Математическая модель примеры. Основы математических моделей

Математическая модел ь – это математическое представление реальности.

Математическое моделирование - процесс построения и изучения математических моделей.

Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его математической моделью и затем изучают последнюю.

Определения.

Никакое определение не может в полном объёме охватить реально существующую деятельность по математическому моделированию. Несмотря на это, определения полезны тем, что в них делается попытка выделить наиболее существенные черты.

Определение модели по А. А. Ляпунову: Моделирование - это опосредованное практическое или теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система:

находящаяся в некотором объективном соответствии с познаваемым объектом;

способная замещать его в определённых отношениях;

дающая при её исследовании, в конечном счёте, информацию о самом моделируемом объекте.

По учебнику Советова и Яковлева: «модель - это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.» «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием.» «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи.»

По Самарскому и Михайлову, математическая модель – это «эквивалент» объекта, отражающий в математической форме важнейшие его свойства: законы, которым он подчиняется, связи, присущие составляющим его частям, и т. д. Существует в триадах «модель-алгоритм-программа». Создав триаду «модель- алгоритм-программа», исследователь получает в руки универсальный, гибкий и недорогой инструмент, который вначале отлаживается, тестируется в пробных вычислительных экспериментах. После того, как адекватность триады исходному объекту установлена, с моделью проводятся разнообразные и подробные «опыты», дающие все требуемые качественные и количественные свойства и характеристики объекта.

По монографии Мышкиса: «Перейдём к общему определению. Пусть мы собираемся исследовать некоторую совокупность S свойств реального объекта a с

помощью математики. Для этого мы выбираем „математический объект“ a" - систему уравнений, или арифметических соотношений, или геометрических фигур, или комбинацию того и другого и т. д.,- исследование которого средствами математики и должно ответить на поставленные вопросы о свойствах S. В этих условиях a" называется математической моделью объекта a относительно совокупности S его свойств».

По Севостьянову А. Г. : «Математической моделью называется совокупность математических соотношений, уравнений, неравенств и т.п., описывающих основные закономерности, присущие изучаемому процессу, объекту или системе».

Несколько менее общее определение математической модели, основанное на идеализации «вход - выход - состояние», заимствованной из теории автоматов, даёт Wiktionary: «Абстрактное математическое представление процесса, устройства или теоретической идеи; оно использует набор переменных, чтобы представлять входы, выходы и внутренние состояния, а также множества уравнений и неравенств для описания их взаимодействия.»

Наконец, наиболее лаконичное определение математической модели: «Уравнение, выражающее идею.»

Формальная классификация моделей.

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов дихотомий:

Линейные или нелинейные модели; Сосредоточенные или распределённые системы; Детерминированные или стохастические; Статические или динамические; Дискретные или непрерывные.

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные, в другом – распределённые модели и т. д.

Классификация по способу представления объекта.

Наряду с формальной классификацией, модели различаются по способу представления объекта:

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение объекта. В их предельном выражении они называются также моделями «чёрного ящика» Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика».

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель. Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель, умозрительная модель или предмодель. При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели. Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т. п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий, создание содержательных моделей резко усложняется.

В работе Р. Пайерлса дана классификация математических моделей, используемых в физике и, шире, в естественных науках. В книге А. Н. Горбаня и Р. Г. Хлебопроса эта классификация проанализирована и расширена. Эта классификация сфокусирована, в первую очередь, на этапе построения содержательной модели.

Эти модели «представляют собой пробное описание явления, причем автор либо верит в его возможность, либо считает даже его истинным». По Р. Пайерлсу это, например, модель Солнечной системы по Птолемею и модель Коперника, модель атома Резерфорда и модель Большого Взрыва.

Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман:

«У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть.»

Если модель первого типа построена, то это означает что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только временной паузой: статус модели первого типа может быть только временным.

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус временных решений. Считается, что ответ всё ещё неизвестен и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до

статуса гипотезы. Аналогично, новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира, проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае - использование приближений. Среди них модели линейного отклика. Уравнения заменяются линейными. Стандартный пример - закон Ома.

Если мы используем модель идеального газа для описания достаточно разреженных газов, то это - модель типа 3. При более высоких плотностях газа тоже полезно представлять себе более простую ситуацию с идеальным газом для качественного понимания и оценок, но тогда это уже тип 4.

В модели типа 4 отбрасываются детали, которые могут заметно и не всегда контролируемо повлиять на результат. Одни и те же уравнения могут служить моделью типа 3 или 4 - это зависит от явления, для изучения которого используется модель. Так, если модели линейного отклика применяются при отсутствии более сложных моделей, то это уже феноменологические линейные модели, и относятся они к следующему типу 4.

Примеры: применение модели идеального газа к неидеальному, уравнение состояния Ван-дер-Ваальса, большинство моделей физики твердого тела, жидкостей и ядерной физики. Путь от микроописания к свойствам тел, состоящих из большого числа частиц, очень длинен. Приходится отбрасывать многие детали. Это приводит к моделям 4-го типа.

Эвристическая модель сохраняет лишь качественное подобие реальности и даёт предсказания только «по порядку величины». Типичный пример - приближение средней длины свободного пробега в кинетической теории. Оно даёт простые формулы для коэффициентов вязкости, диффузии, теплопроводности, согласующиеся с реальностью по порядку величины.

Но при построении новой физики далеко не сразу получается модель, дающая хотя бы качественное описание объекта - модель пятого типа. В этом случае часто используют модель по аналогии, отражающую действительность хоть в какой-нибудь черте.

Р. Пайерлс приводит историю использования аналогий в первой статье В. Гейзенберга о природе ядерных сил. «Это произошло после открытия нейтрона, и хотя сам В. Гейзенберг понимал, что можно описывать ядра состоящими из нейтронов и протонов, он не мог все же избавиться от мысли, что нейтрон должен в конечном счете состоять из протона и электрона. При этом возникала аналогия между взаимодействием в системе нейтрон - протон и взаимодействием атома водорода и протоном. Эта-то аналогия и привела его к заключению, что должны существовать обменные силы взаимодействия между нейтроном и протоном, которые аналогичны обменным силам в системе H − H , обусловленным переходом электрона между двумя протонами. … Позднее было все-таки доказано существование обменных сил взаимодействия между нейтроном и протоном, хотя ими не исчерпывалось полностью

взаимодействие между двумя частицами… Но, следуя все той же аналогии, В. Гейзенберг пришёл к заключению об отсутствии ядерных сил взаимодействия между двумя протонами и к постулированию отталкивания между двумя нейтронами. Оба последних вывода находятся в противоречии с данными более поздних исследований».

А. Эйнштейн был одним из великих мастеров мысленного эксперимента. Вот один из его экспериментов. Он был придуман в юности и, в конце концов, привел к построению специальной теории относительности. Предположим, что в классической физике мы движемся за световой волной со скоростью света. Мы будем наблюдать периодически меняющееся в пространстве и постоянное во времени электромагнитное поле. Согласно уравнениям Максвелла, этого быть не может. Отсюда юный Эйнштейн заключил: либо законы природы меняются при смене системы отсчета, либо скорость света не зависит от системы отсчета. Он выбрал второй - более красивый вариант. Другой знаменитый мысленный эксперимент Эйнштейна - Парадокс Эйнштейна - Подольского - Розена.

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципам и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов - геометрия Лобачевского. Другой пример - массовое производство формально - кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна - Подольского - Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа - демонстрацию возможности квантовой телепортации информации.

Рассмотрим механическую систему, состоящую из пружины, закрепленной с одного конца, и груза массой m, прикрепленного к свободному концу пружины. Будем считать, что груз может двигаться только в направлении оси пружины. Построим математическую модель этой системы. Будем описывать состояние системы расстоянием x от центра груза до его положения равновесия. Опишем взаимодействие пружины и груза с помощью закона Гука после чего воспользуемся вторым законом Ньютона, чтобы выразить его в форме дифференциального уравнения:

где означает вторую производную от x по времени..

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором».

По формальной классификации эта модель линейная, детерминисткая, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений, которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение, поскольку опущены некоторые существенные универсальные особенности. В некотором приближении, такая модель достаточно хорошо описывает реальную механическую систему, поскольку

отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная.

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия.

Жёсткие и мягкие модели.

Гармонический осциллятор - пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения, ε - некоторый малый параметр. Явный вид функции f нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой, задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида

То есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением, мы получим затухающие колебания. Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор - пример структурно-неустойчивой системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Универсальность моделей.

Важнейшие математические модели обычно обладают важным свойством универсальности: принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в U-образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем».

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных

тел из разных материалов, каждый материал задается как его стандартная механическая идеализация, после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача: структура модели и все её параметры считаются известными, главная задача - провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку, как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера, - вот типичные примеры прямой задачи. Постановка правильной прямой задачи требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Великобритании обрушился металлический мост через реку Тей, конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача: известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту. Дополнительные данные могут поступать независимо от процесса решения обратной задачи или быть результатом специально планируемого в ходе решения эксперимента.

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

В качестве другого примера можно привести математическую статистику. Задача этой науки - разработка методов регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений. Т.е. множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.

Компьютерные системы моделирования.

Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple, Mathematica, Mathcad, MATLAB, VisSim и др. Они позволяют создавать формальные и блочные модели как простых, так и сложных процессов и устройств и легко менять параметры моделей в ходе моделирования. Блочные модели представлены блоками, набор и соединение которых задаются диаграммой модели.

Дополнительные примеры.

Скорость роста пропорциональна текущему размеру популяции. Она описывается дифференциальным уравнением

где α - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция x = x0 e. Если рождаемость превосходит смертность, размер популяции неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности

ресурсов. При достижении некоторого критического объёма популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель, которая описывается дифференциальным уравнением Ферхюльста

где xs - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению xs , причем такое поведение структурно устойчиво.

Допустим, что на некоторой территории обитают два вида животных: кролики и лисы. Пусть число кроликов x, число лис y. Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Лотки - Вольтерра:

Эта система имеет равновесное состояние, когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым: малое изменение модели может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра - Лотки ответа не дает: здесь требуются дополнительные исследования.

Математическая модель - это система математических соотношений - формул, уравнений, неравенств и т.д., отражающих существенные свойства объекта или явления.

Всякое явление природы бесконечно в своей сложности . Проиллюстрируем это с помощью примера, взятого из книги В.Н. Тростникова "Человек и информация" (Издательство "Наука", 1970).

Обыватель формулирует математику задачу следующим образом: "Сколько времени будет падать камень с высоты 200 метров?" Математик начнет создавать свой вариант задачи приблизительно так: "Будем считать, что камень падает в пустоте и что ускорение силы тяжести 9,8 метра в секунду за секунду. Тогда..."

- Позвольте, - может сказать "заказчик", - меня не устраивает такое упрощение. Я хочу знать точно, сколько времени будет падать камень в реальных условиях, а не в несуществующей пустоте.

- Хорошо, - согласится математик. - Будем считать, что камень имеет сферическую форму и диаметр... Какого примерно он диаметра?

- Около пяти сантиметров. Но он вовсе не сферический, а продолговатый.

- Тогда будем считать, что он имеет форму эллипсоида с полуосями четыре, три и три сантиметра и что он падает так, что большая полуось все время остается вертикальной . Давление воздуха примем равным 760 мм ртутного столба , отсюда найдем плотность воздуха ...

Если тот, кто поставил задачу на "человеческом" языке не будет дальше вмешиваться в ход мысли математика, то последний через некоторое время даст численный ответ. Но "потребитель" может возражать по-прежнему: камень на самом деле вовсе не эллипсоидальный, давление воздуха в том месте и в тот момент не было равно 760 мм ртутного столба и т.д. Что же ответит ему математик?

Он ответит, что точное решение реальной задачи вообще невозможно . Мало того, что форму камня , которая влияет на сопротивление воздуха, невозможно описать никаким математическим уравнением; его вращение в полете также неподвластно математике из-за своей сложности. Далее, воздух не является однородным, так как в результате действия случайных факторов в нем возникают флуктуации колебания плотности. Если пойти ещё глубже, нужно учесть, что по закону всемирного тяготения каждое тело действует на каждое другое тело . Отсюда следует, что даже маятник настенных часов изменяет своим движением траекторию камня.

Короче говоря, если мы всерьез захотим точно исследовать поведение какого-либо предмета, то нам предварительно придется узнать местонахождение и скорость всех остальных предметов Вселенной. А это, разумеется. невозможно .

Наиболее эффективно математическую модель можно реализовать на компьютере в виде алгоритмической модели - так называемого "вычислительного эксперимента" (см. [1 ], параграф 26).

Конечно, результаты вычислительного эксперимента могут оказаться и не соответствующими действительности, если в модели не будут учтены какие-то важные стороны действительности.

Итак, создавая математическую модель для решения задачи, нужно:

1. выделить предположения, на которых будет основываться математическая модель;
2. определить, что считать исходными данными и результатами;
3. записать математические соотношения, связывающие результаты с исходными данными.

При построении математических моделей далеко не всегда удается найти формулы, явно выражающие искомые величины через данные. В таких случаях используются математические методы, позволяющие дать ответы той или иной степени точности. Существует не только математическое моделирование какого-либо явления, но и визуально-натурное моделирование, которое обеспечивается за счет отображения этих явлений средствами машинной графики, т.е. перед исследователем демонстрируется своеобразный "компьютерный мультфильм", снимаемый в реальном масштабе времени. Наглядность здесь очень высока.

Другие записи

10.06.2016. 8.3. Какие основные этапы содержит процесс разработки программ? 8.4. Как проконтролировать текст программы до выхода на компьютер?

8.3. Какие основные этапы содержит процесс разработки программ? Процесс разработки программы можно выразить следующей формулой: Наличие ошибок в только что разработанной программе это вполне нормальное…

10.06.2016. 8.5. Для чего нужны отладка и тестирование? 8.6. В чем заключается отладка? 8.7. Что такое тест и тестирование? 8.8. Какими должны быть тестовые данные? 8.9. Из каких этапов состоит процесс тестирования?

8.5. Для чего нужны отладка и тестирование? Отладка программы - это процесс поиска и устранения ошибок в программе, производимый по результатам её прогона на компьютере. Тестирование…

10.06.2016. 8.10. Каковы характерные ошибки программирования? 8.11. Является ли отсутствие синтаксических ошибок свидетельством правильности программы? 8.12. Какие ошибки не обнаруживаются транслятором? 8.13. В чем заключается сопровождение программы?

8.10. Каковы характерные ошибки программирования? Ошибки могут быть допущены на всех этапах решения задачи - от ее постановки до оформления. Разновидности ошибок и соответствующие примеры приведены…

Что такое математическая модель?

Понятие математической модели.

Математическая модель - очень простое понятие. И очень важное. Именно математические модели связывают математику и реальную жизнь.

Говоря простым языком, математическая модель - это математическое описание любой ситуации. И всё. Модель может быть примитивной, может быть и суперсложной. Какая ситуация, такая и модель.)

В любом (я повторяю - в любом! ) деле, где нужно чего-нибудь посчитать да рассчитать - мы занимаемся математическим моделированием. Даже если и не подозреваем об этом.)

Р = 2·ЦБ + 3·ЦМ

Вот эта запись и будет математической моделью расходов на наши покупки. Модель не учитывает цвет упаковки, срок годности, вежливость кассиров и т.п. На то она и модель, а не реальная покупка. Но расходы, т.е. то, что нам надо - мы узнаем точно. Если модель правильная, конечно.

Представлять, что такое математическая модель полезно, но этого мало. Самое главное - уметь эти модели строить.

Составление (построение) математической модели задачи.

Составить математическую модель - это значит, перевести условия задачи в математическую форму. Т.е. превратить слова в уравнение, формулу, неравенство и т.д. Причём превратить так, чтобы эта математика строго соответствовала исходному тексту. Иначе у нас получится математическая модель какой-то другой, неведомой нам задачи.)

Говоря конкретнее, нужно

Задач в мире - бесконечное количество. Поэтому предложить чёткую пошаговую инструкцию по составлению математической модели любой задачи - невозможно.

Но можно выделить три основных момента, на которые нужно обратить внимание.

1. В любой задаче есть текст, как ни странно.) В этом тексте, как правило, имеется явная, открытая информация. Числа, значения и т.п.

2. В любой задаче имеется скрытая информация. Это текст, который предполагает наличие дополнительных знаний в голове. Без них - никак. Кроме того, математическая информация частенько скрывается за простыми словами и... проскакивает мимо внимания.

3. В любой задаче должно быть дана связь данных между собой. Эта связь может быть дана открытым текстом (что-то равно чему-то), а может быть и скрыта за простыми словами. Но простые и понятные факты частенько упускаются из виду. И модель никак не составляется.

Сразу скажу: чтобы применить эти три момента, задачу приходится читать (и внимательно!) несколько раз. Обычное дело.

А теперь - примеры.

Начнём с простой задачки:

Петрович вернулся с рыбалки и гордо предъявил семье улов. При ближайшем рассмотрении оказалось, что 8 рыбин родом из северных морей, 20% всех рыбин - из южных, а из местной реки, где рыбачил Петрович - нет ни одной. Сколько всего рыбин купил Петрович в магазине "Морепродукты"?

Все эти слова нужно превратить в какое-то уравнение. Для этого нужно, повторюсь, установить математическую связь между всеми данными задачи.

С чего начинать? Сначала вытащим из задачи все данные. Начнём по порядочку:

Обращаем внимание на первый момент.

Какая здесь явная математическая информация? 8 рыбин и 20%. Не густо, да нам много и не надо.)

Обращаем внимание на второй момент.

Ищем скрытую информацию. Она здесь есть. Это слова: "20% всех рыбин ". Здесь нужно понимать, что такое проценты и как они считаются. Иначе задача не решается. Это как раз та дополнительная информация, которая должна быть в голове.

Здесь ещё имеется математическая информация, которую совершенно не видно. Это вопрос задачи: "Сколько всего рыбин купил..." Это ведь тоже какое-то число. И без него никакая модель не составится. Поэтому обозначим это число буквой "х". Мы пока не знаем, чему равен икс, но такое обозначение очень нам пригодится. Подробнее, что брать за икс и как с ним обращаться, написано в уроке Как решать задачи по математике? Вот так сразу и запишем:

х штук - общее количество рыб.

В нашей задаче южные рыбы даны в процентах. Надо их перевести в штуки. Зачем? Затем, что в любой задаче модели надо составлять в однотипных величинах. Штуки - так всё в штуках. Если даны, скажем часы и минуты - всё переводим во что-нибудь одно - или только часы, или только минуты. Не суть важно во что. Важно, чтобы все величины были однотипными.

Возвращаемся к раскрытию информации. Кто не знает, что такое процент, никогда не раскроет, да... А кто знает, тот сразу скажет, что проценты здесь от общего числа рыб даны. А нам это число неизвестно. Ничего не выйдет!

Общее количество рыб (в штуках!) мы не зря буквой "х" обозначили. Посчитать южных рыб в штуках не получится, но записать-то мы сможем? Вот так:

0,2·х штук - количество рыб из южных морей.

Вот теперь мы скачали всю информацию с задачи. И явную, и скрытую.

Обращаем внимание на третий момент.

Ищем математическую связь между данными задачи. Эта связь настолько проста, что многие её не замечают... Такое часто бывает. Здесь полезно просто записать собранные данные в кучку, да и посмотреть, что к чему.

Что у нас есть? Есть 8 штук северных рыб, 0,2·х штук - южных рыб и х рыб - общее количество. Можно связать эти данные как-то воедино? Да легко! Общее количество рыб равно сумме южных и северных! Ну кто бы мог подумать...) Вот и записываем:

х = 8 + 0,2х

Вот это уравнение и будет математической моделью нашей задачи.

Прошу заметить, что в этой задаче нас не просят ничего складывать! Это мы сами, из головы, сообразили, что сумма южных и северных рыб даст нам общее количество. Вещь настолько очевидная, что проскакивает мимо внимания. Но без этой очевидности математическую модель не составить. Вот так.

Теперь уже можно применить всю мощь математики для решения этого уравнения). Именно для этого и составлялась математическая модель. Решаем это линейное уравнение и получаем ответ.

Ответ: х=10

Составим математичесскую модель ещё одной задачки:

Спросили Петровича: "А много ли у тебя денег?" Заплакал Петрович и отвечает: "Да всего чуть-чуть. Если я потрачу половину всех денег, да половину остатка, то всего-то один мешок денег у меня и останется..." Сколько денег у Петровича?

Опять работаем по пунктам.

1. Ищем явную информацию. Тут её не сразу и обнаружишь! Явная информация - это один мешок денег. Есть ещё какие-то половинки... Ну, это во втором пункте разберём.

2. Ищем скрытую информацию. Это половинки. Чего? Не очень понятно. Ищем дальше. Есть ещё вопрос задачи: "Сколько денег у Петровича?" Обозначим количество денег буквой "х" :

х - все деньги

И вновь читаем задачу. Уже зная, что у Петровича х денег. Вот тут уже и половинки сработают! Записываем:

0,5·х - половина всех денег.

Остаток будет тоже половина, т.е. 0,5·х. А половину от половины можно записать так:

0,5·0,5·х = 0,25х - половина остатка.

Теперь вся скрытая информация выявлена и записана.

3. Ищем связь между записанными данными. Здесь можно просто читать страдания Петровича и записывать их математически):

Если я потрачу половину всех денег ...

Запишем этот процесс. Всех денег - х. Половина - 0,5·х . Потратить - это отнять. Фраза превращается в запись:

х - 0,5·х

да половину остатка...

Отнимем ещё половину остатка:

х - 0,5·х - 0,25х

то всего-то один мешок денег у меня и останется...

А вот и равенство нашлось! После всех вычитаний один мешок денег остаётся:

х - 0,5·х - 0,25х = 1

Вот она, математическая модель! Это опять линейное уравнение, решаем, получаем:

Вопрос на соображение. Четыре - это чего? Рубля, доллара, юаня? А в каких единицах у нас деньги в математической модели записаны? В мешках! Значит, четыре мешка денег у Петровича. Тоже неплохо.)

Задачки, конечно, элементарные. Это специально, чтобы уловить суть составления математической модели. В некоторых задачах может быть гораздо больше данных, в которых легко запутаться. Это часто бывает в т.н. компетентностных задачах. Как вытаскивать математическое содержание из кучи слов и чисел показано на примерах

Ещё одно замечание. В классических школьных задачах (трубы заполняют бассейн, куда-то плывут катера и т.п.) все данные, как правило, подобраны очень тщательно. Там выполняются два правила:
- информации в задаче хватает для её решения,
- лишней информации в задаче не бывает.

Это подсказка. Если осталась какая-то неиспользованная в математической модели величина - задумайтесь, нет ли ошибки. Если данных никак не хватает - скорее всего, не вся скрытая информация выявлена и записана.

В компетентностных и прочих жизненных задачах эти правила строго не соблюдаются. Нету подсказки. Но и такие задачи можно решать. Если, конечно, потренироваться на классических.)

Если Вам нравится этот сайт...

Кстати, у меня есть ещё парочка интересных сайтов для Вас.)

Можно потренироваться в решении примеров и узнать свой уровень. Тестирование с мгновенной проверкой. Учимся - с интересом!)

можно познакомиться с функциями и производными.

Проследить динамику развития объекта, внутреннюю сущность соотношений его элементов и различные со­стояния в процессе проектирования можно только с по­мощью моделей, использующих принцип динамической аналогии, т. е. с помощью математических моделей.

Математическая модель - это система математиче­ских соотношений, описывающих изучаемый процесс или явление. Для составления математической модели мож­но использовать любые математические средства - тео­рию множеств, математическую логику, язык дифферен­циальных или интегральных уравнений. Процесс состав­ления математической модели называется математическим моделированием . Как и другие виды моделей, ма­тематическая модель представляет задачу в упрощен­ном виде и описывает только свойства и закономер­ности, которые наиболее важны для данного объекта или процесса. Математическая модель позволяет осуществ­лять многосторонний количественный анализ. Изменяя исходные данные, критерии, ограничения, каждый раз можно получать оптимальное по заданным условиям ре­шение и определять дальнейшее направление поиска.

Создание математических моделей требует от их раз­работчиков, кроме знания формально-логических мето­дов, тщательного анализа изучаемого объекта с целью строгого формулирования основных идей и правил, а также с целью выявления достаточного объема досто­верных фактических, статистических и нормативных данных.

Следует отметить, что все используемые в настоя­щее время математические модели относятся к предпи­сывающим . Цель разработки предписывающих моде­лей - указание направления поиска решения, в то время как цель разработки описывающих моделей - отражение действительных процессов мышления человека.

Достаточно широко распространена точка зрения, что с помощью математики можно получить только некото­рые числовые данные по изучаемому объекту или про­цессу. «Разумеется, многие математические дисциплины направлены на получение конечного численного резуль­тата. Но сводить математические методы только к зада­че получения числа - значит бесконечно обеднять мате­матику, обеднять возможность того могучего оружия, которое сегодня есть в руках исследователей…

Математическая модель, записанная на том или ином частном языке (например, дифференциальные уравне­ния), отражает определенные свойства реальных физиче­ских процессов. В результате анализа математических моделей мы получаем, прежде всего, качественные пред­ставления об особенностях изучаемых процессов, уста­навливаем закономерности, определяющие динамический ряд последовательных состояний, получаем возможность предсказать течение процесса и определять его количе­ственные характеристики».

Математические модели используются во многих известных способах моделирования. Среди них можно назвать разработку моделей, описывающих статическое и динамическое состояние объекта, оптимизационные модели.

Примером математических моделей, описывающих статическое и динамическое состояние объекта, могут служить различные методы традиционных расчетов конструкций. Процесс расчета, представленный в виде последовательности математических операций (алгоритм), позволяет сказать, что составлена математическая модель для расчета определенной конструкции.

В оптимизационных моделях присутствуют три элемента:

Целевая функция, отражающая принятый критерий качества;

Регулируемые параметры;

Налагаемые ограничения.

Все эти элементы должны быть описаны математически в виде уравнений, логических условий и т.д. Решение оптимизационной задачи представляет собой процесс поиска минимального (максимального) значения целевой функции при соблюдении заданных ограничений. Результат решения считается оптимальным, если функция цели достигает своего экстремального значения.

Пример оптимизационной модели – математическое описание критерия «длина связи» в методике вариантного проектирования промышленных зданий.

Целевая функция отражает общую взвешенную протяженность всех функциональных связей, которая должны стремиться к минимуму:

где – весовое значение связи элемента с ;

– длина связи между и элементами;

– общее число размещаемых элементов.

Поскольку площади размещаемых элементов помещений во всех вариантах проектного решения равны, то варианты отличаются один от другого только различными расстояниями между элементами и их расположением относительно друг друга. Следовательно, регулируемыми параметрами служат в данном случае координаты элементов, размещаемых на планах этажей.

Налагаемые ограничения на расположение элементов (в заранее фиксированном месте плана, у наружного периметра, друг над другом и т.д.) и на длину связей (значения длины связей между и ым элементами заданы жестко, заданы минимальные или максимальные пределы значений, заданы границы изменения значений) записываются формально.

Вариант считается оптимальным (по данному критерию), если значение функции цели, вычисленной для этого варианта, будет минимальным.

Разновидность математических моделей – экономико-математическая модель – представляет собой модель связи экономических характеристик и параметров системы.

Примером экономико-математических моделей служит математическое описание критериев затрат в упомянутой выше методике вариантного проектирования промышленных зданий. В математических моделях, полученных на основе использования методов математической статистики, отражена зависимость стоимости каркаса, фундаментов, земляных работ одноэтажных и многоэтажных промышленных зданий и их высоты, пролета и шага несущих конструкций.

По способу учета влияния случайных факторов на принятие решения математические модели подразделяются на детерминированные и вероятностные. Детерминированная модель не учитывает влияние случайных факторов в процессе функционирования системы и основана на аналитическом представлении закономерностей функционирования. Вероятностная (стохастическая) модель учитывает влияние случайных факторов в процессе функционирования системы и основана на статистической, т.е. количественной оценке массовых явлений, позволяющей принимать в расчет их нелинейность, динамику, случайные возмущения, описываемые разными законами распределения.

Используя приведенные выше примеры, можно сказать, что математическая модель, описывающая критерий «длина связей», относится к детерминированным, а математические модели, описывающие группу критериев «затраты», - к вероятностным моделям.

Лингвистические, семантические и информационные модели

Математические модели имеют очевидные достоинства, так как количественная оценка аспектов задачи дает ясное представление о приоритетах целей. Немаловажно, что специалист всегда может обосновать принятие того или иного решения, представив соответствующие численные данные. Однако полное математическое описание проектной деятельности невозможно, поэтому большинство задач, решаемых на начальной стадии архитектурно-строительного проектирования, относится к слабоструктурированным .

Одна из особенностей слабоструктурированных задач - словесное описание используемых в них критериев. Введение критериев, описанных на естественном языке (такие критерии называют лингвистическими ), позволяет использовать менее сложные методы для поиска оптимальных проектных решений. При наличии таких критериев проектировщик принимает решение на основании привычных, не вызывающих сомнения выражениях целей.

Содержательное описание всех аспектов задачи вносит систематизацию в процесс ее решения, с одной стороны, а с другой, значительно облегчает работу специалистов, которые без изучения соответствующих разделов математики могут более рационально решать свои профессиональные задачи. На рис. 5.2 приведена лингвистическая модель , описывающая возможности создания условий для естественной вентиляции в различных вариантах планировочных решений хлебозавода.

Другие преимущества содержательного описания проблем заключаются в следующем:

Возможность описания всех критериев, которыми определяется эффективность проектного решения. При этом важно, что в описание могут быть введены слож­ные понятия и в поле зрения специалиста наряду с ко­личественными, измеряемыми факторами попадут и ка­чественные, не измеряемые. Таким образом, на момент принятия решения будет использована вся субъективная и объективная информация;

Рис. 5.2 Описание содержания критерия «вентиляция» в виде лингвистической модели

Возможность однозначной оценки степени достижения цели в вариантах по данному признаку на основе фор­мулировок, принятых специалистами, что обеспечивает достоверность полученной информации;

Возможность учета неопределенности, связанной с не­полным знанием всех последствий принимаемых реше­ний, а так же информации прогнозного характера.

К моделям, которые используют естественный язык для описания объекта исследования, относятся и семан­тические модели.

Семантическая модель - есть такое представление объекта, при котором отражается степень взаимосвязан­ности (близости) между различными составными частя­ми, аспектами, свойствами объекта. Под взаимосвязан­ностью понимается не относительное пространственное расположение, а связь по смыслу.

Так, в семантическом смысле связь между коэффи­циентом естественной освещенности и площадью света прозрачных ограждений будет представлена как более близкая, чем связь между оконными проемами и смеж­ными с ними глухими участками стены.

Совокупность отношений связанности показывает, что представляет собой каждый выделяемый в объекте эле­мент и объект в целом. В то же время семантическая модель отображает помимо степени связанности различ­ных сторон в объекте также содержание понятий. Элементарными моделями служат понятия, выраженные естественным языком.

Построение семантических моделей основывается на принципах, в соответствии с которыми понятия и связи не изменяются в течение всего времени использования модели; содержание одного понятия не переходит в дру­гое; связи между двумя понятиями имеют равное по отношению к ним и неориентированное взаимодействие.

Каждый анализ модели направлен на выбор элемен­тов модели, имеющих общее определенное качество. Это дает основание для построения алгоритма, учитывающе­го только непосредственные связи. При преобразовании модели в неориентированный граф ищется путь между двумя элементами, который прослеживает движение из одного элемента в другой, с использованием каждого элемента только один раз. Порядок следования элемен­тов называется последовательностью этих двух элемен­тов. Последовательности могут иметь разную длину. Самые короткие из них называются отношениями эле­ментов. Последовательность двух элементов существует и в том случае, если между ними существует непосред­ственная связь, но в таком случае не существует от­ношения.

В качестве примера семантической модели приведем описание планировки квартиры вместе с коммуникацион­ными связями. Понятие - это помещения квартиры. Не­посредственная связь означает функциональное соедине­ние двух помещений, например дверью (см. табл. 5.1).

Преобразование модели в форму неориентированного графа позволяет получить последовательность элементов (рис. 5.3).

Примеры последовательности, образованной между элементом 2 (ванная) и элементом 6 (кладовая), приведены в табл. 5.2. Как видно из таблицы, последовательность 3 пред­ставляет отношение этих двух элементов.

Таблица 5.1

Описание планировки квартиры

Рис. 5.3 Описание планировочного решения в виде неориентирован­ного графа

ЭВМ прочно вошла в нашу жизнь, и практически нет такой области человеческой деятельности, где не применялась бы ЭВМ. ЭВМ сейчас широко используется в процессе создания и исследования новых машин, новых технологических процессов и поиске их оптимальных вариантов; при решении экономических задач, при решении задач планирования и управления производством на различных уровнях. Создание же крупных объектов в ракетотехнике, авиастроении, судостроении, а также проектирование плотин, мостов, и др. вообще невозможно без применения ЭВМ.

Для использования ЭВМ при решении прикладных задач, прежде всего прикладная задача должна быть "переведена" на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена его математическая модель.

Слово "Модель" происходит от латинского modus (копия, образ, очертание). Моделирование - это замещение некоторого объекта А другим объектом Б. Замещаемый объект А называется оригиналом или объектом моделирования, а замещающий Б - моделью. Другими словами, модель - это объект-заменитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.

Целью моделирования являются получение, обработка, представление и использование информации об объектах, которые взаимодействуют между собой и внешней средой; а модель здесь выступает как средство познания свойств и закономерности поведения объекта.

Математическое моделирование - это средство изучения реального объекта, процесса или системы путем их замены математической моделью, более удобной для экспериментального исследования с помощью ЭВМ.

Математическое моделирование - процесс построения и изучения математических моделей реальных процессов и явлений. Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его моделью и затем изучают последнюю. Как и в случае любого моделирования, математическая модель не описывает полностью изучаемое явление, и вопросы о применимости полученных таким образом результатов являются весьма содержательными. Математическая модель - это упрощенное описание реальности с помощью математических понятий.

Математическая модель выражает существенные черты объекта или процесса языком уравнений и других математических средств. Собственно говоря, сама математика обязана своим существованием тому, что она пытается отразить, т.е. промоделировать, на своем специфическом языке закономерности окружающего мира.

При математическом моделировании исследование объекта осуществляется посредством модели, сформулированной на языке математики с использованием тех или иных математических методов.

Путь математического моделирования в наше время гораздо более всеобъемлющ, нежели моделирования натурного. Огромный толчок развитию математического моделирования дало появление ЭВМ, хотя сам метод зародился одновременно с математикой тысячи лет назад.

Математическое моделирование как таковое отнюдь не всегда требует компьютерной поддержки. Каждый специалист, профессионально занимающийся математическим моделированием, делает все возможное для аналитического исследования модели. Аналитические решения (т.е. представленные формулами, выражающими результаты исследования через исходные данные) обычно удобнее и информативнее численных. Возможности аналитических методов решения сложных математических задач, однако, очень ограниченны и, как правило, эти методы гораздо сложнее численных.

Математическая модель является приближенным представлением реальных объектов, процессов или систем, выраженным в математических терминах и сохраняющим существенные черты оригинала. Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи

Все модели можно разделить на два класса:

1. вещественные,
2. идеальные.

В свою очередь вещественные модели можно разделить на:

1. натурные,
2. физические,
3. математические.

Идеальные модели можно разделить на:

1. наглядные,
2. знаковые,
3. математические.

Вещественные натурные модели - это реальные объекты, процессы и системы, над которыми выполняются эксперименты научные, технические и производственные.

Вещественные физические модели - это макеты, муляжи, воспроизводящие физические свойства оригиналов (кинематические, динамические, гидравлические, тепловые, электрические, световые модели).

Вещественные математические - это аналоговые, структурные, геометрические, графические, цифровые и кибернетические модели.

Идеальные наглядные модели - это схемы, карты, чертежи, графики, графы, аналоги, структурные и геометрические модели.

Идеальные знаковые модели - это символы, алфавит, языки программирования, упорядоченная запись, топологическая запись, сетевое представление.

Идеальные математические модели - это аналитические, функциональные, имитационные, комбинированные модели.

В приведенной классификации некоторые модели имеют двойное толкование (например - аналоговые). Все модели, кроме натурных, можно объединить в один класс мысленных моделей, т.к. они являются продуктом абстрактного мышления человека.

Элементы теории игры

В общем случае решение игры представляет довольно трудную задачу, причем сложность задачи и объем необходимых для решения вычислений резко возрастает с увеличением . Однако это трудности не носят принципиального характера и связаны только сочень большим объемом расчетов, который в ряде случаев может оказаться практически невыполнимым. Принципиальная сторона метода отыскания решения остается при любом одной и той же.

Проиллюстрируем это на примере игры . Дадим ей геометрическую интерпретацию - уже пространственную. Три наши стратегии , изобразим тремя точками на плоскости ; первая лежит в начале координат (рис.1). вторая и третья - на осях Ох и Оу на расстояниях 1 от начала.

Через точки проводятся оси I-I, II-II и III-III, перпендикулярные к плоскости . На оси I-I откладываются выигрыши при стратегии на осях II-II и III-III - выигрыши при стратегиях . Каждая стратегия противника изобразится плоскостью, отсекающей на осях I-I, II-II и III-III, отрезки, равные выигрышам

при соответствующих стратегия и стратегия . Построив, таким образом, все стратегии противника, мы по­лучим семейство плоскостей над треугольником (рис2) .

Для этого семейства также можно построить нижнюю границу выигрыша, как мы это делали в случае, и найти на этой границе точку N с максимальной высотой нал плоскостью . Эта высота и будет ценой игры .

Частоты стратегий в оптимальной стра­тегии будут определяться координатами (x, у) точки N, а именно:

Однако такое геометрическое построение даже для случая нелегко осуществимо и требует большой затраты времени и усилий воображения. В общем же случае игры оно переносится в - мерное пространство и теряет всякую наглядность, хотя употребление геометрической терминологии в ряде случаев может оказаться полезным. При решении игр на практике удобнее пользоваться не геометрическими аналогиями, а расчетными аналитическими методами, тем более, что для решения задачи на вычислительных машинах эти методы единственно пригодны.

Все эти методы по существу сводятся к решению задачи путем последовательных проб, но упорядочение последо­вательности проб позволяет построить алгоритм, приводящий к решению наиболее экономичным способом.

Здесь мы вкратце остановимся на одном расчетном методе решения игр - на так называемом методе «линейного программирования».

Для этого дадим сначала общую постановку задачи о нахождении решения игры . Пусть дана игра с т стратегиями игрока А и n стра­тегиями игрока В и задана платежная ма­трица

Требуется найти решение игры, т. е. две оптимальные смешанные стратегии игроков А и В

где (некоторые из чисел и могут быть равными нулю).

Наша оптимальная стратегия S* A должна обеспечивать нам выигрыш, не меньший , при любом поведении про­тивника, и выигрыш, равный , при его оптимальном пове­дении (стратегия S* B ).Аналогично стратегия S* B должна обе­спечивать противнику проигрыш, не больший , при любом нашем поведении и равный при нашем оптимальном пове­дении (стратегия S* A ).

Величина цены игры в данном случае нам неизвестна; будем считать, что она равна некоторому положительному числу. Полагая так, мы не нарушаем общности рассуждений; для того чтобы было > 0, очевидно, достаточно, чтобы все элементы матрицы были неотрицательными. Этого всегда можно добиться, прибавляя к элементам доста­точно большую положительную величину L;при этом цена игры увеличится на L, а решение не изменится.

Пусть мы выбрали свою оптимальную стратегию S* A . Тогда наш средний выигрыш при стратегии противника будет равен:

Наша оптимальная стратегия S* A обладает тем свойством, что при любом поведении противника обеспечивает выигрыш не меньший, чем ; следовательно, любое из чисел не может быть меньше . Получаем ряд условий:

(1)

Разделим неравенства (1) на положительную величину и обозначим:

Тогда условие (1) запишется виде

(2)

где - неотрицательные числа. Так как величины удовле­творяют условию

Мы хотим сделать свой гарантированный выигрыш максимально возможным; очевидно, при этом правая часть равенства (3) принимает минимальное значение.

Таким образом, задача нахождения решения игры сво­дится к следующей математической задаче: определить не­отрицательные величины , удовлетворяющие условиям (2), так, чтобы их сумма

была минимальной.

Обычно при решении задач, связанных с нахождением экстремальных значений (максимумов и минимумов), функцию дифференцируют и приравнивают производные нулю. Но такой прием в данном случае бесполезен, так как функ­ция Ф, которую нужно обратить в минимум, линейна, и ее производные по всем аргументам равны единице, т. е. нигде не обращаются в нуль. Следовательно, максимум функции достигается где-то на границе области изменения аргумен­тов, которая определяется требованием неотрицательности аргументов и условиями (2). Прием нахождения экстре­мальных значений при помощи дифференцирования непри­годен и в тех случаях, когда для решения игры опреде­ляется максимум нижней (или минимум верхней) границы выигрыша, как мы. например, делали при решении игр .Действительно, нижняя граница составлена из участков прямых линий, и максимум достигается не в точке, где производная равна нулю (такой точки вообще нет), а на границе интер­вала или в точке пересечения прямолинейных участков.

Для решения подобных задач, довольно часто встречаю­щихся на практике, в математике разработан специальный аппарат линейного программирования.

Задача линейного программирования ставится следующим образом.

Дана система линейных уравнений:

(4)

Требуется найти неотрицательные значения величин удовлетворяющие условиям (4) и вместе с тем обращающие в минимум заданную однородную линейную функцию величин (линейную форму):

Легко убедиться, что поставленная выше задача теории игр является частным случаем задачи линейного программирование при

С первого взгляда может показаться, что условия (2) не эквивалентны условиям (4), так как вместо знаков равенства они содержат знаки неравенства. Однако от знаков неравенства легко избавиться, вводя новые фиктивные неотрицательные переменные и записывая условия (2) в виде:

(5)

Форма Ф, которую нужно обратить в минимум, равна

Аппарат линейного программирования позволяет путем сравнительно небольшого числа последовательных проб подобрать величины , удовлетворяющие поставленным требованиям. Для большей ясности мы здесь продемонстрируем применение этого аппарата прямо на материале решения конкретных игр.