مدل سازی در علوم کامپیوتر - چیست؟ انواع و مراحل مدل سازی. مفاهیم "مدل"، "مدل سازی"، رویکردهای مختلف برای طبقه بندی مدل ها

گاهی اوقات مدل ها به زبان های برنامه نویسی نوشته می شوند، اما این فرآیند طولانی و پرهزینه است. از بسته های ریاضی می توان برای مدل سازی استفاده کرد، اما تجربه نشان می دهد که معمولاً فاقد بسیاری از ابزارهای مهندسی هستند. استفاده از محیط مدل سازی بهینه است.

در دوره ما، . آزمایشگاه ها و دموهایی که در این دوره با آنها مواجه خواهید شد باید به عنوان پروژه های Stratum-2000 اجرا شوند.

مدلی که با در نظر گرفتن امکان مدرن سازی آن ساخته شده است، البته دارای معایبی است، به عنوان مثال، سرعت پایین اجرای کد. اما مزایای غیر قابل انکاری نیز وجود دارد. ساختار مدل، اتصالات، عناصر، زیرسیستم ها قابل مشاهده و ذخیره شده است. همیشه می توانید به عقب برگردید و کاری را دوباره انجام دهید. ردی در تاریخچه طراحی مدل حفظ می شود (اما وقتی مدل اشکال زدایی می شود، حذف اطلاعات سرویس از پروژه منطقی است). در پایان، مدلی که به مشتری تحویل داده می شود را می توان در قالب یک ایستگاه کاری خودکار تخصصی (AWS) طراحی کرد که قبلاً به زبان برنامه نویسی نوشته شده است، که در آن به طور عمده به رابط، پارامترهای سرعت و سایر موارد توجه شده است. خواص مصرف کننده که برای مشتری مهم است. البته ایستگاه کاری یک چیز گران است، بنابراین تنها زمانی منتشر می شود که مشتری پروژه را به طور کامل در محیط شبیه سازی آزمایش کرده باشد، تمام نظرات خود را بیان کند و متعهد شود که دیگر نیازهای خود را تغییر ندهد.

مدلسازی یک علم مهندسی است، یک فناوری برای حل مسائل. این تذکر بسیار مهم است. از آنجایی که فناوری راهی برای دستیابی به نتیجه با کیفیت شناخته شده از قبل و هزینه ها و مهلت های تضمین شده است، پس مدل سازی به عنوان یک رشته:

• روش های حل مسائل را مطالعه می کند، یعنی یک علم مهندسی است.
• ابزاری جهانی است که حل هر مشکلی را بدون در نظر گرفتن زمینه موضوع تضمین می کند.

موضوعات مرتبط با مدل سازی عبارتند از: برنامه نویسی، ریاضیات، تحقیق در عملیات.

برنامه نويسيزیرا این مدل اغلب بر روی یک محیط مصنوعی (پلاستیسین، آب، آجر، عبارات ریاضی) پیاده‌سازی می‌شود و کامپیوتر یکی از جهانی‌ترین حامل‌های اطلاعات است و علاوه بر این، فعال است (پلاستیلین، آب، آجر را تقلید می‌کند، عبارات ریاضی را می‌شمرد، و غیره.). برنامه نویسی روشی برای ارائه یک الگوریتم به شکل زبان است. الگوریتم یکی از راه های بازنمایی (انعکاس) یک فکر، یک فرآیند، یک پدیده در یک محیط محاسباتی مصنوعی است که یک کامپیوتر (معماری فون نویمان) است. ویژگی الگوریتم این است که توالی اقدامات را منعکس کند. شبیه‌سازی می‌تواند از برنامه‌نویسی استفاده کند، اگر شیء مورد مدل‌سازی از نظر رفتارش به راحتی قابل توصیف باشد. اگر توصیف ویژگی های یک شی آسان تر باشد، پس استفاده از برنامه نویسی دشوار است. اگر محیط شبیه سازی بر اساس معماری فون نویمان ساخته نشده باشد، برنامه نویسی عملا بی فایده است.

تفاوت الگوریتم و مدل چیست؟

الگوریتم فرآیندی برای حل یک مسئله با اجرای یک دنباله از مراحل است، در حالی که یک مدل مجموعه ای از ویژگی های بالقوه یک شی است. اگر سوالی به مدل می دهید و اضافه می کنید شرایط اضافیدر قالب داده های اولیه (رابطه با اشیاء دیگر، شرایط اولیه، محدودیت ها)، سپس با توجه به مجهولات توسط محقق قابل حل است. فرآیند حل مسئله را می توان با یک الگوریتم نشان داد (اما روش های دیگر حل نیز شناخته شده است). به طور کلی، نمونه هایی از الگوریتم ها در طبیعت ناشناخته هستند، آنها محصول مغز انسان هستند، ذهنی که قادر به ایجاد یک برنامه است. الگوریتم خود طرحی است که در یک دنباله از اقدامات آشکار می شود. باید بین رفتار اشیاء مرتبط با علل طبیعی تمایز قائل شد و صنعت ذهن که مسیر حرکت را کنترل می کند، نتیجه را بر اساس دانش پیش بینی می کند و رفتار مناسب را انتخاب می کند.

مدل + سوال + شرایط اضافی = وظیفه.

ریاضیات علمی است که امکان محاسبه مدل هایی را فراهم می کند که می توان آنها را به شکل استاندارد (متعارف) تقلیل داد. علم یافتن راه حل برای مدل های تحلیلی (تحلیل) با استفاده از دگرگونی های صوری.

تحقیق در عملیاترشته‌ای که روش‌هایی را برای مطالعه مدل‌ها از نظر یافتن بهترین اقدامات کنترلی روی مدل‌ها (سنتز) پیاده‌سازی می‌کند. بیشتر با مدل های تحلیلی سروکار دارد. به تصمیم گیری با استفاده از مدل های ساخته شده کمک می کند.

طراحی فرآیند ایجاد یک شی و مدل آن؛ مدلسازی روشی برای ارزیابی نتیجه طراحی؛ هیچ مدل سازی بدون طراحی وجود ندارد.

رشته‌های مرتبط برای مدل‌سازی را می‌توان به‌عنوان مهندسی برق، اقتصاد، زیست‌شناسی، جغرافیا و سایر رشته‌ها تشخیص داد، به این معنا که از روش‌های مدل‌سازی برای مطالعه شی مورد استفاده خود استفاده می‌کنند (به عنوان مثال، یک مدل چشم‌انداز، یک مدل مدار الکتریکی، یک مدل جریان نقدی. ، و غیره.).

به عنوان مثال، بیایید ببینیم چگونه می توانید یک الگو را تشخیص دهید و سپس آن را توصیف کنید.

فرض کنید که ما باید "مسئله برش" را حل کنیم، یعنی باید پیش بینی کنیم که برای تقسیم شکل (شکل 1.16) به تعداد معینی از قطعات، چند برش به شکل خطوط مستقیم لازم است (به عنوان مثال). کافی است که شکل محدب باشد).

بیایید سعی کنیم این مشکل را به صورت دستی حل کنیم.

از انجیر 1.16 می توان دید که با 0 برش، 1 قطعه، با 1 برش، 2 قطعه، با دو 4، با سه 7، با چهار 11 تشکیل می شود. مثلا 821 قطعه ? من اینطور فکر نمی کنم! چرا سخت می گذری؟ شما الگو را نمی دانید ک = f(پ) ، جایی که کتعداد قطعات، پتعداد برش ها چگونه یک الگو را تشخیص دهیم؟

بیایید جدولی ایجاد کنیم که تعداد شناخته شده قطعات و برش ها را به هم مرتبط می کند.

در حالی که الگوی آن مشخص نیست. بنابراین، بیایید تفاوت بین آزمایش های فردی را در نظر بگیریم، بیایید ببینیم که نتیجه یک آزمایش با آزمایش دیگر چگونه متفاوت است. با درک تفاوت، راهی برای حرکت از یک نتیجه به نتیجه دیگر، یعنی قانون اتصال پیدا خواهیم کرد کو پ .

قبلاً برخی از نظم ظاهر شده است، اینطور نیست؟

بیایید تفاوت های دوم را محاسبه کنیم.

حالا همه چیز ساده است. تابع fتماس گرفت تابع تولید. اگر خطی باشد، اولین تفاوت ها با یکدیگر برابر است. اگر درجه دوم باشد، اختلاف دوم با هم برابر است. و غیره.

تابع fیک مورد خاص از فرمول نیوتن وجود دارد:

شانس آ , ب , ج , د , هبرای ما درجه دومکارکرد fدر اولین خانه های ردیف های جدول تجربی 1.5 قرار دارند.

بنابراین، یک الگو وجود دارد، و آن به شرح زیر است:

ک = آ + ب · پ + ج · پ · ( پ 1)/2 = 1 + پ + پ · ( پ 1)/2 = 0.5 پ 2 + 0.5 پ + 1 .

حالا که الگو مشخص شد، می‌توانیم مشکل معکوس را حل کنیم و به این سؤال پاسخ دهیم: برای به دست آوردن 821 قطعه، چند برش لازم است؟ ک = 821 , ک= 0.5 پ 2 + 0.5 پ + 1 , پ = ?

معادله درجه دوم را حل می کنیم 821 = 0.5 پ 2 + 0.5 پ + 1 ، ریشه ها را پیدا کنید: پ = 40 .

بیایید خلاصه کنیم (به این توجه کنید!).

ما نتوانستیم فوراً راه حل را پیدا کنیم. آزمایش ثابت شد که دشوار است. مجبور شدم یک مدل بسازم، یعنی بین متغیرها الگویی پیدا کنم. مدل به شکل یک معادله معلوم شد. با اضافه کردن یک سوال به معادله و یک معادله منعکس کننده یک شرط شناخته شده، یک مسئله را تشکیل دادند. از آنجایی که معلوم شد مشکل از نوع معمولی (متعارف) است، می توان آن را با استفاده از یکی از روش های شناخته شده حل کرد. بنابراین مشکل حل شد.

و همچنین توجه به این نکته بسیار مهم است که مدل روابط علی را منعکس می کند. در واقع یک ارتباط قوی بین متغیرهای مدل ساخته شده وجود دارد. تغییر در یک متغیر مستلزم تغییر در متغیر دیگر است. قبلاً گفتیم که «مدل در دانش علمی نقش سیستم‌ساز و معناساز ایفا می‌کند، به ما امکان می‌دهد پدیده، ساختار شی مورد مطالعه را درک کنیم، تا رابطه علت و معلولی را با یکدیگر برقرار کنیم.» این بدان معنی است که مدل به شما امکان می دهد علل پدیده ها، ماهیت تعامل اجزای آن را تعیین کنید. مدل علل و معلول ها را از طریق قوانین به هم پیوند می دهد، یعنی متغیرها از طریق معادلات یا عبارات به هم مرتبط می شوند.

ولی!!! ریاضیات به خودی خود امکان استخراج هیچ قانون یا مدلی را از نتایج آزمایش ها فراهم نمی کند.، همانطور که ممکن است پس از مثالی که اکنون در نظر گرفته شده به نظر برسد. ریاضیات تنها راهی برای مطالعه یک شیء، یک پدیده، و علاوه بر این، یکی از چندین روش ممکن برای تفکر است. همچنین مثلاً یک روش مذهبی یا روشی که هنرمندان از آن استفاده می‌کنند، عاطفی-شهودی است، با کمک این روش‌ها جهان، طبیعت، مردم، خودشان را نیز یاد می‌گیرند.

بنابراین، فرضیه رابطه بین متغیرهای A و B باید از بیرون به خود محقق معرفی شود. چگونه یک فرد این کار را انجام می دهد؟ توصیه به ارائه یک فرضیه آسان است، اما چگونه می توان این را آموزش داد، این عمل را توضیح داد، یعنی دوباره، چگونه آن را رسمی کنیم؟ ما این را به طور مفصل در دوره آینده "مدل سازی سیستم های هوش مصنوعی" نشان خواهیم داد.

اما اینکه چرا این کار باید از بیرون، جداگانه، اضافی و فراتر از آن انجام شود، اکنون توضیح خواهیم داد. این استدلال نام گودل را یدک می‌کشد که قضیه ناقص بودن را اثبات کرد که اثبات درستی یک نظریه (الگو) معین در چارچوب همان نظریه (مدل) غیرممکن است. دوباره به انجیر نگاه کنید. 1.12. مدل سطح بالاتر تبدیل می شود معادل بامدل سطح پایین تر از یک نمای به نمای دیگر. یا با توجه به توضیحات معادل خود دوباره یک مدل سطح پایین تر تولید می کند. اما او نمی تواند خود را متحول کند. مدل مدل را می سازد. و این هرم مدل ها (نظریه ها) بی پایان است.

در همین حال، برای اینکه "در مزخرفات منفجر نشوید"، باید مراقب خود باشید و همه چیز را با عقل سلیم بررسی کنید. بیایید مثالی بزنیم، یک جوک معروف قدیمی از فولکلور فیزیکدانان.

مدل سازی ریاضی را می توان به تحلیلی، عددی و شبیه سازی تقسیم کرد.

از نظر تاریخی، روش‌های مدل‌سازی تحلیلی اولین روش‌هایی بودند که توسعه یافتند و یک رویکرد تحلیلی برای مطالعه سیستم‌ها توسعه یافته است.

روشهای مدلسازی تحلیلی (AM).با AM، یک مدل تحلیلی از شی به شکل معادلات جبری، دیفرانسیل، تفاضل محدود ایجاد می شود. مدل تحلیلی یا با روش های تحلیلی یا با روش های عددی بررسی می شود. روش های تحلیلی به دست آوردن ویژگی های سیستم به عنوان برخی از توابع پارامترهای عملکرد آن امکان پذیر است. استفاده از روش های تحلیلی تخمین نسبتاً دقیقی را ارائه می دهد که اغلب به خوبی با واقعیت مطابقت دارد. تغییر در حالات یک سیستم واقعی تحت تأثیر انواع عوامل خارجی و داخلی رخ می دهد که اکثریت قریب به اتفاق آنها ماهیت تصادفی دارند. در نتیجه این امر و پیچیدگی زیاد بسیاری از سیستم‌های واقعی، عیب اصلی روش‌های تحلیلی این است که هنگام استخراج فرمول‌هایی که بر اساس آن‌ها هستند و برای محاسبه پارامترهای مورد نظر استفاده می‌شوند، باید مفروضات خاصی انجام شود. با این حال، اغلب معلوم می شود که این فرضیات کاملاً موجه هستند.

روش های مدل سازی عددیتبدیل مدل به معادلاتی که حل آن با روش های ریاضی محاسباتی امکان پذیر است. کلاس مسائل بسیار گسترده‌تر است، اما روش‌های عددی راه‌حل‌های دقیقی را ارائه نمی‌دهند، اما به فرد اجازه می‌دهند تا دقت راه‌حل را تنظیم کند.

روش های شبیه سازی مدل سازی (IM).با توسعه فناوری رایانه، روش های شبیه سازی به طور گسترده ای برای تجزیه و تحلیل سیستم هایی که در آنها تأثیرات تصادفی غالب است، استفاده شده است.

ماهیت IM این است که فرآیند عملکرد سیستم را در زمان شبیه سازی کند، با رعایت همان نسبت های مدت زمان عملیات مانند سیستم اصلی. در عین حال، پدیده های ابتدایی که فرآیند را تشکیل می دهند تقلید می شوند: ساختار منطقی آنها، توالی جریان در زمان حفظ می شود. نتیجه IM بدست آوردن تخمین هایی از ویژگی های سیستم است.

رابرت شانون، دانشمند مشهور آمریکایی، تعریف زیر را ارائه می‌کند: «شبیه‌سازی فرآیند ساخت مدلی از یک سیستم واقعی و انجام آزمایش‌هایی بر روی این مدل به منظور درک رفتار سیستم یا ارزیابی (در محدوده‌های تحمیلی) است. با یک معیار یا مجموعه ای از معیارها) استراتژی های مختلفی که عملکرد این سیستم را تضمین می کند." تمام مدل های شبیه سازی از اصل جعبه سیاه استفاده می کنند. این بدان معنی است که آنها سیگنال خروجی سیستم را هنگامی که مقداری سیگنال ورودی وارد سیستم می شود تولید می کنند. بنابراین، بر خلاف مدل های تحلیلی، برای به دست آوردن اطلاعات یا نتایج لازم، لازم است مدل های شبیه سازی «اجرا» شوند، یعنی دنباله خاصی از سیگنال ها، اشیاء یا داده ها را به ورودی مدل داده و اطلاعات خروجی را ثابت کنیم. ، و آنها را "حل" نکنید. نوعی "انتخاب" از حالات شی مدل سازی وجود دارد (حالت ها ویژگی های سیستم در نقاط خاصی از زمان هستند) از فضای (مجموعه) حالت ها (مجموعه همه مقادیر ممکن حالت ها) . میزانی که این نمونه نماینده است، میزان مطابقت نتایج شبیه‌سازی با واقعیت خواهد بود. این نتیجه گیری اهمیت روش های آماری برای ارزیابی نتایج شبیه سازی را نشان می دهد. بنابراین، مدل‌های شبیه‌سازی راه‌حل خود را به شکلی که در مدل‌های تحلیلی اتفاق می‌افتد، تشکیل نمی‌دهند، بلکه تنها می‌توانند به عنوان وسیله‌ای برای تجزیه و تحلیل رفتار سیستم تحت شرایطی که توسط آزمایشگر تعیین می‌شود، عمل کنند.

استفاده از مدل سازی شبیه سازی تحت شرایط خاصی توصیه می شود. این شرایط توسط R. Shannon تعریف شده است:

هیچ فرمول ریاضی کاملی برای این مسئله وجود ندارد یا روش های تحلیلی برای حل مدل ریاضی فرموله شده هنوز ایجاد نشده است. بسیاری از مدل های صف در این دسته قرار می گیرند.

روش‌های تحلیلی در دسترس هستند، اما رویه‌های ریاضی آنقدر پیچیده و زمان‌بر هستند که شبیه‌سازی راه آسان‌تری برای حل مسئله فراهم می‌کند.

علاوه بر ارزیابی پارامترهای خاص، نظارت بر پیشرفت فرآیند بر روی یک مدل شبیه سازی برای دوره زمانی مورد نیاز مطلوب است.

مزیت اضافی مدل سازی شبیه سازی را می توان گسترده ترین امکانات کاربرد آن در زمینه آموزش و پرورش دانست. توسعه و استفاده از یک مدل شبیه‌سازی به آزمایشگر اجازه می‌دهد تا فرآیندها و موقعیت‌های واقعی روی مدل را ببیند و "بازی" کند.

شناسایی تعدادی از مشکلاتی که در فرآیند مدل سازی سیستم ها به وجود می آید ضروری است. محقق باید بر روی آنها تمرکز کند و سعی کند آنها را حل کند تا از به دست آوردن اطلاعات غیر قابل اعتماد در مورد سیستم مورد مطالعه جلوگیری کند.

اولین مشکل، که در روش های مدل سازی تحلیلی نیز صدق می کند، یافتن «میانگین طلایی» بین ساده سازی و پیچیدگی سیستم است. به گفته شانون، هنر مدل‌سازی عمدتاً شامل توانایی یافتن و کنار گذاشتن عواملی است که بر ویژگی‌های سیستم مورد مطالعه تأثیر نمی‌گذارند یا اندکی تأثیر نمی‌گذارند. یافتن این «سازش» تا حد زیادی به تجربه، صلاحیت و شهود محقق بستگی دارد. اگر مدل بیش از حد ساده شده باشد و برخی از عوامل مهم در نظر گرفته نشوند، احتمال به دست آوردن داده های اشتباه از این مدل زیاد است، از سوی دیگر، اگر مدل پیچیده باشد و شامل عواملی باشد که تأثیر کمی بر روی مدل داشته باشد. سیستم مورد مطالعه، سپس هزینه های ایجاد چنین مدلی و خطر خطا در ساختار منطقی مدل افزایش می یابد. بنابراین، قبل از ایجاد یک مدل، لازم است روی تجزیه و تحلیل ساختار سیستم و روابط بین عناصر آن، مطالعه کلیت اقدامات ورودی و پردازش دقیق داده های آماری موجود در مورد سیستم مورد مطالعه، کار زیادی انجام شود.

مشکل دوم بازتولید مصنوعی تأثیرات تصادفی محیطی است. این موضوع بسیار مهم است، زیرا اکثر سیستم‌های تولید پویا تصادفی هستند و هنگام مدل‌سازی آنها، بازتولید تصادفی بی‌طرفانه با کیفیت بالا ضروری است، در غیر این صورت، نتایج به‌دست‌آمده روی مدل ممکن است مغرضانه باشد و با واقعیت مطابقت نداشته باشد.

دو راه اصلی برای حل این مشکل وجود دارد: سخت افزار و نرم افزار (شبه تصادفی) تولید توالی های تصادفی. در راه سخت افزاری نسلاعداد تصادفی توسط یک دستگاه خاص تولید می شوند. به عنوان اثر فیزیکی زیربنای چنین مولدهای اعداد، نویز در دستگاه های الکترونیکی و نیمه هادی، پدیده های فروپاشی عناصر رادیواکتیو و غیره اغلب استفاده می شود، زمان شبیه سازی و همچنین عدم امکان به دست آوردن دنباله های یکسان از اعداد تصادفی. روش برنامه ایبر اساس شکل گیری اعداد تصادفی با استفاده از الگوریتم های خاص. این روش رایج ترین است، زیرا به دستگاه های خاصی نیاز ندارد و تکرار مکرر همان توالی ها را ممکن می کند. معایب آن خطا در مدل سازی توزیع اعداد تصادفی است که به دلیل این واقعیت است که رایانه با اعداد n بیتی (یعنی گسسته) کار می کند و تناوب توالی هایی که به دلیل به دست آوردن الگوریتمی آنها ایجاد می شود. بنابراین، توسعه روش هایی برای بهبود و معیارهایی برای بررسی کیفیت مولدهای توالی شبه تصادفی ضروری است.

مشکل سوم، ارزیابی کیفیت مدل و نتایج به دست آمده با کمک آن است (این مشکل برای روش های تحلیلی نیز مرتبط است). کفایت مدل ها را می توان با روش ارزیابی های خبره، مقایسه با سایر مدل ها (که قبلاً پایایی خود را تأیید کرده اند) با توجه به نتایج به دست آمده ارزیابی کرد. به نوبه خود، برای تأیید نتایج به دست آمده، برخی از آنها با داده های موجود مقایسه می شوند.

روش مدلسازیامیدوار کننده ترین روش تحقیق مستلزم سطح معینی از آموزش ریاضی از روانشناس است. در اینجا پدیده های ذهنی بر اساس تصویری تقریبی از واقعیت - مدل آن - مطالعه می شوند. این مدل این امکان را فراهم می کند که توجه روانشناس را فقط بر اصلی ترین و اساسی ترین ویژگی های روان متمرکز کند. یک مدل نماینده مجاز شی مورد مطالعه (پدیده ذهنی، فرآیند فکر و غیره) است. البته بهتر است فوراً یک دید کل نگر از پدیده مورد مطالعه بدست آوریم. اما این، به عنوان یک قاعده، به دلیل پیچیدگی اشیاء روانی غیرممکن است.

مدل با یک رابطه شباهت به اصلی خود مرتبط است.

شناخت اصل از دیدگاه روانشناسی از طریق فرآیندهای پیچیده تأمل ذهنی رخ می دهد. اصل و انعکاس روانی آن مانند یک شی و سایه آن به هم مرتبط هستند. شناخت کامل یک شی به صورت متوالی، مجانبی، از طریق یک زنجیره طولانی از شناخت تصاویر تقریبی انجام می شود. این تصاویر تقریبی مدل های اصلی قابل شناخت هستند.

نیاز به مدل سازی در روانشناسی زمانی به وجود می آید که:
- پیچیدگی سیستم شی یک مانع غیرقابل عبور برای ایجاد تصویر یکپارچه آن در تمام سطوح جزئیات است.
- مطالعه سریع موضوع روانشناختی به ضرر جزئیات اصلی مورد نیاز است.
- فرآیندهای ذهنی با سطح بالایی از عدم قطعیت در معرض مطالعه هستند و الگوهایی که از آنها تبعیت می کنند ناشناخته هستند.
- بهینه سازی شی مورد مطالعه با تغییر فاکتورهای ورودی مورد نیاز است.

وظایف مدلسازی:
- توصیف و تحلیل پدیده های ذهنی در سطوح مختلف سازمان ساختاری آنها.
- پیش بینی توسعه پدیده های ذهنی؛
- شناسایی پدیده های ذهنی، یعنی ایجاد شباهت ها و تفاوت های آنها.
- بهینه سازی شرایط برای جریان فرآیندهای ذهنی.

مختصری در مورد طبقه بندی الگوها در روانشناسی. مدل های موضوعی و نمادین را اختصاص دهید. عینی ماهیتی فیزیکی دارد و به نوبه خود به طبیعی و مصنوعی تقسیم می شود. اساس مدل های طبیعی نمایندگان حیات وحش است: مردم، حیوانات، حشرات. بیایید یک دوست واقعی انسان را به یاد بیاوریم - یک سگ که به عنوان الگویی برای مطالعه کار مکانیسم های فیزیولوژیکی انسان عمل کرد. در قلب مدل های مصنوعی عناصر "طبیعت دوم" وجود دارد که توسط کار انسانی ایجاد شده است. به عنوان مثال، می توان به هوموستات F. Gorbov و سایبرنومتر N. Obozov اشاره کرد که برای مطالعه فعالیت گروهی کاربرد دارند.

مدل های نشانه بر اساس سیستمی از نشانه ها ایجاد می شوند که ماهیت بسیار متفاوتی دارند. این:
- مدل های الفبایی، که در آن حروف و اعداد به عنوان علامت عمل می کنند (مثلاً، مدل تنظیم فعالیت های مشترک توسط N. N. Obozov)؛
- مدل های نمادهای خاص (به عنوان مثال، مدل های الگوریتمی فعالیت A.I. Gubinsky و G.V. Sukhodolsky در روانشناسی مهندسی یا یک نت موسیقی برای یک اثر موسیقی ارکسترال، که شامل تمام عناصر لازم است که کار مشترک پیچیده اجراکنندگان را همگام می کند).
- مدل های گرافیکی که شی را به شکل دایره ها و خطوط ارتباطی بین آنها توصیف می کنند (اولی می تواند به عنوان مثال وضعیت یک شی روانشناختی را بیان کند ، دومی - انتقال احتمالی از یک حالت به حالت دیگر).
- مدل های ریاضی با استفاده از زبان متنوع نمادهای ریاضی و داشتن طرح طبقه بندی خاص خود.
- مدل های سایبرنتیک بر اساس تئوری سیستم های کنترل و شبیه سازی خودکار، تئوری اطلاعات و غیره ساخته می شوند.

مدلسازی عبارت است از جایگزینی یک شی (اصل) با شی دیگر (مدل) و تثبیت یا مطالعه خواص اصلی با بررسی ویژگی های مدل.

مدل نمایشی از یک شی، سیستم یا مفهوم (ایده) به شکلی متفاوت از شکل وجود واقعی آنهاست.

مزایای مدلسازی تنها در صورتی قابل دستیابی است که شرایط نسبتاً واضح زیر برآورده شود:

این مدل به اندازه کافی ویژگی های اصلی را منعکس می کند، که از نقطه نظر هدف مطالعه ضروری است.

این مدل امکان حذف مشکلات ذاتی در انجام اندازه گیری بر روی اشیاء واقعی را فراهم می کند.

رویکردها (روش ها) به مدل سازی.

1) کلاسیک (القایی)سیستم را با حرکت از جزئی به کلی در نظر می گیرد، یعنی. مدل سیستم از پایین به بالا ساخته می‌شود و با ادغام مدل‌ها-عناصر سیستم‌های سازنده به طور جداگانه ساخته می‌شود.

2) سیستمیک. گذار از کلی به جزئی. هدف از مطالعه در قلب ساخت مدل است. از آن است که آنها پیش می روند و یک مدل ایجاد می کنند. هدف چیزی است که ما می خواهیم در مورد شی بدانیم.

اصول اولیه مدلسازی را در نظر بگیرید.

1) اصل کفایت اطلاعات. جمع آوری اطلاعاتی که سطح کافی از اطلاعات را فراهم کند، ضروری است.

2) اصل امکان سنجیمدل باید اطمینان حاصل کند که هدف در یک زمان معین واقع بینانه به دست می آید.

3) اصل تجمیع.یک سیستم پیچیده از زیرسیستم ها (جمعیت ها) برای یک گربه تشکیل شده است. می توانید مدل های مستقل بسازید و آنها را به یک مدل معمولی کاهش دهید. مدل انعطاف پذیر است. هنگام تغییر هدف، می توان از تعدادی ماژول کامپوننت استفاده کرد. مدل قابل اجرا است اگر

و
.

طبقه بندی روش های مدل سازی

1) بر اساس ماهیت فرآیندهای مورد مطالعه

قطعی - در طول عملکرد شی شبیه سازی شده، عوامل تصادفی در نظر گرفته نمی شوند (همه چیز از پیش تعیین شده است).

تصادفی - تأثیر عوامل مختلف را بر سیستم های واقعی موجود در نظر می گیرد

2) بر اساس توسعه در طول زمان

ایستا - رفتار یک شی در یک زمان خاص توصیف می شود

پویا - برای مدت زمان معین

3) با ارائه اطلاعات در مدل

گسسته - اگر رویدادهایی که منجر به تغییر حالت ها می شوند در یک نقطه زمانی خاص رخ دهند.

پیوسته، گسسته-پیوسته.

4) با توجه به شکل نمایش شی مدل سازی

ذهنی- اگر شی شبیه سازی وجود نداشته باشد یا خارج از شرایط ایجاد فیزیکی آن وجود داشته باشد.

الف) نمادین ایجاد یک شی منطقی که جایگزین واقعی می شود.

ب) ریاضی

تحلیلی. شی با استفاده از روابط تابعی، و به دنبال آن تلاشی برای به دست آوردن یک راه حل صریح توصیف می شود.

تقلید. الگوریتمی که عملکرد سیستم را توصیف می کند، روند عملکرد شی را در زمان بازتولید می کند. این روش آماری نیز نامیده می شود، زیرا آمار پدیده های شبیه سازی شده جمع آوری می شود. (بر اساس روش مونت کارلو - روش تست استاتیک)

ب) بصری

واقعی- شی وجود دارد.

طبیعی. متخصص بر روی خود شی شبیه سازی انجام می شود. رایج ترین شکل آزمایش است.

ب) فیزیکی تحقیقات در حال انجام است تاسیسات، فرآیندها در گربه. آنها شباهت فیزیکی با فرآیندهای موجود در اشیاء واقعی دارند.

مدل تحلیلی را می توان با روش های زیر بررسی کرد:

آ) تحلیلی: تلاش برای به دست آوردن راه حل ها به صورت صریح (عمومی).

ب) عددی:یک راه حل عددی برای شرایط اولیه داده شده (ماهیت خصوصی راه حل ها) بدست آورید.

V) کیفیت:بدون داشتن راه حل صریح، می توان خواص راه حل را به صراحت یافت.

در مدل سازی شبیه سازی، الگوریتمی که عملکرد سیستم را توصیف می کند، فرآیند عملکرد شی را در زمان بازتولید می کند. این روش آماری نیز نامیده می شود، زیرا آمار پدیده های شبیه سازی شده جمع آوری می شود. (بر اساس روش مونت کارلو)