Структурные модели
В отличие от функциональных, структурные модели строятся на основании имеющихся у экспериментатора знаний о внутреннем устройстве объекта моделирования. Структурные модели могут включать в себя функциональные. Например, если бы у нас имелись экспериментальные данные, свидетельствующие о том, что среднегодовая температура воды в Керченском проливе t оказывает существенное влияние на количество зашедших в Азовское море производителей хамсы x, использующееся в модели Горстко, то мы могли бы описанным выше способом регрессионного анализа построить функциональную модель зависимости и объединить ее с первоначальной моделью, тем самым повысив степень ееадекватности, т. е. соответствия реальному объекту (ведь в модели Горстко влияние темературы не учитывалось, а в реальности такое влияние есть). Получившаяся в результате комбинация из двух функциональных моделей уже являлась бы структурной, так как объект моделирования (экосистема Азовского моря) уже являлся бы не вполне «черным», а скорее «серым» ящиком, поскольку некоторые данные о его внутреннем устройстве (взаимосвязи протекающих в нем процессов) у нас бы уже имелось.
Признаком, отличающим структурные модели от функциональных является наличие одного или нескольких внутренних параметров. В описанной выше гипотетической модели «температура t – количество производителей x – удельное количеством выжившей молоди y» таким внутренним параметром являлась бы переменная x.
Простые структурные модели, передаточную характеристику которых можно записать в виде одного или нескольких математических выражений, без использования в явном виде аппарата дифференциальных уравнений или случайных величин часто называют аналитическими моделями. В противном случае (при использовании в ней дифференциальных уравнений в явном виде или случайных величин) структурную модель называют имитационной.
Суть имитационного моделирования заключается в исследовании сложной математической модели с помощью вычислительных экспериментов. Процесс построения имитационной модели можно представить следующим образом. Мы записываем в любом доступном для компьютера формализованном виде (в виде дифференциальных и аналитических уравнений, логических соотношений, вероятностных законов) все, что знаем о системе, а потом проигрываем на компьютере варианты того, что может дать совокупность этих знаний при тех или иных значениях внешних и внутренних параметров системы.
Ясно, что разработка имитационной модели сложной системы и работа с этой моделью часто требуют усилий целого коллектива специалистов, как в области машинной математики, так и в предметной области.
Примеры активно разрабатываемых имитационных моделей в области биологии:
1. Модели систем организма.
В настоящее время имеются имитационные модели многих систем организма - сердца, желудочно-кишечного тракта, почек, печени, мозга, и других.
2. Модели продукционного процесса растений.
Имитационные модели продукционного процесса растений (агробиоценозов) для разных культур являются одними из первых имитационных моделей. Практическая задача моделирования - выбор оптимальной стратегии проведения сельскохозяйственных мероприятий: орошения, полива, внесения удобрений с целью получения максимального урожая. Существует большое число моделей разных культур. Среди биотических процессов выделяют блок фотосинтеза, блок корневого питания, блок роста и развития, блок почвенной микрофлоры, блок развития болезней сельскохозяйственной культуры и другие. Рассматриваются также геофизические процессы: формирование теплового и водного режима, концентрации и передвижения биогенных и токсических солей, концентрации СО2 в посеве и других.
3. Модели водных экосистем.
Водная среда гораздо более однородна, чем сухопутные биогеоценозы, и имитационные модели водных систем успешно создаются начиная с 70-х годов 20 века. Описание обменных процессов в водной среде включает описание усвоения азота, фосфора и других биогенных элементов, рост фито- и зоопланктона и детрита. При этом важно учитывать гидробиологические процессы в рассматриваемых водоемах, которые, как правило, являются неоднородными и при моделировании разбиваются на ряд частей.
- 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