Matematické modelování

Matematické modelování — je výzkumná metoda, při níž je reálný objekt, proces nebo jev nahrazen jeho matematickým modelem, který umožňuje analyzovat chování systému pomocí matematických metod.

Podstata matematického modelování

Matematické modelování zahrnuje:

• formalizaci podstatných charakteristik zkoumaného objektu;
• sestavení matematického modelu vyjadřujícího vztahy mezi parametry;
• zkoumání modelu analytickými, numerickými nebo simulačními metodami;
• interpretaci výsledků ve vztahu k reálnému systému.

Model je vždy zjednodušením reality a cíleně odráží pouze ty její stránky, které jsou důležité pro stanovené cíle výzkumu nebo návrhu.

Cíle matematického modelování

Matematické modely se vytvářejí pro:

• popis struktury, vlastností a fungování systémů;
• vysvětlení pozorovaných jevů prostřednictvím odhalení zákonitostí;
• předpovídání budoucího chování systémů při zadaných působeních;
• optimalizaci procesů a řídicích systémů;
• provádění virtuálních experimentů, které jsou v realitě nedostupné nebo nežádoucí.

Klasifikace matematických modelů

• Podle způsobu popisu: Deterministické a stochastické (pravděpodobnostní).
• Podle charakteru času: Statické a dynamické.
• Podle charakteru proměnných: Diskrétní a spojité.
• Podle stupně podrobnosti: Makroskopické, mikroskopické, mezoskopické.
• Podle používaného aparátu: Analytické, numerické, simulační.
• Podle účelu: Popisné, prognostické, optimalizační, simulační.
• Podle struktury: Lineární a nelineární.
• Podle přístupu k sestavení: Fenomenologické (empirické) a mechanistické (teoretické).

Etapy matematického modelování

V obecném případě jsou etapy matematického modelování následující:

1. Formulace úlohy:
   • Určení cíle modelování (co chceme zjistit nebo udělat?).
   • Popis objektu nebo procesu a jeho hranic.
   • Vymezení klíčových faktorů a charakteristik, které je třeba zohlednit.
2. Sestavení (nebo volba) modelu:
   • Formalizace: Převod popisu objektu a vztahů do jazyka matematiky (rovnice, funkce, logická pravidla, algoritmy atd.).
   • Zavedení předpokladů a zjednodušení pro vyčlenění podstatného.
   • Určení parametrů modelu a jejich vztahů.
3. Zkoumání modelu:
   • Řešení matematické úlohy (analyticky, numericky, simulačně).
   • Provádění výpočetních experimentů ke studiu chování modelu za různých podmínek.
4. Ověření přiměřenosti (validace) modelu:
   • Porovnání výsledků modelování s reálnými daty (experimentálními, pozorovanými) nebo se známými fakty.
   • Posouzení toho, jak dobře model odráží skutečnost pro stanovený cíl.
5. Interpretace a využití výsledků:
   • Analýza získaných dat modelování.
   • Převod výsledků do jazyka původního problému.
   • Formulace závěrů, prognóz, vypracování doporučení nebo přijímání rozhodnutí na základě modelu.

Tento proces je často iterativní. Neuspokojivé výsledky validace nebo interpretace mohou vyžadovat návrat k předchozím etapám (upřesnění formulace úlohy, změnu předpokladů, modifikaci modelu).

Zásadový přístup

Zásadový přístup, vycházející z prací Clive Dyma (Principles of Mathematical Modeling), navrhuje nahlížet na modelování jako na sled odpovědí na klíčové otázky:

• Why? (Proč?): Jaká je potřeba modelu? Je nutné jasně stanovit cíl modelování a problém, který má model pomoci vyřešit.
• Find? (Najít?): Co chceme zjistit? Jaké konkrétní výstupní údaje, charakteristiky nebo informace musí model poskytnout pro dosažení cíle?
• Given? (Zadáno?): Co víme? Jaké informace, data (experimentální, statistická), znalosti o systému a dostupné zdroje již existují?
• Assume? (Předpoklady?): Jaké předpoklady děláme? Určení zjednodušení, idealizací, hypotéz o chování systému a hranic použitelnosti modelu. Tento krok je kriticky důležitý, neboť určuje přiměřenost modelu.
• How? (Jak?): Jak systém funguje? Identifikace základních zákonů (fyzikálních, chemických, biologických, ekonomických atd.), mechanismů a vzájemných vazeb, které řídí chování modelovaného objektu.
• Predict? (Predikce?): Co model předpoví? Formulace matematických rovnic, nerovnic, logických pravidel nebo algoritmů tvořících jádro modelu a určení výpočtů, které budou provedeny.
• Valid? (Platnost?): Do jaké míry odpovídají předpovědi modelu realitě? Porovnání výsledků modelování s reálnými daty nebo známými fakty za účelem ověření přiměřenosti modelu stanoveným cílům.
• Verified? (Užitečnost/Ověření?): Je model užitečný pro dosažení původního cíle (Why?)? Splňují získané výsledky a přesnost modelu původní potřebu? (V této etapě může být rovněž prováděna verifikace — ověření správnosti matematických postupů a programové implementace).
• Improve? (Zlepšení?): Lze a je třeba model zlepšit? Identifikace parametrů vyžadujících upřesnění, předpokladů, které lze oslabit, nebo nezohledněných aspektů, které je třeba doplnit pro větší přesnost nebo šíři použití.
• Use? (Využití?): Jak využít výsledky? Interpretace předpovědí a závěrů modelu pro přijímání rozhodnutí, získávání nových poznatků, predikci, optimalizaci nebo řízení systému.

Přímá a inverzní úloha matematického modelování

Tradičně se rozlišují dvě základní třídy úloh spojených s matematickými modely:

• Přímá úloha spočívá ve zkoumání modelu s předem danou strukturou a známými parametry za účelem získání informací o chování objektu.
• Inverzní úloha spočívá ve výběru konkrétního modelu nebo v určení jeho parametrů na základě dostupných experimentálních nebo empirických dat.

Přímá úloha

Cílem přímé úlohy je na základě známých vlastností systému odpovědět na otázku o jeho reakci na vnější působení nebo určit jeho charakteristiky za různých podmínek. Hlavní aspekty cíle přímé úlohy:

• Zkoumání chování objektu na základě zadaného matematického modelu se známou strukturou a parametry.
• Získání kvantitativních nebo kvalitativních charakteristik systému: například určení napětí, teplotních polí, dynamických reakcí na zatížení apod.
• Predikce stavu objektu při různých vnějších působeních (zatíženích, změnách podmínek prostředí, řízených akcích).
• Analýza stability a spolehlivosti systémů, určení jejich mezních provozních režimů.
• Ověřování hypotéz o chování objektu formulovaných na základě modelu.
• Optimalizace řídicích procesů výpočtem reakcí modelu na řídicí působení.
• Hodnocení citlivosti řešení na změny počátečních podmínek a parametrů modelu.

Inverzní úloha

Cílem inverzní úlohy je určit strukturu modelu nebo jeho parametry na základě dostupných dat o chování reálného systému.

Hlavní aspekty cíle inverzní úlohy:

• Nalezení neznámých parametrů modelu (například koeficientů pružnosti, tepelné vodivosti, odporu atd.).
• Určení skryté struktury procesů na základě pozorovaných výstupních dat.
• Sestavení nebo úprava matematického modelu tak, aby jeho chování odpovídalo experimentálním nebo empirickým datům.
• Vypracování adekvátních metod zpracování a interpretace dat pozorování a experimentů.

Verifikace a validace

Po sestavení matematického modelu a získání jeho programové nebo algoritmické implementace je kriticky důležitým krokem posouzení jeho správnosti a použitelnosti. K tomu se používají dva vzájemně provázané, avšak odlišné procesy: verifikace a validace.

• Verifikace (Verification):
  • Otázka: Implementujeme (sestavujeme) model správně?
  • Smysl: Ověření toho, že programová implementace nebo výpočetní algoritmus modelu přesně odpovídá jeho matematické formulaci a koncepčnímu popisu. Jinými slovy, verifikace potvrzuje, že rovnice jsou řešeny správně a algoritmus funguje bez chyb podle zabudované logiky.
  • Metody: Analýza a kontrola kódu, testování na známých analytických řešeních (pokud existují), porovnání s výsledky jiných ověřených programů, ověření numerické stability a konvergence algoritmů.
• Validace (Validation):
  • Otázka: Sestavili jsme správný model?
  • Smysl: Určení míry shody modelu s reálným objektem, procesem nebo jevem, který má popisovat, ve vztahu k cílům modelování. Validace odpovídá na otázku, jak dobře model odráží námi sledované aspekty reality.
  • Metody: Porovnání výsledků modelování s experimentálními daty, daty pozorování reálného systému, statistickými daty, známými fakty nebo výsledky jiných, již osvědčených modelů. Hodnocení citlivosti modelu na změnu parametrů.

Klíčový rozdíl:

• Verifikace porovnává implementaci modelu s jeho specifikací (matematickým popisem).
• Validace porovnává model (jako celek) s realitou.

Můžeme mít matematicky korektní, ale reálnému procesu nepřiměřený model (verifikován, ale nevalidován), nebo model zamýšlený jako přiměřený, ale implementovaný s chybami (neverifikován).

Processy verifikace a validace jsou nedílnou součástí procesu matematického modelování. Zajišťují důvěru ve výsledky modelování a umožňují posoudit hranice použitelnosti modelu. Bez nich může být využití modelu pro predikci, optimalizaci nebo přijímání rozhodnutí nekorektní.

Omezení a předpoklady

Každý matematický model je abstrakcí — cíleným zjednodušením zkoumané reality. Opírá se o řadu předpokladů a jako každá mapa není samotným územím, nýbrž pouze jeho popisem pro konkrétní účely. To s sebou nese následující omezení:

1. Neúplnost: Model zohledňuje pouze podstatné (z hlediska cíle výzkumu a učiněných předpokladů) faktory a vzájemné vazby, vědomě ignoruje jiné detaily pro zjednodušení analýzy.
2. Závislost na předpokladech: Správnost, přesnost a oblast použitelnosti modelu přímo závisí na opodstatněnosti učiněných předpokladů. Nesprávné nebo porušené předpoklady vedou k nepřesným nebo nesprávným výsledkům.
3. Omezená oblast použitelnosti: Model adekvátně popisuje realitu pouze za určitých podmínek (odpovídajících předpokladům) a pro řešení konkrétního okruhu úloh, pro které byl vytvořen a ověřen. Extrapolace za tyto meze je nekorektní.
4. Chyba: V důsledku zjednodušení mají výsledky modelování vždy určitou odchylku od reálného chování objektu.
5. Nutnost validace: Protože model je zjednodušením, jeho přiměřenost vždy vyžaduje ověření (validaci) na základě reálných (experimentálních nebo pozorovaných) dat.
6. Citlivost: Výsledky modelování mohou být citlivé na změny vstupních dat, parametrů modelu a učiněných předpokladů, což často vyžaduje provedení analýzy citlivosti.

Příklady použití

• Ve fyzice: modelování tepelné vodivosti, hydrodynamiky, elektromagnetických procesů.
• V inženýrství: výpočet pevnosti konstrukcí, optimalizace technologických procesů.
• V biologii: modelování populační dynamiky a šíření nemocí.
• V ekonomii: sestavování makroekonomických modelů a modelů optimálního řízení.
• V sociologii: modelování migračních procesů a sociální dynamiky.

Literatura

• Úvod do matematického modelování / Pod redakcí P.V. Trusova. — Moskva: Universitetskaja kniga, Logos, 2007.
• Matematické modelování. Ideje. Metody. Příklady. Moisejev N.N. — Moskva: Nauka, 1981.
• Matematické modelování. Galanin M.P., Galanina E.M., Sergejev A.V., Šalajevová A.K. — Moskva: LKI, 2022.
• Principles of Mathematical Modeling Dym, C.L. (2004)

Souvislost s jinými pojmy

• Matematický model
• Model systému
• Proces modelování
• Formalizace modelů systémů
• Modelování
• Operační výzkum