Анализ методов решения математических моделей

Если построена математическая модель физического объекта, то его можно решить различными методами и применением информационных технологий. Существуют различные методы и технологии моделирования физических объектов, явлений и процессов:

аналитический метод;

численный метод (создание дискретного аналога математической модели) и дальнейшее решение его методом программирования на языках Паскаль, Фортран, СИ, Бейсик и др. и обработкой результатов на графических пакетах Grafer, Origin и др.;

метод Монте-Карло;

использование интегрированных математических пакетов Мaple, MathCAD, Mat LAB, Mathematica и др.;

использование пакета Excel – как инструмента для решения математических и физических задач.

использование информационных систем Electronics Workbench, Simulink+MatLab, Vissim, AutoCAD и др.

Прежде чем мы перейдем к последовательному изучению этих методов и технологий рассмотрим идеологию решения математической задачи различными методами и отметим их основные недостатки, возможности и достоинства.

Первый метод – аналитический, который дает решение математической модели физической задачи либо в виде компактной формулы, либо в виде разложения в ряды или интегралы по полному набору собственных функций какого-нибудь оператора.

Задача классического математика состоит в применении известных и разработке новых математических методов и способов для решения математической модели реального процесса или явления, чаще всего представленного в виде дифференциального, интегрального уравнения, системы дифференциальных или интегро-дифференциальных уравнений.

Аналитическое решение математической модели явления или процесса математики находят, применив различные приближения, т.е. на самом деле решают упрощенную задачу (модель). Корректность решения зависит от используемого приближения.

В большинстве случаев отсутствуют универсальные способы решения многих математических задач. Например, способ разложения в ряд по собственным функциям не работает при решении дифференциальных уравнений в частных производных, где переменные не разделяются. Применение интегральных преобразований Лапласа непригодно при решении обыкновенных дифференциальных уравнений с переменными коэффициентами. В квантовой механике точно решаются только задача для атома водорода.

Нет общих (универсальных) способов решения нелинейных дифференциальных уравнений в частных производных в задачах нелинейной оптики, а также решения интегральных уравнений замедления нейтронов и диффузии гамма квантов.

Любая задача имеет геометрические условия (плоскость, шар, цилиндр, эллипсоид и т.д.), которые записываются в виде начальных и граничных условий для дифференциальных или геометрических областей в интегральных уравнениях. Усложнение геометрии задачи вызывает непреодолимые трудности в нахождении аналитических решений.

Достоинство аналитических методов состоит в том, что полученная аналитическая формула даже для упрощенной модели удовлетворительно характеризует суть явлений. Аналитические решения позволяют понять и наглядно представить основные закономерности особенно при изучении нового явления или процесса. Поэтому при математическом моделировании явлений на первом этапе используют аналитический способ первоначального анализа математической модели. Исследование объекта или явления обычно начинается с поиска возможных аналитических решений упрощенной математической модели. Полученные аналитические решения часто используются как тестовые модели для сравнения результатов решения математической модели, полученных с помощью численного метода и математических пакетов.

Численный метод, или метод прямого программирования связан с разработкой метода вычисления сформулированной математической задачи (создания или использования готового вычислительного алгоритма задачи). Дискретный аналог математической модели это разностные уравнения, представляющие собой совокупность цепочек алгебраических формул по которым ведутся вычисления, и логических условий, позволяющих установить нужную последовательность применения этих формул.

Использование численных моделей позволяет исправить часть недостатков аналитического метода, в частности:

Численное моделирование позволяет иногда решать математические модели реального процесса со сложной геометрией.

Имеется возможность решения более реальных математических моделей, моделирующие явление или процесс, т.е. решение нелинейных дифференциальных, систем дифференциальных уравнений в частных производных, интегральных уравнений.

Численный метод это приближенный метод решения, поэтому одним из существенных недостатков данного метода является оценка погрешности. Аналитическая оценка погрешности является чаще всего сложной процедурой, чем сам процесс решения, иногда она просто невозможна. В этих случаях для оценки погрешности используют вычислительный эксперимент или сравнение с аналитическими решениями и реальным натурным экспериментом.

Следующие методы решения математической модели – это применение информационных систем и математических пакетов (MathCAD, Maple, Mat LAB и т.д.).

Математические системы MathCAD, Maple, Math Lab и другие пакеты являются отражением разработанных математических методов, т.е. в данных системах систематизированы и заложены практически все методы численного решения, а также и в частности дифференциальных уравнений различного типа, как в виде разложения в ряды или преобразования Лапласа, так и методы.

Применение математических систем позволяют модельщикам оперативно оценить решения простых упрощенных моделей, представить закономерности изучаемого явления. Эти работы позволят перейти к выбору метода и способа решения более реалистической математической модели и полномасштабному исследованию реального явления или процесса.

Достоинство применения математических пакетов состоит в сокращении времени решения математической задачи. Недостаток на сегодняшний день заключаются в ограниченности методов решения систем дифференциальных и интегральных уравнений, в частности систем нелинейных уравнений в частных производных.

При компьютерном моделировании с помощью математических систем важен также субъективный фактор, глубокое знание и освоение технологий математического моделирования в системах MathCAD, Maple, Math Lab и в других пакетах существенно отражается в оперативности решения физической задачи.

Метод Монте-Карло является одним из мощных методов численного решения математических задач. Особенно в тех случаях, когда проблему невозможно решить как аналитическими, так и приближенными методами.

Таких задач, решения которых необходимы для физических, экономических, педагогико - психологических, производственных и других областей в настоящее время достаточно много и одним из направлений развития математических методов является применение метода Монте-Карло (вероятностно- имитационного, статистического моделирования).

Все перечисленные выше недостатки аналитических и классических приближенных методов отсутствуют в методе Монте-Карло:

- метод универсален,

- нет сложностей в выборе геометрии выбранной задачи,

- метод является прямой математической моделью реального процесса, достаточно описать имитирующий вероятностный процесс,

- нет необходимости создания математической модели в виде интегрального или дифференциального уравнения или их комбинаций,

- точность в оценке погрешности слабо зависит от размерности пространства и памяти ЭВМ.

Основной недостаток метода Монте-Карло заключается в оценке погрешности, точнее в её определении. Погрешность в определении искомой величины методом Монте-Карло определяется статистической погрешностью (1.21-1.22) которую можно записать как

Из этой формулы следует, что число испытаний N должно быть достаточно большим. Сложность в определении погрешности вычисления методом Монте-Карло состоит в определении коэффициента с в числителе. Во многих задачах применение аналитических методов позволяет определить и уменьшить значение коэффициента с. В этом случае использование метода Монте-Карло позволяет получить не только количественные характеристики, но и необходимых качественные закономерности.

Второй недостаток метода связан с необходимостью проведения однотипных расчетов для нескольких серий экспериментов на ЭВМ, их количество связано с количеством испытаний N₁ × N₂, где N₁ – количество испытаний для одной серии, N₂ - количество серий экспериментов. Этот недостаток фактически связан с быстродействием современных вычислительных машин.

Необходимость применения метода Монте-Карло при решении задач связана на наш взгляд со следующими причинами. Если задача не может быть решена с помощью как аналитических, так и классических приближенных численных методов, то необходимо подумать о применении метода статистических испытаний. Из опыта работы специалистов по методу Монте-Карло следуют два важных заключения [22]:

Нет такого классического приближенного метода расчета, который бы не мог быть усовершенствован превращением его в метод Монте-Карло.

Нет такой схемы Монте-Карло, которая бы не могла быть усовершенствована на основе известных аналитических решений, имеющихся для данного класса задач.

Таким образом, аналитические, приближенные методы и метод Монте-Карло развиваясь, зависят и взаимно дополняют друг друга.