Урок 8. моделирование в науке — Естествознание — 10 класс
Естествознание, 10 класс
Урок 8. Моделирование в науке
Перечень вопросов, рассматриваемых в теме:
- Что такое моделирование?
- Что понимают под теоретическим моделированием?
- Как соотносятся между собой теоретические модели и естественнонаучные модели?
Глоссарий по теме:
Модель (франц. modele, от лат. modulus мера, образец, норма) — это форма отображения определённого фрагмента действительности (предмета, явления, процесса, ситуации), который содержит существенные свойства моделируемого объекта и может быть представлен в абстрактной (мысленной или знаковой) или материальной (предметной) форме.
Моделирование – метод теоретического познания, состоящий в исследовании каких-либо явлений, процессов или систем путем построения и изучения их моделей; использование моделей для определения поведения и характеристик реальных систем.
Материальная модель — это материальные копии объектов моделирования. Воспроизводит свойства объектов в материальной форме
Математическая модель – модели, построенные с использованием математических понятий и инструментария (формул, графиков, систем уравнений и т.д.)
Основная и дополнительная литература по теме урока (точные библиографические данные с указанием страниц):
- Естествознание. 10 класс [Текст]: учебник для общеобразоват. организаций: базовый уровень / И.Ю. Алексашина, К.В. Галактионов, И.С. Дмитриев, А.В. Ляпцев и др. / под ред. И.Ю. Алексашиной. – 3-е изд., испр. – М.: Просвещение, 2017. с 30- 32.
- Н. Паленко Физика гравитации и структура атомного ядра. Просто о сложном. – СПб.: Издательство Питер, 2012 – с. 70-79.
- Ю. Б. Сениченков Моделирование систем. Динамические и гибридные системы. Учебное пособие. – СПб.: БХВ-Петербург, 2012 – с.9-14, с.31-35.
- Д. А. Чарнцев Компьютерное моделирование процессов физики газа для школьников. — СПб.: СУПЕР Издательство,2016 – с. 5-7, с. 13-19.
Открытые электронные ресурсы по теме урока :
- Моделирование // Словари и энциклопедии на Академике URL: https://dic.academic.ru/searchall.php?SWord=моделирование&from=xx&to=ru&did=&stype=0
- Интерактивная модель солнечной системы URL: http://www.michurin.net/online-tools/solar-system.html
- Солнечная система — ЗD-мoдeль URL: https://mks.space/sss/
- Понятие модели и моделирования URL: https://www.youtube.com/watch?v=6FwWUTtaZiA&feature=youtu.be
Теоретический материал для самостоятельного изучения
Реальные объекты исследования не всегда доступны для исследователя или в их функционирование нельзя вмешиваться. В этом случает можно заменить «оригинал» соответствующим аналогом (моделями), пользуясь которым можно провести эксперимент, изучать его поведение при изменениях параметров внешней и внутренней среды. В воспроизведении свойств объекта изучения на специально устроенном его аналоге-модели заключается суть процесса м
Модели могут быть реальными (материальными), например, модели самолетов, макеты зданий, фотографии, протезы, куклы и т.п., а также теоретическими (идеальными или абстрактными), создаваемые средствами языка (как естественного человеческого языка, так и специальных языков, например, языком математики. В этом случае мы имеем математическую модель, которая описывает взаимосвязи в изучаемой системе).
Математическое моделирование – инструмент познания, изучения и исследования сложных систем. Эти системы сложны потому, что либо состоят из большого числа структурных компонентов, либо находятся под влиянием большего числа внешних факторов. В этом случае ученые создают модели – упрощенные копии систем, отражающие их структуру и функциональные взаимосвязи. В логике исследования под особым вниманием находятся лишь некоторые компоненты системы и ее взаимосвязи. Математические модели могут быть представлены в виде математических формул, систем уравнений, графиков и т.д. Например, системы дифференциальных уравнений в модели Лотки-Вольтерра, изучающей системы «паразит-хозяин» и «хищник-жертва» или графический образ экологических пирамид (масс, энергий) и др.
Выделяют три функции моделирования:
Познавательная функция заключается в том, что за счет абстрагирования модели позволяют достаточно просто объяснить наблюдаемые на практике явления и процессы (другими словами, они дают ответ на вопрос «почему мир устроен так»).
Прогностическая функция моделирования отражает его возможность предсказывать будущие свойства и состояния моделируемых систем, то есть отвечать на вопрос «что будет?».
Нормативная функция моделирования заключается в получении ответа на вопрос «как должно быть?» – если, помимо состояния системы, заданы критерии оценки ее состояния, то возможно не только описать существующую систему, но и построить ее нормативный образ – желательный с точки зрения субъекта, интересы и предпочтения которого отражены используемыми критериями.
Примеры моделей различных типов в естественных науках
модель наука | Примеры моделей | ||
материальных | символьных (знаковых) | ||
Физика | 1. Кристаллические решетки 2. Электрофорная машина — модель молнии | 1. Формулы, отражающие физические законы 2. Планетарная модель строения атома | |
Химия | 1. Модели молекул 2. Модели химических производств | 1. Знаки элементов и формулы веществ 2. Уравнения реакция | |
Биология | 1. Муляжи 2. Модель ДНК | 1. Таблицы, графики, диаграммы 2. Динамическая модель развития популяций | |
Примером интегрированного представления о роли моделирования служить планетарная модель строения атома Э. Резерфорда. Её создание позволяет представить себе роль эксперимента, наблюдения, выдвижение гипотезы в построении теоретического обобщения, а также позволяет проследить эволюцию модельных представлений о сложном строении атома: модель «пудинга с изюмом» Томпсона → планетарная модель Резерфорда → квантовую модель Бора. Эта идея отражена в таблице «Создание планетарной модели атома Э. Резерфордом»
Предшествующая модель | Эксперимент | Наблюдение | Гипотеза | Модель и ее суть |
Модель «пудинга с изюмом» Томп-сона | Бомбардировка золотой фольги α-лучами | 99,99% α-лучей отражались на основном экране и только 0,01% — на боковых | Ядро занимает очень незначительную часть атома, имеет положительный заряд |
По способу реализации модели можно разделить на компьютерные и некомпьютерные (выполненные с помощью карандаша, линейки, ручки). Построение компьютерных естественнонаучных моделей — это тоже математическое моделирование, дополненное вычислительными средствами и возможностью визуализации и интерактивного управления процессами. Примерами компьютерного моделирования могут служить: модель «Движение тела, брошенного под углом к горизонту» или геоинформационная модель «Численность населения в странах мира». С развитием компьютерных технологий все чаще используют создания трёхмерной модели объекта. Появление 3D-технологий предполагает появление в ближайшем будущем новых требований к профессиям, связанным с проектированием, моделированием, конструированием.
Выводы: Моделирование позволяет исследовать сложные процессы и явления с целью предсказания интересующих исследователя результатов. Это касается как материальных, так и теоретических моделей.
Все естественно-научные законы — это модели, применимые для описания широкого класса явлений и процессов, происходящих в природе. Каждый естественно-научный закон имеет границы своего применения. Существует определенная иерархия законов: одни законы являются частными случаями других, т.е. могут быть выведены из них при определенных приближениях и допущениях.
Примеры и разбор решения заданий тренировочного модуля
Задание 1. Чем метод моделирования отличается от наблюдения:
- В процессе его проведения собираются достоверные научные факты;
- Целенаправленно изучает объекты и процессы для осознания их существенных свойств;
- Он более продолжителен по времени проведения;
- Изучает не сам объект, а его копию.
Правильный ответ: Изучает не сам объект, а его копию.
Подсказка: напомним, что наблюдение — это преднамеренное, целенаправленное восприятие объектов и процессов с целью осознания их существенных свойств
Задание 2. Активное применение учёными компьютера позволило широко внедрить в научную деятельность метод ______________.
Варианты для выпадающего списка:
Наблюдение / измерение / эксперимент / моделирование
Правильный вариант ответа: моделирование
Подсказка: прочитайте внимательно основные выводы теоретической части.
Моделирование как метод научного исследования
Глинский Б. А. и др. Моделирование как метод научного исследования. М, Изд-во МГУ, 1965. [c.167]МОДЕЛИРОВАНИЕ КАК МЕТОД НАУЧНОГО ИССЛЕДОВАНИЯ [c.15]
Математическое моделирование реакторов является методом научного исследования [21 ], основанным на познании химических процессов через математическую модель. Математическое моделирование включает две основные стадии составление математической модели и ее исследование. [c.10]
Моделирование — это исследование каких-либо явлений, процессов или систем объектов путем построения и изучения их моделей использование моделей для определения и уточнения характеристик и рационализации способов построения вновь конструируемых объектов. Моделирование — одна из основных категорий теории познания на идее моделирования, по существу, базируется любой метод научного исследования — как теоретический, так и экспериментальный. [c.16]
В последние десятилетия использование моделей в качестве объектов исследования и изучения явлений, процессов и конструкций стало распространенным явлением в науке и технике. В связи с этим в литературе, посвященной обобщению вопросов моделирования и изучению моделирования как метода научного исследования, отмечается, что вероятно, нет такой области человеческого знания, в которой в той или иной степени не использовалась бы или, по крайней мере, не могла быть использована процедура моделирования. Науки, в которых обращение к модельному исследованию стало систематическим, нормой, не полагаются больше на интуицию исследователя и разрабатывают специальные теории, выясняющие закономерности отношения между оригиналом и моделью [3]. [c.12]
Моделирование — одно из фундаментальных понятий теории информации, на которой базируется любой метод научного исследования (познания). Теория информации в свою очередь является составной частью кибернетики — науки, изучающей математическими методами способы измерения количества информации, ее передачи и переработки с целью оптимального управления [39]. [c.31]
В целом математическое моделирование как метод научного исследования дает возможность, с одной стороны, переходить в отдельных случаях непосредственно от результатов исследования на лабораторных и пилотных установках к проектированию промышленных реакторов, минуя опытные и полу опытные установки, а с другой — значительно сокращает время исследования. [c.14]
Будем использовать классический подход (инженера или математика) к решению проблемы моделирования, который заключается в том, чтобы сформулировать исходную задачу, описывающую физический процесс и затем постараться ввести необходимое количество упрощающих предположений для формулировки ново задачи, которая поддается решению теми или иными средствами. Под моделью будем понимать образ, описание объекта исследования, отражение его характеристик. Моделирование — метод исследования, научного познания объектов разной природы при помощи моделей. [c.371]
Метод математического моделирования позволяет сократить сроки внедрения в промышленность научных исследований, подученных в лабораторных масштабах, до одного-двух лет. [c.437]
Впервые моделирование как метод научного познания был использован в аэро- и гидродинамике. Была развита теория подобия, позволяющая переносить результаты экспериментов, получаемых на установках небольшого масштаба (моделях), на реальные объекты большого масштаба. Основой таких исследований является физическое моделирование, при котором природа модели и исследуемого объекта одна и та же. Физическое моделирование и теория подобия нашли широкое применение в химической технологии при исследовании тепловых и диффузионных процессов. Были сделаны попытки использовать теорию подобия и для химических процессов и реакторов. Однако ее применение здесь оказалось весьма ограниченным из-за несовместимости условий подобия для химических и физических составляющих процесса в реакторах разного масштаба. Например, степень превращения реагентов зависит от времени пребывания их в реакторе, равного отношению размера к скорости потока. Условия тепло- и массопереноса, как следует из теории подобия, зависит от критерия Рейнольдса, пропорционального произведению размера на скорость. Сделать одинаковыми в аппаратах разного масштаба и отношение, и произведение двух величин невозможно. Вклад химических и физических составляющих реакционного процесса и их взаимовлияние и, следовательно, влияние их на результаты процесса в целом зависят от масштаба. В аппарате небольшого размера выделяющаяся теплота легко теряется и слабо влияет на скорость превращения. В аппарате большого размера выделяющаяся теплота легче запирается в реакторе, существенно влияет на поле температур и, следовательно, на скорость и результаты протекания ре- [c.30]
Рассматривая проблему моделирования в научном исследовании, мы приходим к выделению различных типов моделей Как мы уже отмечали, для нас будут представлять интерес лишь идеальные моде.лп. Конечно, в естествознании, и, в частности, в квантовой химии, применяются и материальные модели, т. е. различные вещества, тела и вообще реальные объекты, выбранные или сконструированные для исследовательских целей. В квантовой химии, например, некоторые хорошо изученные вещества используются для апробирования новых расчетных методов. Однако материальное моделирование свойственно [c.91]
Модель — средство отображения, воспроизведения действительности, образ объективного мира. Несмотря на субъективное использование метода моделирования как средства научного исследования, оно в своей основе является объективным методом познания, ибо базируется на объективных законах развития природы и общества. [c.3]
На идее моделирования по существу базируется любой метод научного исследования как теоретический, так и экспериментальный. [c.164]
При решении теоретических задач научных исследований в ходе выполнения научно-исследовательской работы (НИР) использовались методы системного анализа, математического моделирования аппарат логических, имитационных моделей, нечетких множеств, теории вероятностей и математической статистики, прогнозирования (экстраполяции, интерполяции, теории принятия решений. [c.33]
Таким образом, наиболее продуктивным методом гидравлических исследований является комбинированный метод, представляющий собой целесообразное сочетание теории с экспериментом. Научной основой гидравлического эксперимента служит теория моделирования, базирующаяся на законах гидродинамического подобия. [c.4]
Для отражения последовательности соединения атомов, направления а-связей, валентных углов, структурных изомеров используют шаростержневые модели, для моделирования бокового перекрывания электронных облаков при тс-связи, пространственной изомерии — плоскостные модели из картона. Широко применяются в школе пластилиновые модели (их иногда еще называют масштабными) — очень простые и доступные в изготовлении. Моделирование химических процессов осуществляется средствами мультипликации в учебных кинофильмах и т. д. Моделирование широко используется в научных исследованиях при проектировании органического синтеза, анализе органических веществ, и это лишний раз доказывает, что в химии методы обучения отражают с определенным приближением методы химической науки. [c.250]
Уровень обоснованности решений непосредственно связан с методологией их принятия. Здесь также можно выделить этапы интуитивные решения, нормативно обусловленные и, наконец, решения, подтверждаемые применением методов математического моделирования. Степень обоснованности решений на каждом этапе возрастает. Интуитивное принятие решений основывалась, прежде всего, на практическом опыте специалистов. Этап нормативно обусловленных решений характерен для того уровня, когда удается обобщить выводы фундаментальных и прикладных научных исследований, а также опыт отдельных специалистов в форме разного рода нормативных документов (нормы, правила, методические указания, методики, макеты, пособия и рекомендации). При реализации формализованной методологии большинство действий по выработке решений осуществляется согласно системе строго очерченных процедур, в основе которых лежит математическое моделирование. [c.28]
Современное развитие науки и техники отличается практической направленностью исследований, ориентацией на создание технологий комплексного использования сырья и побочных продуктов, применение малоотходных или безотходных технологических процессов, интенсивной технологии. Решение поставленных задач невозможно без повышения эффективности использования научного потенциала на основе широкого внедрения средств вычислительной техники, метода математического моделирования и методологии системного анализа. [c.3]
Основное направление научных исследований — химия экстремальных состояний. Создал (1959) теоретические основы плазмохимии. Разработал (1965) методы расчета параметров принудительной закалки продуктов реакции в плазменной струе и способы управления химическими процессами в низкотемпературной плазме. Предложил способы оптимизации процессов получения в плазменной струе ацетилена из метана, олефинов из низкооктановых бензинов, формальдегида из метана, окислов азота из азот-кислородных смесей. Создал (1969) методы математического моделирования явлений физической и химической кинетики. Развил (1967—1970) основные положения неравновесной химической кинетики, механизмов неравновесных реакций и исследовал их применение. Разработал (1976—1979) теорию и экспериментально исследовал закономерности химических реакций в турбулентных потоках газа и плазмы. [c.399]
В настоящее время мощным средством повышения эффективности научных исследований при решении задач расчета, анализа, -оптимизации и прогнозирования химико-технологических процессов стал метод математического моделирования [1]. При наличии полной информации о механизме процесса (термодинамике, кинетике, гидродинамике) составляют детерминированную математическую модель, представляющую собой систему дифференциальных уравнений обыкновенных или в частных производных. Для определения неизвестных констант, входящих в систему дифференциальных уравнений и проверки адекватности математической модели процесса, проводится эксперимент. [c.5]
О понятии модели см. И. С. Алексеев. Об онтологическом статусе моделей.— Философские вопросы физики . Тарту, 1974 Л. Баженов, Б. Бирюков, В. Штофф. МоделироваБше.— Философская энциклопедия , т. 1П В. Глинский, В. Грязное, Е. Никитин и другие. Моделирование как метод научного исследования. М., 1965 А. А. Зиновьев, И. И. Реваин. Логическая модель как средство научного исследования.— Вопросы философии , 1960, № 1 [c.19]
В качестве методического и математического инструментария для моделирования экспертизы и автоматизации принятия решений целесообразно использовать также методы теории исследования операций — нового научно-10 направлен 1я, занимающегося применением математических, количественных. методов для обоснования решений во [c.202]
Физическое моделирование позволяет заменить изучение реального объекта исследованием характеристик уменьшенной, механически подобной модели с последующим переходом от параметров модели к соответствующим параметрам биологического объекта или конструкции. Теория подобия составляет научную основу физического моделирования. Методы теории подобия позволяют перейти от исходных физических величин к некоторым обобщенным переменным — критериям подобия. Этим достигается уменьшение количества физических параметров, описывающих явление, и большая общность получаемых результатов. [c.9]
После изучения этого курса студентам необходимо твердо знать общие принципы автоматизации научных исследований в биотехнологии, автоматического регулирования, их физический смысл уметь применять полученные знания для решения практических задач по определению оптимальных параметров биотехнологических процессов и компьютерному анализу микробных популяций. Применение метода моделирования отнюдь не сводится к использованию стандартных математических приемов, расчетных формул и т. д., а в больщей степени является искусством и служит для изучения биотехнологических процессов с помощью точных количественных методов, для выяснения фундаментальных принципов организации и функционирования изучаемых систем. [c.108]
В общем случае под моделированием понимается замещение исследуемого объекта О (оригинала) моделью М с целью исследования свойств О при помощи М. Моделирование является универсальным методом научного познания, в том числе оно играет исключительно важную роль в теплофизике и теплотехнике. [c.8]
Как научное направление, моделирование процессов нефтепереработки и нефтехимии развивается и совершенствуется, подобно самим процессам. Открываются интересные проблемы для научных работников в создании новых методов исследования, совершенствовании структур математических описаний, алгоритмов расчетов. Так, становится очевидной ограниченность области применения детерминированных описаний, однако не развиты методы создания вероятностных описаний, учитывающих физикохимические закономерности. [c.376]
Все сказанное справедливо для любого химико-технологического процесса, но наиболее существенно для крупнотоннажных производств нефтеперерабатывающей и нефтехимической промышленности — одной из наиболее важных отраслей народного хозяйства. Применение научных методов разработки, внедрения и осуществления этих процессов позволяет получить падежные данные, сократить срок разработки и исследования, уменьшить число стадий (опытных установок) при реализации лабораторного процесса, наиболее эффективно проектировать промышленные установки, вести промышленный процесс в оптимальных условиях, т. е. на каждом этапе достигать существенной экономии времени и средств. Понятно поэтому, что умение пользоваться современными методами исследования и моделирования необходимо и научному работнику, разрабатывающему процесс, и инженеру, проектирующему или эксплуатирующему его. [c.9]
Таким образом, изучение процесса не в сложной совокупности, а по частям — основное требование построения математической модели, позволяющее применять метод математического моделирования, что особенно важно при организации исследований и решении научно-технических задач по созданию производств нефтеперерабатывающей, нефтехимической и химической промышленности. Именно такой подход дает возможность сокращать сроки разработок и улучшать их качество. [c.464]
Существенное значение имеет поэтому изучение влияния различных факторов на перемешивание газа с воздухом. Такие исследования проводились в разных странах в основном не на промышленных установках, а на их уменьшенных моде.лях. Моделирование (исследования на уменьшенных моделях), основанное на теории подобия, с начала 30-х годов и по настоящее время — наиболее распространенный метод научного исследования и обобщения экспериментальных данных. Метод моделирования, разработанный в нашей стране М. В. Кирпичевым, М. А. Михеевым, А. А. Гухманом и др., не только позволяет быстрее и дешевле получить результат, по, что очень важно, дает возможность в эксперименте проверять влияние каждого иараметра в отдельности, что на натурной установке, как правило, осуществить трудно. [c.15]
Далее развитие идет по двум руслам теоретическая и экспериментальная части научного исследования. Являющееся предметом рассмотрения экспериментальное исследование проводится либо как наблюдения в естественных условиях, либо как исследования методами физического моделирования. При использовании методов моделирования значительную роль играет планирование эксперимента. Задача планирования эксперимента состоит в организации изменений условий (активных воздействий на исследуемое явление) эксйеримента таким образом, чтобы кратчайшим путем и в достаточном количестве получить информа- [c.52]
Развитие классической аналитической химии шло в направлении разработки новых органических реагентов для селективного обнаружения и количественного определения элементов, совершенствования методик анализа и внедрения математических методов обработки результатов анализа. Начиная с середины прошлого века, сначала для целей идентификации, а затем и для количественных определений в аналитической химии стали использовать инструментальные методы анализа, обладающие преимуществами в чувствительности, скорости и точности выполнения анализа, необходимые в научных исследованиях и производственном контроле. Развитие инструментальных методов привело к появлению новых направлений (например, аналитическая биохимия, хроматография, радиоаналитическая химия и т. п.). В эпоху научно-технической революции появление принципиально новой методологии — моделирования, алгоритмизации, системного подхода — привело к перестройке и в аналитической химии, которую теперь квалифицируют как науку, занимающуюся получением информации о химическом составе вещественных систем. Полная химическая информация о качественном и количественном составе, получаемая в максимально короткие сроки на минимальном количестве исследуемого объекта, требуется практически во всех отраслях науки, техники и промышленности. Это стало возможным в результате развития в XX в. компьютерной техники и автоматизации производства. [c.6]
Проектирование, эксплуатация, научные исследования в настоящее время невозможны без применения вычислительной техники. В связи с этим на кафедре ведутся интенсивные работы по алгоритмизации расчетов, математическому моделированию химических процессов и разработке программ задач теории эксперимента, интенсификации процессов химической технологии (доц. А. Г. Бондарь, ст. преп. О. Т. Попович, инж. Р. М. Колесникова). В результате проведенной работы даны рекомендации по применению методов вычислительной математики и вычислительной техники для решения типовых задач, встречающихся при проектировании, исследованиях и управлении. Результаты разработок изложены в учебном пособии (Б. А. Жидков и А. Г. Бондарь Алгоритмизация расчетов в химической технологии под редакцией проф. А. С. Плыгунова). [c.129]
АВТОМАТИЗЙРОВАННЫЕ СИСТЕМЫ НАУЧНЫХ ИССЛЕДОВАНИЙ в химии и химической технологии (АСНИ), системы, в к-рых для повышения эффективности научных исследований ряд процедур получения, анализа, передачи и накопления информации, связанных с использованием в ходе изысканий метода мат. моделирования, формализован и выполняется автоматизированно. Задачи, к-рые можно решать с помощью АСНИ 1) сократить сроки исследований, 2) повысить точность моделей и получить качественно новую информацию, 3) повысить эффективность использования оборудования, 4) сократить вспомогат. персонал изыскательских групп. [c.26]
Для решения своих задач Н. комплексно использует методы и достижения орг. и физ. химии, математики, теплотехники, кибернетики н др. наук. В связи с четко выраженной прикладной направленностью исследований при разработке нефтехим. процессов широко практикуется моделирование и проверка их на опытных установках разл. масштаба (см. Масштабный переход). Научные исследования в Н. развиваются по след. осн. направлениям изучение хнм. состава нефтей, взаимопревращения углеводородов нефти, синтез функцион. производных углеводородов из нефтвгаого и газового сырья. [c.229]
Впервые систематизируются научные исследования в области макроскопической модели протекания быстрых процессов олиго- и полимеризации изобутилена. Обсуждаются диффузионная, гидродинамическая и зонная модели. Рассмотрено математическое моделирование процесса полимеризации изобутилена как быстрой химической реакции. Раскрыты основные принципиально новые, в большей мере не имеющие аналогов, закономерности процесса и выявлены три макроскопических типа протекания реакции, прежде всего факельного и квазиидеального вытеснения в турбулентных потоках ( плоский фронт реакции). Рассмотрен нетрадиционный подход к оценке кинетических констант реакции полимеризации изобутилена Кр и К . Детально проанализированы методы регулирования основных молекулярно-массовых характеристик полиизобутилена благодаря изменениям различных факторов в первую очередь не имеющих аналогов в режиме квазиидеального вытеснения в турбулентных потоках, где выявлен ряд критических параметров. Рассмотрено влияние теплосъема как внешнего, так и внутреннего (за счет кипения мономера и/или растворителя). Детальный анализ теплового режима реакции полимеризации изобутилена и его влияния на молекулярную массу и молекулярно-массовое распределение полимера позволили предложить новый метод оценки молекулярно-массовых характеристик с использованием зонной модели. На базе этой модели разработаны принципы регулирования молекулярных масс и молекулярно-массового распределения полиизобутилена в зависимости от числа зон подачи катализатора и его количества, подаваемого в каждую зону. [c.378]
Основные научные исследования относятся к кинетике и математическому моделированию каталитических процессов, созданию теоретических основ химической технологии. Совместно с Г. К. Бореско-вым впервые разработал (1961) принципы математического моделирования каталитических процессов для проектирования и оптимизации промышленных реакторов. Развил (1960—1970) теорию математического моделирования со специфическими понятиями и методами решения проблем масштабного перехода, в частности обосновал (1969—1971) метод многоуровне вых моделей. Разработал матема тическую модель процесса окисли тельного дегидрирования бутиле нов. Предложил ряд усовершен ствований реакторов с псевдоожи женпым слоем катализатора. Осу [c.466]
Произ-во приборов и средств автоматизации связано с использованием достижений науки и со,зданием средств для научных исследований, необходимых для повышения произподительпости инженерного труда, внедрения в практику исследования и конструирования методов математич. моделирования, позволяющих углублять и убыстрять исследования, повышать надежность и долговечность машин и механизмов. Принципы, на к-рых основывается действие приборов и средств автоматизации, все время расширяются. Механич. контактные. методы и средства измерения заменяются бескон-тактны. н1, с применением быстродействующих электронных преобразователей. В технике измерения широко используются ультразвук, радиоактивность, токи высокой частоты, спектрометрия и т. д. [c.309]
Известно, что требованиям, изложенным в государственных стандартах России и предъявляемым в России к результатам научных исследований, удовлетворяют только оценки, найденные применением метода математического моделирования. Однако, несмотря на очевидность требований, изложенных в государственных стандартах, метод математического моделирования до сих пор не применялся для решения задач оценки наркоситуации в России. Больше того, не существует специализированных учебных пособий, позволяющих государственному чиновнику научиться пользоваться результатами адекватных и научно обоснованных оценок наркоситуащш. [c.157]
Перепеличенко В.Ф., Еникеева М.И. Моделирование трехфазного потока через трехмерную пористую среду методом Монте-Карло. -В кн. Компьютеризация научных исследований [c.56]
МОДЕЛИРОВАНИЕ КАК МЕТОД НАУЧНОГО ПОЗНАНИЯ И ИНСТРУМЕНТ РЕШЕНИЯ ТЕХНИЧЕСКИХ ПРОБЛЕМ | Опубликовать статью ВАК, elibrary (НЭБ)
Надыров А.И.1, Беленкова О.А.2
1Магистрант, Уфимский государственный нефтяной технический университет, 2Доктор философских наук, Уфимский государственный нефтяной технический университет
МОДЕЛИРОВАНИЕ КАК МЕТОД НАУЧНОГО ПОЗНАНИЯ И ИНСТРУМЕНТ РЕШЕНИЯ ТЕХНИЧЕСКИХ ПРОБЛЕМ
Аннотация
В статье с позиций общенаучной методологии рассматривается применение метода компьютерного моделирования для создания гидродинамических моделей углеводородных пластовых систем. Показано, что при решении задач разработки месторождений нефти и газа, гидродинамическая модель выступает как элемент её оптимизации.
Ключевые слова: компьютерная модель, гидродинамическая модель, гидродинамическое моделирование.
Nadyrov A.I.1, Belenkova O.A.2
1Master student, Ufa State Petroleum Technological University, 2PhD in Philosophy, Ufa State Petroleum Technological University
MODELING AS A METHOD OF SCIENTIFIC COGNITION AND AN INSTRUMENT OF SOLVING TECHNICAL PROBLEMS
Abstract
The paper studies the method of computer modeling from methodological point of view. The method is used for creation and studying of models of layer systems. It is shown that when solving problems of development of oil and gas fields the hydrodynamic model acts as an element of production optimization.
Keywords: computer model, hydrodynamic model, hydrodynamic modelling.
Научное познание представляет собой исторически развивающийся процесс достижения достоверных знаний о мире, истинность которых логически обосновывается, а также эмпирически проверяется и подтверждается на основе различных видов социальной практики. Одним из широко применяемых в научном познании методов является аналогия (греч. analogia – соответствие, сходство). Аналогия – это умозаключение о сходстве объектов в определенном отношении на основе их сходства в ряде иных отношений. В свою очередь, приёмы аналогии являются исходными при разработке метода моделирования, получившего широкое распространение в условиях высокотехнологичного производства нефтегазовой промышленности. Суть метода моделирования заключается в том, что непосредственно исследуется не сам объект, а заменяющая его модель. И результаты, полученные при изучении модели, переносятся по особым правилам на реальный объект. Моделирование используется в тех случаях, когда исследуемый объект либо труднодоступен, либо его прямое изучение экономически невыгодно. Эти два метода исследования – аналогия и моделирование являются наиболее конструктивными при исследовании пластовых резервуаров нефти и газа особенно при использовании компьютерного обеспечения. Преимуществом компьютерного моделирования является логичность и формализованность создаваемых моделей, а также возможность исследовать в процессе работы с моделью информацию об изменениях параметров моделируемой физической системы. Соответственно, компьютерное моделирование включает:
–исследователя, с определенными целями изучающего закономерности процессов и явлений;
– объект исследования, представленной в форме компьютерной модели;
– инструмент моделирования – компьютер.
При моделировании разработки месторождений нефти и газа используются различные пакеты гидродинамического моделирования (ECLIPSE, ROXAR, PETREL). Математическое обоснование гидродинамического моделирования обобщено в работе Р.Д. Каневской. Она выделяет 4 этапа моделирования. На первом этапе создается математическая модель фильтрации. На втором этапе информация о строении и свойствах пласта и насыщающих его жидкостей, режимах и показателях работы скважин преобразуется к виду, требуемому для ввода в модель фильтрации. На третьем этапе моделирования осуществляется адаптация математической модели по данным наблюдений. Путем воспроизведения истории разработки месторождения осуществляется уточнение основных фильтрационно–емкостных параметров пласта, заложенных в модель. На четвертом этапе моделирования модель пласта по мере накопления информации об объекте уточняется, совершенствуется и может использоваться для дальнейшего управления процессом разработки [1, с. 7–9].
В нефтегазовом деле основы моделирования пористых сред заложены известным математиком и физиком Ч. Слихтером. Он предложил использовать физические модели, которые могут служить аналогами пористой среды коллекторов нефти и газа (фиктивный и идеальный грунт) [2, с. 11]. Но эти модели представляют собой лишь физическое, идеализированное описание пласта. В реальности коллекторы углеводородов представляют собой сложную систему. Такая система была предметом исследования в работе автора статьи А.И. Надырова [3]. Цель работы состояла в том, чтобы изучить на компьютерной модели использование системы горизонтальных скважин с целью оптимизации разработки Приобского нефтяного месторождения. В результате проведенного исследования была получена информация, характеризующая применение горизонтальных скважин на данном объекте. Выводы, полученные в работе являются важными для специалистов, занимающихся проектированием разработки аналогичных месторождений.
Результаты, полученные на основе применения метода компьютерного моделирования при решении поставленной задачи, позволили сделать следующие выводы.
- Итогом моделирования должна стать адекватная модель пласта, отображающая данные по истории разработки и позволяющая просчитывать прогнозные варианты разработки: применение различных систем разработки, расположения скважин по площади и другие. Необходимо уметь видеть и выделять факторы, обеспечивающие адекватность модели, поскольку при гидродинамическом моделировании получаемые результаты во многом зависят от качества исходной информации. Наиболее важным является «отбраковка» ненужной информации и выявление наиболее достоверных характеристик пласта и флюидов. Немаловажным фактором является сам процесс адаптации модели, в ходе которого необходимо «проработать» каждый параметр модели относительно характеристик реального пласта.
- Вопрос адаптации модели допустимо рассмотреть с точки зрения синергетики. Синергетика изучает процессы самоорганизации в сложных неравновесных системах, к которым следует также отнести углеводородные пласты. При их изучении было зафиксировано, что среди возможных вариантов развития углеводородных пластов нет однозначной реализации. В синергетике ключевым понятием является понятие аттрактор (англ. attract – привлекать, притягивать), который обозначает элемент системы, ориентирующий её на перестройку или переход в новое качество на основе самоорганизации. Аттрактор определяется как состояние, к которому тяготеет система [4, с. 902–913]. Что же является аттрактором при гидродинамическом моделировании? В нашем случае аттрактор – это системоорганизующие знания о реальной пластовой системе, по которой есть данные многочисленных исследований и замеров. Выстраиваемая модель должна соответствовать реальному пласту. Остаётся лишь выяснить, какие параметры модели будут выступать в качестве аттрактора. Выражаясь языком синергетики, нам необходимо выделить системоорганизующее знание о данном пласте, то есть знания о тех параметрах, которые способны в значительной степени влиять на процесс разработки. Именно это знание позволит сделать модель адекватной пласту и обеспечит её оптимальное применение при разработке.
- Наличие синергетического фактора при решении данной технологической проблемы требует применение системно–кибернетического подхода. Для понимания процессов и явлений происходящих в пласте, и для управления ими нужно уметь выделить не только «нужные», системоорганизующие переменные, но и выявить взаимосвязи между ними – необходим системный анализ, осуществляемый на основе системно–кибернетического подхода. По своей сути, интегрированная информация для моделирования является «хаосом переменных». Конечно, нельзя назвать процесс отбора информации перед моделированием самоорганизацией, так как отбором занимается специалист. Но процесс адаптации модели можно рассматривать как своеобразную самоорганизацию переменных в адекватную модель месторождения.
Выводы. На основе проведенного исследования были разработаны принципы имитационного моделирования, применение которых позволяет избежать ошибок, допускаемых при получении исходных данных о реальных объектах, а также правильно интерпретировать результаты исследования.
Список литературы / References
- Каневская Р. Д. Математическое моделирование гидродинамических процессов разработки месторождений углеводородов / Р. Д. Каневская // М. – Ижевск: ИКИ, 2002. – 140 c.
- Чарный И.А. Подземная гидрогазодинамика / И.А. Чарный // М.: Гостоптехиздат, 1963. – 396 с.
- Надыров А.И. Влияние расстояния между стволами горизонтальных скважин на коэффициент извлечения нефти / А.И. Надыров, И.В. Владимиров // Sciences of Europe, – 2016. – Т. 2. – №7 – C. 18-23.
- Можейко М. А.Новейший философский словарь / М. А.Можейко // М.: Книжный Дом, 2003. – 1271 с.
Список литературы на английском языке / References in English
- Kanevskaya R. D. Matematicheskoe modelirovanie gidrodinamicheskih processov razrabotki mestorozhdenij uglevodorodov [Mathematical modeling of hydrodynamic processesof hydrocarbondeposit development] / R. D. Kanevskaya // M. – Izhevsk: IKI, 2002. – 140 p. [in Russian]
- Charnyj I.A. Podzemnaja gidrogazodinamika [Underground hydro gas dynamics] / I.A. Charnyj // M.: Gostoptekhizdat, 1963. – 378 p. [in Russian]
- Nadyrov A.I. Vliyanie rasstoyaniya mezhdu stvolami gorizontal’nyh skvazhin na koehfficient izvlecheniya nefti [Influence of the distance between gorisontal wells trunks on oil recovery coefficient] / A.I. Nadyrov, I.V. Vladimirov // Sciences of Europe, – 2016. – V. 2. – №7 – P. 18-23. [in Russian]
- Mozhejko M. A. Novejshij filosofskij slovar’ [The latest philosophical dictionary] / M. A. Mozhejko // M.: Knizhnyj Dom [Book House]. – 2003. – 1271 p. [in Russian]
3. Методы экономико-математического моделирования / КонсультантПлюс
3. Методы экономико-математического моделирования.
Эти методы в математической форме моделируют причинно-следственные и структурно-балансовые связи в социально-экономических системах и представляют их в виде математической модели. Методы основаны на использовании временных информационных рядов и данных о структурно-балансовых взаимосвязях. Это, с одной стороны, позволяет учесть ключевые закономерности в поведении основных субъектов экономики, с другой стороны — определяет ограниченные возможности математического аппарата в адекватной оценке отдаленного будущего (при сохранении закономерности под влиянием накопления качественных изменений в экономике меняются количественные параметры в оценке причинно-следственных связей).
В разработке и использовании экономико-математических моделей в прогнозировании рекомендуется иметь в виду два аспекта:
построение модели, отражающей поведение объекта в прошлом, ее траектории развития;
применение модели в условиях сценарного прогнозирования, то есть при реализации потенциально вероятных альтернатив, которые в своем спектре могут отличаться от условий развития объекта в прошлом, на котором формировалась наиболее адекватная модель поведения.
Это противоречие рекомендуется решать путем введения в модель факторов, отвечающих за основные параметры альтернативных сценариев. Но не всегда используемая (доступная) информация достаточно репрезентативна с точки зрения решения этой задачи.
Аналогичные трудности возникают при имитационном моделировании, когда исследуется влияние различных, в том числе случайных, факторов на поведение структурно сложных систем.
Из-за недостатка информации при построении таких моделей рекомендуется также использовать автономные расчетные блоки, логические (дедуктивные) схемы описания поведения, экспертные оценки.
Вместе с тем если имитационное моделирование в силу указанных особенностей не выходит за рамки среднесрочного прогнозирования, то сценарное прогнозирование составляет сердцевину долгосрочных прогнозов.
Таким образом, сценарный прогноз не является самостоятельной частью моделирования, а дополняет своими особыми приемами общую линию построения экономико-математических моделей.
Основные модели, используемые для целей долгосрочного прогнозирования, могут быть подразделены на следующие классы:
прогнозирование временных рядов показателей, как отдельных рядов, так и групп взаимосвязанных показателей;
факторные модели обоснования показателей в зависимости от динамики других показателей;
структурные модели и гибридные структурно-эконометрические модели;
динамические модели общего равновесия.
Аппарат исследования первых двух групп построений основан на эконометрических методах. При прогнозировании временных рядов используются методы выделения трендовой, сезонной, циклической и случайной компонент, а также современные методы спектрального анализа временных рядов. Факторные модели также используют развитый аппарат корреляционного, регрессионного и дисперсионного анализа и проверки гипотез. Если в эти модели входят относительно независимые экзогенные переменные и параметры, отражающие инварианты поведения, то на основе гипотез изменения экзогенных переменных по поведению модели могут быть сделаны выводы о реакции экономики на различные импульсы и процессы.
Факторные модели переживали кризис в течение 70-х годов, когда в период нефтяного шока экономисты убедились в ограниченности однонаправленного подхода в исследовании причинно-следственных связей; Кроме того, они подверглись критике Р. Лукаса, которая состояла в том, что эконометрические оценки параметров модели, полученные на основании статистических данных прошлых лет, зависят от проводившейся в тот период экономической политики.
Прогресс в развитии эконометрических моделей в последние десятилетия связан с разработкой метода векторной авторегрессии — VAR, в которых учитываются прямые и обратные зависимости с выявляемыми лагами. Для нестационарных временных рядов используются векторные модели коррекции ошибок (VMEC), основанные на выявлении наличия и использовании коинтеграционного соотношения между переменными, которое представляет собой связь переменных в долгосрочной перспективе. В краткосрочной перспективе под воздействием шоков возможны отклонения от равновесной долгосрочной связи, но с течением времени происходит возвращение к ней. Это позволяет использовать модели данного типа для целей долгосрочного прогнозирования, поскольку показывают ожидаемый путь возвращения к равновесию системы коинтегрированных переменных. Вместе с тем невозможность предсказания последствий экономических реформ и глубоких, системообразующих шоков остается главным ограничением этих методов в прогнозировании.
Большие возможности для этих целей создают более сложные структурные модели и модели общего равновесия.
Существенную информационную базу для использования этих моделей на современном этапе создает публикация развернутых таблиц «затрата-выпуск», которые подготовлены Росстатом на основе экономического обследования 2012 года по данным 2011 года.
Статические модели межотраслевого баланса, построенные на базе таблиц «затрата-выпуск», рассчитываются в ценах покупателей и основных ценах, последние — в ценах текущего года и ценах предыдущего года.
Статическая модель, рассчитанная в ценах предыдущего года, используется для оценки спроса на продукцию отраслей исходя из конечного спроса экономики, в целях предварительной балансировки предложений по выпускам и конечному спросу, анализа импортной матрицы, выявления критических позиций по импортозависимости и импортозамещению и решения других задач.
Статическую модель, рассчитанную в ценах текущего года, рекомендуется использовать для оценки индексов-дефляторов по отраслям экономики, оценки фактических значений затрат, транспортных и торговых наценок, налогов на продукты, импортных пошлин, а также для оценки влияния изменения цен и тарифов на услуги компаний инфраструктурного сектора и другие товары и услуги, которое они оказывают на финансовое состояние отраслей и на экономику в целом.
Учет динамического фактора осуществляется встраиванием в систему балансовых моделей факторных функций, зависимостей инвестиций от роста производства и показателей баланса мощностей (инвестиционные модели), а также путем перехода к полудинамическим и динамическим моделям межотраслевого баланса, осуществляющим итеративную увязку агрегированных показателей «инвестиций по спросу» и «инвестиций по производству».
Модели общего равновесия (CGE) и вычисляемые динамические модели общего равновесия (DSGE) обычно основываются на неоклассической модели экономики, и в них часто используются предпосылки о совершенной конкуренции на рынках. Результаты, полученные с их помощью, очень чувствительны к выбору функциональных форм, отражающих теоретические взгляды авторов. Серьезной проблемой является получение достаточно надежных оценок параметров этих моделей. Модели общего равновесия чаще используют для оценки направлений изменений, которые последуют при проведении той или иной политики, а не для получения точных оценок этих изменений. В России пока отсутствует положительный опыт применения моделей DSGE.
Группу моделей смешанного типа представляют балансовые модели с включением факторных функций (балансово-эконометрические). Перспективным является направление с построением смешанных моделей с элементами CGE, но опыта работы с такими моделями в России еще недостаточно.
Как было отмечено выше, модельный инструментарий по вполне объективным причинам не может обеспечить все потребности долгосрочного прогнозирования, включая потребность достоверного отражения всех взаимосвязей в числовой модели развития. Но вместе с тем сфера прогнозно-аналитических возможностей применяемых моделей достаточно широка.
Учитывая основные особенности различных групп моделей и специфику долгосрочного прогнозирования, в состав базовых положений по порядку применения модельного аппарата необходимо включить следующие рекомендации:
1. Совместное использование макромодели, модели отраслевых блоков и межотраслевых моделей, с постепенной детализацией системы зависимостей. Это отвечает принципу итеративности разработки прогноза, состоит в последовательном переходе от макроэкономики к мезоэкономике и обратно «от мезоэкономики к макроэкономике».
2. Использование при составлении прогноза комплекса факторных макроэкономических моделей, объединенных системой прямых и обратных связей (поскольку факторами одних моделей могут выступать результирующие переменные других моделей).
3. Исследование потенциально возможных шоков и их влияния на развитие российской экономики.
4. Использование наряду с балансовыми, структурными, эконометрическими и смешанными моделями также моделей, способных связать показатели технологического прогноза и инновационной деятельности с параметрами эффективности использования ресурсов.
5. Модификация модельного аппарата и методов прогнозирования при переходе к более далеким горизонтам прогнозирования.
По мере удаления расчетных лет за пределы среднесрочной перспективы снижается надежность модельных оценок на базе учета выявленных в прошлом закономерностей и «параметров» факторных влияний, повышается роль неформальных процедур, экспертных оценок в отношении параметров системных связей и гипотез в отношении альтернатив развития. При этом неизменным остается принцип балансового метода.
Более подробно описание выделенных моделей представлены в разделе II.
Моделирование как метод научного исследования
Сущность и целевое назначение моделирования
Определение 1
Моделирование – это метод, применяемый для изучения разного рода процессов и явлений, разработки вариаций принятия управленческих решений.
Моделирование осуществляется на основе построения моделей, которые являются заменителями реальных объектов, процессов и явлений. Методика предполагает описание структурного устройства, изучаемого объекта, его свойств и параметров, процесса его функционирования во времени и пространстве, а также характеристики особенностей развития.
Замечание 1
Построение моделей позволяет воспроизвести связи, характеристики, особенности функционирования, тенденции и динамику развития, исследуемых объектов, систем, явлений и процессов, проанализировать их текущее состояние, спланировать и составить прогноз последующего развития и принять рациональное решение, обосновать его и эффективно воплотить на практике.
Методика моделирования хороша тем, что она обеспечивает системный и целостный подход к исследованию, что положительно сказывается на разработке методов целостного управленческого воздействия, позволяет получить новые знания и усовершенствовать параметры, исследуемых объектов или процессов.
В процессе моделирования предполагается создание образцов, как внешнего строения объектов, например, каких-то предметов познания, так и их функциональной роли или логического назначения.
Моделирование осуществляется в двух основных формах:
- Предметное моделирование – разработка образцов, отождествляющих пространственно-временные, функциональные, структурные и иные параметры исследуемого объекта. При такой форме моделирования создаются именно научные образцы.
- Знаковое моделирование — демонстрация характеристик и признаков объекта, посредством применения символов, черчения графиков, построения схем. В этой форме создаются логические модели, наделенные математическими свойствами.
Рисунок 1. Моделирование. Автор24 — интернет-биржа студенческих работ
Готовые работы на аналогичную тему
Как и любой процесс, включенный в систему образования, моделирование начинается с постановки цели разработки модели. Она определяет дальнейшее содержание моделирования, выбор форм, методов и средств организации данного процесса. Структура модели, ее составные компоненты определяются целевым назначением той или иной модели.
Целевым назначением моделирования может быть:
- Проведение анализа и оценки реальных параметров, создаваемого проекта или существующей системы и выявление соответствия структуры модели действительным требованиям;
- Выявление параметров исследуемой системы или их усовершенствование;
- Определение способов рационального построения того или иного процесса, его грамотной и продуктивной организации;
- Проведение сравнительной характеристики противостоящих друг другу систем, имеющих идентичное функциональное назначение;
- Составление прогноза функционирования системы или объекта, исходя из предполагаемых условий, в которых будет протекать процесс;
- Проведение мониторинга восприимчивости факторов, оказывающих определенное воздействие на систему. При этом, важно выявить те факторы, которые оказывают на поведение системы большее воздействие и характеризуют ее продуктивность деятельности;
- Проведение оптимизации воздействующих на систему факторов, чтобы выявить оптимальные параметры ее эффективного функционирования.
Замечание 2
Для одного и того же объекта изучения может быть построено несколько моделей. Это объясняется тем, что в одной модели оптимально можно воплотить лишь определенные свойства или их группу, которые являются наиболее важными для данного объекта или процесса.
Классификация моделей, применяемых в педагогике
Модели научного исследования могут быть классифицированы по различным основаниям. Если модель выбирается, исходя из ее целевого назначения, то она может быть:
- Моделью-заменителем –заменять натуральный объект для удобства изучения;
- Моделью-представлением – давать общее представление об устройстве и параметрах исследуемого объекта;
- Моделью-интерпретацией – давать толкование объекта в виде его модели;
- Моделью-исследованием – изучение процесса или объекта, посредством применения модели.
Существует и иная классификация моделей, определяющая их целевое назначение:
- Понятийная модель – содержащая комплекс знаний об исследуемом объекте в виде утверждений, положений;
- Образная модель – отождествляет стороны, элементы, взаимосвязи объектов в разнообразных формах;
- Математическая модель – характеризует внутренние и внешние процессы объекта в формульном представлении;
- Физическая модель – отображает пространственные представления о структуре и функциях объекта.
В педагогике особенно актуальным является применение двух видов моделей:
- Статические модели – дают представление об объекте в определенный временной период.
- Динамические модели – демонстрируют изменение состояния объекта, обусловленные временными преобразованиями. Такая модель может выступать отражением стадий развития того или процесса или объекта.
Функциональное назначение моделирования
Процесс моделирования выполняет следующие основные функции:
- Дескриптивная функция – создание образцов, идентичных реальным процессам, системам и явлениям дает представление о мироустройстве в более полном виде и позволяет объяснить все процессы и явления, выявить их особенности функционирования. По сути это еще и познавательная функция.
- Прогностическая функция – составление прогнозов дальнейшего развития, исследуемых процессов, явлений, систем, объектов. Моделирование открывает возможности определения и планирования будущего поведения объектов в различных обстоятельствах.
- Нормативная функция – определяет возможности построения нормативного образа объекта т.е. отражает то, как должен выглядеть объект в идеале, какими параметрами обладать, отражая предпочтения исследователя или образовательной системы в целом.
|
|
Моделирование
Моделирование — метод познания окружающего мира, который можно отнести к общенаучным методам, применяемым как на эмпирическом, так и на теоретическом уровне познания. При построении и исследовании модели могут применяться практически все остальные методы познания.
Под моделью (от лат. modulus — мера, образец, норма) понимают такой материальный или мысленно представляемый объект, который в процессе познания (изучения) замещает объект-оригинал, сохраняя некоторые важные для данного исследования типичные его черты. Процесс построения и использования модели называется моделированием.
В системном анализе моделирование рассматривается как основной метод научного познания, связанный с совершенствованием способов получения и фиксации информации об изучаемых объектах, а также с приобретением новых знаний на основе модельных экспериментов. Сегодня большинство моделей разрабатывается с использованием компьютерной техники и компьютерных технологий, такие модели разрабатываться с помощью программ или сами могут выступать в качестве программы.
При построении модели исследователь всегда исходит из поставленных целей, учитывает только наиболее существенные для их достижения факторы. Поэтому любая модель нетождественна объекту-оригиналу и, следовательно, неполна, поскольку при ее построении исследователь учитывал лишь важнейшие с его точки зрения факторы.
Самым важным и наиболее распространенным предназначением моделей является их применение при изучении и прогнозировании поведения сложных процессов и явлений. Следует учитывать, что некоторые объекты и явления вообще не могут быть изучены непосредственным образом. Другое, не менее важное, предназначение моделей состоит в том, что с их помощью выявляются наиболее существенные факторы, формирующие те или иные свойства объекта, поскольку сама модель отражает лишь некоторые основные характеристики исходного объекта, учет которых необходим при исследовании того или иного процесса или явления. Модель позволяет научиться правильно управлять объектом путем апробирования различных вариантов управления. Использовать для этого реальный объект часто бывает рискованно или просто невозможно. Если свойства объекта с течением времени меняются, то особое значение приобретает задача прогнозирования состояний такого объекта под действием различных факторов.
Цель моделирования диктует, какие стороны оригинала должны быть отражены в модели. Различным целям соответствуют разные модели одного и того же объекта.
Модели могут строиться средствами мышления (абстрактные модели) либо средствами материального мира (реальные модели). Особое место среди абстрактных моделей занимают языковые модели. Неоднозначность, расплывчатость естественного языка, столь полезная во многих случаях, может мешать в некоторых видах практики. Тогда создаются более точные (профессиональные) языки, целая иерархия языков, все более и более точных, завершающаяся идеально формализованным языком математики.
Модель
Идеальные и материальные модели
Процесс моделирования
Процесс математического моделирования
Статья «Моделирование» на википедии
На главную страницу
4.2 Выбор метода и процесс моделирования метода
4.2 Выбор метода и процесс моделирования метода4.2 Выбор метода и процесс моделирования метода
Перед анализом и описанием требований к метамоделированию Языки мы сначала проясним наш метод исследования. Обсуждаем, как методы ISD были выбраны для исследования, как они были смоделированы и как они были адаптированы в инструмент моделирования. Каждый из этих шагов описан ниже. подразделы более подробно.4.2.1 Выбор методов исследования
При выборе методов ISD мы использовали несколько критериев. Во-первых, мы выбрали известные или широко используемые методы. Этот критерий гарантирует, что конструкции метамоделирования необходимы для моделирования большей части методы, используемые сегодня. Во-вторых, потому что мы фокусируемся на представлении знаний о методах в инструменты моделирования, только те методы, которые могут поддерживаться через инструменты компьютерного моделирования были выбрано [16]. Фактически, выбранные методы уже поддерживается другой компьютерной средой, либо в инструмент CASE, зависящий от метода, или в среде metaCASE.Наличие инструмента поддержка также показывает, что выбранные методы известны, и что они имеют пользователей. Иначе вряд ли были бы доступны такие инструменты.
В-третьих, основным критерием выбора метода было:
найти набор методов ISD, которые представляют различные подходы и использовать
различные виды концептуальных структур. Этот критерий выбора гарантирует, что
выявленные конструкции метамоделирования действительны для самых разных методов,
не только, например, для моделирования объектно-ориентированных методов.Следовательно
выбранные методы включают методы моделирования данных, методы планирования ИБ,
методы структурированного проектирования и анализа, объектно-ориентированные методы и бизнес
методы моделирования. Относительно большое количество объектно-ориентированных методов
можно объяснить тем, что они включают в себя больше техник и
более богатые концептуальные структуры, чем другие методы (Росси и Бринкемпер, 1996). В качестве
как следствие, ожидается, что моделирование объектно-ориентированных методов будет
требуют использования более мощных языков метамоделирования.В таблице 4-1 представлены
краткое изложение выбранных методов вместе с их индивидуальным моделированием
техники (т.е. каждый метод, состоящий из одного или нескольких приемов).
ТАБЛИЦА 4-1 Методы, выбранные для метамоделирования.
|
Анализируемые методы |
Индивидуальные методики |
|
Модель деятельности (Goldkuhl 1992,
1989) |
Модель деятельности Цель
список Список проблем |
|
Деметра (Либерхерр и др.1994) |
Деметр |
|
BON, нотация бизнес-объектов (Walden
and Nerson, 1995) |
Системная диаграмма Кластер
График График событий Сценарий
диаграмма диаграмма создания статическая
модель Динамическая модель |
|
BSP, Планирование бизнес-систем (IBM
1984) |
Таблица проблем Процесс / объект
матрица Процесс / организация
матрица Процесс / система
матрица Система / объект
матрица Матрица системы / организации |
|
ЭКСПРЕСС (ISO 1991) |
ЭКСПРЕСС-G |
|
Fusion (Coleman et al.1994) |
Модель объекта Эксплуатация
модель Объект-взаимодействие
график Видимость
график График наследования |
|
IDEF, определение интеграции (Росс и
Schoman 1977, FIPS 1993a, 1993b) |
IDEF0 IDEF1 IDEF3 |
|
ISAC, Работа информационных систем и анализ изменений
(Lundeberg et al.1981, Лундеберг 1982) |
A-график I-график Проблема
стол Таблица проблем
групп Таблица потребностей для
изменения Таблица интересов
группы C-график D-график |
|
JSD, Разработка системы Джексона
(Джексон 1976, Кэмерон 1989) |
Схема структуры данных Программа
структурная схема |
|
ОМТ, Методика объектного моделирования
(Rumbaugh et al.1991) |
Диаграмма классов Поток данных
диаграмма Переход между состояниями
диаграмма Вариант использования модели |
|
OOA / OOD, объектно-ориентированный анализ и дизайн
(Коад и Йордон 1991a, 1991b) |
Диаграмма объекта Диаграмма перехода состояний
Сервисная карта |
|
Моисей (Хендерсон-Селлерс и Эдвардс
1994) |
Модель O / C Событие
модель Модель наследования |
|
OODA, объектно-ориентированный дизайн (Booch
1994) |
Диаграмма классов Переход между состояниями
Схема Схема объекта Модуль
Схема Схема процесса |
|
OODLE, объектно-ориентированный язык дизайна
(Шлаер и Меллор 1992) |
Информационная модель Государственная
модель Действие потока данных
диаграмма Доступ к объекту
модель Рабочий стол |
|
OSA, Объектно-ориентированные системы
Анализ (Embley et al.1992) |
Объект-отношения
модель Объект-поведение
модель Диаграмма взаимодействия объектов |
|
SA / SD, Структурный анализ и проектирование
(Гейн и Сарсон 1979, Йордон 1989a, Уорд и Меллор
1985) |
Диаграмма передачи данных Диаграмма передачи данных RT
Отношения с юридическими лицами
Диаграмма Структурная диаграмма Состояние
схема переходов |
|
UML, унифицированный язык моделирования (Booch
и Rumbaugh 1995, Booch et al.1996 г., Booch et al. 1997) |
Диаграмма классов Вариант использования
Схема Эксплуатация
стол Сотрудничество
диаграмма Состояние
диаграмма Композитный
диаграмма Компонент
Диаграмма Диаграмма развертывания |
4.2.2 Процесс метамоделирования
Структура процесса метамоделирования кратко изложена в
Рисунок 4-1.Вселенная дискурса — это вселенная выбранных методов в
отличие от моделирования «реального мира». Каждый метод был проверен и
смоделирована с использованием языка метамоделирования в инструменте metaCASE. Итог
усилия по метамоделированию, то есть созданная метамодель, была адаптирована в инструмент
окружающей среды и подтверждено опробованием метода в системном моделировании.
РИСУНОК 4-1 Структура моделирования метода.
Как и любая задача моделирования, метамоделирование определяется числом
целей.В нашем случае метамоделирование основывалось на контент-анализе
опубликованная методическая литература. Мы старались как можно точнее следить за
описания методов, приведенные в справочниках (см. Таблицу 4-1), а не
слегка отклоняясь, чтобы лучше соответствовать предполагаемой ситуации использования. Анализ содержания
можно определить как процесс идентификации, кодирования и категоризации основных
закономерности в данных (Patton 1990). В нашем исследовании метамоделирования релевантные данные о
методы были впервые собраны и идентифицированы с помощью методической литературы.В
методическая литература в основном описывает концепции, языки, обозначения и
возможные требования в построении инструментальной поддержки метода. Во-вторых, данные
был разделен на отдельные типы, что позволило упростить и систематизировать
концептуальная структура методов. В нашем случае классификация была основана на
языки метамоделирования. Естественно, что язык метамоделирования с заданным
Схема классификации ограничивает наш взгляд на методы. В-третьих, методы были
максимально полно задокументированы с помощью метамоделей.
Другой целью задачи метамоделирования была
товарищество метод-инструмент: задача метамоделирования проводилась путем изучения того, как
выбранные методы могут поддерживаться инструментом. Таким образом, метамодели были
«Исполняемый» и реализованный в инструменте моделирования (см. Раздел
4.2.3).
Фактическое моделирование метода проводилось в два этапа. В На первом этапе, зима 1992-1993 гг., мы проанализировали набор методов и разработали набор предварительных метамоделей (описанных в Tolvanen and Rossi 1996).Секунда фаза проходила в 1995-1996 гг., когда мы проанализировали и смоделировали те же методы в Подробнее. Таким образом, мы дважды смоделировали методы. В первом туре мы ограничили наше внимание моделированием отдельных техник и их концептуальных структур, тогда как на втором этапе мы сосредоточились на интеграции методов, т.е. как различные методы могут быть объединены, чтобы сформировать «единый» метод. Из-за нашего интереса к методам, поддерживаемым инструментами, мы применили два метамоделирования. языки, поддерживаемые инструментами metaCASE, OPRR (Welke 1988, Smolander 1992) и ГОПРР (Marttiin et al.1995, Келли и др. 1996) соответственно [17]. Эти языки метамоделирования были применены из-за поддержки инструментов, доступных для метамоделирования и тестирования метамодели (см. раздел 4.2.3), потому что они относительно хорошо преуспели в упражнение по метамоделированию (см. раздел 3.3), и потому что наше собственное метамоделирование опыт был в основном с этими языками.
При моделировании метода выделен следующий набор
задач, связанных с метамоделированием OPRR (Tolvanen and Lyytinen 1993) и GOPRR
должен следовать.Эти задачи, примененные в нескольких успешных попытках метамоделирования
(см. Толванен и Литинен 1993, Росси и Бринкемпер 1996, Хиллегерсберг и др.
al. 1998), более подробно рассматривается процесс классификации
контент-анализ в адаптации к метамоделированию. Этими задачами являются:
1) Обозначение приемов в методе. Потому что
каждый метод может состоять из одного или нескольких методов, которые нам сначала нужно идентифицировать
(как указано в Таблице 4-1).Чаще всего метод ISD предлагает ряд отдельных
техники с разными концепциями и вспомогательными обозначениями, но техника может
также включают концепции, общие с другими методами. Например, в
Embley et al. (1992) объектно-поведенческая модель (используется для описания жизненного цикла
одного объекта через переходы состояний) может включать взаимодействие
отношения, которые также применяются в моделях объектного взаимодействия. Некоторые
методы также могут быть подмножествами других более богатых и сложных техник в
тот же метод.Например, в Fusion (Coleman et al. 1994) и в MOSES
(Хендерсон-Селлерс и Эдвардс, 1994) граф наследования включает только подмножество
концепций, используемых в объекте
модель.
2) Идентификация типов объектов.
Моделирование индивидуальной техники начинается с решения, какой именно
типы объектов (или сущностей), которые распознает техника. Типы объектов можно определить как
основные элементы техники, которые могут существовать независимо от других типов в
техника.Примеры типов объектов на диаграмме потока данных:
«Процесс», «магазин» и
‘внешний’.
3) Определение свойств для каждого объекта
тип. Каждый тип объекта имеет от нуля до многих свойств, характеризующих объект.
экземпляры типа. Поскольку типы объектов обычно составляют большую часть
свойства техники и свойства могут быть общими с другими типами (Росси
и Brinkkemper 1996), эта задача выделена в отдельную задачу.Идентификация свойств, принадлежащих к типам, отличным от типов объектов,
обсуждается в задаче 6. Примерами типов свойств являются «идентификатор» и
«Имя» для типа объекта «процесс».
Следует отметить, что в GOPRR тип свойства может иметь
внутренняя структура, ограничение идентичности и локальное имя. Например,
тип свойства «операции» относится к типу данных сбора, и
относится к типу объекта «операция», который он содержит.Этот объект
type, в свою очередь, состоит из других типов свойств, таких как «операция
name »и« возвращаемый тип »(см. рис. 3-11). В добавление к
определяя набор типов свойств, один из них может быть определен как идентифицирующий
тип недвижимости. В GOPRR идентифицирующее свойство определяет, какой тип свойства
используется как название типа, не являющегося объектом собственности. Например, имя класса приходит
от типа свойства «имя класса», а не, например, это
атрибуты (т. е. тип свойства «атрибуты»).При прикреплении к
не свойства, тип свойства может быть переименован в контексте прикрепленного
неимущество. Это позволяет определять разделение собственности между типами, не являющимися собственностью:
экземпляры двух или более типов, не являющихся свойствами, могут ссылаться на одно и то же свойство
ценности (см. Kelly 1997).
4) Установление родственных связей. Типы объектов
связаны друг с другом несколькими типами отношений. Эта задача
занимается идентификацией тех типов отношений, которые связывают объект
типы.Примерами типов отношений являются «поток данных» в потоке данных.
диаграмма и «наследование» в диаграмме классов. Следует отметить, что
они не могут быть определены как тип объекта в GOPRR, потому что это приведет к
неправильные определения методов: в контексте диаграмм потоков данных это могло бы
разрешить потоки данных, не связанные с процессами.
5) Определение ролей. После объекта и
были определены типы отношений, связи между этими типами должны быть
быть установленным.В применяемых нами языках метамоделирования эти связи
указывается с помощью типов ролей. Примеры типов ролей:
«Отправитель» и «получатель», подключенные к «данным»
тип отношения потока, а также «подкласс» и
«Суперкласс», связанный с отношениями «наследование»
тип.
6) Присвоение свойств типам отношений и
типы ролей. Как и в случае с типами объектов, типы отношений и ролей также могут иметь
характеристики.Обычно они могут быть назначены типам отношений или ролей после
идентифицированы все типы.
7) Определение метамоделей индивидуума
техника занимается установлением всех возможных связей между объектом,
типы отношений и ролей в единой технике. Подключения могут быть
далее указывается в зависимости от количества элементов: минимальное и максимальное количество
экземпляров типа роли, который может иметь экземпляр типа отношения.
8) Определение связей между отдельными
техника необходима для формирования единого метода. Таким образом, предыдущие шаги
проводится для каждой методики индивидуально. В целом эти связи определяют
взаимодействие между техниками в двух направлениях: горизонтальном и вертикальном
(Lyytinen et al. 1991). В горизонтальном направлении соединения или ограничения
между типами или экземплярами в разных техниках. Например,
хранилища данных в диаграммах потоков данных переопределяются для перекрестной проверки с ER
модели.Вертикальное направление относится к семантически эквивалентному связыванию.
описания на двух последовательных уровнях абстракции, например, подключение ER
модель с ее представлением в реляционной схеме или преобразование данных
блок-схему в структурную схему (Yourdon 1989a).
9) Определение представительской части
метод. Использование методов в инструментах моделирования требует спецификации
обозначений, таких как графические символы.Представления необходимы, потому что
описания, полученные с помощью этого метода, создаются, сравниваются и
передается людьми (Harel 1988). Соответственно, мы должны определить символы и
информация о расположении элементов метода. Примеры символов:
пузыри для процессов (Yourdon 1989a) и облако для классов (Booch 1991).
Примеры расположения включают размещение элементов по горизонтальной оси матрицы.
и рисование суперклассов над подклассами на диаграмме.Обычно
ожидается, что представления будут соответствовать типам, указанным в
метамодель (Venable 1993). Аспект представления в инструменте моделирования также
включает диалоговые окна, меню и панели инструментов: для использования в инструменте они должны быть
также определен для метода.
10) Анализ и оценка метамодели.
Поскольку спецификации методов в литературе часто противоречивы,
неоднозначный и неформальный. Есть несколько альтернативных способов моделирования метода.В
на этом этапе используются различные альтернативы моделирования или даже версии метамоделей.
проанализированы и оценены на основе имеющихся описаний методов и моделирования
инструменты, разработанные, чтобы гарантировать, что все знания о методе фиксируются в
метамодель. В то же время мы также обсуждаем ограничения метамодели и
указать конструкции для моделирования методов ISD более полно с помощью
язык метамоделирования.
Однако метамоделирование — это не такой простой процесс.
как описано выше.Скорее это итеративный процесс, в котором альтернативные способы
к моделированию знания апробируются, анализируются и сравниваются на основе
их результаты (Tolvanen and Lyytinen 1993). Например, когда несколько вариантов
для понимания и моделирования были доступны методы (например, из-за плохого или
неточное описание методов) мы часто пробовали несколько альтернатив. Этот
естественно привело к итерации между задачами метамоделирования и разработки и
тестирование множества версий метамоделей (минимум две версии каждой методики
были разработаны).Некоторые из этих альтернатив метамоделирования обсуждаются в
Раздел 4.3, в котором представлены метамодели трех методов. Также некоторые
части методов, уже смоделированных другими (например, в Olle et al. 1991,
Welke 1988, Brinkkemper 1990, Smolander 1992, ter Hofstede 1993, Venable 1993,
Hong et al. 1993, Kinnunen and Leppänen 1994, Marttiin et al. 1993, Эберт
и Зюттенбах 1997 г., Зюттенбах и Эберт 1997 г., Бух и Рамбо
1995) использовались для предложения альтернативных решений по метамоделированию и помощи в проверке достоверности
что все части знания метода были захвачены.
Хотя использованный индуктивный подход к исследованию позволяет нам, чтобы обобщить требования к языкам метамоделирования, это также поднимает некоторые проблемы. Первый касается выразительной силы избранных. языки метамоделирования (например, OPRR и GOPRR). Их предопределенная классификация схемы будут влиять на наш взгляд на методы. Во-вторых, языки метамоделирования прикладной метод не может описать все знания о методе. Однако эти части знания метода, которые мы не смогли классифицировать в соответствии с язык метамоделирования и, следовательно, не описанный в метамоделях, были записаны в дневник.Эти дополнительные описания были добавлены в метамодели как описания в свободной форме, а также частично обсуждаются в разделе 4.3, когда мы оценить метамодели. Фактически, большинство аспектов методов, которые не могли быть смоделированные обобщены как требования к языкам метамоделирования в Разделе 4.4. Поскольку инструменты основывались на разработанных метамоделях, эти несекретные аспекты методов не принимались во внимание во время инструментальная реализация.
4.2.3 Внедрение инструмента
Как упоминалось выше, моделирование метода включало изучение
как можно смоделировать выбранные методы и поддержать их с помощью инструмента моделирования.Следовательно, методы были адаптированы к двум инструментам metaCASE, названным MetaEdit.
(Смоландер и др. 1990, MetaCase 1994) и MetaEdit + (Келли и др. 1996,
MetaCase 1996a, 1996b). Под адаптацией мы понимаем представление данного метода.
в инструменте таким образом, что инструмент CASE может поддерживать задачи моделирования, такие как
предписано методом (Толванен и Лютинен, 1993). В выбранном метакейсе
инструменты адаптация относительно проста и понятна, поскольку метамодели
почти напрямую применим как спецификации метода в инструменте.
Однако важнее, чем поддержка инструмента, была
возможность проверки метамоделей. В каждой задаче моделирования отсутствие
соответствие между реальным миром и моделью поднимает вопрос
срок действия. Соответствие между методами ISD и метамоделями не исключение. В
В нашем случае метамоделирование, связанное с инструментами, предлагало механизмы для обеспечения эквивалентности
между метамоделями на уровне типа (то есть на уровне определения IRD) и системой
модели на уровне экземпляра (т.е. Уровень IRD) путем моделирования методом: каждый
элемент в модели должен иметь соответствующий элемент в метамодели. В этом
смысле, метамодели включают только те концепции, которые являются существенными и могут быть
поддерживается инструментом моделирования. Это также подтверждает, что метамодели таковы.
полная, насколько это возможно. Соответственно, примеры методов, показанные в следующих
разделы включают как определения уровня типа (т. е. метамодели), так и
некоторые описания уровня экземпляра (т.е. модели). Точно так же Wijers (1991) утверждает, что
что полные метамодели настолько сложны, что их полная проверка без
инструментальная поддержка неуправляема. Поддержка инструмента позволила нам проверить, что метамодели
были полными с точки зрения используемого языка метамоделирования, и чтобы делать запросы по
метамодели (например, какие отношения возможны между выбранными
объекты, какие свойства разделяют между собой элементы техники и т. д.). В
спецификации метода, описанные в следующем разделе, были разработаны
запрос метамоделей, которые хранились в репозитории.
[16] Исключенные методы обычно сосредотачиваются на ранних этапах ISD, таких как классная доска и мозговой штурм на основе методов. Точно так же методы, связанные с управлением проектами, настройкой менеджмент и т. д. исключены из нашего исследования.
[17] Эти языки обсуждается в Разделе 3.3.3, в приложении, и в Толванен и Росси (1996).
Агентное моделирование: методы и методы моделирования человеческих систем
Аннотация
Агентное моделирование — это мощный метод имитационного моделирования, который за последние несколько лет нашел применение в ряде приложений, включая приложения для решения реальных бизнес-задач.После краткого ознакомления с основными принципами агентного моделирования обсуждаются четыре области его применения с использованием реальных приложений: имитация потока, организационная симуляция, рыночная симуляция и диффузионная симуляция. Для каждой категории описывается и анализируется одно или несколько бизнес-приложений.
При моделировании на основе агентов (ABM) система моделируется как совокупность автономных субъектов, принимающих решения, называемых агентами. Каждый агент индивидуально оценивает свою ситуацию и принимает решения на основе набора правил.Агенты могут выполнять различные действия, соответствующие системе, которую они представляют, например, производить, потреблять или продавать. Повторяющиеся конкурентные взаимодействия между агентами — это особенность агентно-ориентированного моделирования, которое опирается на возможности компьютеров для исследования динамики, недоступной для чистых математических методов (1, 2). На простейшем уровне агент-ориентированная модель состоит из системы агентов и отношений между ними. Даже простая агентно-ориентированная модель может демонстрировать сложные модели поведения (3) и предоставлять ценную информацию о динамике реальной системы, которую она имитирует.Кроме того, агенты могут развиваться, позволяя проявиться непредвиденному поведению. Сложная ABM иногда включает нейронные сети, эволюционные алгоритмы или другие методы обучения, чтобы обеспечить реалистичное обучение и адаптацию.
ABM — это больше мышление, чем технология. Образ мышления ABM состоит из описания системы с точки зрения составляющих ее единиц. Ряд исследователей считают, что альтернативой ABM является традиционное моделирование дифференциальными уравнениями; это неверно, поскольку набор дифференциальных уравнений, каждое из которых описывает динамику одного из составляющих элементов системы, является агентно-ориентированной моделью.Синонимом ABM может быть микроскопическое моделирование, а альтернативой — макроскопическое моделирование. Поскольку образ мышления ABM начинает пользоваться значительной популярностью, сейчас хорошее время, чтобы пересмотреть, почему он полезен и когда следует использовать ABM. Это вопросы, которые рассматриваются в данной статье, сначала путем обзора и классификации преимуществ ABM, а затем путем предоставления различных примеров, в которых преимущества будут четко описаны. Что читатель сможет унести домой, так это четкое представление о том, когда и как использовать ПРО.Одна из причин, лежащих в основе популярности ABM, — это простота реализации: действительно, если кто-то услышал об ABM, легко запрограммировать агентную модель. Поскольку эту технику легко использовать, можно ошибочно думать, что ее легко освоить. Но хотя ABM технически проста, она также глубока в концептуальном плане. Эта необычная комбинация часто приводит к неправильному использованию ПРО.
Преимущества агентного моделирования.
Преимущества ABM по сравнению с другими методами моделирования можно описать в трех утверждениях: ( i ) ABM фиксирует возникающие явления; ( ii ) ABM обеспечивает естественное описание системы; и ( iii ) ABM гибкая.Однако ясно, что способность ABM справляться с возникающими явлениями — вот что движет другими преимуществами.
ABM фиксирует возникающие явления.
Эмерджентные явления возникают в результате взаимодействия отдельных сущностей. По определению, они не могут быть сведены к частям системы: целое больше, чем сумма ее частей из-за взаимодействия между частями. Возникающее явление может иметь свойства, не связанные со свойствами детали. Например, затор, возникающий в результате поведения и взаимодействия отдельных водителей транспортных средств, может двигаться в направлении, противоположном направлению движения автомобилей, которые его вызывают.Эта характеристика эмерджентных явлений затрудняет их понимание и предсказание: эмерджентные явления могут быть нелогичными. Многочисленные примеры нелогичных эмерджентных явлений будут описаны в следующих разделах. ABM по самой своей природе является каноническим подходом к моделированию эмерджентных явлений: в ABM один моделирует и моделирует поведение составляющих единиц системы (агентов) и их взаимодействия, фиксируя возникновение снизу вверх при запуске симуляции.
Вот простой пример возникающего явления с участием людей. Это игра, в которую легко играть с группой от 10 до 40 человек. Один просит каждого члена аудитории случайным образом выбрать двух человек, человека A и человека B. Затем один просит их двигаться, чтобы они всегда держали A между собой и B, чтобы A был их защитником от B. казалось бы, случайная мода, и скоро начнут спрашивать, зачем они это делают. Затем их просят переместиться так, чтобы они оставались между A и B (они — Защитники).Результаты поразительны: почти мгновенно вся комната взорвется, и все сгруппируются в тугой узел. Этот пример показывает, как простые индивидуальные правила могут привести к согласованному групповому поведению, как небольшие изменения в этих правилах могут иметь драматическое влияние на групповое поведение и как интуиция может быть очень плохим ориентиром для результатов, выходящих за рамки очень ограниченного уровня сложности. Коллективное поведение группы — явление возникающее. Используя простое моделирование на основе агентов (доступно на сайте www.icosystem.com/game.htm), в которой каждый человек моделируется как автономный агент, следующий правилам, можно фактически предсказать возникающее коллективное поведение. Хотя это простой пример, когда индивидуальное поведение не меняется со временем, ABM позволяет иметь дело с более сложным индивидуальным поведением, включая обучение и адаптацию.
Кто-то может захотеть использовать ABM, когда есть потенциал для эмерджентных явлений, то есть когда:
-
Индивидуальное поведение нелинейно и может быть охарактеризовано порогами, правилами «если-то» или нелинейной связью.С помощью дифференциальных уравнений сложно описать прерывистость в индивидуальном поведении.
-
Индивидуальное поведение проявляет память, зависимость от пути и гистерезис, немарковское поведение или временные корреляции, включая обучение и адаптацию.
-
Взаимодействия агентов неоднородны и могут создавать сетевые эффекты. Уравнения совокупного потока обычно предполагают глобальное однородное перемешивание, но топология сети взаимодействия может привести к значительным отклонениям от прогнозируемого поведения агрегата.
-
Средние не подойдут. Агрегированные дифференциальные уравнения имеют тенденцию сглаживать флуктуации, а не ABM, что важно, потому что при определенных условиях флуктуации могут усиливаться: система линейно устойчива, но нестабильна по отношению к большим возмущениям.
Интересно, что поскольку ABM порождает эмерджентные явления снизу вверх, возникает вопрос о том, что составляет объяснение такого явления. Более широкая повестка дня сообщества ABM состоит в том, чтобы отстаивать новый подход к социальным явлениям, не с точки зрения традиционного моделирования, а с точки зрения полного переопределения научного процесса.Согласно Эпштейну и Акстеллу (1), «[ABM] может изменить то, как мы думаем об объяснении в социальных науках. Что составляет объяснение наблюдаемого социального явления? Возможно, однажды люди интерпретируют вопрос «Можете ли вы объяснить это?» Как вопрос: «Сможете ли вы вырастить это?» ».
ABM обеспечивает естественное описание системы.
Во многих случаях ABM наиболее естественен для описания и моделирования системы, состоящей из «поведенческих» сущностей. Пытаетесь ли вы описать пробку, фондовый рынок, избирателей или то, как работает организация, ABM приближает модель к реальности.Например, более естественно описать, как покупатели перемещаются в супермаркете, чем придумывать уравнения, которые управляют динамикой плотности покупателей. Поскольку уравнения плотности являются результатом поведения покупателей, подход ABM также позволит пользователю изучать совокупные свойства. ABM также позволяет реализовать весь потенциал данных, которые компания может иметь о своих клиентах: панельные данные и опросы клиентов предоставляют информацию о том, что на самом деле делают реальные люди.Знание фактической корзины покупок клиента позволяет создать виртуального агента с этой корзиной для покупок, а не с плотностью людей с синтетической корзиной для покупок, вычисленной на основе усреднения данных о покупках.
Разница между бизнес-процессами и действиями — еще один пример того, насколько естественнее ABM. Бизнес-процесс — это абстракция, иногда полезная, с которой людям внутри организации часто трудно понять. ABM смотрит на организацию с точки зрения не бизнес-процессов, а деятельности, то есть того, что на самом деле делают люди внутри организации (рис.1).
Рис. 1.Иллюстрация бизнес-процесса и агентских представлений о бизнесе.
Эти два описания, конечно, должны быть взаимно согласованными. Описание бизнес-процесса фактически предоставляет разработчику модели полезную проверку согласованности. Однако когда дело доходит до заполнения, проверки и калибровки модели, сотрудникам внутри организации легче отвечать на вопросы о своей деятельности: они могут относиться к модели, потому что модели описывают их действия.
Кто-то может захотеть использовать ABM, когда описание системы с точки зрения деятельности составляющих ее единиц более естественно, например, когда:
-
Поведение людей не может быть четко определено через совокупные скорости перехода.
-
Индивидуальное поведение сложно. В принципе, с помощью уравнений можно сделать все, но сложность дифференциальных уравнений экспоненциально возрастает по мере увеличения сложности поведения. Описание сложного индивидуального поведения с помощью уравнений становится трудноразрешимым.
-
Действия — более естественный способ описания системы, чем процессы.
-
Проверка и калибровка модели на основе экспертной оценки имеет решающее значение. ABM часто является наиболее подходящим способом описания того, что на самом деле происходит в реальном мире, и эксперты могут легко «подключиться» к модели и получить чувство «собственности».
-
Стохастичность применяется к поведению агентов. С помощью ABM источники случайности применяются в нужных местах, в отличие от шумового члена, добавляемого более или менее произвольно к совокупному уравнению.
ABM гибкая.
Гибкость ABM можно наблюдать во многих измерениях. Например, в агентную модель легко добавить больше агентов. ABM также обеспечивает естественную основу для настройки сложности агентов: поведения, степени рациональности, способности учиться и развиваться, а также правил взаимодействия. Еще одним аспектом гибкости является возможность изменять уровни описания и агрегации: можно легко играть с агрегированными агентами, подгруппами агентов и отдельными агентами, с разными уровнями описания, сосуществующими в данной модели.Кто-то может захотеть использовать ABM, когда соответствующий уровень описания или сложности неизвестен заранее, и его поиск требует некоторых усилий.
Области применения.
Примеры возникающих явлений изобилуют в социальных, политических и экономических науках. Постепенно стало общепризнанным, что некоторые явления трудно предсказать или даже противоречить здравому смыслу. В контексте бизнеса ситуации, представляющие интерес, когда могут возникать новые явления, можно разделить на четыре области:
-
Потоки: эвакуация, движение и управление потоками клиентов.
-
Рынки: фондовый рынок, торговые роботы и программные агенты, а также стратегическое моделирование.
-
Организации: операционный риск и организационная структура.
-
Распространение: распространение инноваций и динамика внедрения.
Остальная часть статьи построена вокруг этих областей применения.
Потоки
Эвакуация.
Паническое бегство толпы, вызванное паникой, часто приводит к гибели людей, когда людей раздавливают или топчут.Такие явления могут возникать в опасных для жизни ситуациях, таких как пожары в многолюдных зданиях, или могут возникать из-за спешки за сиденьями, а иногда и без всяких причин. Недавние примеры включают панику в Хараре, Зимбабве, и на рок-концерте в Роскилле в Дании. Частота таких бедствий, по-видимому, увеличивается, поскольку растущая плотность населения в сочетании с более легким транспортом приводит к увеличению масштабов массовых мероприятий, таких как популярные концерты, спортивные мероприятия и демонстрации. Паникующие люди одержимы краткосрочными личными интересами, не контролируемыми социальными и культурными ограничениями.Снижение внимания в ситуациях страха также приводит к тому, что такие альтернативы, как боковые выходы, по большей части игнорируются. Кроме того, существует социальная инфекция, то есть переход от индивидуальной психологии к массовой, при которой люди передают контроль над своими действиями другим, что приводит к конформизму. Такое нерациональное пастушеское поведение часто приводит к плохим общим результатам, таким как опасная перенаселенность и более медленный побег, увеличение смертности или, в более общем плане, ущерба. С точки зрения агентов, коллективное паническое поведение — это возникающее явление, которое является результатом относительно сложного поведения на индивидуальном уровне и взаимодействий между людьми (гипнотический эффект, взаимное возбуждение изначального инстинкта, круговые реакции и социальная помощь).ПРО кажется идеально подходящей для получения ценной информации о механизмах и предпосылках паники и помех из-за несогласованности действий. Результаты моделирования (4, 5) предлагают практические способы минимизации вредных последствий таких событий и существования оптимальной стратегии ухода. Например, рассмотрим ситуацию пожарной лестницы в замкнутом пространстве: кинотеатр или концертный зал. Предположим, что доступен один выход. Как увеличить отток людей? Сужая проблему, можно спросить: каков эффект от установки колонны (столба) непосредственно перед выходом, слегка асимметрично (например, слева от выхода), примерно в 1 м от выхода? Интуитивно можно было подумать, что колонна замедлит отток людей.Однако ABM, подкрепленная реальными экспериментами, показывает, что колонка регулирует поток, что приводит к уменьшению количества травмированных людей и значительному увеличению потока, особенно если предположить, что раненые не могут двигаться и препятствовать потоку (4). Этот результат является примером контринтуитивного следствия возникающего явления: кому придет в голову поставить колонну перед аварийным выходом? ABM естественным образом фиксирует это возникающее явление (рис. 2).
Рис. 2.Агентное моделирование эвакуации при пожаре (живое моделирование доступно на сайте www.helbing.org). Люди представлены кружками, зелеными кружками — раненые. В симуляциях предполагается, что в комнате находится 200 человек. ( a ) Без столбца. ( b ) С колонкой, через 10 с. ( c ) С колонкой, через 20 с. При отсутствии колонны 44 человека убегают и 5 ранены через 45 с; с колонны сбегают 72 человека, и через 45 с никто не пострадал. После Helbing et al. (4).
Управление потоками.
Очевидным приложением ABM для управления потоками является трафик.Один из самых амбициозных проектов моделирования в этой области уже несколько лет осуществляется в Лос-Аламосской национальной лаборатории (LANL) (transims.tsasa.lanl.gov). Команда подразделения LANL по оценке технологий и безопасности разработала пакет программного обеспечения для моделирования дорожного движения для создания продуктов, которые можно использовать в городских агентствах по планированию по всей стране. Пакет ABM TRansportation ANalysis SIMulation System (TRANSIMS) предоставляет планировщикам синтетические модели повседневной активности населения (например, поездки на работу, в магазин, отдых и т. Д.)), моделирует движение отдельных транспортных средств в региональной транспортной сети и оценивает выбросы загрязняющих веществ в атмосферу, создаваемые движением транспортных средств. Информация о поездках извлекается из фактических данных переписи и обследований по конкретным районам в целевых городах, что дает более точное представление о передвижениях и распорядке дня реальных людей, когда они проводят целый день с различными доступными для них вариантами транспорта. TRANSIMS основан на (и вносит свой вклад в дальнейшее развитие) передовых программ компьютерного моделирования, разработанных Ливерморской национальной лабораторией для военных приложений.Модели TRANSIMS создают виртуальный мегаполис с полным представлением отдельных лиц региона, их деятельности и транспортной инфраструктуры. Поездки планируются таким образом, чтобы удовлетворить потребности людей в активности. Затем TRANSIMS моделирует движение людей по транспортной сети, включая использование ими транспортных средств, таких как автомобили или автобусы, на посекундной основе. Этот виртуальный мир путешественников имитирует путешествия и поведение реальных людей в этом регионе.Взаимодействие отдельных транспортных средств создает реалистичную динамику движения, на основе которой аналитики, использующие TRANSIMS, могут оценить выбросы транспортных средств и оценить общую производительность транспортной системы. В предыдущем планировании перевозок люди опрашивались об элементах их поездок, таких как пункты отправления, назначения, маршруты, время и используемые виды транспорта или виды транспорта. TRANSIMS начинает с данных о деятельности людей и поездках, которые они совершают для выполнения этой деятельности, а затем строит модель спроса со стороны домохозяйств и видов деятельности.Модель прогнозирует, как изменения в транспортной политике или инфраструктуре могут повлиять на эти действия и поездки. TRANSIMS пытается уловить все важные взаимодействия между подсистемами путешествий, такие как индивидуальные планы действий и загруженность транспортной системы. Например, когда поездка занимает слишком много времени, люди находят другие маршруты, пересаживаются с машины на автобус или , наоборот, , уезжают в разное время или решают не заниматься определенной деятельностью в данном месте.Кроме того, поскольку TRANSIMS отслеживает отдельных путешественников — места, маршруты, используемые виды транспорта и насколько хорошо выполняются их планы поездок, — он может оценивать альтернативы транспортировки и надежность, чтобы определить, кто может выиграть, а кто может пострадать от изменений в транспорте. В первоначальных тематических исследованиях для демонстрации первой версии TRANSIMS использовалась часть региона Даллас / Форт-Уэрт площадью 25 квадратных миль. Используя существующие зональные данные о производстве / достопримечательностях Далласа / Форт-Уэрта, мероприятия и планы на ≈3.5 миллионов путешественников были сгенерированы на часы с 5:00 до 10:00. Из этих планов те, кто попадает в исследуемый регион площадью 25 квадратных миль, использовались в качестве входных данных для модуля моделирования для сравнения двух изменений инфраструктуры относительно того, как каждый помогли облегчить заторы. Хотя обе альтернативы улучшили загруженность и поток вдоль автострады, неожиданным результатом стало то, что альтернатива улучшения местных артерий была лучше альтернативы добавления полос на автостраду с точки зрения надежности сети.Надежность сети — это мера ежедневной изменчивости времени в пути путешественников. Другими словами, если поездка на работу занимает от 10 до 30 минут, надежность сети низкая; если это занимает от 10 до 12 минут, надежность сети высока. Команда недавно смоделировала столичный регион Портленд, штат Орегон, модель, которая требует 120 000 ссылок и 1,5 миллиона путешественников, что на порядок больше, чем моделирование Далласа / Форт-Уэрта из 10 000 ссылок и 200 000 путешественников.Преимущества подхода ABM очевидны: лучшее и более эффективное планирование инфраструктуры, включая не только лучшую пропускную способность, но и соответствие требованиям с точки зрения выбросов, благодаря способности ABM улавливать и воспроизводить возникающие явления движения.
Еще одно применение ABM для управления потоками — моделирование поведения клиентов в тематическом парке или супермаркете. Коллективные шаблоны, генерируемые тысячами клиентов, могут быть чрезвычайно сложными по мере их взаимодействия: например, время ожидания у аттракциона в тематическом парке зависит от выбора других людей.Крупная курортная компания тематических парков думала о том, как улучшить адаптируемость графика работы, но знала, что это зависит от знания большего количества информации об оптимальном балансе вместимости и спроса. Акстелл и Эпштейн разработали ResortScape (13), агентную модель парка, которая дает целостную картину окружающей среды и всех взаимодействующих элементов, которые вступают в игру на таком курорте. Модель обеспечивает быстрый способ in silico для менеджеров определять, настраивать и наблюдать за воздействием любого количества рычагов управления, таких как:
-
Когда или нужно ли выключить конкретную поездку.
-
Как распределить аттракционы на душу населения по парковому пространству.
-
Каков допустимый уровень времени ожидания.
-
Когда продлевать часы работы.
В симуляции агенты представляют реалистичное и изменчивое сочетание элементов предложения (аттракционы, магазины, точки питания) и спроса (посетители с разными предпочтениями) дня в парке. Используя существующие ресурсы и данные, такие как опросы клиентов, исследования сегментации, таймеры очередей, счетчики посетителей, оценки посещаемости и показатели емкости, модель генерирует информацию о потоке гостей.Пользователи могут разрабатывать и запускать бесконечное количество сценариев для изучения динамики парковочного пространства, тестирования эффективности различных управленческих решений и отслеживания удовлетворенности посетителей в течение дня.
ABM особенно полезен в этом контексте, потому что отображение между предпочтениями и поведением агентов, с одной стороны, и производительностью парка (с точки зрения среднего времени ожидания, количества посещенных достопримечательностей, общего пройденного расстояния и т. Д.) На другой слишком сложен, чтобы его можно было решить с помощью математических методов и чисто статистического анализа данных.Почему отображение слишком сложное? Потому что, например, время, в течение которого данный клиент должен ждать у данного аттракциона, зависит от того, что делают другие клиенты, как они реагируют на различные условия в парке, каков их список желаний и т. Д. Поток клиентов в парке и деньги, которые они тратят, представляют собой «возникающие» свойства взаимодействия между клиентами и пространственной планировкой парка. Поэтому моделирование работы парка с заданной планировкой кажется единственным решением.ABM — самый естественный и простой способ описания системы, потому что действующими лицами этой системы являются заказчики (и влечения) с собственным поведением. Например, время ожидания в аттракционе тематического парка является результатом взаимодействия многих поведенческих единиц: клиентов. Наконец, данные, доступные разработчику модели, естественно структурированы для ABM: доступные данные представляют собой описание желаний и поведения ряда клиентов.
В том же духе Bilge, Venables и Casti разработали агентную модель супермаркета (www.simworld.co.uk) (6). SimStore — это модель настоящего британского супермаркета, магазина Sainsbury’s в Южном Руислипе в Западном Лондоне. Агенты в SimStore — это покупатели программного обеспечения, вооруженные списками покупок. Они ходят по кремниевому магазину, собирая товары с полок в соответствии с такими правилами, как принцип ближайшего соседа: «Где бы вы сейчас ни были, идите туда, где находится ближайший товар в вашем списке покупок». Используя эти правила, SimStore генерирует пути, по которым идут клиенты, на основе которых он может рассчитать плотность клиентов в каждом месте.
Также можно связать все точки, которые посещают, скажем, не менее 30% клиентов, чтобы сформировать наиболее популярный путь. Затем алгоритм оптимизации может изменить расположение различных товаров в супермаркете и, таким образом, минимизировать или максимизировать длину среднего пути совершения покупок. Покупатели, конечно, не хотят терять время, поэтому им нужен кратчайший путь. Но менеджер магазина хотел бы, чтобы они проходили почти у каждой полки, чтобы стимулировать импульсивные покупки. Таким образом, существует динамическое напряжение между минимальной и максимальной траекториями покупок.Первоначально эта модель была нацелена на то, чтобы помочь Sainsbury’s модернизировать свои магазины, чтобы увеличить поток покупателей, сократить запасы и сократить время нахождения продуктов на полках.
Macy’s — это сеть универмагов, использующая ABM (7). В 1997 году компания Macy’s East обратилась в PricewaterhouseCoopers со следующим вопросом: «Как мы узнаем, что у нас есть нужное количество продавцов в торговом зале?» По словам ветеранов отрасли, розничный бизнес — это бизнес средних, где анализ проводится в виде таблиц.Это бизнес, в котором объем продаж в час является определяющим фактором при распределении продавцов, а количество продавцов, размещаемых в торговом зале, основывается на скорости продаж, прогнозируемой на конкретный день. И все же реальное поведение — это результат взаимодействия между людьми, а не усредненных значений. С помощью ABM у Macy’s появилась возможность использовать визуализацию для просмотра данных таким образом, чтобы они становились информативными и приводили к решениям. Средние значения данных в электронных таблицах можно использовать для оценки распределения индивидуального поведения, чтобы отдельные агенты в моделировании соответствовали имеющимся реальным данным.Но поскольку агенты представляют людей, реальный ход их поведения может быть гораздо более реалистичным и информативным. Таким образом, вместо того, чтобы делать оценки сверху вниз, Macy’s может наблюдать, как объем на самом деле происходит снизу вверх. Виртуальный магазин может быть изменен с точки зрения планировки (полки, положения кассовых аппаратов, ворот и т. Д.) И количества сотрудников в каждом отделе, чтобы увидеть, как эти изменения влияют на эмоциональное состояние большого числа агентов. Затем можно исследовать пространство рычагов, чтобы максимально рентабельно увеличить количество довольных клиентов.Результаты модели включают наблюдение «микровзрывов» спроса, когда клиенты могут делать «покупки в рамках проекта» (например, покупают одежду и затем дополняют ее), важность близости к предметам (физическое размещение, а также привязанность к бренду. ), что помогает стимулировать импульсивные покупки.
Рынки
Динамика фондового рынка является результатом поведения многих взаимодействующих агентов, приводя к возникающим явлениям, которые лучше всего понять, используя восходящий подход — ABM.В последние несколько лет наблюдается всплеск интереса к агентным моделям рынков, стимулируемый новаторской работой Артура и его коллег (8, 9). Одно коммерческое приложение было разработано Bios Group для фондовой биржи Национальной ассоциации торговцев ценными бумагами (NASDAQ) (www.cbi.cgey.com/journal/issue4/features/future/future.pdf). В 1997 году фондовый рынок NASDAQ собирался осуществить серию, по-видимому, небольших изменений: уменьшение размера тика с 1/8 до 1/16 и так далее до гроша.NASDAQ очень внимательно рассматривает изменения в торговой политике: NASDAQ может очень много потерять, если новое правило вызовет негативный отклик со стороны инвесторов, маркет-мейкеров и эмитентов в масштабах всей сети. В прошлом руководители NASDAQ анализировали финансовый рынок с помощью экономических исследований, финансовых моделей и отзывов участников рынка. Комитет по качеству рынка устанавливает правила в значительной степени благодаря вкладу экономистов, юристов, лоббистов и политиков.
Чтобы оценить влияние сокращения размера тиков, NASDAQ использовала агентную модель, которая имитирует влияние регуляторных изменений на финансовый рынок в различных условиях.Модель позволяет регулирующим органам тестировать и прогнозировать эффекты различных стратегий, наблюдать за поведением агентов в ответ на изменения и отслеживать развитие событий, обеспечивая заблаговременное предупреждение о непредвиденных последствиях недавно введенных правил быстрее, чем в режиме реального времени, и без риска раннего тестирования в реальном времени. рынок. В агентской модели NASDAQ маркет-мейкер и агенты инвесторов (институциональные инвесторы, пенсионные фонды, дневные трейдеры и случайные инвесторы) покупают и продают акции, используя различные стратегии.Доступ агентов к информации о ценах и объемах примерно такой же, как на реальном рынке, и их поведение варьируется от очень простых до сложных стратегий обучения. Нейронные сети, обучение с подкреплением и другие методы искусственного интеллекта использовались для создания стратегий для агентов. Этот творческий элемент важен, потому что регуляторы NASDAQ особенно заинтересованы в стратегиях, которые еще не были обнаружены участниками реального рынка, чтобы снова приблизиться к своей цели по разработке регулирующей структуры с как можно меньшим количеством лазеек, чтобы предотвратить злоупотребления со стороны коварных игроков.
Модель дала неожиданные результаты. В частности, моделирование предполагает, что уменьшение размера тика рынка может снизить способность рынка выполнять определение цены, что приводит к увеличению спреда спроса и предложения. Увеличение спреда в ответ на уменьшение размера тика противоречит здравому смыслу, поскольку размер тика является нижней границей спреда. Первоначально считалось, что внедрение десятичной дроби будет способствовать более узкому спреду, уменьшая расхождение между заявками и ценами предложения.В целом десятичное представление считалось очень эффективным и действенным. Среди профессионалов рынка бытует мнение, что обеспечение большей детализации ценового обозначения полезно для инвесторов, поскольку оно способствует конкуренции между покупателями и продавцами, которые могут вести переговоры на более точных условиях, и, таким образом, снижает спрэд рынка, что приводит к более выгодным ценам на товары и услуги. инвесторы. Эту мудрость сложно проверить эмпирически: сложность рыночного поведения делает выделение причины и следствия весьма проблематичным.Без компьютерного моделирования разработчики правил вынуждены прибегать к интуитивному и недостаточно подробному аргументу, оценивая взаимодействие на рынке только по одному критерию: конкуренции (и, следовательно, по цене). Остались без внимания другие аспекты проблемы: если доступны более выгодные цены, выиграют ли только мелкие инвесторы или крупные инвесторы тоже выиграют? Сделают ли меньшие размеры тиков рынок более нервным и нестабильным?
Табличная модель или даже системная динамика (10) (популярный метод бизнес-моделирования, использующий наборы дифференциальных уравнений) не смогли бы дать такого же глубокого понимания, как ABM, потому что поведение рынка возникает из взаимодействия игроков, которые, в свою очередь, могут изменить свое поведение в ответ на изменения на рынке.Взаимодействие между инвесторами, маркет-мейкерами и правила работы фондовой биржи NASDAQ делают динамику всей системы довольно трудной для понимания. Прогнозирование того, как это изменится в соответствии с новым набором операционных правил, не может основываться на интуиции или классических методах моделирования, поскольку они не подходят для описания сложности поведения агентов фондового рынка. Например, соотношение между размером тика и спредом можно понять, только приняв во внимание детали поведения инвесторов и маркет-мейкеров для моделирования процесса определения цены.
Фондовые рынки — не единственные рынки, которые можно лучше понять с помощью ABM. Например, такой подход может принести пользу аукционам. Действительно, электронные двойные аукционы с использованием интеллектуальных агентов сегодня имеют множество применений. eBay использует интеллектуальных агентов, позволяющих клиентам автоматизировать процесс торгов, но их можно было бы сделать гораздо более сложными, используя ABM для тестирования различных поведений роботов. Разработка интеллектуальных агентов с желаемыми совокупными свойствами может оказаться «приложением-убийцей», которое сделает кибер-мир предпочтительной средой для экономических транзакций.Shopbots — это интернет-агенты, которые автоматически ищут информацию, касающуюся цены и качества товаров и услуг. По мере того как распространенность торговых роботов в электронной коммерции увеличивается, результирующее сокращение экономических трений из-за снижения затрат на поиск может кардинально изменить поведение рынка. Некоторые предсказывают, что интеллектуальные агенты в конечном итоге преобразуют наш мир, что означает, что они могут торговать информацией, собирать информацию, переводить информацию и проводить для нас всевозможные переговоры в будущем.В конечном итоге транзакции между экономическими программными агентами будут составлять существенную и, возможно, даже доминирующую часть мировой экономики. Заманчиво предположить, что те же механизмы могут быть успешно применены к программным агентам. Но нужно быть очень осторожным с внедрением агентской технологии, поскольку агенты ведут себя так, как это все еще плохо изучено. Например, на аукционе с участием всех агентов цены имеют тенденцию расти, достигают пика, а затем внезапно резко падают, прежде чем тот же процесс начнется снова.Кепхарт из IBM и его коллеги изучают потенциальное влияние торговых роботов на динамику рынка, моделируя и анализируя агентную модель экономики торговых роботов, которая включает представления покупателей и продавцов программным агентом (11). Их модель похожа на те, которые изучаются экономистами, интересующимися, например, феноменом разброса цен, с различными исходными допущениями и методологией: здесь цель состоит в том, чтобы спроектировать экономических программных агентов, а не «просто» объяснить человеческие экономические факторы. поведение.В частности, они изучали агентскую экономику, в которой (–) затраты на поиск нелинейны; ( ii ) некоторая часть покупателей не использует механизмы поиска; и ( iii ) торговые роботы экономически мотивированы, они стратегически оценивают свои информационные услуги так, чтобы максимизировать свою прибыль. В этих условиях они обнаружили, что рынки могут демонстрировать множество ранее не наблюдаемых динамических моделей поведения, включая сложные лимитные циклы и сосуществование нескольких стратегий поиска покупателей.Робот-бот, взимающий с покупателей плату за информацию о ценах, может манипулировать рынками в своих интересах, иногда непреднамеренно принося пользу покупателям и продавцам.
Те же методы ABM, которые используются для изучения фондового рынка или коллективного поведения торговых роботов, могут быть применены в ситуациях, когда есть много агентов, играющих в экономические игры. Это «теория игр без теории». Теория игр — отличная основа, но теоретики игр страдают от наложенных на себя ограничений: способность доказывать теоремы накладывает серьезные ограничения на то, что возможно.В частности, любая реальная ситуация может оказаться за пределами досягаемости теории. Аксельрод (2) утверждает, что агентно-ориентированная теория игр — единственный путь вперед.
Команда Icosystem Corporation смоделировала рынок интернет-провайдеров (ISP) с помощью ABM (www.icosystem.com). Агенты используются для представления как интернет-провайдеров, так и их клиентов. Каждый интернет-провайдер является агентом, а каждый клиент — агентом. Предложения интернет-провайдеров соответствуют потребностям и ожиданиям клиентов; клиенты принимают решения (принять, уйти или переключиться) в зависимости от соответствия между их профилями и профилями интернет-провайдеров.Одним из атрибутов интернет-провайдеров, среди многих других, является то, сколько они ежемесячно взимают за свои услуги. Интернет-провайдеры, которые не зарабатывают достаточно денег, устраняются в соответствии с «эволюционной» динамикой; те, которые успешны, порождают подражателей (то есть интернет-провайдеров с аналогичными бизнес-моделями), а также тонко настраивают свои собственные бизнес-модели. ABM дала два важных результата: ( i ) Она открыла для себя бизнес-модель бесплатного интернет-провайдера (без ежемесячной платы). ( ii ) Он предсказал нестабильность бизнес-модели бесплатного интернет-провайдера: первый бесплатный интернет-провайдер, который появляется в симуляции, отличается от пакета тем, что предоставляет услуги без взимания ежемесячной платы и зарабатывает деньги на рекламе.Эти два свойства возникают из динамики взаимодействия между интернет-провайдерами через рынок. Поскольку интернет-провайдеры учатся и развиваются, было бы трудно получить это понимание, используя другие методы моделирования.
Организации
Перспективной областью применения ABM является организационное моделирование (12). Совершенно очевидно, что можно смоделировать возникающее коллективное поведение организации или части организации в определенном контексте или на определенном уровне описания.По крайней мере, процесс моделирования дает ценную качественную информацию. Но в некоторых случаях можно также генерировать полуколичественные идеи. Хорошей иллюстрацией этого является агентная модель операционного риска (www.businessinnovation.ey.com/events/pubconf/2000–04-28/ec5transcripts/BonabeauNivollet.pdf) (13).
Человеческая организация часто подвержена операционному риску. Рассмотрим финансовые учреждения. Операционный риск возникает из-за того, что неадекватные информационные системы, операционные проблемы, нарушения внутреннего контроля, мошенничество или непредвиденные катастрофы приведут к непредвиденным убыткам.Согласно Базельскому комитету по банковскому делу, операционный риск включает сбои во внутреннем контроле и корпоративном управлении, которые могут привести к финансовым потерям из-за ошибок, мошенничества или несвоевременной работы или привести к ущемлению интересов банка в других сферах. Таким образом, например, его дилеры, кредитные сотрудники или другой персонал превышают свои полномочия или ведут дела неэтичным или рискованным образом. Это все чаще рассматривается как самый важный риск, с которым сталкиваются банки.Примеры крупных операционных убытков включают Daiwa, Sumitomo, Barings, Salomon, Kidder Peabody, Orange County, Jardine Fleming, а в последнее время — NatWest Markets, Common Fund или Yamaichi. Хотя большинство банков разработали эффективные, а иногда и изощренные способы борьбы с рыночным риском и, в значительной степени, с кредитным риском, они все еще находятся на ранних стадиях разработки системы измерения и мониторинга операционного риска. В отличие от рыночного и кредитного риска, факторы операционного риска в значительной степени являются внутренними для организации, и четкой математической или статистической связи между отдельными факторами риска и размером и частотой операционных убытков не существует.Опыт с крупными убытками встречается нечасто, и многим банкам не хватает временных рядов исторических данных об их собственных операционных убытках и их причинах. Неопределенность в отношении того, какие факторы являются важными, возникает из-за отсутствия прямой связи между обычно определяемыми факторами риска (измеряемыми с помощью рейтингов внутреннего аудита, самооценки внутреннего контроля на основе таких показателей, как объем, текучесть, уровень ошибок и волатильность доходов) и размер и частота убытков. Это контрастирует с рыночным риском, когда изменения цен оказывают легко вычисляемое влияние на стоимость торгового портфеля банка, и с кредитным риском, когда изменения кредитного качества заемщика часто связаны с изменениями в разнице процентных ставок по обязательствам заемщика. по безрисковой ставке.Очевидно, что с учетом всех характеристик операционного риска его количественно оценить сложно. Операционные исторические данные настолько скудны, что невозможно надежно и эффективно распределить капитал, и невозможно получить хорошие оценки VAR (стоимость с учетом риска) и RAROC (доходность капитала с поправкой на риск). Распределение капитала важно, потому что оно дает менеджерам стимул держать операционный риск под контролем. Тем не менее, финансовые учреждения испытывают растущее давление с целью количественной оценки операционного риска таким образом, чтобы убедить как инвесторов (эффективное распределение капитала), так и регулирующие органы (риск под «контролем»).Точнее, финансовое учреждение должно иметь возможность количественно оценивать операционный риск в надежных рамках, чтобы иметь возможность держать риск под контролем, оптимизировать распределение экономического капитала и определять свои потребности в страховании.
Учитывая характеристики операционного риска, восходящее моделирование в масштабе предприятия выглядит многообещающим подходом (к низкочастотному высокому риску операционного риска). Что необходимо, так это структура, которая включает возможность нелинейных эффектов из-за взаимодействий между субъединицами и каскадных событий.Фреймворк должен уметь работать с ограниченными данными. Отсюда идея моделирования операций снизу вверх для создания большого искусственного набора данных, который включает в себя большие события. Затем искусственно созданные данные можно использовать для применения классических методов распределения капитала. Bios и Cap Gemini Ernst & Young (13) применили методы ABM для измерения и управления операционным риском в Société Générale Asset Management (SGAM). Была разработана имитационная модель деятельности бизнес-единицы, начиная с моделирования бизнес-процессов и идентификации рабочих процессов.Затем с помощью модели бизнес-процессов и рабочих процессов были идентифицированы «агенты» банка и смоделированы их действия, а также их взаимодействие с другими агентами и факторы риска, которые могут повлиять на их деятельность. Чтобы сделать инструмент управляемым, в конечном итоге действия должны были быть смоделированы достаточно подробно, чтобы охватить «физику» банка, но не слишком подробно. Факторы риска были связаны с прибылью и убытками банка через потенциально сложные пути в организации, например, от поручения клиента до обнаружения торговой ошибки в бэк-офисе.Затем была смоделирована среда банка — рынки, клиенты, регулирующие органы и т. Д. Запуская модель, можно сгенерировать искусственное распределение доходов, используемое для оценки потенциальных убытков и их вероятности. Например, банк может рассчитать свою «прибыль с риском», то есть минимальную прибыль, которая может быть получена в течение одного года в банке с уровнем уверенности 95%. Выгода для банка: его распределение экономического капитала подкреплено моделированием того, как работает организация, а не каким-то странным сочетанием отраслевых исторических данных и бухгалтерской магии.Если модель хороша, регулирующие органы с большей легкостью ее примут, и банку не придется откладывать в 10 раз больше экономического капитала, в котором он действительно нуждается. Для бизнеса по управлению активами экономический капитал — это часть активов под управлением. Уменьшение доли всего на 0,01% означает миллионы долларов. Однако измерения — это только первый шаг. Дополнительным преимуществом моделирования является то, что можно определить, откуда происходят потери, и протестировать процедуры смягчения последствий.
Принимая решение смоделировать банк с помощью ABM, нельзя принимать произвольное решение по моделированию.Один из них моделирует банк таким образом, который естественен для практиков, потому что он моделирует деятельность банка, глядя на то, что делает каждый участник. Если вместо этого моделировать процессы банка, людям будет труднее понять модель, потому что деятельность одного человека охватывает множество процессов. Это имеет важные последствия, когда дело доходит до заполнения, проверки и калибровки модели. Если люди «подключаются» к имитационной модели в том смысле, что они распознают и понимают, что делает модель, они могут улучшить ее, легче определить количество того, что необходимо количественно оценить, и т. Д.Поскольку они глубоко понимают факторы риска, связанные с их собственной деятельностью, их легче включить в модель. После того, как у них есть свои действия и соответствующие факторы риска в модели, они могут предложить процедуры контроля и смягчения последствий и протестировать их с помощью инструмента моделирования. Другими словами, ABM — это не только инструмент моделирования; это естественно структурированный репозиторий для самооценки и идей по реорганизации организации.
ABM идеально подходит не только для управления операционным риском в финансовых учреждениях, но и для моделирования риска в целом.Моделирование риска в организации с использованием ABM — это правильный подход к моделированию риска, потому что чаще всего риск является свойством действующих лиц в организации: события риска влияют на деятельность людей, а не на процессы. Например, более естественно сказать, что кто-то из бухгалтеров допустил ошибку (отправил неправильный счет покупателю), чем сказать, что на процесс дебиторской задолженности повлияло событие ошибки в подпроцессе выставления счета. ABM произведет революцию в сфере консультационных услуг по бизнес-рискам, поскольку представляет собой смену парадигмы от моделей, основанных на электронных таблицах, и моделей, ориентированных на процессы.Заполнение, проверка и калибровка агентной модели риска на порядок проще и имеет гораздо больше смысла, чем другие модели. Агент-ориентированная модель также упрощает разработку стратегий смягчения последствий. В течение 3–6 лет ABM следует регулярно использовать в аудите.
То, на что намекнул пример Société Générale Asset Management, — это идея использования ABM для создания лучших организаций (12). Действительно, получив надежную модель организации, можно поиграть с ней, изменить некоторые организационные параметры и измерить, как производительность организации меняется в ответ на эти изменения.Показатели эффективности могут варьироваться от скорости распространения информации в организации до того, насколько хорошо организация коллективно выполняет свою задачу — изобретает новые продукты, продает или управляет дебиторской задолженностью.
Распространение
В контексте этого раздела ABM применяется к случаям, когда на людей влияет их социальный контекст, то есть то, что делают другие вокруг них. Хотя этому предмету уделяется много академического внимания, бизнес-приложений очень мало, возможно, из-за «мягкой» природы переменных и сложности измерения параметров.Социальное моделирование в бизнесе до сих пор не было очень успешным, потому что упор делался на его использование как инструмент прогнозирования, а не как инструмент обучения. Например, менеджер может лучше понять свой рынок, играя с его агентной моделью. Тогда, конечно, сложно количественно оценить ощутимые выгоды от чего-то нематериального, и менеджер не может утверждать, что сэкономил X миллионов долларов, играя с симуляцией своих клиентов. Тем не менее, использование социального моделирования в бизнес-контексте имеет большую ценность.Фаррелл и его команда разработали синтетический мир, населенный виртуальными агентами, чтобы попытаться предсказать, как (и когда) произойдут попадания (7). Работая на Twentieth Century Fox, они смоделировали, как такие фильмы, как «Титаник» или «Проект ведьм из Блэр» могут стать хитами, но их модель не имела большого успеха. Прогнозирование совпадений может оказаться самой сложной задачей; понимание того, как происходят совпадения, — лучшее использование модели.
Давайте рассмотрим простую модель принятия продукта, чтобы проиллюстрировать ценность ABM в моделировании распространения в социальных сетях.Этот пример также покажет, почему и когда необходим ABM, и подчеркнет взаимосвязь между ABM и более традиционной моделью агрегированной системной динамики (10). Предположим, что ценность нового продукта V зависит от количества его пользователей, N , в общей популяции N T потенциальных потребителей, в соответствии со следующей функцией, где ρ — доля населения, которая принял продукт, θ — характеристическое значение (здесь θ = 0.4), а d — показатель степени, определяющий крутизну функции (здесь d = 4). V ( N ) равно 0, когда нет пользователя, и является максимальным (= 1), когда все население приняло продукт. Наконец, θ действует как порог: когда пользовательская база приближается к 40% населения, кривая ценности взлетает. Предположим для простоты, что функция ценности одинакова для всех пользователей. Далее предположим, что степень принятия определяется оценкой потенциальных клиентов в против .Действительно, клиенты могут не знать точное количество людей, принявших эту технологию в населении, но они могут оценить долю пользователей в их социальном окружении. Если мы предположим, что каждый человек связан с n другими людьми в популяции, мы можем определить оценку пользователем k доли пользователей во всем населении как ρ̂ k = n k / n , где n k — количество соседей k , которые приняли продукт.Значение продукта V̂ k , по оценке человека k , затем дается следующим образом: Если человек k подключен ко всем остальным, V̂ k идентичен V . Однако это маловероятно. Подход к проблеме с помощью системной динамики моделирует поток людей от непользователей к пользователям, при этом каждый человек в популяции воспринимает одинаковую среднюю долю усыновителей ρ = N / N T и, следовательно, одинаковую воспринимаемую ценность: Получающееся в результате дифференциальное уравнение эквивалентно: Здесь мы предполагаем, что единица времени составляет 10 дней.Рис. 3 a показывает, как ρ и V меняются во времени, когда начальное количество пользователей равно 5% от совокупности.
Рис. 3.( a ) Результаты дифференциального уравнения. ( b ) Агентно-ориентированная модель среднего поля.
Давайте теперь рассмотрим, как агентный подход решит эту проблему. Первое преобразование — это от главного уравнения (то есть уравнения, описывающего динамику общего числа пользователей) к индивидуальным вероятностям перехода, где каждый агент имеет вероятность перехода, заданную скоростью главного уравнения.Другими словами, для каждого агента, который еще не является пользователем, вероятность стать им равна V (ρ) в единицу времени. Смысл этой модели в том, что каждый агент действует индивидуально, но прекрасно знает, сколько пользователей в популяции. На рис. 3 b показано, как доля пользователей увеличивается со временем для популяции из 100 агентов. Эта кривая в среднем почти неотличима от кривой, полученной с помощью подхода системной динамики, за исключением случаев, когда начальная популяция пользователей очень мала, и в этом случае взлет может быть значительно медленнее в агентном описании в некоторых моделированиях из-за значительных колебаний в ранняя часть симуляции.Эти колебания отражают индивидуальные решения, принимаемые агентами, в отличие от среднего глобального потока. Тем не менее, в среднем получается такая же динамика, как и в модели потока. Однако все становится совсем иначе, если исходить из предположения, что агенты оценивают долю пользователей от доли своих соседей, которые являются пользователями. Предположим, что у каждого человека в популяции ровно n = 30 соседей. Давайте теперь рассмотрим два случая:
-
Эти 30 соседей выбираются случайным образом из популяции.
-
В топологии социальных взаимодействий существует кластеризация, в которой соседом соседа, скорее всего, будет сосед. Для определенности предположу, что популяция делится на две равные по размеру субпопуляции. Вероятность того, что две особи из одной субпопуляции являются соседями, равна P = 0,5, а вероятность того, что две особи из разных субпопуляций являются соседями, равна 0,1. В популяции из 100 агентов среднее общее количество соседей любого заданного узла равно 0.5⋅50 + 0,1⋅50 = 30. Мы предполагаем, что начальные 5% пользователей относятся к одной из субпопуляций.
Второй случай вводит локализацию в динамику: человек взаимодействует только со своими соседями, и здесь мало дальнодействующих взаимодействий и мало глобального перемешивания. В первом случае можно было ожидать увидеть динамику, аналогичную модели системной динамики, тогда как во втором случае динамика могла быть совершенно иной. Похоже, что даже в первом случае результирующая динамика отличается от динамики среднего поля (рис.4 a ), но второй случай приводит к потенциально совершенно другим результатам, как видно на рис. 4 b . Принятие продукта происходит намного быстрее с кластеризацией, даже если начальная группа пользователей полностью находится в одном кластере.
Рис. 4.( a ) Сто агентов, 30 случайных соседей. ( b ) Сто агентов, соседи по кластеру (два кластера, распространение начинается в одном кластере).
Этот простой пример показывает не только то, насколько полезен ABM при работе с неоднородными популяциями и сетями взаимодействия, но и то, как перейти от модели дифференциального уравнения к модели на основе агентов — обычно используется противоположное преобразование, где дифференциальное Уравнительная модель — это аналитически управляемая (но обманчиво) версия агентно-ориентированной модели для среднего поля.Что полезно в этом «обратном» преобразовании, так это то, что оно ясно показывает, что агент-ориентированная модель становится все более необходимой по мере увеличения степени неоднородности моделируемой системы.
Обсуждение
Когда пригодится ПРО?
Из примеров, представленных в этой статье, должно быть ясно, что ABM может принести значительные преимущества при применении к человеческим системам. На этом этапе полезно подвести итог, когда лучше всего использовать ABM:
-
Когда взаимодействия между агентами являются сложными, нелинейными, прерывистыми или дискретными (например, когда поведение агента может резко измениться, даже периодически, другими агентами).Пример: все примеры, описанные в этой статье.
-
Когда пространство критически, а позиции агентов не фиксированы. Пример: пожарная лестница, тематический парк, супермаркет, движение.
-
Когда популяция неоднородна, когда каждый человек (потенциально) индивидуален. Пример: практически каждый пример в этой статье.
-
Когда топология взаимодействий неоднородна и сложна. Пример: когда взаимодействия однородны и глобально смешиваются, нет необходимости в агентном моделировании, но социальные сети редко бывают однородными, они характеризуются кластерами, что приводит к отклонениям от среднего поведения.
-
Когда агенты демонстрируют сложное поведение, включая обучение и адаптацию. Пример: NASDAQ, интернет-провайдеры.
Проблемы с ABM.
Есть некоторые вопросы, связанные с применением ПРО в социальных, политических и экономических науках. Одна проблема является общей для всех методов моделирования: модель должна служить определенной цели; универсальная модель не может работать. Модель должна быть построена на нужном уровне описания, с достаточным количеством деталей, чтобы служить ее цели; это остается скорее искусством, чем наукой.
Другая проблема связана с самой природой систем, моделируемых с помощью ABM в социальных науках: они чаще всего включают в себя человеческих агентов с потенциально иррациональным поведением, субъективным выбором и сложной психологией — другими словами, мягкие факторы, трудно количественно оценить, откалибровать, а иногда и оправдать. Хотя это может стать основным источником проблем при интерпретации результатов моделирования, справедливо будет сказать, что в большинстве случаев ПРО — это просто единственная игра в городе, которая имеет дело с такими ситуациями.Сказав это, следует быть осторожным в том, как использовать ABM: например, нельзя принимать решения на основе количественного результата моделирования, который следует интерпретировать исключительно на качественном уровне. Из-за разной степени точности и полноты входных данных для модели (данные, опыт и т. Д.) Характер выходных данных также варьируется, начиная от чисто качественной информации и кончая количественными результатами, используемыми для принятия решений и реализация.
Последняя важная проблема в ABM — практическая проблема, которую нельзя упускать из виду. По определению ABM рассматривает систему не на уровне агрегатов, а на уровне составляющих ее единиц. Хотя совокупный уровень, возможно, можно описать всего несколькими уравнениями движения, описание нижнего уровня включает в себя описание индивидуального поведения потенциально многих составляющих единиц. Моделирование поведения всех модулей может быть чрезвычайно затратным по вычислениям и, следовательно, отнимать много времени.Хотя вычислительная мощность по-прежнему растет впечатляющими темпами, высокие вычислительные требования ABM остаются проблемой, когда дело доходит до моделирования больших систем.
Сноски
-
↵ * Электронная почта: eric {at} icosystem.com.
-
Этот документ является результатом коллоквиума Артура М. Саклера Национальной академии наук «Адаптивные агенты, интеллект и новые человеческие организации: определение сложности с помощью агент-ориентированного моделирования», состоявшегося 4–6 октября 2001 г. Центр Арнольда и Мейбл Бекман Национальной академии наук и инженерии в Ирвине, Калифорния.
Сокращения
-
ABM, моделирование на основе агентов
-
NASDAQ, Национальная ассоциация дилеров по ценным бумагам Автоматизированное котирование
-
ISP, интернет-провайдер
- Copyright © 2002, Национальная академия Наук
|
4.
Моделирование процессов
4.4. Анализ данных для моделирования процессов
|
|||
| Базовые шаги обеспечивают универсальную основу | Основные шаги, используемые для построения модели, одинаковы для всех моделей. методы. Детали несколько различаются от метода к методу, но понимание общих шагов в сочетании с типичными основные предположения, необходимые для анализа, обеспечивает основу, в которой результаты практически любого метода могут быть истолкованным и понятым. | ||
| Основные этапы построения модели |
Основные этапы процесса построения модели:
|
||
| Варианты основных шагов | Три основных шага моделирования процесса, описанные в параграфе выше Предположим, что данные уже собраны и что тот же набор данных может использоваться для соответствия всем моделям-кандидатам. Хотя это часто бывает в ситуации построения модели, один вариант базового построения модели последовательность возникает, когда требуются дополнительные данные для соответствия новой гипотезе модель на основе модели, подходящей к исходным данным.В этом случае два дополнительных шаги, экспериментальный дизайн и сбор данных, может быть добавлен к базовой последовательности между выбором модели и подгонкой модели. На приведенной ниже блок-схеме показана базовая последовательность подгонки модели с интеграция связанных этапов сбора данных в построение модели процесс. | ||
| Последовательность построения модели | |||
| Примеры, иллюстрирующие последовательность построения модели в реальных приложениях, могут можно найти в тематических исследованиях в Разделе 4.6. Конкретные инструменты и методы, используемые на основных этапах построения модели: описано в оставшейся части этого раздела. | |||
| План первоначального эксперимента | Конечно, учитывая выбор модели и примерку, прежде чем собирать исходные данные — тоже хорошая идея. Без данных гипотеза о как будут выглядеть данные, необходимо, чтобы угадать исходный модель должна быть. Гипотеза исхода эксперимента не всегда возможно, конечно, но усилия, приложенные на самых ранних стадиях проекта часто максимизируют эффективность всего процесса построения модели и результат в лучших возможных моделях процесса.Подробнее об экспериментальном дизайн можно найти в разделе 4.3 и в Глава 5: Улучшение процесса. | ||
Метод моделирования линии передачи: TLM
Предисловие.Благодарности.
Глава 1: Введение в численное моделирование.
Моделирование как интеллектуальная деятельность.
Классификация численных методов.
Электрические аналоги физических систем.
Список литературы.
Глава 2: Теория линий передачи.
Переходный отклик линии.
Синусоидальный установившийся отклик линии.
Эффекты дисперсии в дискретных моделях линий электропередачи.
Список литературы.
Глава 3: Дискретные модели компонентов с сосредоточенными параметрами.
Конденсаторы модели «звено» и «шлейф».
Модели индукторов «звено» и «шлейф».
Примеры моделей смешанных звеньев и заглушек.
Моделирование нелинейных элементов.
Моделирование связанных элементов.
Обобщенное дискретное моделирование TLM.
Список литературы.
Глава 4: Одномерные модели TLM.
TLM Модель линии передачи с потерями.
Модели TLM для одномерных электромагнитных задач.
Исследование эффектов дисперсии в одномерных моделях TLM.
Список литературы.
Глава 5: Двумерные модели TLM.
Узел серии TLM.
Шунтирующий узел TLM.
Дисперсия в двумерной сетке.
Двойственность в электромагнетизме.
Список литературы.
Глава 6: Трехмерные модели TLM.
Разработка трехмерных узлов.
Симметричный конденсированный узел.
Переменная сетка SCN.
Гибридный SCN.
Альтернативный вывод рассеивающих свойств.
Многосеточная сетка TLM.
Список литературы.
Глава 7: Применение TLM к проблемам диффузии.
Одномерные модели диффузии.
Модели двумерной диффузии.
Трехмерные модели диффузии.
Приложения модели диффузионных процессов TLM.
Список литературы.
Глава 8: TLM в вибрации и акустике.
Торсионные волны.
Звуковые волны.
Список литературы.
Глава 9: Применение TLM к электромагнитным проблемам.
Электромагнитная совместимость.
Дизайн СВЧ.
Радиолокационный разрез (RCS).
Антенны.
Электромагнитный обогрев.
Список литературы.
Глава 10: Специальные темы в TLM.
Составы для тонкой проволоки.
Составы с узкими пазами.
Составы для тонких панелей.
Плавно регулируемые границы.
TLM в частотной области (TLM-FD).
Проблемы внедрения в TLM.
Список литературы.
Индекс.
Новый метод ансамблевого моделирования для многомерной калибровки ближнего инфракрасного спектра
Ансамблевое моделирование привлекает все большее внимание для улучшения характеристик количественных моделей в спектральном анализе в ближней инфракрасной области (NIR).На основе передискретизации методом Монте-Карло (MC), оператора наименьшего абсолютного сжатия и выбора (LASSO) и частичных наименьших квадратов (PLS) для многомерной спектральной калибровки NIR предлагается новая стратегия ансамбля под названием MC-LASSO-PLS. В этом методе обучающие подмножества для построения подмоделей генерируются путем выборки как из выборок, так и из переменных, чтобы гарантировать разнообразие моделей. В деталях, определенное количество выборок в качестве подмножеств выборок случайным образом выбирается из обучающего набора. Затем LASSO используется для сжатия переменных выборочного подмножества, чтобы сформировать обучающее подмножество, которое используется для построения подмодели PLS.Этот процесс повторяется N раз, и получается N подмоделей. Наконец, прогнозы этих подмоделей используются для получения окончательного прогноза на основе простого среднего. Предсказательная способность предложенного метода сравнивалась с предсказательной способностью моделей LASSO-PLS, MC-PLS и PLS на спектрах NIR кукурузы, смеси масел и апельсинового сока. Продемонстрировано превосходство MC-LASSO-PLS в предсказательной способности.
У вас есть доступ к этой статье
Подождите, пока мы загрузим ваш контент… Что-то пошло не так. Попробуйте снова?Мы не можем найти эту страницу
(* {{l10n_strings.REQUIRED_FIELD}})
{{l10n_strings.CREATE_NEW_COLLECTION}} *
{{l10n_strings.ADD_COLLECTION_DESCRIPTION}}
{{l10n_strings.COLLECTION_DESCRIPTION}} {{addToCollection.description.length}} / 500 {{l10n_strings.TAGS}} {{$ item}} {{l10n_strings.ПРОДУКТЫ}} {{l10n_strings.DRAG_TEXT}}{{l10n_strings.DRAG_TEXT_HELP}}
{{l10n_strings.LANGUAGE}} {{$ select.selected.display}}{{article.content_lang.display}}
{{l10n_strings.AUTHOR}}{{l10n_strings.AUTHOR_TOOLTIP_TEXT}}
{{$ select.selected.display}} {{l10n_strings.CREATE_AND_ADD_TO_COLLECTION_MODAL_BUTTON}} {{l10n_strings.CREATE_A_COLLECTION_ERROR}}Мультиметодное моделирование — программа моделирования AnyLogic
Преимущества доступа к различным методам моделирования
Построение модели требует определенного уровня упрощения.Можно ли сделать общий обзор или уловить мелкие детали? Все зависит от моделируемой системы и проблемы, требующей решения.
Использование одного метода может затруднить моделирование на соответствующем уровне абстракции. Можно смоделировать действия автономных объектов с помощью системной динамики, но это не нужно, когда инструменты на основе агентов избегают необходимости в дополнительных абстракциях и предположениях. Точно так же дискретные методы неэффективны для моделирования непрерывных переменных, когда доступны методы системной динамики.
Большинство реальных случаев сложны, и разные части системы удобно описывать разными методами. Возможность фиксировать бизнес-системы с их реальной сложностью и взаимодействием может быть серьезно ограничена с использованием только одного метода.
Придется исключить некоторые элементы системы или разработать обходной путь.
- Если существует много независимых объектов, используйте подход на основе агентов.
- Если есть информация только о глобальных зависимостях, используйте системную динамику.
- Если систему легко описать как процесс, используйте подход дискретных событий.
- Если в вашей системе есть все эти аспекты, вам следует подумать об объединении всех трех методов.
Одновременный доступ ко всем методам дает гибкость, необходимую для успешного решения поставленной задачи.
Здесь вы можете увидеть, как производство, распространение и рынок могут быть объединены в одной модели с использованием различных методов.