Mô hình hóa toán học

Mô hình hóa toán học — là phương pháp nghiên cứu trong đó đối tượng, quá trình hoặc hiện tượng thực tế được thay thế bằng mô hình toán học của nó, cho phép phân tích hành vi của hệ thống bằng các phương pháp toán học.

Bản chất của mô hình hóa toán học

Mô hình hóa toán học bao gồm:

• hình thức hóa các đặc trưng cơ bản của đối tượng nghiên cứu;
• xây dựng mô hình toán học biểu diễn các mối liên hệ giữa các tham số;
• nghiên cứu mô hình bằng các phương pháp giải tích, số học hoặc mô phỏng;
• diễn giải kết quả trong mối liên hệ với hệ thống thực tế.

Mô hình luôn là sự đơn giản hóa thực tế, có chủ đích phản ánh chỉ những khía cạnh quan trọng cho mục tiêu nghiên cứu hoặc thiết kế đã đặt ra.

Mục tiêu của mô hình hóa toán học

Các mô hình toán học được phát triển nhằm:

• mô tả cấu trúc, đặc tính và hoạt động của các hệ thống;
• giải thích các hiện tượng quan sát được thông qua việc phát hiện các quy luật;
• dự báo hành vi tương lai của hệ thống dưới các tác động cho trước;
• tối ưu hóa các quá trình và hệ thống điều khiển;
• tiến hành các thí nghiệm ảo không thể thực hiện hoặc không mong muốn trong thực tế.

Phân loại các mô hình toán học

• Theo cách mô tả: Tất định và ngẫu nhiên (xác suất).
• Theo đặc tính thời gian: Tĩnh và động.
• Theo đặc tính biến số: Rời rạc và liên tục.
• Theo mức độ chi tiết: Vĩ mô, vi mô, trung mô.
• Theo bộ máy sử dụng: Giải tích, số học, mô phỏng.
• Theo mục đích: Mô tả, dự báo, tối ưu hóa, mô phỏng.
• Theo cấu trúc: Tuyến tính và phi tuyến.
• Theo cách tiếp cận xây dựng: Hiện tượng luận (thực nghiệm) và cơ chế học (lý thuyết).

Các giai đoạn của mô hình hóa toán học

Trong trường hợp tổng quát, các giai đoạn của mô hình hóa toán học như sau:

1. Đặt bài toán:
   • Xác định mục tiêu mô hình hóa (chúng ta muốn biết hoặc làm gì?).
   • Mô tả đối tượng hoặc quá trình, các ranh giới của nó.
   • Xác định các nhân tố và đặc trưng chính cần tính đến.
2. Xây dựng (hoặc lựa chọn) mô hình:
   • Hình thức hóa: Chuyển đổi mô tả đối tượng và các mối liên hệ sang ngôn ngữ toán học (phương trình, hàm số, quy tắc logic, thuật toán, v.v.).
   • Đưa ra các giả định và đơn giản hóa để nổi bật điều chính yếu.
   • Xác định các tham số của mô hình và các mối liên hệ giữa chúng.
3. Nghiên cứu mô hình:
   • Giải bài toán toán học (giải tích, số học, mô phỏng).
   • Tiến hành các thí nghiệm tính toán để nghiên cứu hành vi của mô hình trong các điều kiện khác nhau.
4. Kiểm tra tính thích hợp (xác nhận) của mô hình:
   • So sánh kết quả mô hình hóa với dữ liệu thực tế (thực nghiệm, quan sát) hoặc các sự kiện đã biết.
   • Đánh giá mức độ mô hình phản ánh thực tế cho mục tiêu đã đặt ra.
5. Diễn giải và áp dụng kết quả:
   • Phân tích dữ liệu mô hình hóa thu được.
   • Chuyển đổi kết quả sang ngôn ngữ của bài toán ban đầu.
   • Đưa ra kết luận, dự báo, xây dựng kiến nghị hoặc đưa ra quyết định dựa trên mô hình.

Quá trình này thường mang tính lặp đi lặp lại. Kết quả xác nhận hoặc diễn giải không thỏa đáng có thể yêu cầu quay lại các giai đoạn trước (làm rõ bài toán, thay đổi giả định, chỉnh sửa mô hình).

Cách tiếp cận nguyên tắc

Cách tiếp cận nguyên tắc, dựa trên các công trình của Clive Dym (Principles of Mathematical Modeling), đề xuất xem xét mô hình hóa như một chuỗi trả lời cho các câu hỏi chính:

• Why? (Tại sao?): Nhu cầu đối với mô hình là gì? Cần xác định rõ ràng mục tiêu mô hình hóa và vấn đề mà mô hình cần giúp giải quyết.
• Find? (Tìm gì?): Chúng ta muốn biết điều gì? Mô hình cần cung cấp những dữ liệu đầu ra, đặc trưng hoặc thông tin cụ thể nào để đạt được mục tiêu?
• Given? (Đã cho?): Chúng ta đã biết gì? Những thông tin, dữ liệu (thực nghiệm, thống kê), kiến thức về hệ thống và tài nguyên sẵn có nào đã có?
• Assume? (Giả định?): Chúng ta đưa ra những giả định nào? Xác định các đơn giản hóa, lý tưởng hóa, giả thuyết về hành vi của hệ thống và giới hạn áp dụng của mô hình. Bước này có tầm quan trọng then chốt vì nó quyết định tính thích hợp của mô hình.
• How? (Như thế nào?): Hệ thống hoạt động như thế nào? Xác định các định luật cơ bản (vật lý, hóa học, sinh học, kinh tế, v.v.), cơ chế và mối liên hệ chi phối hành vi của đối tượng mô hình hóa.
• Predict? (Dự báo?): Mô hình sẽ dự báo điều gì? Xây dựng các phương trình toán học, bất đẳng thức, quy tắc logic hoặc thuật toán tạo nên hạt nhân của mô hình, và xác định các phép tính sẽ được thực hiện.
• Valid? (Hợp lệ?): Các dự báo của mô hình tương ứng với thực tế đến mức nào? So sánh kết quả mô hình hóa với dữ liệu thực tế hoặc các sự kiện đã biết để kiểm tra tính thích hợp của mô hình với mục tiêu đã đặt ra.
• Verified? (Tính hữu ích/Kiểm tra?): Mô hình có hữu ích để đạt được mục tiêu ban đầu (Why?) không? Kết quả thu được và độ chính xác của mô hình có đáp ứng nhu cầu ban đầu không? (Ở giai đoạn này cũng có thể tiến hành xác minh — kiểm tra tính đúng đắn của các phép tính toán học và triển khai phần mềm).
• Improve? (Cải thiện?): Có thể và có cần cải thiện mô hình không? Xác định các tham số cần làm rõ, các giả định có thể nới lỏng, hoặc các khía cạnh chưa được tính đến cần bổ sung để tăng độ chính xác hoặc phạm vi ứng dụng.
• Use? (Sử dụng?): Cách áp dụng kết quả như thế nào? Diễn giải các dự báo và kết luận của mô hình để đưa ra quyết định, thu nhận kiến thức mới, dự báo, tối ưu hóa hoặc điều khiển hệ thống.

Bài toán thuận và bài toán ngược trong mô hình hóa toán học

Theo truyền thống, người ta phân biệt hai lớp bài toán chính liên quan đến các mô hình toán học:

• Bài toán thuận là nghiên cứu mô hình với cấu trúc đã cho trước và các tham số đã biết để thu thập thông tin về hành vi của đối tượng.
• Bài toán ngược là lựa chọn một mô hình cụ thể hoặc xác định các tham số của nó dựa trên dữ liệu thực nghiệm hoặc thực tế đã có.

Bài toán thuận

Mục tiêu của bài toán thuận — dựa trên các thuộc tính đã biết của hệ thống, trả lời câu hỏi về phản ứng của nó với các tác động bên ngoài hoặc xác định các đặc trưng của nó trong các điều kiện khác nhau. Các khía cạnh chính của mục tiêu bài toán thuận:

• Nghiên cứu hành vi của đối tượng dựa trên mô hình toán học đã cho với cấu trúc và tham số đã biết.
• Thu được các đặc trưng định lượng hoặc định tính của hệ thống: ví dụ, xác định ứng suất, trường nhiệt độ, phản ứng động học với tải trọng, v.v.
• Dự báo trạng thái của đối tượng dưới các tác động bên ngoài khác nhau (tải trọng, thay đổi điều kiện môi trường, các tác động điều khiển).
• Phân tích độ ổn định và độ tin cậy của hệ thống, xác định các chế độ làm việc giới hạn của chúng.
• Kiểm tra các giả thuyết về hành vi của đối tượng được xây dựng dựa trên mô hình.
• Tối ưu hóa các quá trình điều khiển thông qua tính toán phản ứng của mô hình với các tác động điều khiển.
• Đánh giá độ nhạy của nghiệm đối với sự thay đổi điều kiện ban đầu và tham số của mô hình.

Bài toán ngược

Mục tiêu của bài toán ngược — xác định cấu trúc của mô hình hoặc các tham số của nó dựa trên dữ liệu hiện có về hành vi của hệ thống thực tế.

Các khía cạnh chính của mục tiêu bài toán ngược:

• Tìm các tham số chưa biết của mô hình (ví dụ, hệ số đàn hồi, độ dẫn nhiệt, điện trở, v.v.).
• Xác định cấu trúc ẩn của các quá trình dựa trên dữ liệu đầu ra quan sát được.
• Xây dựng hoặc hiệu chỉnh mô hình toán học sao cho hành vi của nó nhất quán với dữ liệu thực nghiệm hoặc thực tế.
• Xây dựng các phương pháp thích hợp để xử lý và diễn giải dữ liệu quan sát và thực nghiệm.

Xác minh và xác nhận

Sau khi xây dựng mô hình toán học và thu được triển khai phần mềm hoặc thuật toán của nó, bước có tầm quan trọng then chốt là đánh giá tính đúng đắn và khả năng áp dụng của nó. Để làm điều này, người ta sử dụng hai quá trình có liên quan nhưng khác nhau: xác minh và xác nhận.

• Xác minh (Verification):
  • Câu hỏi: Chúng ta có đang triển khai (xây dựng) mô hình một cách đúng đắn không?
  • Ý nghĩa: Kiểm tra rằng triển khai phần mềm hoặc thuật toán tính toán của mô hình chính xác tương ứng với công thức toán học và mô tả khái niệm của nó. Nói cách khác, xác minh đảm bảo rằng các phương trình được giải đúng và thuật toán hoạt động không có lỗi theo logic đã đặt ra.
  • Phương pháp: Phân tích và kiểm tra mã, kiểm thử trên các nghiệm giải tích đã biết (nếu tồn tại), so sánh với kết quả của các chương trình đã được kiểm chứng khác, kiểm tra độ ổn định số và sự hội tụ của các thuật toán.
• Xác nhận (Validation):
  • Câu hỏi: Chúng ta có xây dựng đúng mô hình không?
  • Ý nghĩa: Xác định mức độ tương ứng của mô hình với đối tượng, quá trình hoặc hiện tượng thực tế mà nó được tạo ra để mô tả, trong mối liên hệ với mục tiêu mô hình hóa. Xác nhận trả lời câu hỏi mô hình phản ánh tốt đến mức nào các khía cạnh thực tế mà chúng ta quan tâm.
  • Phương pháp: So sánh kết quả mô hình hóa với dữ liệu thực nghiệm, dữ liệu quan sát hệ thống thực tế, dữ liệu thống kê, các sự kiện đã biết hoặc kết quả của các mô hình khác đã được kiểm chứng. Đánh giá độ nhạy của mô hình đối với sự thay đổi tham số.

Sự khác biệt chính:

• Xác minh so sánh triển khai mô hình với đặc tả của nó (mô tả toán học).
• Xác nhận so sánh mô hình (tổng thể) với thực tế.

Có thể có một mô hình đúng về mặt toán học nhưng không thích hợp với quá trình thực tế (đã được xác minh nhưng chưa được xác nhận), hoặc một mô hình được dự định là thích hợp nhưng được triển khai với lỗi (chưa được xác minh).

Các quá trình xác minh và xác nhận là bộ phận không thể thiếu của quá trình mô hình hóa toán học. Chúng đảm bảo độ tin cậy vào kết quả mô hình hóa và cho phép đánh giá giới hạn áp dụng của mô hình. Nếu không có chúng, việc sử dụng mô hình để dự báo, tối ưu hóa hoặc đưa ra quyết định có thể không đúng đắn.

Giới hạn và giả định

Bất kỳ mô hình toán học nào cũng là một sự trừu tượng hóa — sự đơn giản hóa có chủ đích của thực tế đang được nghiên cứu. Nó dựa trên một số giả định và, như mọi bản đồ, không phải là lãnh thổ bản thân, mà chỉ là mô tả của nó cho các mục đích cụ thể. Điều này đặt ra các giới hạn sau:

1. Không đầy đủ: Mô hình chỉ tính đến các nhân tố và mối liên hệ quan trọng (theo quan điểm mục tiêu nghiên cứu và các giả định đã đưa ra), có chủ ý bỏ qua các chi tiết khác để đơn giản hóa phân tích.
2. Phụ thuộc vào giả định: Tính đúng đắn, độ chính xác và phạm vi áp dụng của mô hình phụ thuộc trực tiếp vào tính có cơ sở của các giả định đã đưa ra. Các giả định sai hoặc bị vi phạm dẫn đến kết quả không chính xác hoặc sai.
3. Phạm vi áp dụng hạn chế: Mô hình mô tả thực tế một cách thích hợp chỉ trong các điều kiện nhất định (tương ứng với các giả định) và để giải quyết một phạm vi bài toán cụ thể mà nó được tạo ra và kiểm tra. Ngoại suy vượt ngoài những ranh giới này là không đúng đắn.
4. Sai số: Do các đơn giản hóa, kết quả mô hình hóa luôn có một sai số nhất định so với hành vi thực tế của đối tượng.
5. Yêu cầu xác nhận: Vì mô hình là sự đơn giản hóa, tính thích hợp của nó luôn cần được kiểm tra (xác nhận) dựa trên dữ liệu thực tế (thực nghiệm hoặc quan sát).
6. Độ nhạy: Kết quả mô hình hóa có thể nhạy cảm với sự thay đổi dữ liệu đầu vào, tham số mô hình và các giả định đã đưa ra, điều này thường đòi hỏi phải tiến hành phân tích độ nhạy.

Ví dụ ứng dụng

• Trong vật lý: mô hình hóa độ dẫn nhiệt, thủy động lực học, các quá trình điện từ.
• Trong kỹ thuật: tính toán độ bền kết cấu, tối ưu hóa các quá trình công nghệ.
• Trong sinh học: mô hình hóa động học quần thể và sự lây lan của bệnh tật.
• Trong kinh tế: xây dựng các mô hình kinh tế vĩ mô và mô hình điều khiển tối ưu.
• Trong xã hội học: mô hình hóa các quá trình di cư và động học xã hội.

Tài liệu tham khảo

• Nhập môn mô hình hóa toán học / Dưới sự biên tập của P.V. Trusov. — M.: Universitetskaya kniga, Logos, 2007.
• Mô hình hóa toán học. Ý tưởng. Phương pháp. Ví dụ. Moiseev N.N. — M.: Nauka, 1981.
• Mô hình hóa toán học. Galanin M.P., Galanina E.M., Sergeev A.V., Shalaeva A.K. — M.: LKI, 2022.
• Principles of Mathematical Modeling Dym, C.L. (2004)

Liên hệ với các khái niệm khác

• Mô hình toán học
• Mô hình hệ thống
• Quá trình mô hình hóa
• Hình thức hóa các mô hình hệ thống
• Mô hình hóa
• Nghiên cứu vận hành