Modellezés a számítástechnikában - mi az? A modellezés típusai és szakaszai. A "modell", "modellezés" fogalmai, a modellek osztályozásának különféle megközelítései

Néha a modelleket programozási nyelven írják, de ez hosszú és költséges folyamat. Matematikai csomagok használhatók a modellezéshez, de a tapasztalat azt mutatja, hogy általában sok mérnöki eszköz hiányzik belőlük. Optimális a modellezési környezet használata.

Tanfolyamunkon . A kurzus során tapasztalt laborokat és demókat Stratum-2000 projektként kell futtatni.

A modernizálási lehetőség figyelembevételével készült modellnek természetesen vannak hátrányai, például a kódvégrehajtás alacsony sebessége. De vannak tagadhatatlan előnyei is. A modell szerkezete, kapcsolatok, elemek, alrendszerek láthatóak és elmenthetők. Mindig visszamehetsz és újra csinálhatsz valamit. A modelltervezési előzmények nyoma megmarad (de a modell hibakeresése során célszerű eltávolítani a szolgáltatási információkat a projektből). A vevőnek átadott modellt végül egy speciális automatizált munkaállomás (AWS) formájában lehet megtervezni, már programozási nyelven megírva, amelyben már elsősorban az interfészre, a sebesség paraméterekre és egyebekre fordítanak figyelmet. a fogyasztó számára fontos fogyasztói tulajdonságok. A munkaállomás természetesen drága dolog, ezért csak akkor kerül kiadásra, ha a megrendelő a szimulációs környezetben teljesen letesztelte a projektet, megtette az összes megjegyzést és vállalja, hogy többé nem változtat az igényein.

A modellezés mérnöki tudomány, problémamegoldó technológia. Ez a megjegyzés nagyon fontos. Mivel a technológia előre ismert minőséggel, garantált költségekkel és határidőkkel való eredmény elérésének módja, ezért a modellezés, mint tudományág:

• a problémamegoldás módjait tanulmányozza, vagyis mérnöki tudomány;
• egy univerzális eszköz, amely témakörtől függetlenül garantálja a probléma megoldását.

A modellezéshez kapcsolódó tantárgyak: programozás, matematika, műveletkutatás.

Programozás mert a modellt gyakran mesterséges hordozóra (gyurma, víz, tégla, matematikai kifejezések) valósítják meg, a számítógép pedig az egyik leguniverzálisabb információhordozó, ráadásul aktív (gyurmát, vizet, téglát utánoz, matematikai kifejezéseket számol, stb.). A programozás egy algoritmus nyelvi formában történő bemutatásának módja. Az algoritmus a gondolat, folyamat, jelenség ábrázolásának (reflektálásának) egyik módja egy mesterséges számítástechnikai környezetben, ami egy számítógép (von Neumann architektúra). Az algoritmus sajátossága, hogy tükrözze a műveletek sorrendjét. A szimuláció akkor használhat programozást, ha a modellezett objektum viselkedése könnyen leírható. Ha egyszerűbb egy objektum tulajdonságait leírni, akkor nehézkes a programozás. Ha a szimulációs környezet nem a Neumann-architektúra alapján épül fel, a programozás gyakorlatilag használhatatlan.

Mi a különbség az algoritmus és a modell között?

Az algoritmus egy probléma megoldásának folyamata lépések sorozatának megvalósításával, míg a modell egy objektum potenciális tulajdonságainak halmaza. Ha kérdést tesz fel a modellnek, és adja hozzá további feltételek kiindulási adatok formájában (más objektumokkal való kapcsolat, kezdeti feltételek, korlátozások), akkor azt a kutató az ismeretlenek vonatkozásában fel tudja oldani. A probléma megoldásának folyamata egy algoritmussal ábrázolható (de más megoldási módok is ismertek). Általában az algoritmusok példái a természetben nem ismertek, ezek az emberi agy termékei, az elme, amely képes tervet felállítani. Maga az algoritmus a cselekvések sorozatává kibontott terv. Különbséget kell tenni a tárgyak természetes okokkal összefüggő viselkedése és az elme mestersége között, amely a mozgás menetét irányítja, az ismeretek alapján megjósolja az eredményt és megválasztja a megfelelő viselkedést.

modell + kérdés + további feltételek = feladat.

A matematika olyan tudomány, amely szabványos (kanonikus) formára redukálható modellek kiszámítására ad lehetőséget. Az analitikus modellek megoldásának tudománya (analízis) formális transzformációk segítségével.

Operációkutatás olyan diszciplína, amely módszereket valósít meg a modellek tanulmányozására abból a szempontból, hogy megtalálja a modelleken a legjobb ellenőrzési műveleteket (szintézis). Leginkább analitikus modellekkel foglalkozik. Segít a döntések meghozatalában épített modellek segítségével.

Tervezze meg az objektum létrehozásának folyamatát és modelljét; a tervezési eredmény értékelésének módszerének modellezése; nincs modellezés tervezés nélkül.

A modellezéshez kapcsolódó tudományágak az elektrotechnika, a közgazdaságtan, a biológia, a földrajz és mások abban az értelemben, hogy modellezési módszereket használnak saját alkalmazott tárgyuk tanulmányozására (például tájmodell, elektromos áramköri modell, pénzáramlási modell). stb.).

Példaként nézzük meg, hogyan észlelhet és írhat le egy mintát.

Tegyük fel, hogy meg kell oldanunk a „Vágásfeladatot”, azaz meg kell jósolnunk, hogy hány egyenes formájú vágásra lesz szükség ahhoz, hogy az ábrát (1.16. ábra) adott számú darabra osztjuk (pl. , elég, ha az ábra konvex).

Próbáljuk meg kézzel megoldani ezt a problémát.

ábrából. 1.16 látható, hogy 0 vágással 1 darabot formálnak, 1 vágással 2 darabot formálnak, kettővel 4, hárommal 7, négyzel 11. Meg tudod most előre megmondani, hány vágásra lesz szükség a formázáshoz , például 821 darab ? Nem hiszem! Miért van nehéz dolgod? Nem ismered a mintát K = f(P) , Ahol K darabszám, P vágások száma. Hogyan lehet felismerni a mintát?

Készítsünk egy táblázatot, amely összekapcsolja az ismert darabszámokat és vágásokat.

Bár a minta nem egyértelmű. Ezért vegyük figyelembe az egyes kísérletek közötti különbségeket, nézzük meg, miben tér el az egyik kísérlet eredménye a másiktól. Ha megértjük a különbséget, meg fogjuk találni a módját, hogy az egyik eredménytől a másikig haladjunk, vagyis az összekötő törvényhez KÉs P .

Valami szabályszerűség már megjelent, nem?

Számítsuk ki a második különbségeket.

Most minden egyszerű. Funkció f hívott generáló funkció. Ha lineáris, akkor az első különbségek egyenlőek egymással. Ha másodfokú, akkor a második különbségek egyenlőek egymással. Stb.

Funkció f Van egy speciális esete a Newton-képletnek:

Esély a , b , c , d , e a miénkért négyzetes funkciókat f a kísérleti táblázat sorainak első celláiban találhatók 1.5.

Tehát van egy minta, és ez a következő:

K = a + b · p + c · p · ( p 1)/2 = 1 + p + p · ( p 1)/2 = 0,5 p 2 + 0,5 p + 1 .

Most, hogy a mintát meghatároztuk, megoldhatjuk az inverz problémát, és megválaszolhatjuk a kérdést: hány vágást kell elvégezni, hogy 821 darabot kapjunk? K = 821 , K= 0,5 p 2 + 0,5 p + 1 , p = ?

Megoldunk egy másodfokú egyenletet 821 = 0,5 p 2 + 0,5 p + 1 , keresse meg a gyökereket: p = 40 .

Foglaljuk össze (erre figyeljünk!).

Nem tudtuk azonnal rájönni a megoldásra. A kísérlet nehéznek bizonyult. Muszáj volt felépíteni egy modellt, vagyis mintát találni a változók között. A modell egyenlet formájában derült ki. Azzal, hogy az egyenlethez egy kérdést és egy ismert feltételt tükröző egyenletet adtak, problémát alkottak. Mivel kiderült, hogy a probléma tipikus típusú (kanonikus), így az ismert módszerek valamelyikével megoldható volt. Ezért a probléma megoldódott.

És azt is nagyon fontos megjegyezni, hogy a modell ok-okozati összefüggéseket tükröz. Valóban szoros kapcsolat van a felépített modell változói között. Az egyik változó változása a másik változását vonja maga után. Korábban elmondtuk, hogy „a modell rendszeralkotó és jelentésformáló szerepet tölt be a tudományos ismeretekben, lehetővé teszi a jelenség, a vizsgált tárgy szerkezetének megértését, az ok és okozat egymás közötti kapcsolatának megállapítását”. Ez azt jelenti, hogy a modell lehetővé teszi a jelenségek okainak, összetevői kölcsönhatásának természetének meghatározását. A modell törvényeken keresztül kapcsolja össze az okokat és következményeket, azaz a változókat egyenletek vagy kifejezések kapcsolják össze.

De!!! Maga a matematika nem teszi lehetővé a kísérletek eredményeiből törvények vagy modellek levezetését., ahogy az imént vizsgált példa után tűnhet. A matematika csak egy tárgy, egy jelenség tanulmányozásának módja, és ráadásul egy a sok lehetséges gondolkodásmód közül. Létezik még például vallásos módszer, vagy művészek által használt módszer, érzelmi-intuitív, ezek segítségével tanulják meg a világot, a természetet, az embereket, önmagukat is.

Tehát az A és B változók kapcsolatára vonatkozó hipotézist magát a kutatót is meg kell ismertetni, ráadásul kívülről. Hogyan csinálja az ember? Könnyű egy hipotézis bevezetését tanácsolni, de hogyan kell ezt megtanítani, megmagyarázni ezt a cselekvést, ami ismét azt jelenti, hogyan kell formalizálni? Ezt részletesen bemutatjuk a „Mesterséges intelligencia rendszerek modellezése” című leendő kurzuson.

De miért kell ezt kívülről, külön-külön, kiegészítésképpen és azon túlmenően megtenni, most elmagyarázzuk. Ez az érvelés Gödel nevéhez fűződik, aki bebizonyította, hogy a hiányossági tételt nem lehet bizonyítani egy bizonyos elmélet (modell) helyességét ugyanazon elmélet (modell) keretein belül. Nézze meg még egyszer az ábrát. 1.12. A magasabb szintű modell átalakul egyenértékű alacsonyabb szintű modell egyik nézetből a másikba. Vagy újra generál egy alacsonyabb szintű modellt a megfelelő leírása szerint. De nem tudja átalakítani magát. A modell építi a modellt. És ez a modellek (elméletek) piramisa végtelen.

Addig is, hogy „ne robbantsa ki a hülyeségeket”, résen kell lenni, és józan ésszel ellenőrizni kell mindent. Mondjunk egy példát, egy régi, jól ismert viccet a fizikusok folklórjából.

A matematikai modellezés analitikusra, numerikusra és szimulációra osztható.

Történelmileg először az analitikus modellezési módszereket fejlesztették ki, és kialakult a rendszerek vizsgálatának analitikus megközelítése.

Analitikai modellezési módszerek (AM). Az AM segítségével az objektum analitikus modellje jön létre algebrai, differenciál- és véges-differenciális egyenletek formájában. Az analitikai modell vizsgálata vagy analitikai módszerekkel, vagy numerikus módszerekkel történik. Az analitikai módszerek lehetővé teszik a rendszer jellemzőinek, mint működési paramétereinek néhány függvényének meghatározását. Az analitikai módszerek alkalmazása meglehetősen pontos becslést ad, amely gyakran jól megfelel a valóságnak. Egy valós rendszer állapotának változása számos külső és belső tényező hatására következik be, amelyek túlnyomó többsége sztochasztikus jellegű. Ebből és a sok valós rendszer nagy bonyolultságából adódóan az analitikai módszerek fő hátránya, hogy bizonyos feltételezéseket kell tenni az alapjául szolgáló képletek származtatása során, amelyek alapján a kérdéses paramétereket számítják. Gyakran azonban kiderül, hogy ezek a feltételezések igencsak jogosak.

Numerikus modellezési módszerek. A modell átalakítása egyenletekre, amelyek megoldása a számítási matematika módszereivel lehetséges. A feladatok osztálya jóval szélesebb, de a numerikus módszerek nem adnak pontos megoldást, hanem lehetővé teszik a megoldás pontosságának beállítását.

A modellezés szimulációs módszerei (IM). A számítástechnika fejlődésével a szimulációs módszereket széles körben alkalmazzák olyan rendszerek elemzésére, amelyekben sztochasztikus hatások érvényesülnek.

Az IM lényege, hogy a rendszer működési folyamatát időben szimulálja, a működési időtartam ugyanazon arányait betartva, mint az eredeti rendszerben. Ugyanakkor a folyamatot alkotó elemi jelenségeket utánozzák: megőrzik logikai szerkezetüket, az időbeni áramlási sorrendet. Az IM eredménye a rendszer jellemzőinek becslése.

A jól ismert amerikai tudós, Robert Shannon a következő definíciót adja: „A szimuláció egy valós rendszer modelljének felépítésének és ezen a modellen végzett kísérleteknek a folyamata annak érdekében, hogy megértsük a rendszer viselkedését, vagy értékeljük (a megszabott határokon belül). valamilyen kritérium vagy kritériumrendszer alapján) különféle stratégiák, amelyek biztosítják ennek a rendszernek a működését." Minden szimulációs modell a fekete doboz elvét használja. Ez azt jelenti, hogy akkor állítják elő a rendszer kimeneti jelét, amikor valamilyen bemeneti jel belép abba. Ezért az analitikus modellektől eltérően a szükséges információk vagy eredmények megszerzéséhez szimulációs modelleket kell „futtatni”, azaz jelek, objektumok vagy adatok meghatározott sorozatát kell a modell bemenetére ellátni, és a kimeneti információkat rögzíteni. , és nem „megoldani” őket. Van egyfajta "kiválasztás" a modellező objektum állapotainak (az állapotok a rendszer tulajdonságai adott időpontokban) az állapotok teréből (halmazából) (az állapotok összes lehetséges értékének halmaza) . Az, hogy ez a minta mennyire reprezentatív, attól függ, hogy a szimulációs eredmények mennyire felelnek meg a valóságnak. Ez a következtetés megmutatja a statisztikai módszerek fontosságát a szimulációs eredmények értékelésében. A szimulációs modellek tehát nem alkotnak saját megoldást abban a formában, ahogyan az analitikus modellekben történik, hanem csak eszközül szolgálhatnak a rendszer viselkedésének elemzéséhez a kísérletező által meghatározott feltételek mellett.

Szimulációs modellezés használata bizonyos feltételek mellett tanácsos. Ezeket a feltételeket R. Shannon határozza meg:

Ennek a problémának nincs teljes matematikai megfogalmazása, vagy még nem dolgoztak ki analitikai módszereket a megfogalmazott matematikai modell megoldására. Sok sorban álló modell tartozik ebbe a kategóriába.

Elemzési módszerek állnak rendelkezésre, de a matematikai eljárások olyan bonyolultak és időigényesek, hogy a szimuláció könnyebben megoldja a problémát.

Egyes paraméterek értékelése mellett kívánatos a folyamat előrehaladását szimulációs modellen követni a kívánt időtartamra.

A szimulációs modellezés további előnyének tekinthető az oktatás és képzés területén való alkalmazásának legszélesebb lehetősége. A szimulációs modell fejlesztése és használata lehetővé teszi a kísérletező számára, hogy valós folyamatokat és helyzeteket lásson és „játszson ki” a modellen.

Számos olyan problémát kell azonosítani, amelyek a rendszerek modellezése során merülnek fel. A kutatónak ezekre kell összpontosítania, és meg kell próbálnia megoldani azokat, nehogy megbízhatatlan információhoz jusson a vizsgált rendszerről.

Az első probléma, amely az analitikus modellezési módszerekre is vonatkozik, az "arany középút" megtalálása a rendszer egyszerűsítése és bonyolultsága között. Shannon szerint a modellezés művészete főként abból áll, hogy képesek vagyunk megtalálni és elvetni azokat a tényezőket, amelyek nem, vagy csak kismértékben befolyásolják a vizsgált rendszer jellemzőit. Ennek a „kompromisszumnak” a megtalálása nagyban függ a kutató tapasztalatától, képzettségétől és intuíciójától. Ha a modell túlságosan leegyszerűsített, és néhány jelentős tényezőt nem veszünk figyelembe, akkor nagy a valószínűsége annak, hogy ebből a modellből hibás adatokat kapunk, másrészt, ha a modell összetett, és olyan tényezőket tartalmaz, amelyeknek csekély hatása van a modellre. a vizsgált rendszert, akkor az ilyen modell létrehozásának költségei és a modell logikai struktúrájában bekövetkező hibák kockázata nő. Ezért egy modell létrehozása előtt sokat kell dolgozni a rendszer szerkezetének és elemei közötti kapcsolatok elemzésén, a bemeneti műveletek összességének tanulmányozásán, valamint a vizsgált rendszerről rendelkezésre álló statisztikai adatok gondos feldolgozásával.

A második probléma a véletlenszerű környezeti hatások mesterséges újratermelése. Ez a kérdés nagyon fontos, mivel a legtöbb dinamikus termelési rendszer sztochasztikus, és modellezésüknél a véletlenszerűség jó minőségű, torzítatlan reprodukálása szükséges, ellenkező esetben a modellen kapott eredmények torzak lehetnek, és nem felelnek meg a valóságnak.

A probléma megoldásának két fő módja van: véletlen sorozatok hardveres és szoftveres (pszeudovéletlen) generálása. Nál nél hardveres módon generáció véletlen számokat egy speciális eszköz generál. Az ilyen számgenerátorok mögött meghúzódó fizikai hatásként leggyakrabban az elektronikus és félvezető eszközökben fellépő zaj, a radioaktív elemek bomlásának jelenségei stb. szerepelnek, a szimulációs idő, valamint az azonos véletlenszám-sorozatok beszerzésének lehetetlensége. Programozott módon véletlen számok képzése alapján speciális algoritmusok segítségével. Ez a módszer a leggyakoribb, mivel nem igényel speciális eszközöket, és lehetővé teszi ugyanazon szekvenciák ismételt reprodukálását. Hátránya a véletlen számok eloszlásának modellezési hibája, amely abból adódik, hogy a számítógép n-bites számokkal (azaz diszkréttel) működik, valamint a sorozatok periodicitása, amely az algoritmikus megszerzésük miatt keletkezik. Ezért szükséges a pszeudo-véletlen szekvenciagenerátorok minőségének javítására szolgáló módszerek és kritériumok kidolgozása.

A harmadik, legnehezebb probléma a modell minőségének és a segítségével kapott eredmények értékelése (ez a probléma az analitikai módszereknél is releváns). A modellek megfelelősége szakértői értékelések módszerével, a kapott eredmények alapján más modellekkel (amelyek már megerősítették a megbízhatóságát) összehasonlítással értékelhető. A kapott eredmények ellenőrzése érdekében néhányat összehasonlítanak a már rendelkezésre álló adatokkal.

Modellezési módszer a legígéretesebb kutatási módszer bizonyos szintű matematikai felkészültséget igényel a pszichológustól. Itt a mentális jelenségeket a valóság közelítő képe - annak modellje - alapján tanulmányozzák. A modell lehetővé teszi, hogy a pszichológus figyelmét csak a psziché fő, leglényegesebb jellemzőire irányítsa. A modell a vizsgált tárgy (mentális jelenség, gondolkodási folyamat stb.) felhatalmazott képviselője. Természetesen jobb, ha azonnal holisztikus képet kapunk a vizsgált jelenségről. De ez általában lehetetlen a pszichológiai objektumok összetettsége miatt.

A modell hasonlósági reláción keresztül kapcsolódik az eredetihez.

Az eredeti megismerése a pszichológia szemszögéből a mentális reflexió összetett folyamatain keresztül történik. Az eredeti és pszichés tükröződése úgy kapcsolódik egymáshoz, mint egy tárgy és annak árnyéka. Egy tárgy teljes megismerése szekvenciálisan, aszimptotikusan, közelítő képek hosszú megismerési láncán keresztül történik. Ezek a hozzávetőleges képek a felismerhető eredeti modelljei.

A modellezés szükségessége a pszichológiában akkor merül fel, ha:
- az objektum rendszerkomplexitása leküzdhetetlen akadálya annak, hogy a részletgazdagság minden szintjén egységes képet hozzon létre;
- a pszichológiai tárgy gyors tanulmányozása szükséges az eredeti részletességének rovására;
- a nagyfokú bizonytalansággal járó mentális folyamatokat tanulmányozzák, és nem ismertek azok a minták, amelyeknek engedelmeskednek;
- a vizsgált objektum optimalizálása szükséges a bemeneti tényezők változtatásával.

Modellezési feladatok:
- a mentális jelenségek leírása és elemzése szerkezeti szerveződésük különböző szintjein;
- a mentális jelenségek fejlődésének előrejelzése;
- mentális jelenségek azonosítása, azaz hasonlóságaik és különbségeik megállapítása;
- a mentális folyamatok lefolyásának feltételeinek optimalizálása.

Röviden a modellek osztályozásáról a pszichológiában. Állítsa be a tárgyi és szimbolikus modelleket. A célnak fizikai természete van, és természetes és mesterségesre oszlik. A természetes modellek alapja a vadon élő állatok képviselői: emberek, állatok, rovarok. Emlékezzünk vissza az ember igaz barátjára - egy kutyára, amely modellként szolgált az emberi fiziológiai mechanizmusok munkájának tanulmányozásához. A mesterséges modellek középpontjában az emberi munka által létrehozott "második természet" elemei állnak. Példaként említhetjük F. Gorbov homeosztátját és N. Obozov kibernométerét, amelyek a csoporttevékenység tanulmányozására szolgálnak.

A jelmodelleket egy nagyon eltérő jellegű jelrendszer alapján hozzák létre. Ez:
- alfanumerikus modellek, ahol a betűk és a számok jelként működnek (ilyen például N. N. Obozov közös tevékenységeinek szabályozási modellje);
- speciális szimbólumok modelljei (például A. I. Gubinsky és G. V. Sukhodolsky tevékenységének algoritmikus modelljei a mérnöki pszichológiában vagy egy zenekari zenei mű zenei lejegyzése, amely tartalmazza az összes szükséges elemet, amely szinkronizálja az előadók összetett közös munkáját);
- grafikus modellek, amelyek az objektumot körök és a köztük lévő kommunikációs vonalak formájában írják le (az előbbi például egy pszichológiai tárgy állapotát fejezheti ki, az utóbbi - lehetséges átmenetek egyik állapotból a másikba);
- matematikai modellek, amelyek a matematikai szimbólumok változatos nyelvét használják, és saját osztályozási sémával rendelkeznek;
- kibernetikai modellek épülnek az automatikus vezérlő és szimulációs rendszerek elmélete, információelmélet stb.

A modellezés egy objektum (eredeti) helyettesítése egy másikkal (modellel), és az eredeti tulajdonságainak rögzítése vagy tanulmányozása a modell tulajdonságainak vizsgálatával.

A modell egy tárgynak, rendszernek vagy fogalomnak (ideának) valós létezésük formájától eltérő formában való megjelenítése.

A modellezés előnyei csak akkor érhetők el, ha a következő meglehetősen nyilvánvaló feltételek teljesülnek:

A modell megfelelően tükrözi az eredeti tulajdonságait, a vizsgálat célja szempontjából lényeges;

A modell lehetővé teszi a valós tárgyakon végzett mérések során felmerülő problémák kiküszöbölését.

A modellezés megközelítései (módszerei).

1) Klasszikus (induktív)úgy tekinti a rendszert, hogy a sajátostól az általános felé halad, azaz. a rendszer modellje alulról felfelé épül fel, és az alkotó rendszerek külön-külön kidolgozott modellelemeinek összevonásával szintetizálódik.

2) Szisztémás. Átmenet az általánosról a különlegesre. A tanulmány célja a modellalkotás középpontjában áll. Ebből indulnak ki, modellt alkotva. A cél az, amit tudni akarunk az objektumról.

Fontolja meg a modellezés alapelveit.

1) Az információ elegendőségének elve. Olyan információkat kell gyűjteni, amelyek megfelelő szintű információt nyújtanak.

2) A megvalósíthatóság elve. A modellnek biztosítania kell, hogy a cél reálisan megadott időn belül megvalósuljon.

3) Az összesítés elve. Egy összetett rendszer alrendszerekből (aggregátumokból) áll, egy kat. Független modelleket készíthet, és közös modellré redukálhatja őket. A modell rugalmas. A cél megváltoztatásakor számos komponens modul használható. A modell megvalósítható, ha

És
.

Modellezési módszerek osztályozása.

1) A vizsgált folyamatok természete szerint

Determinisztikus - a szimulált objektum működése során a véletlenszerű tényezőket nem veszik figyelembe (minden előre meghatározott).

Sztochasztikus – figyelembe veszi a különféle tényezők hatását a meglévő valós rendszerekre

2) Az időbeli fejlődés alapján

Statikus - egy objektum viselkedését egy adott időpontban írják le

Dinamikus - egy bizonyos ideig

3) Információk bemutatásával a modellben

Diszkrét – ha az állapotváltozáshoz vezető események egy adott időpontban történnek.

Folyamatos, diszkrét-folytonos.

4) A modellező objektum ábrázolási formája szerint

szellemi- ha a szimulációs objektum nem létezik, vagy a fizikai létrehozásának feltételein kívül létezik.

A) szimbolikus. A valódit helyettesítő logikai objektum létrehozása.

B) Matematikai

Elemző. Az objektumot funkcionális relációk segítségével írjuk le, majd egy kísérletet teszünk egy explicit megoldás megszerzésére.

Utánzás. A rendszer működését leíró algoritmus időben reprodukálja az objektum működésének folyamatát. Ezt a módszert statisztikainak is nevezik, mivel a szimulált jelenségek statisztikáit összegyűjtik. (Monte Carlo módszer alapján - statikus vizsgálati módszer)

B) vizuális

Igazi- az objektum létezik.

A) természetes. A szakértőt magán a szimulációs objektumon végzik. A leggyakoribb forma a tesztelés.

B) fizikai. Kutatások folynak a Telepítések, folyamatok a macskában. Fizikai hasonlóságuk van a valós tárgyakban zajló folyamatokkal.

Az analitikai modell a következő módszerekkel tárható fel:

A) elemző: kísérlet explicit formában (általános) megoldások megszerzésére;

b) számszerű: numerikus megoldást kapni adott kezdeti feltételekre (a megoldások privát jellege);

V) minőség: explicit megoldás nélkül explicit módon megtalálhatjuk a megoldás tulajdonságait.

A szimulációs modellezés során a rendszer működését leíró algoritmus időben reprodukálja az objektum működésének folyamatát. Ezt a módszert statisztikainak is nevezik, mivel a szimulált jelenségek statisztikáit összegyűjtik. (Monte Carlo módszer alapján)