Имитационное моделирование в среде ms excel

Этапы моделирования

Моделирование как система имеет своей функцией (целью) синтез всех известных элементов в неизвестную модель, это способ агрегации структурно (в блок-схеме) и количественно (в массиве чисел) заданных элементов и последующего конструирования количественного прототипа реальной системы. Моделирование еще не стало обычной процедурой биологического исследования, и в литературе обнаруживается большое разнообразие алгоритмов этого процесса (Антомонов, 1977; Розенберг, 1984; Прицкер, 1987; Шеннон, 1970). На наш взгляд, проводники идей моделирования не уделяют должного внимания его системной упорядоченности. Мы постарались применить здесь идеи об организации исследовательской деятельности, которая проходит четыре этапа: Определение, Декомпозицию, Агрегацию, Проверку (см. раздел Идеология моделирования); так получаем схему этапов моделирования (табл. 2.1). Пять шагов агрегации (А1-А5) мы выделяем потому, что каждый из них преследует отдельную явную цель, т. е. все они выполняют равнозначные функции. В этом смысле они находятся на одном уровне иерархии: выход одного этапа становится входом для другого. Можно полагать, что пятишаговый процесс построения модели есть устоявшийся фрейм.

Пример с популяцией гадюки

Рассмотрим задачу построения имитационной модели для определения демографических параметров островной популяции обыкновенной гадюки по реальным данным повторного отлова меченых животных. Общая цель всего исследования состоит в оценке абсолютной численности островной популяции.

Таблица 2.1. Этапы моделирования (три уровня иерархии)

Продолжение табл. 2.1

На этапе Определение системы важно обрисовать объект исследования в самых общих чертах. Таким объектом выступает динамика островной популяции, т. е. процесс поддержания численности примерно на одном уровне: убыль от гибели животных компенсируется пополнением за счет размножения. Реальным объектом исследования выступает популяция гадюки на о. Кижи, что в Онежском озере (Карелия). Для нее характерно примерное постоянство общего уровня численности (Коросов и др., 1999б). Популяция имеет две количественно заданные компоненты. Одна часть популяции – это меченые животные, другая – немеченые. Поскольку метки не влияли на жизнеспособность животных, то судьба и меченых и немеченых животных оказывалась одинаковой – они постепенно погибали. На этом определение системы для последующего моделирования заканчивается.

Начиная следующий этап, Декомпозицию, во-первых, нужно описать структуру эмпирических данных. Мечение гадюк на о. Кижи проводилось в течение нескольких лет. В повторных пробах определяли встречаемость меченых особей. Для наглядности мы воспользуемся данными только по одному году мечения. Так, в 1994 г. отловили n0 = 158 экз., всех пометили и выпустили M0 = 158 особей. В последующие годы (1995–1998 гг.) животных с метками обнаруживали в пробах разного объема (n1 = 365, n2 = 273, n3 = 214, n4 = 238 экз.), но число их уменьшалось: m1=18 экз. в 1995 г., затем m2 = 10, m3 = 10 и m4 = 9 экз. в 1998 г. Продолжение декомпозиции рассмотрено в следующем разделе.

Виды моделей

Существует великое множество классификаций видов моделей, так же как и классификаций видов систем, – все зависит от принятого основания. Чаще всего эту роль играет либо процедура моделирования, либо функция, которую выполняет модель.

В первом случае выделяют четыре вида моделей: аналитические, самоорганизующиеся, имитационные (портретные, дискретные) и эмпирико-статистические (Розенберг, 1984, с. 25–26). Во втором случае различают модели аналитические (конструктивные, модели поведения, детерминистические) и стохастические (дискриптивные, описательные) (Страшкраба, Гнаук, 1989, с. 26; Акоф, Сасиени, 1971, с. 81; Джефферс, 1981, с. 33–35). Каждый из классов, в свою очередь, может дробиться на подклассы. Так, среди дискретных имитационных моделей с позиции способа выполнения имитации выделяют событийный подход (вычисление характеристик каждого нового состояния модели синхронизируется внутренним календарем событий) и подход сканирования (переход модели в новое состояние задается условиями начала и конца событий); синтетический процессно-ориентированный подход предполагает совмещение последовательной обработки с расчетами по условию достаточности (Прицкер, 1987, с. 321).

Основываясь на описаниях видов моделей, можно предложить еще одну классификацию с точки зрения предопределения структуры будущей блок-схемы заранее выбранным видом модели. С этой позиции отчетливо различаются модели аналитические (непрерывные), автоматные (сканирование), стохастические и имитационные (дискретные, портретные) (рис. 2.1).

Аналитические модели (системы дифференциальных уравнений) служат для выражения законов. Параметрам аналитических моделей стремятся придать биологический смысл. Они включают время в качестве одной из переменных, что позволяет в принципе находить общее решение, т. е. оценивать состояние системы (значение ее переменных) в любой конкретный момент времени, без реконструкции ее полной динамики. Для этого, правда, требуется предварительно решить систему уравнений (найти корни – параметры).

Этот метод, разработанный в основном под влиянием физики и успешно в ней применяемый, оказался неприемлемым в случае со многими (в том числе живыми и экономическими) системами (Коган, 1968, с. 213; Гиг, 1981, с. 57) по причине их чрезвычайной сложности  (Форрестер, 1971, с. 21) и дискретного характера осуществления жизненных процессов (Жаков, Меншуткин, 1982, с. 56). Решение сложных систем дифференциальных уравнений можно получить только на ЭВМ, приводя их к дискретному виду и осуществляя процедуры последовательных приближений. В этой связи дифференциальные уравнения зачастую стали играть лишь роль удобного способа символьной записи скоростей процессов, протекающих в био- и экосистемах (Федоров, Гильманов, 1980). На следующем шаге эти уравнения перерастают (деградируют?) в дискретную алгебраическую форму имитационных моделей.

Блок-схема аналитической модели представляет собой компактную идеограмму, которая отображает связи компонентов системы друг с другом (рис. 2.1, a). Дифференциальное уравнение, характеризующее динамику какого-либо процесса, может послужить основой для построения имитационной модели.

Автоматные модели (дискретная смена состояния) отличаются, во-первых, дискретным ходом времени, во-вторых, дискретными изменениями значений переменных. Жизнь автомата представляет собой последовательность тактов (временных шагов), за один такт происходит одно изменение состояния автомата (Гильдерман, 1974, с. 403). Весь возможный диапазон изменений переменных определен заранее и разбит на конечное (очень ограниченное) число возможных значений (состояний автомата). Никаких расчетов значений переменных не проводится, переход в новое состояние определяется по матрице перехода в зависимости от текущего состояния модели и от характера внешнего воздействия. Содержание матрицы перехода выступает в роли неизменных параметров модели. Блок-схема автоматной модели (рис. 2.1, b) предстает в виде графа, вершины которого соответствуют возможным состояниям модели, а ребра – направлению переходов, заданных матрицей смежности вершин (Касаткин, 1975, с. 8; Оре, 1980, с. 30; Розенберг, 1984, с. 141). Разработанная теория автоматов позволяет создавать различные аналитические модели, например поведения (Поспелов, 1970). В то же время дискретная структура автоматных моделей может быть использована для составления имитационных моделей.

Стохастические модели (статистические показатели, коэффициенты, уравнения регрессии, главные компоненты, многомерная статистика, анализ временных рядов) используются для описания отдельных компонентов системы и их частных взаимозависимостей, отношений, зависимостей, связей, корреляций, синхронности динамики. В отличие от аналитических моделей регрессионные уравнения выступают в роли частных эмпирических описаний, параметры которых редко имеют биологический смысл, хотя наиболее обоснованы со статистической точки зрения. В отличие от имитационных моделей регрессия не предназначена для описания структуры и динамики многокомпонентных нелинейных систем, но может эффективно описывать отдельные функции (линейные и криволинейные уравнения). Время в явном виде, как правило, вообще не фигурирует в этих моделях. Обычно оно выступает просто источником варьирования изучаемых переменных, когда за период сбора проб объекты изменяют свое состояние (Коросов, 1996, с. 11–17). Главным достоинством стохастических моделей является аппарат оценки статистической значимости параметров моделей и их адекватности исходным данным (Ивантер, Коросов, 1992). В силу особенностей своей конструкции стохастические модели не рассчитаны на описание контуров обратной связи, поэтому их блок-схемы отличаются простотой, они отслеживают прямые зависимости одних переменных от других (рис. 2.1, c). Законы поведения случайных величин могут быть использованы для построения имитационных моделей.

Имитационные модели (программы на языке ЭВМ) сначала получили широкое распространение как средство для поиска численных решений дифференциальных уравнений, а затем как способ создания портретного образа исследуемой системы (Федоров, 1983, с. 18). Цель имитации состоит в том, чтобы изучить взаимодействие между частями системы и ее возможную реакцию на внешние возмущения: “по совокупности элементарных актов, протекающих в определенных условиях, выяснить в целом картину, к которой должны привести эти элементарные акты” (Ляпунов, 1968, с. 103). В силу этого имитационные модели  представляют собой наиболее гибкий метод моделирования систем любой сложности, линейных и нелинейных, с обратной связью и сетями управления. Все характеристики, признаки и свойства системы получают численное представление. Среди них те показатели, которые изменяются в процессе “жизни” модели, названы переменными. Значения переменных вычисляются по формулам и могут изменяться вполне плавно. Другие величины, значения которых определяют режимы изменения переменных, остаются, как правило, неизменными; это параметры (константы). Термин “дискретные модели” относится к способу задания времени, которое выведено за рамки системы уравнений; имитация его хода организуется программно с помощью специального датчика (Яковлев, 1975, с. 21). Блок-схема дискретной модели помимо представления частей системы должна явно отображать временную (организационную) последовательность их связей друг с другом, т. е.  должна быть развернутой по вектору времени (рис.  2.1d). Поскольку все взаимодействия между компонентами модели выражены простым алгебраическим языком (в нашем случае – это формулы Excel), это алгебраические (и даже арифметические) имитационные модели.

Главная особенность имитационных моделей состоит в том, что они “живут” в ЭВМ, что они в определенном смысле самодостаточны. Исходные данные необходимы им далеко не всегда и то лишь как стартовые или опорные значения. Если реальные величины переменных могут быть определены непосредственно в природе, как правило, только для некоторых моментов времени, разделенных более или менее длительной паузой, то модель может вычислить их и для любого промежуточного момента времени. Когда значения переменных невозможно определить в природе в принципе, модельный путь состоит в том, чтобы их вычислять, используя “атмосферу взаимозависимости” реальных переменных.

Для построения имитационных моделей мы использовали три способа математического описания – алгебраический, автоматный, стохастический. 

Алгебраические (арифметические) модели в форме алгебраических уравнений выражают предполагаемые соотношения между изучаемыми переменными (признаками) и используются для обобщенного и частного описания динамики наблюдаемых процессов. В таких моделях применяются в основном простейшие арифметические действия (+, -, •, /), аналоги которых встречаются в живой природе (объединение, миграции, размножение, гибель). Модельные формулы могут вовсе не содержать логарифмов, степенных выражений, тригонометрических функций (математические приемы обобщенного описания), предоставляя биологу возможность для содержательной интерпретации рассчитанных параметров. Однако нет препятствий для ввода этих и других операций. Задача подобных моделей состоит в описании всего исследуемого процесса, а также его механизма. Принципиально важно, что записанные буквами уравнения не приходится решать по алгебраическим правилам, их корни вычисляются с помощью внешней процедуры настройки модели (оптимизация). Получается, что модельные уравнения выражают исключительно последовательность арифметических действий и в этом отношении являются арифметическими!