Mathematical modeling — Μαθηματική Μοντελοποίηση

Μαθηματική μοντελοποίηση είναι μια μέθοδος έρευνας κατά την οποία ένα πραγματικό αντικείμενο, διαδικασία ή φαινόμενο αντικαθίσταται από το μαθηματικό του μοντέλο, το οποίο επιτρέπει την ανάλυση της συμπεριφοράς του συστήματος με χρήση μαθηματικών μεθόδων.

Ουσία της μαθηματικής μοντελοποίησης

Η μαθηματική μοντελοποίηση περιλαμβάνει:

• την τυποποίηση των ουσιαστικών χαρακτηριστικών του υπό μελέτη αντικειμένου·
• την κατασκευή μαθηματικού μοντέλου που εκφράζει τις σχέσεις μεταξύ των παραμέτρων·
• τη μελέτη του μοντέλου με αναλυτικές, αριθμητικές ή προσομοιωτικές μεθόδους·
• την ερμηνεία των αποτελεσμάτων σε σχέση με το πραγματικό σύστημα.

Το μοντέλο αποτελεί πάντα μια απλοποίηση της πραγματικότητας, αντικατοπτρίζοντας σκόπιμα μόνο εκείνες τις πτυχές της που είναι σημαντικές για τους στόχους της έρευνας ή του σχεδιασμού.

Στόχοι της μαθηματικής μοντελοποίησης

Τα μαθηματικά μοντέλα αναπτύσσονται για:

• την περιγραφή της δομής, των ιδιοτήτων και της λειτουργίας συστημάτων·
• την εξήγηση παρατηρούμενων φαινομένων μέσω της αναγνώρισης νομοτελειών·
• την πρόβλεψη της μελλοντικής συμπεριφοράς συστημάτων υπό δεδομένες επιδράσεις·
• τη βελτιστοποίηση διαδικασιών και συστημάτων ελέγχου·
• τη διεξαγωγή εικονικών πειραμάτων που είναι μη προσβάσιμα ή ανεπιθύμητα στην πραγματικότητα.

Κατάταξη μαθηματικών μοντέλων

• Ως προς τον τρόπο περιγραφής: Ντετερμινιστικά και στοχαστικά (πιθανοτικά).
• Ως προς τη φύση του χρόνου: Στατικά και δυναμικά.
• Ως προς τη φύση των μεταβλητών: Διακριτά και συνεχή.
• Ως προς τον βαθμό λεπτομέρειας: Μακροσκοπικά, μικροσκοπικά, μεσοσκοπικά.
• Ως προς τον χρησιμοποιούμενο μαθηματικό μηχανισμό: Αναλυτικά, αριθμητικά, προσομοιωτικά.
• Ως προς τον σκοπό: Περιγραφικά, προγνωστικά, βελτιστοποιητικά, προσομοιωτικά.
• Ως προς τη δομή: Γραμμικά και μη γραμμικά.
• Ως προς την προσέγγιση κατασκευής: Φαινομενολογικά (εμπειρικά) και μηχανιστικά (θεωρητικά).

Στάδια μαθηματικής μοντελοποίησης

Σε γενικές γραμμές, τα στάδια της μαθηματικής μοντελοποίησης είναι τα εξής:

1. Διατύπωση του προβλήματος:
   • Καθορισμός του στόχου της μοντελοποίησης (τι θέλουμε να μάθουμε ή να κάνουμε;).
   • Περιγραφή του αντικειμένου ή της διαδικασίας και των ορίων της.
   • Αναγνώριση των βασικών παραγόντων και χαρακτηριστικών που πρέπει να ληφθούν υπόψη.
2. Κατασκευή (ή επιλογή) μοντέλου:
   • Τυποποίηση: Μετατροπή της περιγραφής του αντικειμένου και των σχέσεων στη γλώσσα των μαθηματικών (εξισώσεις, συναρτήσεις, λογικοί κανόνες, αλγόριθμοι κ.λπ.).
   • Εισαγωγή παραδοχών και απλοποιήσεων για την ανάδειξη του κύριου στοιχείου.
   • Καθορισμός των παραμέτρων του μοντέλου και των σχέσεών τους.
3. Μελέτη του μοντέλου:
   • Επίλυση του μαθηματικού προβλήματος (αναλυτικά, αριθμητικά, προσομοιωτικά).
   • Διεξαγωγή υπολογιστικών πειραμάτων για τη μελέτη της συμπεριφοράς του μοντέλου υπό διαφορετικές συνθήκες.
4. Έλεγχος επάρκειας (επικύρωση) του μοντέλου:
   • Σύγκριση των αποτελεσμάτων της μοντελοποίησης με πραγματικά δεδομένα (πειραματικά, παρατηρούμενα) ή γνωστά γεγονότα.
   • Αξιολόγηση του βαθμού στον οποίο το μοντέλο αντικατοπτρίζει την πραγματικότητα για τον τεθέντα στόχο.
5. Ερμηνεία και εφαρμογή αποτελεσμάτων:
   • Ανάλυση των δεδομένων που προέκυψαν από τη μοντελοποίηση.
   • Μετάφραση των αποτελεσμάτων στη γλώσσα του αρχικού προβλήματος.
   • Διατύπωση συμπερασμάτων, προβλέψεων, ανάπτυξη συστάσεων ή λήψη αποφάσεων βάσει του μοντέλου.

Αυτή η διαδικασία είναι συχνά επαναληπτική. Μη ικανοποιητικά αποτελέσματα επικύρωσης ή ερμηνείας ενδέχεται να απαιτήσουν επιστροφή σε προηγούμενα στάδια (αποσαφήνιση της διατύπωσης του προβλήματος, αλλαγή παραδοχών, τροποποίηση του μοντέλου).

Θεμελιώδης προσέγγιση

Η θεμελιώδης προσέγγιση, που βασίζεται στο έργο του Clive Dym (Principles of Mathematical Modeling), προτείνει να εξετάζεται η μοντελοποίηση ως ακολουθία απαντήσεων σε βασικά ερωτήματα:

• Why? (Γιατί;): Ποια είναι η ανάγκη για το μοντέλο; Απαιτείται明確ος καθορισμός του στόχου μοντελοποίησης και του προβλήματος που το μοντέλο πρέπει να βοηθήσει να επιλυθεί.
• Find? (Εύρεση;): Τι θέλουμε να μάθουμε; Ποια συγκεκριμένα αποτελέσματα, χαρακτηριστικά ή πληροφορίες πρέπει να παράσχει το μοντέλο για την επίτευξη του στόχου;
• Given? (Δεδομένα;): Τι γνωρίζουμε; Ποιες πληροφορίες, δεδομένα (πειραματικά, στατιστικά), γνώσεις για το σύστημα και διαθέσιμοι πόροι υπάρχουν ήδη;
• Assume? (Παραδοχές;): Ποιες παραδοχές κάνουμε; Καθορισμός απλοποιήσεων, εξιδανικεύσεων, υποθέσεων για τη συμπεριφορά του συστήματος και των ορίων εφαρμογής του μοντέλου. Αυτό το βήμα είναι κρίσιμης σημασίας, καθώς καθορίζει την επάρκεια του μοντέλου.
• How? (Πώς;): Πώς λειτουργεί το σύστημα; Αναγνώριση των θεμελιωδών νόμων (φυσικών, χημικών, βιολογικών, οικονομικών κ.λπ.), μηχανισμών και αλληλεπιδράσεων που διέπουν τη συμπεριφορά του αντικειμένου μοντελοποίησης.
• Predict? (Πρόβλεψη;): Τι θα προβλέψει το μοντέλο; Διατύπωση μαθηματικών εξισώσεων, ανισοτήτων, λογικών κανόνων ή αλγορίθμων που αποτελούν τον πυρήνα του μοντέλου, και καθορισμός των υπολογισμών που θα εκτελεστούν.
• Valid? (Εγκυρότητα;): Σε ποιο βαθμό οι προβλέψεις του μοντέλου αντιστοιχούν στην πραγματικότητα; Σύγκριση των αποτελεσμάτων μοντελοποίησης με πραγματικά δεδομένα ή γνωστά γεγονότα για έλεγχο της επάρκειας του μοντέλου ως προς τους τεθέντες στόχους.
• Verified? (Χρησιμότητα/Επαλήθευση;): Είναι το μοντέλο χρήσιμο για την επίτευξη του αρχικού στόχου (Why;); Ικανοποιούν τα αποτελέσματα και η ακρίβεια του μοντέλου την αρχική ανάγκη; (Επίσης σε αυτό το στάδιο μπορεί να διεξαχθεί επαλήθευση – έλεγχος της ορθότητας των μαθηματικών υπολογισμών και της υλοποίησης λογισμικού).
• Improve? (Βελτίωση;): Μπορεί και πρέπει το μοντέλο να βελτιωθεί; Αναγνώριση παραμέτρων που χρήζουν αποσαφήνισης, παραδοχών που μπορούν να χαλαρωθούν, ή πτυχών που δεν έχουν ληφθεί υπόψη και πρέπει να προστεθούν για μεγαλύτερη ακρίβεια ή ευρύτητα εφαρμογής.
• Use? (Χρήση;): Πώς να εφαρμοστούν τα αποτελέσματα; Ερμηνεία των προβλέψεων και συμπερασμάτων του μοντέλου για τη λήψη αποφάσεων, απόκτηση νέας γνώσης, πρόβλεψη, βελτιστοποίηση ή έλεγχο του συστήματος.

Άμεσο και αντίστροφο πρόβλημα μαθηματικής μοντελοποίησης

Παραδοσιακά διακρίνονται δύο βασικές κατηγορίες προβλημάτων που σχετίζονται με μαθηματικά μοντέλα:

• Άμεσο πρόβλημα συνίσταται στη μελέτη του μοντέλου με εκ των προτέρων δεδομένη δομή και γνωστές παραμέτρους για την απόκτηση πληροφοριών σχετικά με τη συμπεριφορά του αντικειμένου.
• Αντίστροφο πρόβλημα συνίσταται στην επιλογή συγκεκριμένου μοντέλου ή στον καθορισμό των παραμέτρων του βάσει διαθέσιμων πειραματικών ή εμπειρικών δεδομένων.

Άμεσο πρόβλημα

Ο στόχος του άμεσου προβλήματος είναι, βάσει γνωστών ιδιοτήτων του συστήματος, να δοθεί απάντηση στο ερώτημα σχετικά με την αντίδρασή του σε εξωτερικές επιδράσεις ή να καθοριστούν τα χαρακτηριστικά του υπό διαφορετικές συνθήκες. Βασικές πτυχές του στόχου του άμεσου προβλήματος:

• Μελέτη της συμπεριφοράς του αντικειμένου βάσει δεδομένου μαθηματικού μοντέλου με γνωστή δομή και παραμέτρους.
• Απόκτηση ποσοτικών ή ποιοτικών χαρακτηριστικών του συστήματος: π.χ. καθορισμός τάσεων, θερμοκρασιακών πεδίων, δυναμικών αντιδράσεων σε φορτία κ.λπ.
• Πρόβλεψη της κατάστασης του αντικειμένου υπό διαφορετικές εξωτερικές επιδράσεις (φορτία, μεταβολές συνθηκών περιβάλλοντος, ελεγχόμενες ενέργειες).
• Ανάλυση σταθερότητας και αξιοπιστίας συστημάτων, καθορισμός των οριακών καταστάσεων λειτουργίας τους.
• Έλεγχος υποθέσεων σχετικά με τη συμπεριφορά του αντικειμένου που διατυπώθηκαν βάσει του μοντέλου.
• Βελτιστοποίηση διαδικασιών ελέγχου μέσω υπολογισμού των αντιδράσεων του μοντέλου σε ελεγκτικές επιδράσεις.
• Εκτίμηση της ευαισθησίας των λύσεων σε μεταβολές των αρχικών συνθηκών και παραμέτρων του μοντέλου.

Αντίστροφο πρόβλημα

Ο στόχος του αντίστροφου προβλήματος είναι να καθοριστεί η δομή του μοντέλου ή οι παράμετροί του βάσει διαθέσιμων δεδομένων σχετικά με τη συμπεριφορά του πραγματικού συστήματος.

Βασικές πτυχές του στόχου του αντίστροφου προβλήματος:

• Εύρεση άγνωστων παραμέτρων του μοντέλου (π.χ. συντελεστών ελαστικότητας, θερμικής αγωγιμότητας, αντίστασης κ.λπ.).
• Καθορισμός της κρυφής δομής διαδικασιών βάσει παρατηρούμενων δεδομένων εξόδου.
• Κατασκευή ή διόρθωση μαθηματικού μοντέλου ώστε η συμπεριφορά του να συμφωνεί με πειραματικά ή εμπειρικά δεδομένα.
• Ανάπτυξη κατάλληλων μεθόδων επεξεργασίας και ερμηνείας δεδομένων παρατηρήσεων και πειραμάτων.

Επαλήθευση και επικύρωση

Μετά την κατασκευή ενός μαθηματικού μοντέλου και τη λήψη της υλοποίησής του ως λογισμικού ή αλγορίθμου, κρίσιμο βήμα είναι η αξιολόγηση της ορθότητας και της εφαρμοσιμότητάς του. Για τον σκοπό αυτό χρησιμοποιούνται δύο αλληλένδετες αλλά διαφορετικές διαδικασίες: επαλήθευση και επικύρωση.

• Επαλήθευση (Verification):
  • Ερώτημα: Υλοποιούμε (κατασκευάζουμε) το μοντέλο σωστά;
  • Νόημα: Έλεγχος ότι η υλοποίηση λογισμικού ή ο υπολογιστικός αλγόριθμος του μοντέλου αντιστοιχεί ακριβώς στη μαθηματική του διατύπωση και στην εννοιολογική περιγραφή. Με άλλα λόγια, η επαλήθευση διασφαλίζει ότι οι εξισώσεις επιλύονται σωστά και ο αλγόριθμος λειτουργεί χωρίς σφάλματα σύμφωνα με την ενσωματωμένη λογική.
  • Μέθοδοι: Ανάλυση και έλεγχος κώδικα, δοκιμή σε γνωστές αναλυτικές λύσεις (εφόσον υπάρχουν), σύγκριση με αποτελέσματα άλλων επαληθευμένων προγραμμάτων, έλεγχος αριθμητικής σταθερότητας και σύγκλισης αλγορίθμων.
• Επικύρωση (Validation):
  • Ερώτημα: Κατασκευάσαμε το σωστό μοντέλο;
  • Νόημα: Καθορισμός του βαθμού αντιστοιχίας του μοντέλου με το πραγματικό αντικείμενο, διαδικασία ή φαινόμενο που καλείται να περιγράψει, σε σχέση με τους στόχους της μοντελοποίησης. Η επικύρωση απαντά στο ερώτημα κατά πόσο καλά το μοντέλο αντικατοπτρίζει τις πτυχές της πραγματικότητας που μας ενδιαφέρουν.
  • Μέθοδοι: Σύγκριση αποτελεσμάτων μοντελοποίησης με πειραματικά δεδομένα, δεδομένα παρατηρήσεων πραγματικού συστήματος, στατιστικά δεδομένα, γνωστά γεγονότα ή αποτελέσματα άλλων, ήδη καθιερωμένων μοντέλων. Αξιολόγηση της ευαισθησίας του μοντέλου σε μεταβολές παραμέτρων.

Βασική διαφορά:

• Η επαλήθευση συγκρίνει την υλοποίηση του μοντέλου με την προδιαγραφή του (μαθηματική περιγραφή).
• Η επικύρωση συγκρίνει το μοντέλο (συνολικά) με την πραγματικότητα.

Μπορεί κανείς να έχει ένα μαθηματικά ορθό, αλλά ανεπαρκές ως προς την πραγματική διαδικασία μοντέλο (επαληθευμένο, αλλά μη επικυρωμένο), ή ένα μοντέλο που σχεδιάστηκε ως επαρκές, αλλά υλοποιήθηκε με σφάλματα (μη επαληθευμένο).

Οι διαδικασίες επαλήθευσης και επικύρωσης αποτελούν αναπόσπαστο μέρος της διαδικασίας μαθηματικής μοντελοποίησης. Εξασφαλίζουν την εμπιστοσύνη στα αποτελέσματα της μοντελοποίησης και επιτρέπουν την αξιολόγηση των ορίων εφαρμοσιμότητας του μοντέλου. Χωρίς αυτές, η χρήση του μοντέλου για πρόβλεψη, βελτιστοποίηση ή λήψη αποφάσεων ενδέχεται να είναι εσφαλμένη.

Περιορισμοί και παραδοχές

Κάθε μαθηματικό μοντέλο είναι μια αφαίρεση — μια σκόπιμη απλοποίηση της υπό μελέτη πραγματικότητας. Βασίζεται σε μια σειρά παραδοχών και, όπως κάθε χάρτης, δεν είναι το ίδιο η επικράτεια, αλλά μόνο η περιγραφή της για συγκεκριμένους σκοπούς. Αυτό επιβάλλει τους ακόλουθους περιορισμούς:

1. Ατέλεια: Το μοντέλο λαμβάνει υπόψη μόνο τους ουσιαστικούς (από την άποψη του στόχου της έρευνας και των παραδοχών που έγιναν) παράγοντες και αλληλεπιδράσεις, αγνοώντας σκόπιμα άλλες λεπτομέρειες για απλοποίηση της ανάλυσης.
2. Εξάρτηση από παραδοχές: Η ορθότητα, η ακρίβεια και το πεδίο εφαρμογής του μοντέλου εξαρτώνται άμεσα από την αιτιολόγηση των παραδοχών που έγιναν. Εσφαλμένες ή παραβιασμένες παραδοχές οδηγούν σε ανακριβή ή εσφαλμένα αποτελέσματα.
3. Περιορισμένο πεδίο εφαρμογής: Το μοντέλο περιγράφει επαρκώς την πραγματικότητα μόνο υπό συγκεκριμένες συνθήκες (αντίστοιχες των παραδοχών) και για την επίλυση συγκεκριμένης κατηγορίας προβλημάτων, για τα οποία δημιουργήθηκε και ελέγχθηκε. Η εξωπολόγιση πέρα από αυτά τα όρια είναι εσφαλμένη.
4. Σφάλμα: Λόγω απλοποιήσεων, τα αποτελέσματα της μοντελοποίησης έχουν πάντα κάποιο σφάλμα σε σύγκριση με την πραγματική συμπεριφορά του αντικειμένου.
5. Ανάγκη επικύρωσης: Δεδομένου ότι το μοντέλο είναι απλοποίηση, η επάρκειά του απαιτεί πάντα έλεγχο (επικύρωση) βάσει πραγματικών (πειραματικών ή παρατηρούμενων) δεδομένων.
6. Ευαισθησία: Τα αποτελέσματα μοντελοποίησης ενδέχεται να είναι ευαίσθητα σε μεταβολές δεδομένων εισόδου, παραμέτρων του μοντέλου και παραδοχών που έγιναν, γεγονός που συχνά απαιτεί τη διεξαγωγή ανάλυσης ευαισθησίας.

Παραδείγματα εφαρμογής

• Στη φυσική: μοντελοποίηση θερμικής αγωγιμότητας, υδροδυναμικής, ηλεκτρομαγνητικών διαδικασιών.
• Στη μηχανική: υπολογισμός αντοχής κατασκευών, βελτιστοποίηση τεχνολογικών διαδικασιών.
• Στη βιολογία: μοντελοποίηση πληθυσμιακής δυναμικής και διάδοσης ασθενειών.
• Στην οικονομία: κατασκευή μακροοικονομικών μοντέλων και μοντέλων βέλτιστου ελέγχου.
• Στην κοινωνιολογία: μοντελοποίηση διαδικασιών μετανάστευσης και κοινωνικής δυναμικής.

Βιβλιογραφία

• Εισαγωγή στη μαθηματική μοντελοποίηση / Υπό την επιμέλεια του P.V. Trusov. — Μόσχα: Universitetskaya kniga, Logos, 2007.
• Μαθηματική μοντελοποίηση. Ιδέες. Μέθοδοι. Παραδείγματα. Moiseev N.N. — Μόσχα: Nauka, 1981.
• Μαθηματική μοντελοποίηση. Galanin M.P., Galanina E.M., Sergeev A.V., Shalaeva A.K. — Μόσχα: LKI, 2022.
• Principles of Mathematical Modeling Dym, C.L. (2004)

Σχέση με άλλες έννοιες

• Μαθηματικό μοντέλο
• Μοντέλο συστήματος
• Διαδικασία μοντελοποίησης
• Τυποποίηση μοντέλων συστημάτων
• Μοντελοποίηση
• Επιχειρησιακή έρευνα