Аналитическое и численное решения дифференциальных уравнений
Аналитическим решением ДУ называется нахождение зависимостей его переменных от времени в виде явно заданной математической формулы.
Например, для модели Мальтуса таким аналитическим решением является формула, для модели Ферхюльстааналитическим решением является формула, а вот ДУ модели Вольтера-Лотка:
не имеют общего аналитического решения. То есть, иными словами, интегралы, возникающие в правой части выражений для иневозможно «взять», используя стандартные приемы аналитического интегрирования (см. курс высшей математики). Откуда же взялись приведенные в описании этой модели графики зависимостей переменных от времени и фазовые траектории? Они были получены путемчисленного решения приведенной системы ДУ.
В общем случае численное решение ДУ сводится к замене дифференциалов, входящих в его состав, малыми приращениями соответствующих переменных и нахождение решений получившегося алгебраического уравнения на интервале времени от 0 до любого заранее заданного . Рассмотрим применение простейшего метода численного решения – метода Эйлера для решения ДУ первого порядка.
Представим исходное ДУ в виде:
,
где - дискретность по времени, произвольно выбранная малая величина;;i – шаг алгоритма.
Шаг 0. Задаем начальное условие и определяем.
Шаг 1. Вычисляем первые значения x и t по формулам:
;
.
Шаги 2 - n. Продолжаем вычисление x и t по формулам:
;
.
до тех пор пока
Аналогичным образом можно решать и системы ДУ первого порядка, к которым, как мы теперь знаем, можно свести ДУ любого порядка.
Точность численного решения при прочих равных условиях определяется выбранной величиной дискретности по времени . Чем меньше дискретность, тем точнее решение, но и тем больше шагов должен включать алгоритм. Именно по причине того, что алгоритмы численного решения ДУ требуют огромного количества элементарных вычислений (число шагов может составлять сотни и тысячи), для их практической реализации используют компьютеры. Широко используемые программы математического моделирования, как правило, имеют в своем составе стандартные функции численного решения ДУ, поэтому их пользователю нет нужды детально разбираться в тонкостях используемых алгоритмов – достаточно задать свои ДУ, начальные условия и интервал времени, на котором ищется решения. Все остальное программа сделает самостоятельно.
Простота использования описанных выше функций привела к тому, что создатели математических моделей в настоящее время обычно даже и не пытаются найти аналитическое решение разработанных ими ДУ, предпочитая во всех случаях решать их численно. Справедливости ради следует отметить, что абсолютное большинство ДУ, используемых в современном моделировании, не имеет аналитического решения в принципе.
Сказанное выше не отменяет необходимости при моделировании выполнять качественный анализ ДУ, в первую очередь путем исследования устойчивости стационарных состояний и типов поведения системы вблизи этих состояний.
- Моделирование биологических процессов и систем Лекция 1. Введение в моделирование Основные понятия моделирования
- 1. Познание окружающего мира.
- 4. Эффективность управления объектом (или процессом).
- Классификация моделей
- Структурные модели
- Понятие адекватности модели
- Инструментальные средства моделирования
- Лекция 2. Модели, описываемые дифференциальными уравнениями Статические и динамические модели
- Простейшие модели, описываемые ду первого порядка: уравнения Мальтуса и Ферхюльста
- Стационарные состояния и устойчивость
- Переменные состояния и фазовые траектории
- Системы дифференциальных уравнений. Модель «хищник – жертва»
- Переход от дифференциального уравнения высокой степени к системе дифференциальных уравнений первой степени. Модель колебаний сердечной мышцы.
- Аналитическое и численное решения дифференциальных уравнений
- Тема 3. Стохастическое моделирование
- Параметры случайной величины
- Равномерное распределение
- Нормальное распределение
- Метод Монте-Карло
- Искусственные нейронные сети
- Биологический прототип
- Искусственный (математический) нейрон
- Нейронная сеть без обратных связей - персептрон
- Обучение нейронных сетей
- Нейронные сети с обратными связями
- Генетические алгоритмы оптимизации
- Операции с нечеткими множествами
- Нечеткое управление