Модель называется статической, когда входные и выходные воздействия постоянны во времени. Статическая модель описывает установившийся режим.

Модель называется динамической, если входные и выходные переменные изменяются во времени. Динамическая модель описывает неустановившийся режим работы изучаемого объекта.

Исследование динамических свойств объектов позволяет в соответствии с фундаментальным принципом определенности Гюйгенса-Адамара ответить на вопрос: как изменяется состояние объекта при известных воздействиях на него и заданном начальном состоянии.

Примером статической модели является зависимость длительности технологической операции от затрат ресурсов. Статическая модель описывается алгебраическим уравнением

Примером динамической модели является зависимость объемов выпуска товарной продукции предприятия от размеров и сроков капитальных вложений, а также затраченных ресурсов.

Динамическая модель часто описывается дифференциальным уравнением

Уравнение связывает неизвестную переменную Y и ее производные с независимой переменной t и заданной функцией времени Х(t) и ее производными.

Динамическая система может функционировать в непрерывном или дискретном, квантованном на равные интервалы, времени. В первом случае система описывается дифференциальным уравнением, а во втором случае – конечно-разностным уравнением.

Если множества входных, выходных переменных и моментов времени конечны, то система описывается конечным автоматом.

Конечный автомат характеризуется конечным множеством состояний входа ; конечным множеством состояний ; конечным множеством внутренних состояний ; функцией переходов T(x, q) , определяющих порядок смены внутренних состояний; функцией выходов P(x, q) задающей состояние выхода в зависимости от состояния входа и внутреннего состояния.

Обобщением детерминированных автоматов являются стохастические автоматы , которые характеризуются вероятностями переходов из одного состояния в другое. Если функционирование динамической системы имеет характер обслуживания возникающих заявок, то модель системы строится с использованием методов теории массового обслуживания.

Динамическую модель называют стационарной , если свойства преобразования входных переменных не изменяются со временем. В противном случае ее называют нестационарной .

Различают детерминированные и стохастические (вероятностные ) модели. Детерминированный оператор позволяет однозначно определить выходные переменные по известным входным переменным.

Детерминированность модели означает лишь неслучайность преобразования входных переменных , которые сами по себе могут быть как детерминированными, так и случайными.

Стохастический оператор позволяет определить по заданному распределению вероятностей входных переменных и параметров системы распределение вероятностей входных переменных.

С точки зрения входных и выходных переменных модели классифицируют следующим образом:

1. Входные переменные подразделяют на управляемые и неуправляемые . Первые могут изменяться по усмотрению исследователя и используются объектом. Вторые непригодны для управления.

2. В зависимости от размерности векторов входных и выходных переменных различают одномерные и многомерные модели. Под одномерной моделью будем понимать такую модель, у которой входная и выходная переменные являются одновременно скалярными величинами. Многомерной называют модель, у которой векторы x (t ) и y (t ) имеют размерность n ³ 2.

3. Модели, у которых входныеи выходные переменные являются непрерывными по времени и по величине, называют непрерывными . Модели, у которых входные и выходные переменные дискретны или по времени, или по величине, называют дискретными .

Отметим, что динамика сложных систем во многом зависит от решений, принимаемых человеком. Процессы, протекающие в сложных системах, характеризуются большим числом параметров – большим в том смысле, что соответствующие уравнения и соотношения аналитически не могут быть разрешены. Часто изучаемые сложные системы уникальны по сравнению даже с аналогичными по назначению системами. Продолжительность экспериментов с такими системами обычно велика и часто оказывается сравнимой со сроком их жизни. Иногда проведение активных экспериментов с системой вообще недопустимо.

Для сложного объекта часто оказывается невозможным определить содержание каждого шага управления. Это обстоятельство определяет настолько большое число ситуаций, характеризующих состояние объекта, что практически невозможно проанализировать влияние каждой из них на принимаемые решения. В этой ситуации вместо жесткого алгоритма управления, предписывающего на каждом шаге его реализации некоторое однозначное решение, приходится использовать совокупность указаний, соответствующую тому, что в математике принято называть исчислением. В отличие от алгоритма в исчислении продолжение процесса на каждом шаге не является фиксированным и есть возможность произвольного продолжения процесса поиска решения. Исчисления и подобные им системы изучаются в математической логике.

1.5. Концепция построения системной модели сложных объектов

Сложные объекты представляют собой совокупность отдельных конструктивно обособленных элементов: технологических агрегатов, транспортных магистралей, электрических приводов и т. д., связанных между собой материальными, энергетическими и информационными потоками, и взаимодействующих с окружающей средой как целое. Процессы энергомассообмена, происходящие в сложных объектах, являются направленными и связаны с движением полей и вещества (теплообмен, фильтрация, диффузия, деформация и т. д.). Как правило, эти процессы содержат неустойчивые стадии развития, и управление такими процессами является больше искусством, чем наукой. Вследствие этих обстоятельств, наблюдается нестабильное качество управления такими объектами. Резко возрастают требования к квалификации технологического персонала и существенно увеличивается время на его подготовку.

Элементом системы называется некоторый объект (материальный, энергетический, информационный), обладающий рядом важных для нас свойств, внутреннее строение (содержание) которого не представляет интереса с точки зрения цели анализа .

Будем обозначать элементы через М , а всю их рассматриваемую (возможную) совокупность – через {М} . Принадлежность элемента к совокупности принято записывать .

Связью назовем важный для целей рассмотрения обмен между элементами: веществом, энергией, информацией.

Единичным актом связи выступает воздействие . Обозначая все воздействия элемента M 1 на элемент M 2 через x 12 , а элемента М 2 на М 1 – через x 21 , можно изобразить связь графически (рис. 1.6).

Рис. 1.6. Связь двух элементов

Системой назовем совокупность элементов, обладающую следующими признаками:

а) связями, которые позволяют посредством переходов по ним от элемента к элементу соединить два любых элемента совокупности;

б) свойством (назначением, функцией), отличным от свойств отдельных элементов совокупности.

Назовем признак а) связностью системы, б) – ее функцией. Применяя так называемое “кортежное” (т. е. последовательность в виде перечисления) определение системы, можно записать

где Σ– система; {М } – совокупность элементов в ней; {x } – совокупность связей; F – функция (новое свойство) системы.

Будем рассматривать запись как наиболее простое описание системы.

Практически любой объект с определенной точки зрения может рассматриваться как система. Важно отдавать себе отчет, полезен ли такой взгляд или разумней считать данный объект элементом. Так, системой можно считать радиотехническую плату, преобразующую входной сигнал в выходной. Для специалиста по элементной базе системой будет слюдяной конденсатор в этой плате, а для геолога – и сама слюда, имеющая достаточно сложное строение.

Большой системой назовем систему, включающую значительное число однотипных элементов и однотипных связей.

Сложной системой назовем систему, состоящую из элементов разных типов и обладающую разнородными связями между ними.

Часто сложной системой считают только ту, которая является большой. Разнородность элементов можно подчеркнуть записью

Большой, но не сложной с точки зрения механики, системой является собранная из стержней стрела крана или, например, труба газопровода. Элементами последней будут ее участки междусварными швами или опорами. Для расчетов на прогиб элементами газопровода скорее всего будут считаться относительно небольшие (порядка метра) участки трубы. Так поступают в известном методе конечных элементов. Связь в данном случае носит силовой (энергетический) характер – каждый элемент действует на соседний.

Различие между системой, большой системой и сложной системой условно. Так, корпуса ракет или судов, которые на первый взгляд однородны, обычно относят к сложной системе из-за наличия переборок разного вида.

Важным классом сложных систем являются автоматизированные системы. Слово “автоматизированный” указывает на участие человека, использование его активности внутри системы при сохранении значительной роли технических средств. Так, цех, участок, сборка могут быть как автоматизированными, так и автоматическими (“цех-автомат”). Для сложной системы автоматизированный режим считается более предпочтительным. Например, посадка самолета выполняется при участии человека, а автопилот обычно используется лишь на относительно простых движениях. Также типична ситуации, когда решение, выработанное техническими средствами, утверждается к исполнению человеком.

Итак, автоматизированной системой называется сложная система с определяющей ролью элементов двух типов: а) в виде технических средств; б) в виде действий человека. Ее символьная запись (сравни с и)

где M T – технические средства, в первую очередь ЭВМ; M H – решения и другая активность человека; М" – остальные элементы в системе.

В совокупности {х }вэтом случае могут быть выделены связи между человеком и техникой {x T - H }.

Структурой системы называется ее расчленение на группы элементов с указанием связей между ними, неизменное на все время рассмотрения и дающее представление о системе в целом.

Указанное расчленение может иметь материальную (вещественную), функциональную, алгоритмическую и другую основу. Группы элементов в структуре обычно выделяются по принципу простых или относительно более слабых связей между элементами разных групп. Структуру системы удобно изображать в виде графической схемы, состоящей из ячеек (групп) и соединявших их линий (связей). Такие схемы называются структурными.

Для символьной записи структуры введем вместо совокупности элементов {М },совокупность групп элементов {М* }и совокупность связей между этими группами {x* }.Тогда структура системы может быть записана как

Структуру можно получить из объединением элементов в группы. Отметим, что функция (назначение) F системы в опущена.

Приведем примеры структур. Вещественная структура сборного моста состоит из его отдельных, собираемых на месте секций. Грубая структурная схема такой системы укажет только эти секции и порядок их соединения. Последнее и есть связи, которые здесь носят силовой характер. Пример функциональной структуры – это деление двигателя внутреннего сгорания на системы питания, смазки, охлаждения, передачи силового момента и т. д. Пример системы, где вещественные и функциональные структуры слиты, – это отделы проектного института, занимающиеся разными сторонами одной и той же проблемы.

Типичной алгоритмической структурой будет алгоритм (схема) программного средства, указывающая последовательность действий. Также алгоритмической структурой будет инструкция, определяющая действия при отыскании неисправности технического объекта.

1.6. Основные этапы инженерного эксперимента, направленного на изучение сложных объектов

Дадим характеристику основных этапов инженерного эксперимента, направленного на изучение сложных объектов.

1. Построение физической основы модели.

Построение физической основы модели, позволяющей выделить наиболее существенные процессы, определяющие качество управления и определить соотношения детерминированных и статистических составляющих в наблюдаемых процессах. Физическая основа модели строится с использованием “проектирования” сложного объекта в различные предметные области, используемые для описания исследуемого объекта. Каждая предметная область задает собственные системы ограничений на возможные “движения” объекта. Учет совокупности этих ограничений позволяет обосновать комплекс используемых моделей и построить непротиворечивую модель.

Построение “каркаса” модели, т. е. ее физической основы, сводится к описанию системы отношений, характеризующих исследуемый объект, в частности, законов сохранения и кинетики процессов. Анализ системы отношений, характеризующих объект, позволяет определить пространственные и временные масштабы механизмов, инициирующих наблюдаемое поведение процессов, качественно охарактеризовать вклад статистического элемента в описание процесса, а также выявить принципиальную неоднородность (если она существует!) наблюдаемых временных рядов.

Построение “каркаса” сводится к установлению по априорным данным причинно-следственных связей между внешними и внутренними дестабилизирующими факторами и эффективностью работы системы, а количественные оценки этих связей конкретизируются путем проведения экспериментов на объекте. Тем самым гарантируется общность полученных результатов для всего класса объектов, их непротиворечивость по отношению к ранее полученным знаниям и обеспечивается уменьшение объема экспериментальных исследований. “Каркас” модели должен строиться с использованием структурно-феноменологического подхода, объединяющего исследование объекта по его реакциям на “внешние” воздействия и раскрытие внутреннего строения объекта исследования.

2. Проверка статистической устойчивости результатов наблюдений и определение характера изменения контролируемых переменных.

Эмпирическое обоснование статистической устойчивости сводится к исследованию устойчивости эмпирического среднего по мере возрастания объема выборки (схема удлиняющейся серии). Непредсказуемость экспериментально полученных значений, как известно, не является ни необходимым, ни достаточным условием применения теоретико-вероятностных понятий. Необходимым условием применения теории вероятностей является устойчивость усредненных характеристик исходных величин. Таким образом, требуется проверка с использованием эмпирической индукции статистической устойчивости n -мерной эмпирической функции распределения исходной случайной величины и распределения вероятностей для выборочных оценок.

3. Формирование и проверка гипотез о структуре и параметрах “движения” исследуемого объекта.

Отметим, что, как правило, мотивом для выбора статистического подхода является отсутствие регулярности наблюдаемого процесса, хаотический характер и резкие изломы. В этом случае исследователь не может визуально обнаружить закономерности в ряду наблюдений и воспринимает его как реализацию случайного процесса. Подчеркнем, что речь идет об обнаружении простейших закономерностей, поскольку для обнаружения сложных закономерностей нужна направленная математическая обработка результатов наблюдений.

4. Прогнозирование выходных переменных выполняется с учетом вклада детерминированных и статистических составляющих в конечный результат.

Отметим, что использование для прогнозирования только статистического подхода наталкивается на серьезные трудности. Во-первых, для принятия решений, касающихся минимизации текущих потерь, важно знать, не как в среднем развивается процесс, а как он будет себя вести на конкретном отрезке времени. Во-вторых, в общем случае мы имеем задачу прогнозирования нестационарного, случайного процесса с изменяющимися математическим ожиданием, дисперсией и самим видом закона распределения.

5. Планирование и реализация вычислительного эксперимента, направленного на оценку регулировочных характеристик объекта и ожидаемой эффективности системы управления.

Задачи синтеза структуры сложных систем только в простейших случаях могут быть решены аналитически. Поэтому возникает потребность в имитационном моделировании (ИМ) элементов проектируемой системы.

ИМ – это особый способ исследования объектов сложной структуры, заключающийся в воспроизведении численным образом всех входных и выходных переменных каждого элемента объекта. ИМ позволяет на этапе анализа и синтеза структуры учесть не только статистические взаимосвязи между элементами системы, но и динамические аспекты ее функционирования.

Для составления ИМ необходимо:

– выделить в объекте моделирования простейшие элементы, для которых известен способ расчета выходных переменных;

– составить уравнения связи, описывающие порядок соединения элементов в объекте;

– составить структурную схему объекта;

– выбрать средства автоматизации моделирования;

– разработать программу ИМ;

– провести вычислительные эксперименты с целью оценки адекватности ИМ, устойчивости результатов имитации и чувствительности ИМ к изменениям управляющих и возмущающих воздействий;

– решить с использованием модели задачу синтеза системы управления.

Классификация моделей

Учебные элементы параграфа:

1. Назначение моделей. Способ воплощения моделей.

2. Абстрактная модель. Вещественная модель.

3. Язык описания модели. Способ построения модели.

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

5. Текстовая модель. Графическая модель. Математическая модель.

6. Аналитическая модель. Экспериментальная модель. Пространственная модель.

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

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

Рис.1.3 Классификация моделей

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

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

б а

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Таблица 1.1

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

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

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

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

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

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

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

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

Таблица 1.2

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

Таблица 1.3

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

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

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

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

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

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

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

Между моделью и оригиналом кроме различий есть сходства .

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

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

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

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

Рис.1.5. Оценка ситуации моделирования

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

Вопросы

1. Какие признаки образуют семейство моделей по назначению?

2. Какие признаки образуют семейство моделей по способу воплощения?

3. Какие признаки образуют типы моделей по подобию?

4. Чем отличается прагматическая модель от познавательной модели?

5. На каких языках можно представлять модели?

6. Каковы виды прямого подобия материальных моделей?

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

8. Каковы признаки отличия модели и оригинала?

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

§ 1.1. 4. Объекты моделирования и их классификация

Учебные элементы параграфа:

1. Признаки классификации объектов моделирования .

2. Тип, свойства и методы исследования объекта.

3. Непрерывные - дискретные объекты.

4. Стационарные - не стационарные объекты.

5. Сосредоточенные - распределённые объекты.

6. Одномерные, многомерные объекты.

7. Детерминированные - стохастические объекты.

8. Динамические - статические объекты.

9. Линейные, не линейные объекты.

10. Аналитические, идентифицируемые, комбинированные методы исследования.

11. Математическая модель .

12. Математическое моделирование .

13. Параметры и фазовые переменные модели.

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

15. Признаки классификации ММ:

16. Структурные - функциональные модели;

17. Полные - макромодели;

18. Аналитические - алгоритмические модели;

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

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

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

т об объекте с сосредоточенными параметрами .

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

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

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

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

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

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

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

Вопросы для самоконтроля и подготовки к МК:

По каким признакам классифицируют объекты моделирования?

Чем отличаются детерминированные объекты от стохастических?

По каким признакам можно отличить динамический объект от статического?

Что характерно для непрерывного объекта моделирования?

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

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

где - пространственно взвешенное среднее значение

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

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

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

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

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

где не пространственные координаты] и

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

Это стандартное уравнение диффузии, решение которого имеет вид

где постоянная С зависит от начальных условий.

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

Следовательно,

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

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

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

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

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

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

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

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

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

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

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

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

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

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

2.4.1. Динамическая модель «черного ящика»

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

Г->С:с(t)ϵСͭͭ,

где Сͭ - значение интегральной характеристики в точке t ϵ .

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

Таким образом, она выражается совокупностью двух процессов:

Хͭ = {u(t), y(t)}; u(t)eU; y(f)eK;

Рис. 2.9. Динамическая модель «черного ящика»

предполагается, что это преобразование неизвестно.

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

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

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

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

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

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

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

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

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

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

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

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

Рис. 2.11. Колебание рынка товара

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

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

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

2.4.2. Динамическая модель состава

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

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

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

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

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

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

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

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

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

Рис. 2.12. Траектория развития системы

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

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

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

Сн =С0 ->СJ ->Ct ->...->СT=Ск,

где Сн - начальное;

Ск - конечное;

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

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

2.4.3. Динамическая структурная модель

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

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

Ct = , t ϵ, и выход y={y(t)},

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

U - множество неуправляемых входов v(t);

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

Т - горизонт моделирования системы;

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

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

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

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

Ut: u(t)ϵUt. (2.1)

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

Сt=F(Ct-i,u(t)), t ϵ.

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

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

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

СtϵС-Т. (2.2)

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

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

Где, С - множество, удовлетворяющее условию

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

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

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

Для достижения цели построения (развития) системы необхо­димо выполнение условий

С"ПС"*0, / = 1,Т. (2.3)

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

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

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

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

U(t)ϵ(t)nU(f) = 1д. (2.5)

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

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

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

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

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

Контрольные вопросы

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

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

3. Перечислите и проинтерпретируйте основные свойства системы.

4. Что такое эмерджентность системы?

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

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

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

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

9. Приведите примеры закрытых экономических систем.

10. С помощью чего обеспечивается устойчивость системы?

11. В чем заключаются внутренняя и внешняя цели системы?

12. Как согласуются внутренняя и внешняя стратегии системы?

13. Как установить границы экономической системы?

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

15. Охарактеризуйте транзакционную среду экономической системы.

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

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

18. Назовите необходимое условие существования эмерджентного свойства системы.

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

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

21. В чем заключается сущность свойства иерархичности экономических систем?

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

23. В чем заключается сущность свойства многомерности экономической системы?

24. Дайте системное определение понятию «компромисс».

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

26. В чем заключается сущность свойства множественности экономической системы?

27. Приведите примеры множественности функций экономической системы.

28. Как проявляется множественность структуры экономической системы?

29. Приведите примеры эквифинальности и мультифинальности экономических систем.

30. Перечислите причины контринтуитивного поведения экономи-ческих систем.

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

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

33. Назовите основные характеристики искусственных систем. Приведите примеры.

34. В чем заключается специфика социокультурных систем?

35. К какому классу первичных систем относятся экономические системы?

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

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

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

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

40. Дайте определение экономической системы.

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

Информации

Особенности пространственно-временной

СВЯЗИ ПОКАЗАТЕЛЕЙ

МНОГОФАКТОРНЫЕ ДИНАМИЧЕСКИЕ МОДЕЛИ

Многофакторные динамические модели связи показателей строятся по пространственно-временным выборкам , которые представляют собой множество данных о значениях признаков совокупности объектов за ряд периодов (моментов) времени.

Пространственные выборки формируются путем объединения за ряд лет (периодов) пространственных выборок, т.е. совокупности объектов, относящихся к одинаковым периодам времени. Используются в случае небольших выборок, т.е. краткой предыстории развития объекта.

Динамические выборки образуются посредством объединения динамических рядов отдельных объектов в случае длительной предыстории , т.е. больших выборок.

Классификация способов формирования выборок условна, т.к. зависит от цели моделирования, от устойчивости выявленных закономерностей, от степени однородности объектов, от числа факторов. В большинстве случае преимущество отдается первому способу.

Динамические ряды с длительной предысторией рассматриваются как ряды, на основе которых можно строить модели взаимосвязи показателей различных объектов достаточно высокого качества.

Динамические модели связи показателей могут быть:

· пространственными, т.е. моделирующими связи показателей по всем объектам, рассматриваемым в определенный момент (интервал) времени;

· динамическими, которые строятся по совокупности реализаций одного объекта за все периоды (моменты) времени;

· пространственно-динамическими, которые формируются по всем объектам за все периоды (моменты) времени.

Модели динамики показателейгруппируют по следующим видам:

1) одномерныемодели динамики: характеризуются как модели некоторого показателя данного объекта;

2) многомерные модели динамики одного объекта: моделируют несколько показателей объекта;

3) многомерные модели динамики совокупности объектов: моделируют несколько показателей системы объектов.

Соответственно, модели связи используются для пространственной экстраполяции (для прогнозирования значений результативных показателей новых объектов по значениям факторных признаков), модели динамики – для динамической экстраполяции (для прогнозирования зависимых переменных).

Можно выделить основные задачи использования пространственно-временной информации.

1. В случае краткой предыстории: выявление пространственных связей между показателями, т.е. изучение структуры связей между объектами для повышения точности и надежности моделирования этих закономерностей.

2. В случае длительной предыстории: аппроксимация закономерностей изменения показателей в целях объяснения их поведения и прогнозирования возможных состояний.