известными, главная задача -- провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку (например, на марш роты солдат, или на прохождение поезда ни различной скорости), как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера, -- вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Англии обрушился металлический мост через реку Тей, конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул. ^[21]

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача: известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение) или быть результатом специально планируемого в ходе решения экперимента (активное наблюдение).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

7. Дополнительные примеры

7.1 Модель Мальтуса

Скорость роста пропорциональна текущему размеру популяции. Она описывается дифференциальным уравнением

где б -- некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция x(t) = x₀e^бt. Если рождаемость превосходит смертность (б > 0), размер популяции неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объёма популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель, которая описывается дифференциальным уравнением Ферхюльста

где x_s -- «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению x_s, причем такое поведение структурно устойчиво.

7.2 Система хищник-жертва

Допустим, что на некоторой территории обитают два вида животных: кролики (питающиеся растениями) и лисы (питающиеся кроликами). Пусть число кроликов x, число лис y. Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Вольтерра -- Лотки:

Эта система имеет равновесное состояние, когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым: малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра -- Лотки ответа не дает: здесь требуются дополнительные исследования.