- •А. В. Коросов
- •Введение
- •1. Идеология моделирования: системный подход
- •Принцип системности
- •Принцип целесообразности
- •Принцип структурно-функциональной организации
- •Принцип иерархичности
- •Принцип эмерджентности
- •Принцип развития
- •Системный подход как система
- •2. Процедура моделирования
- •Этапы моделирования
- •Виды моделей
- •Построение блок-схемы
- •Аналитические и имитационные модели
- •Переменные и параметры
- •Математическое описание модели
- •Главное правило моделирования
- •Через неизвестные параметры (аj).
- •Приемы составления формул
- •Табличное программирование
- •Компоненты имитационной модели
- •Имитационная система
- •Адекватность и значимость
- •3. Приемы моделирования
- •Фреймы имитационных систем
- •1. Базовый фрейм имитационной системы
- •2.1. Увеличение числа значений независимой переменной
- •2.2. Отличия шагов: весовые коэффициенты у объектов
- •2.3. Исключение шагов: пробелы в исходных данных
- •2.4. Объединение шагов
- •2.5 Дифференциация шагов
- •3. Увеличение числа независимых переменных
- •4. Увеличение числа зависимых переменных
- •5. Синтез нескольких моделей
- •6.1. Увеличение числа модельных переменных: наведение
- •6.2. Увеличение числа модельных переменных: декомпозиция
- •Аппроксимация кривой
- •Пропуски в данных
- •Усреднение и параметризация
- •Индивидуализация переменных
- •Декомпозиция кривой
- •Анализ распределения
- •Продолжение табл. 3.11
- •Скрытые переменные
- •Экстремумы
- •Сети связей
- •Прогноз как гипотеза
- •4. Теория оптимизации
- •Модель с одним параметром
- •Модель с несколькими параметрами
- •Параметры макроса «Поиск решения»
- •Приемы работы в ms Excel
- •Специальные символы и другие полезные кнопки.
- •Популяции травяной лягушки
2.1. Увеличение числа значений независимой переменной
Ставя задачей поиск закономерностей, эмпирические данные группируют в массивы; блоки реальных независимых и зависимых переменных представлены уже не единичным значением, а сериями. Можно говорить о четырех основных способах тиражирования (декомпозиции) значений независимой переменной (нетрудно представить их комбинации):
— временные ряды (серия шагов по временной, возрастной шкале),
— градация фактора (серия доз, уровней факторов, расстояния и пр.),
— статус, габитус (множество объектов разного качества),
— выборка (наборы однотипных, но индивидуально различимых вариант).
Чисто технически расширение имитационной системы состоит во вводе дополнительных строк, каждой из которых отвечает новый временной шаг (доза, варианта). Интеграция усложнившейся системы идет по двум направлениям. Это, во-первых, обобщение всех квадратов разности в одно значение функции невязки (ФН), во-вторых, организация блока критерия адекватности (КА) модели исходным данным. Вместе с ними имитационная система состоит уже из 7 блоков, что соответствует детальной схеме, рассмотренной выше в разделе Имитационная система, и примеру из Введения.
2.2. Отличия шагов: весовые коэффициенты у объектов
Репрезентативность исходных данных, относящихся к разным строкам массива (обычно зависимых переменных), может отличаться. В этом случае их участие в настройке модельных параметров должно быть скорректировано с помощью весовых коэффициентов (В), оформленных отдельным блоком. Понятно, что чем больше "вес" объекта, тем выше должен быть его вклад в целевую функцию ФН = СУММ(В*КР). В простейшем случае роль весов могут играть соответствующие объемы выборок; пример приведен в разделе Экстремумы.
2.3. Исключение шагов: пробелы в исходных данных
Если значения зависимых переменных получены не для всех временных шагов (градаций, объектов), исходный массив будет содержать пропуски. Поскольку динамическая модель "живет своей жизнью", она воспроизведет соответствующие расчетные значения, которые, тем не менее, не с чем сравнивать. В этом случае значения квадратов разности (КР) в соответствующих строках не рассчитываются, и минимизация функции невязки идет с учетом только имеющихся данных. Настройка модели осуществляется по отдельным опорным точкам. Пример рассмотрен в разделе Пробелы в данных.
2.4. Объединение шагов
Когда по методическим причинам регистрация данных на каждом временном шагу невозможна, появляются массивы данных, содержащие накопленный результат за несколько временных шагов. В этом случае модельный блок должен состоять из двух компонентов:
— модели, отражающей "правильную" временную динамику с регулярным ходом времени,
— модели, аккумулирующей результаты первого блока в соответствии со структурой исходных данных.
Такой случай характерен при изучении возрастного состава популяций, когда известна численность животных не каждого возраста отдельно, а лишь для разновозрастных групп, объединяющих особей разного возраста — молодых, взрослых, старых; пример расчетов дан в разделе Сети связей.