Пространственные и динамические модели. Объемно – Пространственная Модель

Определение. Под динамической системой понимается объект, находящийся в каждый момент времени tT в одном из возможных состояний Z и способный переходить во времени из одного состояния в другое под действием внешних и внутренних причин.

Динамическая система как математический объект содержит в своем описании следующие механизмы:

• - описание изменения состояний под действием внутренних причин (без вмешательства внешней среды);
• - описание приема входного сигнала и изменения состояния под действием этого сигнала (модель в виде функции перехода);
• - описание формирования выходного сигнала или реакции динамической системы на внутренние и внешние причины изменения состояний (модель в виде функции выхода).

Аргументами входных и выходных сигналов системы могут служить время, пространственные координаты, а также некоторые переменные, используемые в преобразованиях Лапласа, Фурье и других.

В простейшем случае оператор системы преобразует векторную функцию Х(t) в векторную функцию Y(t). Модели подобного типа называются динамическими (временными).

Динамические модели делятся на стационарные, когда структура и свойства оператора W(t) не изменяются со временем, и на нестационарные.

Реакция стационарной системы на любой сигнал зависит только от интервала времени между моментом начала действия входного возмущения и данным моментом времени. Процесс преобразования входных сигналов не зависит от сдвига входных сигналов во времени.

Реакция нестационарной системы зависит как от текущего времени, так и от момента приложения входного сигнала. В этом случае при сдвиге входного сигнала во времени (без изменения его формы) выходные сигналы не только сдвигаются во времени, но и изменяют форму.

Динамические модели делятся на модели безынерционных и инерционных (модели с запаздыванием) систем.

Безынерционные модели соответствуют системам, в которых оператор W определяет зависимость выходных величин от входных в один и тот же момент времени - y=W(Х,t).

В инерционных системах значения выходных параметров зависят не только от настоящих, но и предыдущих значений переменных

Y=W(Z,хt,хt-1,…,хt-k).

Инерционные модели еще называют моделями с памятью. Оператор преобразований может содержать параметры, которые обычно неизвестны - Y=W(,Z,Х), где ={1,2,…,k} - вектор параметров.

Важнейшим признаком структуры оператора является линейность или нелинейность по отношению к входным сигналам.

Для линейных систем всегда справедлив принцип суперпозиции, который состоит в том, что линейной комбинации произвольных входных сигналов ставится в соответствие та же линейная комбинация сигналов на выходе системы

Математическую модель с использованием линейного оператора можно записать в виде Y=WХ.

Если условие (2.1) не выполняется, модель называется нелинейной.

Классифицируются динамические модели в соответствии с тем, какие математические операции используются в операторе. Можно выделить: алгебраические, функциональные (типа интеграла свертки), дифференциальные, конечно-разностные модели и др.

Одномерной моделью называется такая, у которой и входной сигнал, и отклик одновременно являются величинами скалярными.

В зависимости от размерности параметра модели подразделяются на одно- и многопараметрические. Классификация моделей может быть продолжена также в зависимости от видов входных и выходных сигналов.

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

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

2.4.1. Динамическая модель «черного ящика»

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

Г->С:с(t)ϵСͭͭ,

где Сͭ - значение интегральной характеристики в точке t ϵ .

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

Таким образом, она выражается совокупностью двух процессов:

Хͭ = {u(t), y(t)}; u(t)eU; y(f)eK;

Рис. 2.9. Динамическая модель «черного ящика»

предполагается, что это преобразование неизвестно.

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

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

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

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

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

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

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

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

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

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

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

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

Рис. 2.11. Колебание рынка товара

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

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

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

2.4.2. Динамическая модель состава

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

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

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

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

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

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

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

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

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

Рис. 2.12. Траектория развития системы

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

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

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

Сн =С0 ->СJ ->Ct ->...->СT=Ск,

где Сн - начальное;

Ск - конечное;

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

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

2.4.3. Динамическая структурная модель

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

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

Ct = , t ϵ, и выход y={y(t)},

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

U - множество неуправляемых входов v(t);

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

Т - горизонт моделирования системы;

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

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

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

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

Ut: u(t)ϵUt. (2.1)

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

Сt=F(Ct-i,u(t)), t ϵ.

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

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

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

СtϵС-Т. (2.2)

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

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

Где, С - множество, удовлетворяющее условию

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

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

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

Для достижения цели построения (развития) системы необхо­димо выполнение условий

С"ПС"*0, / = 1,Т. (2.3)

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

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

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

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

U(t)ϵ(t)nU(f) = 1д. (2.5)

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

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

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

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

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

Контрольные вопросы

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

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

3. Перечислите и проинтерпретируйте основные свойства системы.

4. Что такое эмерджентность системы?

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

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

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

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

9. Приведите примеры закрытых экономических систем.

10. С помощью чего обеспечивается устойчивость системы?

11. В чем заключаются внутренняя и внешняя цели системы?

12. Как согласуются внутренняя и внешняя стратегии системы?

13. Как установить границы экономической системы?

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

15. Охарактеризуйте транзакционную среду экономической системы.

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

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

18. Назовите необходимое условие существования эмерджентного свойства системы.

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

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

21. В чем заключается сущность свойства иерархичности экономических систем?

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

23. В чем заключается сущность свойства многомерности экономической системы?

24. Дайте системное определение понятию «компромисс».

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

26. В чем заключается сущность свойства множественности экономической системы?

27. Приведите примеры множественности функций экономической системы.

28. Как проявляется множественность структуры экономической системы?

29. Приведите примеры эквифинальности и мультифинальности экономических систем.

30. Перечислите причины контринтуитивного поведения экономи-ческих систем.

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

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

33. Назовите основные характеристики искусственных систем. Приведите примеры.

34. В чем заключается специфика социокультурных систем?

35. К какому классу первичных систем относятся экономические системы?

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

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

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

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

40. Дайте определение экономической системы.

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

Информации

Особенности пространственно-временной

СВЯЗИ ПОКАЗАТЕЛЕЙ

МНОГОФАКТОРНЫЕ ДИНАМИЧЕСКИЕ МОДЕЛИ

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

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

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

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

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

Динамические модели связи показателей могут быть:

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

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

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

Модели динамики показателейгруппируют по следующим видам:

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

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

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

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

Можно выделить основные задачи использования пространственно-временной информации.

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

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

Пространственное объединение отдельных элементов технического объекта широко распространенная задача проектирования в любой отрасли техники: радиоэлектроники, машиностроения, энергети­ки и т. д. Значительную частью пространственного моделирования доставляет визуализация отдельных элементов и технического объекта в целом Большой интерес представляют вопросы построения базы данных графических трехмер­ных моделей элементов, алгоритмы и программная реализация графи­ческих приложений для решения данной задачи.

Построение моделей элементов носит универсальный характер и может рассматриваться как инвариантная часть многих систем пространственного моделирования и автоматизированного проектирования технических объектов.

Независимо от возможностей используемой графической среды по характеру формирования графических моделей можно выделить три группы элементов:

1.Уникальные элементы, конфигурация и размеры которых не повторяются в других аналогичных деталях.

2.Унифицированные элементы, включающие некоторый набор Фрагментов конфигураций, характерных для деталей данного класса. Как правило, существует ограниченный ряд типоразмеров унифицированного элемента.

3.Составные элементы, включающие как уникальные, так и унифицированные элементы в произвольном наборе. Используемые графические средства могут допускать некоторую вложенность составных элементов.

Пространственное моделирование уникальных элементов не представляет большой сложности. Прямое формирование конфигурации модели выполняется в интерактивном режиме, после чего программ­ная реализация оформляется на основе протокола формирования мо­дели или текстового описания полученного элемента.

2.Поочередный выбор фрагментов пространственной конфигурации и определение их размеров;

3.Привязка графической модели элемента к прочим элемента, технического объекта или системы;

4.Ввод дополнительной информации о моделируемом элементе

Данный подход формирования моделей унифицированных элементов обеспечивает надежную программную реализацию.

Модель составных элементов состоит из совокупности модели как уникальных, так и унифицированных элементов. Процедурно модель составного элемента строится аналогично модели унифицированного элемента, в которой в качестве графических фрагменте: выступают готовые модели элементов. Основными особенностями являются способ взаимной привязки включаемых моделей и механик объединения отдельных фрагментов в составной элемент. Последнее определяется, главным образом, возможностями инструментальных графических средств.

Интеграция графической среды и системы управления базами данных (СУБД) технической информации обеспечивает открытость системы моделирования для решения других задач проектирования: предварительные конструкторские расчеты, подбор элементной базы, оформление конструкторской документации (текстовой и графической) и др. Структура баз данных (БД) определяется как требованиями графических моделей так и информационными потребностями сопутствующих задач. В качестве инструментальных средств возможно использовать любую СУБД, сопрягаемую с графической средой. Наиболее общий характер носит построение моделей унифицированных элементов. На первом этапе в результате систематизации номенклатуры элементов, однотипных по назначению и составу гра­фических фрагментов, формируется гипотетический или выбирается существующий образец моделируемого элемента, обладающий полным набором моделируемых частей объекта.

Методы интерполяции по дискретно расположенным точкам.

Общая задача интерполяции по точкам формулируется так: дан ряд точек (узлов интерполяции), положение и значения характеристик в которых известны, необходимо определить значения характеристик для других точек, для которых известно только положение. При этом различают методы глобальной и локальной интерполяции, и среди них точные и аппроксимирующие.

При глобальной интерполяции для всей территории одновременно используется единая функция вычисления z = F(x,y) . В этом случае изменение одного значения (х, у) на входе сказывается на всей результирующей ЦМР. При локальной интерполяции многократно применяют алгоритм вычисления для некоторых выборок из общего набора точек, как правило, близко расположенных. Тогда изменение выбора точек сказывается лишь на результатах обработки небольшого участка территории. Алгоритмы глобальной интерполяции создают сглаженные поверхности с небольшим числом резких перепадов; они применяются в случаях, если предположительно известна форма поверхности, например тренд. При включении в процесс локальной интерполяции большой доли общего набора данных она, по сути, становится глобальной.

Точные методы интерполяции.

Точные методы интерполяции воспроизводят данные в точках (узлах), на которых базируется интерполяция, и поверхность проходит через все точки с известными значениями. анализ соседства, в котором все значения моделируемых характеристик принимаются равными значениям в ближайшей известной точке. В результате образуются полигоны Тиссена с резкой сменой значений на границах. Такой метод применяется в экологических исследованиях, при оценке зон воздействия, и больше подходит для номинальных данных.

В методе В-сплайнов строят кусочно-линейный полином, позволяющий создать серию отрезков, которые в конечном итоге образуют поверхность с непрерывными первой и второй производными. Метод обеспечивает непрерывность высот, уклонов, кривизны. Результирующая ЦМР имеет растровую форму. Этот метод локальной интерполяции применяется, главным образом, для плавных поверхностей и не годится для поверхностей с отчетливо выраженными изменениями - это приводит к резким колебаниям сплайна. Он широко используется в программах интерполяции поверхностей общего назначения и сглаживания изолиний при их рисовке.

В TIN-моделях поверхность в пределах каждого треугольника обычно представляется плоскостью. Поскольку для каждого треугольника она задается высотами трех его вершин, то в общей мозаичной поверхности треугольники для смежных участков точно прилегают по сторонам: образуемая поверхность непрерывна. Однако, если на поверхности проведены горизонтали, то в этом случае они будут прямолинейны и параллельны в пределах треугольников, а на границах будет происходить резкое изменение их направления. Поэтому для некоторых приложений TIN в пределах каждого треугольника строится математическая поверхность, характеризующаяся плавным изменением углов наклона на границах треугольников. Анализ трендов. Поверхность аппроксимируется многочленом и структура выходных данных имеет вид алгебраической функции, которую можно использовать для расчета значений в точках растра или в любой точке поверхности. Линейное уравнение, например, z = а + b х + су описывает наклонную плоскую поверхность, а квадратичное z = а + b х + су + dx 2 + еху + fy 2 -простой холм или долину. Вообще говоря, любое сечение поверхности т-го порядка имеет не более (т – 1) чередующихся максимумов и минимумов. Например, кубическая поверхность может иметь в любом сечении один максимум и один минимум. Возможны значительные краевые эффекты, поскольку полиномиальная модель дает выпуклую поверхность.

Методы скользящего среднего и среднего взвешенного по расстоянию используются наиболее широко, особенно для моделирования плавно меняющихся поверхностей. Интерполированные значения представляют собой среднюю величину значений для п известных точек, либо среднее, полученное по интерполируемым точкам, и в общем случае обычно представляются формулой

Аппроксимационные методы интерполяции.

Аппроксимационные методы интерполяции применяются в тех случаях, когда имеется некоторая неопределенность в отношении имеющихся данных о поверхности; в их основе лежит соображение о том, что во многих наборах данных отображается медленно изменяющийся тренд поверхности, на который накладываются местные, быстро меняющиеся отклонения, приводящие к неточностям или ошибкам в данных. В таких случаях сглаживание за счет аппроксимации поверхности позволяет уменьшить влияние ошибочных данных на характер результирующей поверхности.

Методы интерполяции по ареалам.

Интерполяция по ареалам заключается в переносе данных с одного исходного набора ареалов (ключевого) на другой набор (целевой) и часто применяется при районировании территории. Если целевые ареалы представляют собой группировку ключевых ареалов, сделать это просто. Трудности возникают, если границы целевых ареалов не связаны с исходными ключевыми.

Рассмотрим два варианта интерполяции по ареалам: в первом из них в результате интерполяции суммарное значение интерполируемого показателя (например, численности населения) целевых ареалов в полном объеме не сохраняется, во втором - сохраняется.

Представим, что имеются данные о численности населения для некоторых районов с заданными границами, и их нужно распространить на более мелкую сетку районирования, границы которой в общем не совпадают с первой.

Методика заключается в следующем. Для каждого исходного района (ключевого ареала) рассчитывают плотность населения путем деления общего количества проживающих на площадь участка и присваивают полученное значение центральной точке (центроиду). На основе этого набора точек с помощью одного из методов, описанных выше, интерполируется регулярная сетка, для каждой ячейки сети определяется численность населения путем умножения рассчитанной плотности на площадь ячейки. Интерполированная сетка накладывается на итоговую карту, значения по каждой ячейке относятся к границам соответствующего целевого ареала. Затем рассчитывается общая численность населения каждого из итоговых районов.

К недостаткам метода можно отнести не совсем четкую определенность выбора центральной точки; методы интерполяции по точкам неадекватны, и что важнее всего - не сохраняется суммарная величина интерполируемого показателя ключевых ареалов (в данном случае общей численности населения зон переписи). Например, если исходная зона разделена на две целевые, то общее количество населения в них после интерполяции не обязательно будет равно численности населения исходной зоны.

Во втором варианте интерполяции применяют способы ГИС-технологии оверлея или построения гладкой поверхности, основанного на так называемой адаптивной интерполяции.

В первом способе осуществляют наложение ключевых и целевых ареалов, определяют долю каждого из исходных ареалов в составе целевых, величины показателя каждого исходного ареала делят пропорционально площадям его участков в разных целевых ареалах. Считается, что плотность показателя в пределах каждого ареала одинакова, например, если показатель - это общее население ареала, то плотность населения считается для него постоянной величиной.

Целью второго способа является создание гладкой поверхности без уступов (значения атрибутов не должны резко изменяться на границах ареалов) и сохранение суммарной величины показателя в пределах каждого ареала. Методика его такова. На картограмму, представляющую ключевые ареалы, накладывают густой растр, общее значение показателя для каждого ареала поровну делится между ячейками растра, перекрывающими ее, значения сглаживают путем замены величины для каждой ячейки растра средним по окрестности (по окну 2×2, 3×3, 5×5) и суммируют значения для всех ячеек каждого ареала. Далее значения для всех ячеек корректируют пропорционально так, чтобы общее значение показателя для ареала совпадало с исходным (например, если сумма меньше исходного значения на 10%, значения для каждой ячейки увеличиваются на 10%). Процесс повторяют до тех пор, пока не. прекратятся изменения.

Для описанного метода однородность в пределах ареалов необязательна, но слишком сильные вариации показателя в их пределах могут отразиться на качестве интерполяции.

Результаты могут быть представлены на карте горизонталями или непрерывными полутонами.

Применение метода требует задания некоторых граничных условий, так как по периферии исходных ареалов элементы растра могут выходить за пределы области изучения или соседствовать с ареалами, не имеющими значения интерполируемого показателя. Можно, например, присвоить плотности населения значение 0 (озеро и т. п.) или принять ее равной значениям самых дальних от центра ячеек области изучения.

При интерполяции по ареалам могут возникнуть весьма сложные случаи, например, когда нужно создать карту, показывающую «ареалы расселения», на основе данных о населении отдельных городов, особенно если эти ареалы в масштабе карты показываются точкой. Проблема возникает и для небольших исходных ареалов, когда отсутствуют файлы границ, а в данных указывается только положение центральной точки. Здесь возможны разные подходы: замена точек, к которым приписаны данные, на круги, радиус которых оценивается по расстояниям до соседних центроидов; определение пороговой плотности населения для отнесения территории к городской; распределение населения каждого города по его территории так, что в центре плотность населения выше, а к окраинам уменьшается; по точкам с пороговым значением показателя проводят линии, ограничивающие заселенные территории.

Часто попытка создать непрерывную поверхность с помощью интерполяции по ареалам по данным, приуроченным только к точкам, приводит к неправильным результатам.

Пользователь обычно оценивает успешность применения метода субъективно и, главным образом, визуально. До сих пор многие исследователи используют ручную интерполяцию или интерполяцию «на глазок» (этот метод обычно невысоко оценивается географами и картографами, однако широко используется геологами). В настоящее время предпринимаются попытки «извлечь» познания экспертов с помощью методов создания баз знаний и ввести их в экспертную систему, осуществляющую интерполяцию.

Классификация видов моделирования может быть проведена по разным основаниям. Модели можно различать по ряду признаков: характеру моделируемых объектов, сферам приложения, глубине моделирования. Рассмотрим 2 варианта классификации. Первый вариант классификации. По глубине моделирования методы моделирования делятся на две группы: материальное (предметное) и идеальное моделирование. Материальное моделирование основано на материальной аналогии объекта и модели. Оно осуществляется с помощью воспроизведения основных геометрических, физических или функциональных характеристик изучаемого объекта. Частным случаем материального моделирования является физическое моделирование. Частным случаем физического моделирования является аналоговое моделирование. Оно основано на аналогии явлений, имеющих различную физическую природу, но описываемых одинаковыми математическими соотношениями. Образец аналогового моделирования – изучение механических колебаний (например, упругой балки) с помощью электрической системы, описываемой теми же дифференциальными уравнениями. Так как эксперименты с электрической системой обычно проще и дешевле, она исследуется в качестве аналога механической системы (например, при изучении колебаний мостов).

Идеальное моделирование основано на идеальной (мысленной) аналогии. В экономических исследованиях (на высоком уровне их проведения, а не на субъективных желаниях отдельных руководителей) это основной вид моделирования. Идеальное моделирование, в свою очередь, разбивается на два подкласса: знаковое (формализованное) и интуитивное моделирование. При знаковом моделировании моделями служат схемы, графики, чертежи, формулы. Важнейшим видом знакового моделирования является математическое моделирование, осуществляемое средствами логико-математических построений.

Интуитивное моделирование встречается в тех областях науки и практики, где познавательный процесс находится на начальной стадии или имеют место очень сложные системные взаимосвязи. Такие исследования называют мысленными экспериментами. В экономике в основном применяется знаковое или интуитивное моделирование; оно описывает мировоззрение ученых или практический опыт работников в сфере управления ею. Второй вариант классификации приведен на рис. 1.3.В соответствии с классификационным признаком полноты моделирование делится на полное, неполное и приближенное. При полном моделировании модели идентичны объекту во времени и пространстве. Для неполного моделирования эта идентичность не сохраняется. В основе приближенного моделирования лежит подобие, при котором некоторые стороны реального объекта не моделируются совсем. Теория подобия утверждает, что абсолютное подобие возможно лишь при замене одного объекта другим точно таким же. Поэтому при моделировании абсолютное подобие не имеет места. Исследователи стремятся к тому, чтобы модель хорошо отображала только исследуемый аспект системы. Например, для оценки помехоустойчивости дискретных каналов передачи информации функциональная и информационная модели системы могут не разрабатываться. Для достижения цели моделирования вполне достаточна событийная модель, описываемая матрицей условных вероятностей ||рij|| переходов i-го символа алфавита j-й.В зависимости от типа носителя и сигнатуры модели различаются следующие виды моделирования: детерминированное и стохастическое, статическое и динамическое, дискретное, непрерывное и дискретно-непрерывное. Детерминированное моделирование отображает процессы, в которых предполагается отсутствие случайных воздействий. Стохастическое моделирование учитывает вероятностные процессы и события. Статическое моделирование служит для описания состояния объекта в фиксированный момент времени, а динамическое - для исследования объекта во времени. При этом оперируют аналоговыми (непрерывными), дискретными и смешанными моделями. В зависимости от формы реализации носителя моделирование классифицируется на мысленное и реальное. Мысленное моделирование применяется тогда, когда модели не реализуемы в заданном интервале времени либо отсутствуют условия для их физического создания (например, ситуация микромира). Мысленное моделирование реальных систем реализуется в виде наглядного, символического и математического. Для представления функциональных, информационных и событийных моделей этого вида моделирования разработано значительное количество средств и методов. При наглядном моделировании на базе представлений человека о реальных объектах создаются наглядные модели, отображающие явления и процессы, протекающие в объекте. Примером таких моделей являются учебные плакаты, рисунки, схемы, диаграммы. В основу гипотетического моделирования закладывается гипотеза о закономерностях протекания процесса в реальном объекте, которая отражает уровень знаний исследователя об объекте и базируется на причинно-следственных связях между входом и выходом изучаемого объекта. Этот вид моделирования используется, когда знаний об объекте недостаточно для построения формальных моделей.

Динамическое моделирование – многошаговый процесс, каждый шаг соответствует поведению экономической системы у определенный временный период. Каждый текущий шаг получает результаты предыдущего шага, который по определенным правилам определяет текущий результат и формирует данные для следующего шага.

Таким образом, динамическая модель в ускоренном режиме позволяет исследовать развития сложной экономической системы, скажем, предприятия, на протяжении определенного периода планирования в условиях изменения ресурсного обеспечения (сырья, кадров, финансов, техники), и получение результаты представить у соответствующему плане развития предприятия на заданный период.

Для решения динамических задач оптимизации в математическом программировании сформировался соответствующий класс моделей под названием динамическое программирование, его основателем стал известный американский математик Р. Беллман. Им предложен специальный метод решения задача этого класса на основе «принципа оптимальности», согласно которого оптимальное решение задачи находится путем ее разбиения на n этапов, каждый с которых представляет подзадачу относительно одной переменной. Расчет выполняется таким образом, что оптимальный результат одной подзадачи является исходными данными для следующей подзадачи с учетом уравнений и ограничений связи между ними, результат последней из них является результатом всей задачи. Общим для всех моделей этой категории является то, что текущие управляющие решения "проявляются" как в период, относящийся непосредственно к моменту принятия решения, так и в последующие периоды. Следовательно, наиболее важные экономические последствия проявляются в разные периоды, а не только в течение одного периода. Такого рода экономические последствия, как правило, оказываются существенными в тех случаях, когда речь идет об управляющих решениях, связанных с возможностью новых капиталовложений, увеличения производственных мощностей или обучения персонала с целью. создания предпосылок для увеличения прибыльности или сокращения издержек в последующие периоды.

Типичными областями применения моделей динамического программирования при принятии решений являются:

Разработка правил управления запасами, устанавливающих момент пополнения запасов и размер пополняющего заказа.

Разработка принципов календарного планирования производства и выравнивания занятости в условиях колеблющегося спроса на продукцию.

Определение необходимого объема запасных частей, гарантирующего эффективное использование дорогостоящего оборудования.

Распределение дефицитных капитальных вложений между возможными новыми направлениями их использования.

В задачах, решаемых методом динамического программирования, значение целевой функции (оптимизируемого критерия) для всего процесса получают простым суммированием частных значений fi(x) того же критерия на отдельных шагах, то есть

Если критерий (или функция) f(x) обладает этим свойством, то его называют аддитивным (аддитивной).

Алгоритм динамического программирования

1. На выбранном шаге задаем набор (определяемый условиями-ограничениями) значений переменной, характеризующей последний шаг, возможные состояния системы на предпоследнем шаге. Для каждого возможного состояния и каждого значения выбранной переменной вычисляем значения целевой функции. Из них для каждого исхода предпоследнего шага выбираем оптимальные значения целевой функции и соответствующие им значения рассматриваемой переменной. Для каждого исхода предпоследнего шага запоминаем оптимальное значение переменной (или несколько значений, если таких значений больше одного) и соответствующее значение целевой функции. Получаем и фиксируем соответствующую таблицу.

2. Переходим к оптимизации на этапе, предшествующем предыдущему (движение "вспять"), отыскивая оптимальное значение новой переменной при фиксированных найденных ранее оптимальных значениях следующих переменных. Оптимальное значение целевой функции на последующих шагах (при оптимальных значениях последующих переменных) считываем из предыдущей таблицы. Если новая переменная характеризует первый шаг, то переходим к п.З. В противном случае повторяем п.2 для следующей переменной.

З. При данном в задаче исходном условии для каждого возможного значения первой переменной вычисляем значение целевой функции. Выбираем оптимальное значение целевой функции, соответствующее оптимальному(ым) значению(иям) первой переменной.

4. При известном оптимальном значении первой переменной определяем исходные данные для следующего (второго) шага и по последней таблице - оптимальное(ые) значение(ия) следующей (второй) переменной.

5. Если следующая переменная не характеризует последний шаг, то переходим к п.4.Иначе переходим к п.6.

6.Формируем (выписываем) оптимальное решение.

Список использованной литературы

1. Microsoft Office 2010. Самоучитель. Ю. Стоцкий, А. Васильев, И. Телина. Питер. 2011, - 432 с.

2. Фигурнов В.Э. IBM PC для пользователя. Изд-е 7-е. - М.: Инфра-М, 1995.

3. Левин А. Самоучитель работы на компьютере. М. : Нолидж, 1998, - 624 с.

4. Информатика: практикум по технологии работы на персональном компьютере /Под ред. проф. Н.В.Макаровой - М. : Финансы и статистика, 1997 г. - 384с.

5. Информатика: Учебник / Под ред. проф. Н.В. Макаровой - М. : Финансы истатистика, 1997 г. - 768 с.

Похожая информация.