Система может быть дискретной или непрерывной по входам, по выходам и по времени в зависимости от того, дискретными или непрерывными являются множества U, Y, Т соответственно. Под дискретным понимается конечное или счетное множество. Под непрерывным будем понимать множество объектов, для которого адекватной моделью служит отрезок, луч или прямая линия, т.е. связное числовое множество. Если система имеет несколько входов и выходов, то это значит, что соответствующие множества U, Т лежат в многомерных пространствах, т.е. непрерывность и дискретность понимаются покомпонентно.
Удобство числового множества как модели реальных совокупностей объектов состоит в том, что на нем естественным образом определяются несколько отношений, формализующих реально встречающиеся отношения между реальными объектами. Например, отношения близости, сходимости формализуют понятия похожести, сходства объектов и могут быть заданы посредством функции расстояния (метрики) d(x, у) (например, d(x, у) = |х - у |). Числовые множества являются упорядоченными: отношение порядка следования (х ≤ у ) формализует предпочтение одного объекта другому. Наконец, над элементами числовых множеств определены соответствующие операции, например, линейные: х + у , х*у . Если для реальных объектов на входе и выходе также имеют смысл аналогичные операции, то естественным образом возникают требования к моделям (1) – (3): быть согласованными с этими операциями, сохранять их результаты. Таким образом, приходим, например, к линейным моделям: y = au + b , dy/dt = ay + bu и т.д., являющихся простейшими моделями многих процессов.
Как правило, дискретность множества U влечет за собой дискретность Y . Кроме того, для статических систем исчезает различие между непрерывным и дискретным временем. Поэтому классификация детерминированных систем по признакам «статические-динамические», «дискретные-непрерывные» включает шесть основных групп, представленных в таблице 2 , где для каждой группы указан математический аппарат описания систем, методы численного анализа и оценки их параметров, методы синтеза (оптимизации), а также типичные области применения.
Таблица 2
ДЕТЕРМИНИРОВАННЫЕ МОДЕЛИ СИСТЕМ
| Типы систем | Статические | Динамические | ||||
| Дискретные по U.Y | Непрерывные по U.Y | Дискретные по Т | Непрерывные по Т | |||
| Дискретные по U, Y | Непрерывные по U,Y | Дискретные по U,Y | Непрерывные по U, Y | |||
| Математический аппарат описания | Графы, таблицы соответствий, булева алгебра | Функции вещественных переменных | Конечные автоматы | Разностные уравнения | Асинхронные автоматы, сети Петри, модели теории расписаний | Обыкновенные дифференциальные уравнения |
| Методы оценки параметров и анализа | Методы математической логики | Методы интерполяции и аппроксимации | Теория конечных автоматов | Идентификация, теория устойчивости | Методы идентификации | Идентификация, численное интегрирование ОДУ |
| Методы синтеза | Дискретное программирование, метод Куайна, карты Карно | Методы оптимизации (линейное и нелинейное программирование) | Динамическое программирование, методы синтеза микропрограммных автоматов | Динамическое программирование, дискретный принцип максимума | Динамическое программирование, теория расписаний | Теория управления, методы оптимизации |
| Области применения | Качественные модели исследования операций | Количественные модели исследования операций | Цифровые САУ, ГАП, логическое управление | Импульсные и цифровые САУ | Параллельные процессы в ЭВМ и ГАП | САУ, механические, тепловые, электронные и др. процессы |
Примечание: U - множество входов, Y - множество выходов системы
Модели состояния динамических систем
Модели общего вида
Важнейшую роль при описании динамических систем играет понятие состояния. Состояние - это совокупность величин (вектор) , которые определяют (вместе с входным воздействием) будущее поведение системы.
В общем случае уравнения состояния – это системы дифференциальных или разностных уравнений первого порядка вместе с уравнениями для выходных величин. Начальное состояние представляет, «память» системы о прошлом. Модель состояния непрерывной динамической системы записывается в виде
(4)
(5)
где u 1 , …, u m - входные переменные, y 1 , …, y l - выходные переменные, x 1 , …, x n -переменные состояния. Вводя векторные обозначения, можно записать (5) в более компактном виде:
(6)
где 
, 
, 
.
Для моделей состояния справедлив следующий факт: любая нелинейная динамическая система может быть представлена как соединение линейных динамических и нелинейных статических звеньев.
Еще более общей формой описания динамических систем являются сингулярные дифференциальные (алгебро-дифференциальные) системы
(7)
частным случаем которых являются неявные системы
(8)
Линейные модели
Часто вместо (5) используют упрощенные ММ, основанные на том, что процессы в системе протекают, мало отклоняясь от некоторой так называемой опорной траектории удовлетворяющей уравнениям
Тогда можно записать приближенную линеаризованную модель в отклонениях от этого режима:
(10)
Если расчетный режим является установившимся, т.е. не зависит от времени, то коэффициенты в (10) также не зависят от времени: A(t)=A , B(t)=B и т.д. Такие системы называются стационарными. Особенно часто на практике встречаются стационарные линейные непрерывные системы, описываемые более простыми уравнениями
, у = Сх . (11)
Матрицы А, В, С являются параметрами модели (11).
Если линеаризация приводит к большим погрешностям, то стараются, по возможности, выбрать ММ линейную по параметрам:
где А - матрица параметров порядка n × N , - нелинейная функция. К этому классу относятся, в частности, билинейные объекты.
Сказанное выше относится и к уравнениям дискретных по времени систем. Уравнения дискретной системы в общем случае имеют вид
, . (12)
Дискретным аналогом уравнений линейной стационарной системы (20) являются уравнения:
(13)
Наряду с уравнениями состояния широкое применение находят также модели в переменных «вход-выход» и модели, описываемые передаточными функциями. Для непрерывного времени уравнение «вход-выход» имеет вид
A(p)y(t)=B(p)u(t), (14)
где р = d/dt
- символ дифференцирования по времени, , 
, причем в (14) всегда m < n
. Дробно-рациональная функция 
называется передаточной
функцией системы (14), а полином А(λ)
- ее характеристическим полиномом
. Если уравнение (14) получено из (11), то
(15)
Они справедливы и в случае, когда вход и выход системы (11) являются векторами, при этом 
- матрица. Пользуясь (15), можно показать, что замена переменных состояния в (11) по формуле , где Т
- неособая n×n
матрица (det T
= 0), не приводит к изменению передаточной функции (15). Это значит, что обратный переход от описания «вход-выход» к уравнениям состояния (11) неоднозначен: при сохранении передаточной функции базис в пространстве состояний можно выбирать по-разному. На практике применяются несколько типовых способов перехода от передаточной функции к уравнениям состояния. Эти способы соответствуют так называемым каноническим представлениям системы. Опишем один из них, приводящий к управляемому каноническому представлению
. Вместо (13) вводятся два уравнения.
ДИСКРЕТНЫЕ МОДЕЛИ, модели, переменные и параметры которых являются дискретными величинами, т. е. величинами, принимающими конечное или счётное число значений; в задачах, связанных с такими моделями, множество допустимых решений также дискретно. При построении и анализе дискретных моделей используются математические методы дискретной математики, алгебраические и другие известные математические методы, а иногда требуется разработка новых.
Дискретные модели возникают в связи со многими задачами в экономике, управлении, технике и других прикладных областях. Задачи дискретных моделей, как и алгоритмы их решения, носят, как правило, комбинаторный характер, что обусловлено конечностью множества возможных вариантов решений. Среди разработанных дискретных моделей можно выделить следующие основные классы: дискретные модели транспортного типа и планирования перевозок, сетевые и потоковые дискретные модели, дискретные модели управления запасами, дискретные модели размещения, дискретные модели теории расписаний, дискретные модели логического проектирования, дискретные модели распределения ресурсов, дискретные модели формирования производственных систем, дискретные модели ранжирования и кластеризации. В качестве отдельных классов дискретных моделей рассматриваются стохастические и динамические модели. Большое внимание уделяется разработке дискретных экономико-математических моделей.
При исследовании дискретных моделей часто рассматриваются дискретные экстремальные задачи, нерегулярные задачи различных типов, задачи с разрывными целевыми функциями, многоэкстремальные задачи, задачи теории графов, задачи о покрытиях.
Методы и алгоритмы решения дискретных задач обычно носят комбинаторный характер. Основная идея этих методов состоит в выделении и отсеве (отбрасывании) подмножеств допустимых решений, заведомо не содержащих оптимальных. Именно это составляет основу многих используемых в дискретных моделях алгоритмов. Наиболее часто применяются метод последовательного анализа вариантов, метод ветвей и границ, метод динамического программирования, метод последовательных расчётов, аппроксимационно-комбинаторный метод. Многие современные версии алгоритмов являются комбинированными, в рамках которых применяются элементы нескольких алгоритмов.
Лит.: Лихтенштейн В. Е. Модели дискретного программирования. М., 1971; Вагнер Г. Основы исследований операций: В 3 т. М., 1972-1973; Пропой А. И. Элементы теории оптимальных дискретных процессов. М., 1973; Финкельштейн Ю. Ю. Приближенные методы и прикладные задачи дискретного программирования. М., 1976; Моисеев Н. Н. Математические задачи системного анализа. М., 1981; Комбинаторные методы и алгоритмы решения задач дискретной оптимизации большой размерности. М., 2000; Сигал И. Х., Иванова А. П. Введение в прикладное дискретное программирование: Модели и вычислительные алгоритмы. М., 2002.
Дискретной называется система, которая может переходить из одного состояния в другое только в определенные моменты времени. Дискретные системы распространены очень широко. Например, цифровой компьютер является дискретной системой. Если модель непрерывной системы является дифференциальное уравнение, то моделью дискретной системы является разностное уравнение. Дискретные системы можно представить также в пространстве состояний или с помощью передаточной функции. Предположим, что мы используем компьютер для управления неким объектом (рис. 5.1).
Рис. 5.1. Цифровая система управления
Поскольку компьютер является цифровым устройством, работающим в реальном времени, он может принимать информацию в дискретные моменты времени. Пусть эти моменты отстоят друг от друга на постоянную величину. Этот интервал времени называется шагом дискретизации.
Тогда сигнал, поступающий в компьютер, можно представить в виде числовой последовательности, которую мы обозначим как. Очень часто параметр опускают, и тогда обозначение превращается в.
Выходной сигнал также является числовой последовательностью. Компьютер обладает памятью, поэтому мы можем запоминать входные и выходные сигналы в прошедшие моменты времени. Линейное разностное уравнение с постоянными коэффициентами и -го порядка выглядит следующим образом
Порядок уравнения определяет «глубину памяти» системы.
В рассматриваемом нами случае разностное уравнение (5.1) описывает динамику регулятора, в качестве которого используется цифровой компьютер. Однако оно может служить и моделью объекта, если тот является линейной дискретной системой.
Решить разностное уравнение означает найти последовательность. Такую последовательность называют решетчатой функцией. Существует три основных метода решения линейных разностных уравнений с постоянными коэффициентами. Первый (классический) метод состоит в нахождении общего и частного решений подобно тому, как это делается при классическом решении линейных дифференциальных уравнений. Этот метод мы рассматривать не будем. Второй метод является рекуррентным; он используется при решении разностных уравнений с помощью цифрового компьютера. Мы рассмотрим его на примере.
Пример 5.1. Получим решение следующего разностного уравнения
Причем, . Решения для можно получить, положив сначала в разностном уравнении, затем, затем и т.д. В результате получим
Используя этот метод, можно определить для любых значений. При больших значениях подобная процедура очень трудоемка, поэтому лучше выполнить ее на компьютере. Последний пример для решается с помощью следующей программы «MATLAB»:
mkminus1=0; ekminus1=0; ek=1;
mk=ek-ekminus1-mkminus1;
В этой программе ekminus1 соответствует значению, ek - значению, mkminus1 - значению, а mk - значению.
В качестве второго примера применения рекуррентного метода решения разностных уравнений рассмотрим численное интегрирование дифференциального уравнения по методу Эйлера. Дано дифференциальное уравнение первого порядка:
Для малого значения производную можно представить как
Тогда дифференциальное уравнение приближенно примет вид:
Переходя к дискретному времени, получим разностное уравнение
Таким образом, интегрирование дифференциального уравнения методом Эйлера сводится к получению разностного уравнения. Вообще любой метод численного интегрирования может быть сведен к разностному уравнению и запрограммирован для решения на цифровом компьютере.
Третий метод решения линейных разностных уравнений с постоянными коэффициентами основан на использовании -преобразования, которое эквивалентно преобразованию Лапласа для непрерывных систем. Рассмотрим следующее разностное уравнение -го порядка, считая входную последовательность известной
Преобразование данного уравнения выглядит следующим образом:
где - параметр -преобразования, - параметр преобразования Лапласа,
Шаг дискретизации,
Изображение входного сигнала,
Изображение выходного сигнала.
Преобразование основано на теореме операционного исчисления о запаздывании. Если, то.
Уравнение (5.3) можно переписать следующим образом
Поскольку известно, то можно найти, применив обратное -преобразование к выражению (5.4).
Пример 5.2. Рассмотрим разностное уравнение из предыдущего примера
Найдем -преобразование этого уравнения
Отсюда следует
Изображение входного сигнала можно представить в виде
Решетчатая функция равна коэффициентам полученного ряда
В программе имитационного моделирования «Simulink», которая является частью языка технического программирования «MATLAB», модель дискретной системы задается в виде рациональной передаточной функции
где - коэффициенты (вещественные или комплексные).
Конечное множество чисел: () называется полюсами, а множество () - нулями системы (5.4). Полюса (и нули) могут быть действительными, либо комплексными. В последнем случае они образуют пару комплексно-сопряженных чисел. Если система устойчивая, то модули всех ее полюсов меньше единицы. В противном случае - система неустойчивая.
Пример 5.3. Дискретная система первого порядка (инерционное звено) имеет передаточную функцию
где и - коэффициенты (- полюс системы).
Пример 5.4. Дискретная система второго порядка имеет передаточную функцию
где и - полюса системы, .
Пример 5.5. Построим в «MATLAB» модель дискретной системы второго порядка, показанной на рис. 5.2. На рис. 5.3 приведена реакция этой системы на ступенчатый входной сигнал.
Рис. 5.2. Устойчивая дискретная система второго порядка
Рис. 5.3. Реакция устойчивой дискретной системы второго порядка на ступенчатый входной сигнал
Пример 5.6. Построим в «MATLAB» модель дискретной системы второго порядка, показанной на рис. 5.4. На рис. 5.5 приведена реакция этой системы на ступенчатый входной сигнал.
Рис. 5.4. Неустойчивая дискретная система второго порядка
Рис. 5.5. Реакция неустойчивой дискретной системы второго порядка на ступенчатый входной сигнал
Дискретная система, также как и непрерывная, может быть представлена в пространстве состояний:
Уравнение состояния;
Уравнение наблюдения, где
· - входной сигнал;
· - выходной сигнал;
· - вектор состояний;
· A, B, C, D - параметрические матрицы.
Пример 5.7. Система первого порядка может быть описана такими параметрами:
Пример 5.8. Система второго порядка может иметь следующие матрицы.
Пример.
Пример.
Пример.
Пример. Модель S=gt2/2, 0 < t < 100 непрерывна на промежутке времени (0;100).
Пример.
a1x1 + a2x2 = S,
Детерминированные и стохастические модели
Модель детерминированная, если каждому входному набору параметров соответствует вполне определенный и однозначно определяемый набор выходных параметров; в противном случае - модель недетерминированная, стохастическая (вероятностная).
Пример. Приведенные выше физические модели - детерминированные. Если в модели S = gt2 / 2, 0 < t < 100 мы учли бы случайный параметр - порыв ветра с силой p при падении тела:
S(p) = g(p) t2 / 2, 0 < t < 100,
то мы получили бы стохастическую модель (уже не свободного) падения.
Функциональные, теоретико-множественные и логические модели
Модель функциональная, если она представима в виде системы каких- либо функциональных соотношений.
Модель теоретико-множественная, если она представима с помощью некоторых множеств и отношений принадлежности им и между ними.
Пример. Пусть задано множество
X = {Николай, Петр, Николаев, Петров, Елена, Екатерина, Михаил, Татьяна} и отношения:
Николай - супруг Елены,
Екатерина - супруга Петра,
Татьяна - дочь Николая и Елены,
Михаил - сын Петра и Екатерины,
семьи Михаила и Петра дружат друг с другом.
Тогда множество X и множество перечисленных отношений Y могут служить теоретико-множественной моделью двух дружественных семей.
Модель называется логической, если она представима предикатами, логическими функциями.
Например, совокупность логических функций вида:
z = x y x, p = x y
есть математическая логическая модель работы дискретного устройства.
Игровые модели
Модель игровая, если она описывает, реализует некоторую игровую ситуацию между участниками игры.
Пример. Пусть игрок 1 - добросовестный налоговый инспектор, а игрок 2 - недобросовестный налогоплательщик. Идет процесс (игра) по уклонению от налогов (с одной стороны) и по выявлению сокрытия уплаты налогов (с другой стороны). Игроки выбирают натуральные числа i и j (i, j n), которые можно отождествить, соответственно, со штрафом игрока 2 за неуплату налогов при обнаружении игроком 1 факта неуплаты и с временной выгодой игрока 2 от сокрытия налогов. Если в качестве модели взять матричную игру с матрицей выигрышей порядка n, то в ней каждый элемент определяется по правилу aij = |i - j|. Модель игры описывается этой матрицей и стратегией уклонения и поимки. Эта игра - антагонистическая.
Лингвистические модели
Модель называется языковой, лингвистической, если она представлена некоторым лингвистическим объектом, формализованной языковой системой или структурой.
Иногда такие модели называют вербальными, синтаксическими.
Например, правила дорожного движения - языковая, структурная модель движения транспорта и пешеходов на дорогах.
Пусть B - множество производящих основ существительных, C - множество суффиксов, P - прилагательных, b i – корень слова; "+" - операция конкатенации слов, ":=" - операция присваивания, "=>" - операция вывода (выводимости новых слов), Z - множество значений (смысловых) прилагательных.
Языковая модель M словообразования может быть представлена:
= + <с i >.
При b i - "рыб(а)", с i - "н(ый)", получаем по этой модели p i - "рыбный", z i - "приготовленный из рыбы".
Система клеточных автоматов
Модель клеточно-автоматная, если она представима клеточным автоматом или системой клеточных автоматов.
Клеточный автомат - дискретная динамическая система, аналог физического (непрерывного) поля. Клеточно-автоматная геометрия - аналог евклидовой геометрии. Неделимый элемент евклидовой геометрии - точка, на основе ее строятся отрезки, прямые, плоскости и т.д.
Неделимый элемент клеточно-автоматного поля - клетка, на основе её строятся кластеры клеток и различные конфигурации клеточных структур. Представляется клеточный автомат равномерной сетью клеток ("ячеек") этого поля. Эволюция клеточного автомата разворачивается в дискретном пространстве - клеточном поле.
Смена состояний в клеточно-автоматном поле происходит одновременно и параллельно, а время идет дискретно. Несмотря на кажущуюся простоту их построения, клеточные автоматы могут демонстрировать разнообразное и сложное поведение объектов, систем.
В последнее время они широко используются при моделировании не только физических, но и социально-экономических процессов.
Фрактальные модели
Модель называется фрактальной, если она описывает эволюцию моделируемой системы эволюцией фрактальных объектов.
Если физический объект однородный (сплошной), т.е. в нем нет полостей, то можно считать, что его плотность не зависит от размера. Например, при увеличении параметра объекта R до 2R масса объекта увеличится в R 2 раз, если объект- круг и в R 3 раз, если объект - шар, т.е. существует связь массы и длины. Пусть n - размерность пространства. Объект, у которого масса и размер связаны называется "компактным". Его плотность можно рассчитать по формуле:
Если объект (система) удовлетворяет соотношению M(R) ~ R f(n) , где f(n) < n, то такой объект называется фрактальным.
Его плотность не будет одинаковой для всех значений R, то она масштабируется согласно формуле:
Так как f(n) - n < 0 по определению, то плотность фрактального объекта уменьшается с увеличением размера R, а ρ(R) является количественной мерой разряженности объекта.
Пример фрактальной модели - множество Кантора. Рассмотрим отрезок . Разделим его на 3 части и выбросим средний отрезок. Оставшиеся 2 промежутка опять разделим на три части и выкинем средние промежутки и т.д. Получим множество, называемое множеством Кантора. В пределе получаем несчетное множество изолированных точек (рис. 1.4 )
Рис. 1.4. Множество Кантора для 3-х делений
Генетические алгоритмы
Идея генетических алгоритмов "подсмотрена" у систем живой природы, у которых эволюция развертывается достаточно быстро.
Генетический алгоритм - это алгоритм, основанный на имитации генетических процедур развития популяции в соответствии с принципами эволюционной динамики.
Генетические алгоритмы используются для решения задач оптимизации (многокритериальной), для задач поиска и управления.
Данные алгоритмы адаптивны, они развивают решения и развиваются сами.
Генетический алгоритм может быть построен на основе следующей укрупненной процедуры:.
Хотя генетические алгоритмы и могут быть использованы для решения задач, которые, нельзя решить другими методами, они не гарантируют нахождение оптимального решения, по крайней мере, за приемлемое время. Здесь более уместны критерии типа "достаточно хорошо и достаточно быстро".
Главное же преимущество их использования заключается в том, что они позволяют решать сложные задачи, для которых не разработаны пока устойчивые и приемлемые методы, особенно на этапе формализации и структурирования системы.
Генетические алгоритмы эффективны в комбинации с другими классическими алгоритмами и эвристическими процедурами.
Статические и динамические, дискретные и непрерывные модели
Классификацию моделей проводят по различным критериям.
Модель называется статической, если среди параметров, участвующих в ее описании, нет временного параметра. Статическая модель в каждый момент времени дает лишь "фотографию" системы, ее срез.
Пример. Закон Ньютона F=a*m - это статическая модель движущейся с ускорением a материальной точки массой m. Эта модель не учитывает изменение ускорения от одной точки к другой.
Модель динамическая, если среди ее параметров есть временной параметр, т.е. она отображает систему (процессы в системе) во времени.
Пример. Динамическая модель закона Ньютона будет иметь вид:
Модель дискретная, если она описывает поведение системы только в дискретные моменты времени.
Пример. Если рассматривать только t=0, 1, 2, …, 10 (сек), то модель
или числовая последовательность: S0=0, S1=g/2, S2=2g, S3=9g/2, :, S10=50g может служить дискретной моделью движения свободно падающего тела.
Модель непрерывная, если она описывает поведение системы для всех моментов времени некоторого промежутка времени.
Пример. Модель S=gt2/2, 0 < t < 100 непрерывна на промежутке времени (0;100).
Модель имитационная, если она предназначена для испытания или изучения возможных путей развития и поведения объекта путем варьирования некоторых или всех параметров модели.
Пример. Пусть модель экономической системы производства товаров двух видов 1 и 2, в количестве x1 и x2 единиц и стоимостью каждой единицы товара a1 и a2 на предприятии описана в виде соотношения:
a1x1 + a2x2 = S,
где S - общая стоимость произведенной предприятием всей продукции (вида 1 и 2). Можно ее использовать в качестве имитационной модели, по которой можно определять (варьировать) общую стоимость S в зависимости от тех или иных значений объемов и стоимости производимых товаров.
модель материальный скачкообразный дискретный
Будем предполагать, что возможно, хотя бы в принципе, установить и на некотором языке описания (например, средствами математики) охарактеризовать зависимость каждой из выходных переменных от входных. Связь между входными и выходными переменными моделируемого объекта в принципе может характеризоваться графически, аналитически, т.е. посредством некоторой формулы общего вида, или алгоритмически. Независимо от формы представления конструкта, описывающего эту связь, будем именовать его оператором вход-выход и обозначать через В.
Пусть М=М(X,Y,Z), где X - множество входов, Y - выходов, Z - состояний системы. Схематически можно это изобразить: X Z Y.
Рассмотрим теперь наиболее существенные с точки зрения моделирования внутренние свойства объектов разного класса. При этом придется использовать понятие структура и параметры моделируемого объекта. Под структурой понимается совокупность учитываемых в модели компонентов и связей, содержащихся внутри объекта, а после формализации описания объекта - вид математического выражения, которое связывает его входные и выходные переменные (например: у=au+bv). Параметры представляют собой количественные характеристики внутренних свойств объекта, которые отражаются принятой структурой, а в формализованной математической модели они суть коэффициенты (постоянные переменные), входящие в выражения, которыми описывается структура (а и b).
Непрерывность и дискретность.
Все те объекты, переменные которых (включая, при необходимости, время) могут принимать несчетное множество сколь угодно близких друг к другу значений называются непрерывными или континуальными. Подавляющее большинство реальных физических и теоретических объектов, состояние которых характеризуется только макроскопическими физическими величинами (температура, давление, скорость, ускорение, сила тока, напряженность электрического или магнитного полей и т.д.) обладают свойством непрерывности. Математические структуры, адекватно описывающие такие объекты, тоже должны быть непрерывными. Поэтому при модельном описании таких объектов используется главным образом, аппарат дифференциальных и интегро-дифференциальных уравнений. Объекты, переменные которых могут принимать некоторое, практически всегда конечное число наперед известных значений, называются дискретными. Примеры: релейно-контактные переключательные схемы, коммутационные системы АТС. Основой формализованного описания дискретных объектов является аппарат математической логики (логические функции, аппарат булевой алгебры, алгоритмические языки). В связи с развитием ЭВМ дискретные методы анализа получили широкое распространение также для описания и исследования непрерывных объектов.
Свойство непрерывности и дискретности выражается в структуре множеств (совокупностей), которым принадлежат параметры состояния, параметр процесса и входы, выходы системы. Таким образом, дискретность множеств Z, Т, Х, Y ведет к модели, называемой дискретной, а их непрерывность -- к модели с непрерывными свойствами. Дискретность входов (импульсы внешних сил, ступенчатость воздействий и др.) в общем случае не ведет к дискретности модели в целом. Важной характеристикой дискретной модели является конечность или бесконечность числа состояний системы и числа значений выходных характеристик. В первом случае модель называется дискретной конечной. Дискретность модели также может быть как естественным условием (система скачкообразно меняет свое состояние и выходные свойства), так и искусственно внесенной особенностью. Типичный пример последнего - замена непрерывной математической функции на набор ее значений в фиксированных точках.
Непрерывные математические модели
Для реализации ММ, представляемых ДУЧП или системами ОДУ, используются численные методы непрерывной математики, поэтому рассмотренные ММ называют непрерывными.
На рис. 1 показаны преобразования непрерывных ММ в процессе перехода от исходных формулировок задач к рабочим программам, представляющим собой последовательности элементарных арифметических и логических операций. Стрелками 1, 2 и 3 показаны переходы от описания структуры объектов на соответствующем иерархическом уровне к математической формулировке задачи. Дискретизация (4) и алгебраизация (5) ДУЧП по пространственным переменным осуществляются методами конечных разностей (МКР) или конечных элементов (МКЭ). Применение МКР или МКЭ к стационарным ДУЧП приводит к системе алгебраических уравнений (АУ), а к нестационарным ДУЧП--к системе ОДУ. Алгебраизация и дискретизация системы ОДУ по переменной t осуществляются методами численного интегрирования. Для нелинейных ОДУ (6) это преобразование приводит к системе нелинейных АУ, для линейных ОДУ (7) -- к системе линейных алгебраических уравнений (ЛАУ). Нелинейные АУ решаются итерационными методами. Стрелка 8 соответствует решению методом Ньютона, основанному на линеаризации уравнений, стрелка 9--методами Зейделя, Якоби, простой итерации и т. п. Решение системы ЛАУ сводится к последовательности элементарных операций (10) с помощью методов Гаусса или LU-разложения.
Рис. 1
Непрерывные ММ и используемые для их анализа методы вычислительной математики получили широкое распространение в САПР различных отраслей промышленности.
Создание методики автоматического формирования математических моделей систем позволило автоматизировать процедуры анализа и верификации широкого класса технических объектов. Инвариантный характер этой методики обусловил разработку на ее основе методов и алгоритмов, реализованных во многих ПМК проектирования электронных, механических, гидравлических, теплоэнергетических устройств и систем. Известны такие методы формирования ММ как узловой метод, контурный метод, метод переменных состояния.
Дискретные математические модели
Дискретной математической моделью называется модель, в которой выполнена дискретизация тех или иных переменных. Рассмотрим ММ, в которых дискретными являются зависимые переменные, характеризующие состояние моделируемого объекта.
Проектирование систем на функционально-логическом и системном уровнях основано на применении дискретных ММ. При моделировании в подсистемах функционально-логического проектирования принимаются те же допущения, что и при моделировании аналоговых систем на верхних уровнях. Кроме того, моделируемый объект представляется совокупностью взаимосвязанных логических элементов, состояния которых характеризуются переменными, принимающими значения в конечном множестве. В простейшем случае это множество {0, 1}. Непрерывное время t заменяется дискретной последовательностью моментов времени tк, при этом длительность такта. Следовательно, математической моделью объекта является конечный автомат (КА). Функционирование КА описывается системой логических уравнений КА
На системном уровне проектирования систем преимущественно распространены модели систем массового обслуживания (СМО). Для таких моделей характерно то, что в них отображаются объекты двух типов--заявки на обслуживание и обслуживающие аппараты (ОА). При проектировании ВС заявками являются решаемые задачи, а обслуживающими аппаратами--оборудование ВС. Заявка может находиться в состоянии «обслуживание» или «ожидание», а обслуживающий аппарат--в состоянии «свободен» или «занят». Состояние СМО характеризуется состояниями ее ОА и заявок. Смена состояний называется событием. Модели СМО используются для исследования процессов, происходящих в этой системе при подаче на входы потоков заявок. Эти процессы представляются последовательностями событий. По результатам исследования определяются наиболее важные выходные параметры системы: производительность, пропускная способность, вероятность и среднее время решения задач, коэффициенты загрузки оборудования.
Появление параллельных и конвейерных систем, необходимость моделировать процессы функционирования не только аппаратных, но и программных средств привело к появлению класса дискретных ММ, называемых сетями Петри. Сети Петри можно использовать для моделирования на функционально-логическом и системном уровнях проектирования широкого круга систем и сетей.
Сети Петри и СМО широко используются для описания функционирования производственных участков, линий и цехов, ориентированных на многономенклатурное производство изделий. Сети Петри -- эффективный инструмент разработки самих САПР. Эти сети могут служить моделями алгоритмов функционирования различных устройств дискретной автоматики.
