Способ компьютерного моделирования позволяющий увидеть как сложная система будет развиваться

Обновлено: 04.07.2024

Компьютерное моделирование является одним из эффективных методов изучения сложных систем. Преимуществом его по сравнению с соответствующим экспериментальным исследованием, является то, что оно позволяет получить подробную и полную информацию о численном решении задачи. С его помощью можно найти значения всех имеющихся переменных во всей области решения. В отличие от эксперимента для расчета доступна практически вся исследуемая область, и отсутствуют возмущения процесса, вносимые средствами измерения при экспериментальном исследовании. Очевидно, что ни в одном экспериментальном исследовании невозможно измерить распределения всех переменных во всей исследуемой области. Потому, даже если такое исследование проводится, большое значение для дополнения экспериментальной информации имеют результаты численного решения.

Визуальное представление происходящих в камере процессов, полученное в результате численного моделирования, позволяет оперативно выявить недостатки конструкции и разработать пути их устранения при дальнейшем проектировании. Компьютерные модели проще и удобнее исследовать в тех случаях, когда реальные эксперименты затруднены из-за финансовых или физических препятствий.

Компьютерное моделирование позволяет без натурных испытаний определить влияние внешних воздействий различной физической природы на конструкцию, снизить до минимума количество создаваемых прототипов и сократить время выпуска нового изделия.

Российский разработчик систем конечно-элементного анализа компания «АСКОН» разработала CAE-библиотеку, реализующая решения инженерных задач методом конечных элементов. Программный продукт помимо геометрического моделирования позволяет выполнить комплексный инженерный анализ как отдельных деталей, так и сборок целиком.

Единый интерфейс как для геометрической, так и для расчетной модели обеспечивает простоту и легкость работы с библиотекой. Система анализа работает с геометрической моделью (ядром) КОМПАС-ЗО напрямую (рис. 4.4). Нет необходимости передавать

Рис. 4.4. Единый интерфейс для геометрической и расчетной моделей системы трехмерного моделирования KOMfIAC-3D

3D-данные через сторонние форматы, что снижает вероятность возникновения ошибок.

Для успешного решения физической задачи необходимо корректно определить так называемые граничные условия. В статике их роль выполняют закрепления и приложенные к системе внешние нагрузки. Например, в программе T-FLEX Анализ для задания закреплений используются команды Полное закрепление и Частичное закрепление. Для задания нагрузок предусмотрены следующие специализированные команды:

• Нагрузка Сила — задает сосредоточенную или распределенную силу, приложенную к вершине, ребру или грани модели;
• Нагрузка Давление — позволяет приложить к грани модели известное давление, распределенное по площади;
• Линейное ускорение — задает такие нагрузки, как сила тяжести или другое постоянное инерционное ускорение;
• Вращение — позволяет приложить к системе центробежные и касательные силы инерции, возникающие при равномерном или ускоренном вращательном движении модели;
• Цилиндрическая нагрузка — специальный тип нагружения, позволяющий рассмотреть силовые взаимодействия между цилиндрическими гранями элементов конструкции;
• Крутящий момент — обеспечивает возможность приложения моментов к цилиндрическим поверхностям изделия.

В T-FLEX Анализ существует возможность построения сечений конечно-элементной сетки некоторой заданной пользователем плоскостью. Создание поверхности из сетки также является полезным при необходимости выполнить привязку существующей модели конечных элементов к новой геометрии, связать корпусные элементы сетки или переопределить локальную область сетки без привязки к геометрии. Пользователь может выполнить расчет напряженного состояния конструкции, возникающей под действием не только различных силовых, но и температурных нагрузок. Имитация движения механизма позволяет рассмотреть перемещение его отдельных частей. На проектируемое изделие могут действовать силы, моменты, гравитация и т. д. (рис. 4.5).

Для успешного решения задач моделирования сложных систем необходимо правильно поставить задачу исследования и выбрать степень подробности описания механизма. Без учета этих факторов можно либо загрубить модель и не учесть влияние некоторых пара-

Рис. 4.5. Подсистема динамического экспресс-анализа Т-FLEX CAD 3D

метров на работоспособность системы, либо описать ее с избыточной подробностью, что потребует чрезмерных затрат вычислительных ресурсов при выполнении расчета.

Процедура динамического анализа использует сборочные зависимости 3D-модели для описания твердых тел, генерации подвижных соединений и расчета динамического поведения. Это позволяет изучить поведение изделия, в частности, расположение, скорости и ускорения движущихся деталей.

Что называется моделью? Для чего необходима модель? Какие бывают компьютерные модели? Что такое вычислительный эксперимент?

Моделью называется объект , который заменяет реальный предмет или явление для изучения его свойств . Модель называют инструментом познания объекта .

Известно , что , правильно построенная модель информативнее и доступнее при изучении свойств , чем реальный объект . Существует несколько требований к модели , после выполнения которых модель можно считать информативной . К ним относятся :

наглядность и видимость основных свойств и построения ;
доступность ее для исследования или воспроизведения ;
простота исследования , воспроизведения ;
сохранение информации , содержащейся в оригинале и способность получение новой информации .
Для того , чтобы результаты моделирования можно было использовать при работе с реальным объектом , модель должна быть адекватной , то есть свойства модели должны совпадать со свойствами реального объекта . Смысл замены реального объекта для исследования его моделью в том , что исследовать модель дешевле и проще , к тому же в некоторых случаях безопаснее .

Модель отражает наиболее значимые свойства объекта , оставляя без внимания второстепенными .

К основному предназначению моделирования можно отнести изучение поведения сложных систем физических процессов и явлений . Некоторые объекты и явления не могут быть изучены естественным образом ввиду различных факторов . В других случаях , исследования компьютерных моделей могут предшествовать реальным экспериментам для оценки необходимых ресурсов .

Естественно , модель любого реального явления или объекта недостаточно точна , нежели само явление или объект , но хорошо построенная модель способна отобразить все свойства и нюансы поведения системы в целом . Благодаря отображению всех характеристик объекта разом .

Модель способна научить надлежащим образом управлять реальным объектом путем проб и ошибок . Использовать для этой цели реальный объект бывает невозможно либо рискованно и неоправданно .

Итак , модель необходима для :

Модели можно разделить на вербальные , математические и компьютерные . Вербальные модели представляют собой утверждения , записанные на естественном или формализованном языке , которые описывают изучаемый объект . Математические модели представляют собой совокупность математических операторов и действий с ними , часто это есть система уравнений . Компьютерная модель это программа или их совокупность , которая благодаря математическим преобразованиям имитирует поведение изучаемой системы .

Одним из эффективных способов изучения явлений является научный эксперимент, то есть воспроизведение изучаемого явления в контролируемых условиях, которыми можно управлять. Исследуемый объект часто заменяют компьютерной моделью ввиду большей удобности и экономичности. Благодаря распространению мощных ЭВМ и информационных технологий в настоящее время компьютерное моделирование можно назвать самым результативным методом исследования физических, технических и других систем. Компьютерные модели позволяют выявить основные условия, которые определяют свойства изучаемых явлений и объектов, изучить обратную связь системы на изменяющиеся условия.

Компьютерная модель – это отдельная программа либо программный комплекс, которые позволяют при помощи вычислений и графического отображения результатов воспроизводить реальные объекты и процессы при воздействии на них различных факторов. Такие модели еще называют имитационными.

Компьютерное моделирование – метод решения задачи анализа или синтеза сложной системы на основе изучения ее компьютерной модели. Смысл такого моделирования состоит в получении количественных и качественных результатов по созданной модели, что позволяет изучить неизвестные ранее свойства системы. Компьютерная модель должна отображать максимальное количество взаимосвязей и характеристик реального объекта, существующие ограничения. Модель следует строить универсальной, чтобы использовать ее для описания подобных объектов; простой, чтобы обойтись разумными тратами на исследование.

Компьютерная модель также является отличным наглядным и обучающим пособием для учащихся. При использовании компьютерной модели в качестве обучающего механизма существуют возможности:

рассмотреть сложные явления и процессы на доступном уровне;
сделать акцент на главных свойствах системы благодаря гибкой форме ее представления и наличию эффектов мультимедиа;
наблюдать за процессом в динамике, учитывая все его изменения;
представлять работу системы в наглядном виде: графики, схемы, диаграммы;
предпринимать действия невозможные в реальности из-за пространственно-временных рамок или опасения за безопасность модели и окружающей среды.

Виды компьютерных моделей.

Для начала определимся, каким может быть компьютерное моделирование.

Физическое моделирование – моделирование, при котором создается целая установка для проведения экспериментов либо отдельный тренажер, например, для тренировки управления самолетом. Такая модель принимает внешние сигналы, осуществляет необходимые математические операции и выдает соответствующие сигналы для управления моделью.
Численное моделирование – решение системы уравнений математическими методами, проведение вычислительного эксперимента на основе входных параметров системы и внешних воздействий на нее. Примером может служить моделирование любых природных и искусственных процессов.
Суть имитационного моделирования в создании программы, которая будет имитировать поведение сложной системы. Такая имитация основана на формальном описании логики существования системы, при котором учитываются взаимодействия всех ее составляющих. Примерами являются исследования биологических, физических и других систем, а также создание игр, обучающих программ.
Информационное моделирование – создание информационной модели, то есть объединенных вместе данных, классифицированных по определенным признакам, определяющих суть исследуемого объекта. Информационной моделью являются таблицы, графики, анимации, диаграммы, карты.
Моделирование знаний, к которому относится создание систем искусственного интеллекта. За основу таких моделей берутся знания какой-либо области, состоящие из данных и правил. Примером служат экспертные системы, логические игры, программы для роботов, создания эффектов виртуальной реальности и прочее.

Исходя из всего вышеперечисленного, компьютерные модели можно разделить на:

дискриптивные модели, описывающие исследуемый объект и факторы, влияющие на изменения в его поведении.
оптимизационные модели помогают определить наиболее подходящий способ взаимодействия со сложной системой, управления ею.
прогностические модели предсказывают состояние объекта в конкретные моменты в будущем.
учебные модели, используемые для наглядного обучения обучающихся, их тестирования.
игровые модели создают несуществующие ситуации, имитирующие реальность, играют в логические игры.

Под компьютерным моделированием изначально подразумевалось только имитационное моделирование, однако, не трудно заметить, что использование компьютера для других целей может значительно помочь для решения поставленных задач. Например, построение современных математических моделей по входным экспериментальным данным невозможно или труднодостижимо без использования компьютера.

Первые задач, решаемые с помощью компьютерного моделирования, были связаны с физикой и представляли собой в основном сложные нелинейные задачи физики с помощью итерационных схем и по сути являлось математическим моделированием. Хорошие результаты в моделировании в области физики распространили использование этого метода исследования и на другие области. Сложность решаемых моделированием задач зависела только от мощности используемых компьютеров, тем самым и ограничивалась несовершенными мощностями

После публикации в 1948 году статьи Дж. Неймана и С. Улама, в которой впервые было описано применение метода Монте-Карло, многие исследователи стали называть компьютерное моделирование методами Монте-Карло. Это не верно, правильней будет выглядеть разделение компьютерного моделирования на несколько направлений[6]:

Методы Монте-Карло или методы вычислительной математики. Используются численные методы, объекты заменяются числами, результаты формируются в таблицы или графики;
Методы имитационного моделирования;
Методы статистической обработки данных на основе метода планирования эксперимента;
Комплексы имитационного моделирования, в которых объединяются все вышеупомянутые методы.

Разновидностью компьютерного моделирования является вычислительный эксперимент, который предполагает дальнейшее численное исследование модели после ее создания, позволяющее исследовать объект в различных его модификациях и при различных условиях.

С использованием ЭВМ для выполнения арифметических и логических операций производительность интеллектуального труда человека значительно возросла. Первые задачи, для которых создавались ЭВМ, были связаны с ядерной энергией и освоением пространства космоса. Сейчас же компьютер принимает участие в различных задачах и исследованиях, эта технология теоретических экспериментов получила название вычислительного эксперимента. Основой вычислительного эксперимента является математическое моделирование, теоретической базой – прикладная математика, а технической – мощные электронные вычислительные машины.

Компьютерное моделирование и вычислительный эксперимент становятся новым методом научного познания для исследования сложных моделей систем. Цикл вычислительного эксперимента принято разделять на несколько этапов для лучшего восприятия сути этого метода.

Суть системного мышления заключается в том, что со сложными проблемами лучше всего бороться, опираясь на целостное видение. Только такой широкий взгляд помогает избежать опасностей замкнутого мышления, при котором временное решение проблемы «здесь» просто отодвигает ее «туда», а также организационной близорукости, при которой, решив проблему «сейчас», мы получаем куда более серьезные проблемы «потом». Однако широта взгляда достигается не за счет невнимания к деталям. Не идет речь и о противопоставлении крупного плана мелкому. Скорее мы говорим о широком взгляде на вещи в контексте правильно выбранной детали, или о том, как «увидеть лес за деревьями».

Именно это позволяет принимать более эффективные, здравые и мудрые решения. Более эффективные, потому что они возникают в результате рассмотрения проблемы в комплексе, во всей ее сложности. Более здравые, потому что они принимаются при полном понимании их последствий, когда возникновение непредвиденных осложнений просто невозможно. Наконец, более мудрые, потому что они выдерживают самую трудную проверку – временем. Работаете ли вы в коммерческой или некоммерческой организации, более эффективные решения означают более эффективное ведение дел в самом широком смысле слова.

Чтобы достичь этого результата, вам необходимы две вещи:

• готовность встретиться с проблемой сложности лицом к лицу;

• уверенное использование инструментов системного мышления, позволяющих понять, описать и изучить сложность окружающего мира.

А вот как вам поможет эта книга:

• она убедит вас в том, что барьер сложности преодолим, и вселит в вас уверенность;

• она погрузит вас в глубины системного мышления, и вы научитесь самостоятельно применять его инструменты и методы.

Так в чем же суть системного мышления?

Возможно, вы уже знакомы с системным мышлением, особенно если читали бестселлеры Питера Сенге «Пятая дисциплина»[1] или Ари де Гиуса «Живая компания»[2] либо если вам повезло присутствовать на одной из их конференций или прослушать курс системного мышления в школе бизнеса. В таком случае эта книга расширит ваши знания. Вам наверняка понравится множество примеров, взятых из моей 15-летней практики применения системного мышления, в которых рассматриваются такие проблемы, как управление бэк-офисом, ведение переговоров и привлечение третьих сторон, а также формирование стратегии ведения бизнеса.

Надеюсь, что тем, кто раньше не сталкивался с системным мышлением, эти примеры тоже будут интересны и полезны. Кроме того, в этой книге вы найдете все необходимое для понимания инструментов и методов системного мышления.

Но позвольте мне прежде всего объяснить этот термин: «системное мышление». На первый взгляд он сбивает с толку. Слово «системный» часто относится к информационным технологиям, а «мышление» предполагает нечто заумное. Однако я употребляю слово «системный» в значении «состоящий из связанных единиц», составляющих систему интересов. В этом контексте противоположностью системы можно назвать «нагромождение», так как оно тоже состоит из ряда единиц, но там они просто свалены в кучу и никак не взаимосвязаны. Таким образом, группа людей, оказавшихся в одном и том же месте в одно и то же время, например пассажиры автобуса, представляют собой «нагромождение» (или, выражаясь более вежливо, случайную группу), так как они не имеют взаимосвязей. С другой стороны, группа людей, тесно работающих, скажем, над предложением для конкурса, имеет все шансы превратиться в особый вид системы, называемой высокоэффективной командой, но только если все участники связаны друг с другом правильно.

Таким образом, изучение систем – это изучение взаимосвязей между их составляющими. А когда этими составляющими являются люди, отделы или организации, изучение систем имеет непосредственное отношение к выполнению обязанностей руководителя.

• если вы хотите понять систему и быть в состоянии предсказывать ее поведение, необходимо изучить ее в целом. При разделении ее на части могут разрушиться связи и, следовательно, сама система;

• если вы хотите влиять на поведение системы и контролировать его, вы должны воздействовать на систему в целом. Попытки настроить ее в одном месте в надежде на то, что в другом ничего не произойдет, обречены на провал – в этом и заключается смысл взаимосвязанности.

Системное мышление глубоко практично и прагматично и применимо ко всем аспектам бизнеса и управления организациями. Эта книга содержит множество примеров, демонстрирующих, как системное мышление может успешно применяться для решения следующих проблем:

• определение количества сотрудников бэк-офиса;

• сотрудничество со «звездами»;

• плавный и непрерывный рост бизнеса, не ведущий ни к резким взлетам, ни к падениям;

• управление конкуренцией за редкие ресурсы;

• построение высокоэффективных команд;

• ведение переговоров о партнерских соглашениях в рамках организации;

• разработка надежных стратегий ведения бизнеса.

Взаимосвязанность

Как я уже указывал, взаимосвязанность единиц, составляющих систему, – очень важная, фундаментальная концепция системного мышления, поэтому позвольте разъяснить ее более подробно.

Представьте, что вы держите монетку. Что произойдет, если вы уроните ее? Правильно, она упадет на землю.

А теперь представьте, что случится, если вы не уроните монетку, а снизите цену одного из ваших продуктов, скажем, на 5 центов. Ответ не так прост: снижение цены может привести к различным результатам – от увеличения объема продаж (что подразумевается, согласно основам экономики) до развязывания конкурентной войны; от радости клиентов, которым нравится платить меньше, до отчуждения тех, кому кажется, что снижение цены лишает их ощущения эксклюзивности; от повышения в награду за выполнение квартального плана до банкротства компании три года спустя (успех увеличит вашу популярность, поэтому вскоре после повышения вас переманят конкуренты, и вы уведете за собой команду, лишив бывшего работодателя лучших специалистов в области маркетинга).

Разница между упавшей монеткой и сниженной ценой заключается в том, что контекст, в котором падает монетка, очень прост, а контекст, в котором снижается цена, – очень сложен, и эта сложность вызвана взаимосвязанностью событий.

Когда вы роняете монетку, в этом событии участвуете только вы, монетка и земля, то есть события происходят в очень ограниченном контексте. Но когда вы снижаете цену, ситуация иная. В ней участвует множество единиц, связанных тем или иным образом. Ваши клиенты связаны с ценой через покупательские привычки, конкуренты – через поведение рынков, коллеги – через влияние изменения цены на сам бизнес, правительство – через свою роль в регулировании торговли и т. д. Контекст снижения цены не ограничен и имеет волновой эффект, длящийся в пространстве и времени.

Волновой эффект является прямым следствием взаимосвязанности различных единиц системы. Если бы этой взаимосвязанности не было, цепочка причинно-следственных событий была бы ограничена и быстро оборвалась. Однако благодаря ее существованию эта цепочка, по сути, ничем не ограничена: одно событие ведет к другому, и к следующему, и к следующему. Поскольку система состоит из множества единиц, каждая из которых может вести себя по-разному, вызывая различные последствия, возможность с уверенностью предсказать, каким именно будет результат вашего снижения цены, очень быстро сходит на нет. Мы также начинаем понимать, что цепочка может двигаться и в обратном направлении. Почему, собственно, мы решили снизить цену? Было ли это связано с выпуском конкурирующего продукта новым участником рынка? Где начинается и где заканчивается обусловленность?

Неудивительно, что предсказать результат снижения цены гораздо сложнее, чем результат падения монетки. Легче предсказать последствия событий, в которых участвует минимум единиц и которые ограничены в пространстве и времени. И куда сложнее судить о последствиях событий, включающих множество связанных единиц, ведь причинно-следственные отношения в них простираются далеко в пространстве и времени.

Почему следует изучать системы в целом

Надеюсь, теперь вы убедились в том, что именно взаимосвязанность единиц системы заставляет ее или, скорее, позволяет ей вести себя как системе и давать в целом больше, чем в сумме. И если мы хотим понимать, как это получается, мы должны сохранять эту взаимосвязанность и изучать систему как единое целое.

Однако многим из нас кажется, что такой подход противоречит здравому смыслу. Столкнувшись со сложностями, мы интуитивно ищем способы их упрощения, разделяем систему на части, затем изучаем их и, в конце концов, используем знания о частях в качестве основы для понимания системы в целом. Такой подход может дать некоторое представление о поведении частей, но, как правило, совершенно не дает представления о поведении системы, и тому есть две причины.

Разделение на части нередко разрушает систему, которую вы пытаетесь понять. Это, конечно же, вопрос взаимосвязанности: как мы уже заметили, разрушая последнюю, мы разрушаем саму систему.

Многие системы демонстрируют свойства, не присущие какой-либо из их частей. Отсюда следует, что изучение отдельных частей, каким бы исчерпывающим оно ни было, не позволяет выявить определяющие характеристики на уровне системы. Например, командная работа является характеристикой системы, которую мы называем командой и которая действует как команда. Но как известно каждому спортивному менеджеру или болельщику, зная отдельных игроков, вы все-таки не можете предсказать поведение команды.

Системное мышление позволяет избежать обеих ловушек, так как точкой отсчета в нем является признание и принятие того, что сложные системы следует рассматривать как единое целое. Таким образом, сохраняется взаимосвязанность и возможность наблюдать характеристики на уровне системы.

Инструменты системного мышления

Так как же изучать сложные системы комплексно, методично и вдумчиво и не погрязнуть в присущей им сложности?

Здесь на помощь приходят инструменты системного мышления. На множестве практических примеров из этой книги вы увидите, как пользоваться двумя основными из них:

1) диаграммами цикличной причинности, позволяющими описать сложные системы в виде цепочки причинно-следственных отношений;

2) компьютерными моделями динамики системы, позволяющими изучить зависящее от времени поведение сложных систем, сделав ряд допущений.

Значительная часть этой книги посвящена способам использования диаграмм цикличной причинности для описания сложной системы. Я верю, что они покажутся вам ясными и информативными и действительно помогут «увидеть лес за деревьями».

Однако у этих диаграмм есть один недостаток. Они статичны и, представляя на бумаге структуру системы, не могут описать, как ее свойства развиваются со временем. Зато это могут сделать компьютерные имитационные модели, и если вы примените логику диаграмм цикличной причинности к имитационным возможностям компьютера (в чем, собственно, и заключается моделирование динамики системы), то сможете действительно «ускорить» свое мышление.

Преимущества системного мышления

Вместе диаграммы цикличной причинности и компьютерные модели динамики системы могут использоваться для понимания большинства сложных систем. Таким образом, вы получите ряд очень ценных преимуществ.

Системное мышление поможет вам совладать со сложностью проблем окружающего мира, обеспечив структурированный способ балансирования между целостным видением и выбором нужного уровня детализации.

Диаграммы цикличной причинности – наглядный метод отражения сложности, с которой вы справились, – являются мощными средствами коммуникации. Их использование может обеспечить вам искреннюю и глубокую поддержку аудитории настолько большой, насколько вы пожелаете. Это особенно ценно при построении высокоэффективных команд.

Диаграммы цикличной причинности также могут помочь вам определить самый разумный способ влияния на систему интересов. В результате вы можете избежать принятия неудачных решений, в частности таких, которые быстро устраняют проблему, но в долгосрочной перспективе могут привести к обратным результатам.

Моделирование динамики системы – это способ компьютерного моделирования, позволяющий увидеть, как сложная система, выраженная в виде диаграммы цикличной причинности, будет развиваться со временем. Таким образом вы получаете в свое распоряжение «лабораторию будущего» и можете отслеживать вероятные последствия своих решений прежде, чем выполните их.

В целом системное мышление поможет вам принимать такие решения, которые успешно пройдут самое строгое испытание – испытание временем.

Как устроена эта книга

Книга состоит из четырех частей и 12 глав плюс пролог и краткий эпилог.

В части I мы рассмотрим, как следует изучать сложные системы, и разберем два примера из жизни. Первый изложен в главе 2. Там говорится о проблемах управления бэк-офисом, который пытается обеспечить высококачественное обслуживание в условиях лавинообразного роста количества операций. Во многих бэк-офисах, где царит мужская культура, успешность менеджера измеряется тем грузом, который он может взвалить на себя и не быть при этом раздавленным. С точки зрения дарвиновской теории эволюции это разумно – выживает сильнейший, но правильно ли это с точки зрения организации?

Действие главы 3 разворачивается в сфере телевизионной индустрии. Однако рассматриваемая проблема актуальна не только для СМИ: что делать, когда, с одной стороны, необходимо сокращать расходы, а с другой – на первом месте должны стоять качество и творческий подход?

В части II представлены основы системного мышления. Завершается эта часть главой 7, содержащей 12 золотых правил, которые помогут вам создавать свои собственные диаграммы цикличной причинности, чтобы с их помощью вы могли решать возникающие проблемы.

В части III показано, как инструменты и методы системного мышления можно применить к очень разным ситуациям из реальной жизни.

А в части IV мы сделаем шаг вперед и покажем, как эти инструменты можно «усилить» с помощью компьютерной имитации. Так, в главе 11 описан метод компьютерного имитационного моделирования, который объединяет диаграммы цикличной причинности и возможности компьютера для изучения того, как со временем будет развиваться система.

Компьютерное моделирование знакомо каждому, кто пользуется электронными таблицами. Однако по возможностям, разнообразию функций и масштабу моделирование динамики системы значительно превосходит их. Представив язык моделирования динамики системы в главе 11, в главе 12 мы рассмотрим, как построить характерную модель динамики системы для роста бизнеса.

На этом книга заканчивается, и к этому моменту вы сможете не только пользоваться диаграммами цикличной причинности в своей повседневной работе для принятия решений и повышения производительности команды, но и добавлять стоимость, используя диаграммы в качестве основы для построения исчерпывающих компьютерных моделей.

Надеюсь, вам понравится эта книга – я писал ее с удовольствием! Но я хорошо понимаю, что это не развлекательное чтение. Управление бизнесом – сложная задача, и, если бы существовали эффективные способы быстрого и легкого решения трудных проблем, все бы о них знали и все бы ими пользовались.

Моделирование является одним из способов познания мира.

Понятие моделирования достаточно сложное, оно включает в себя огромное разнообразие способов моделирования: от создания натуральных моделей (уменьшенных и или увеличенных копий реальных объектов) до вывода математических формул.

Для различных явлений и процессов бывают уместными разные способы моделирования с целью исследования и познания.

Объект, который получается в результате моделирования, называется моделью . Должно быть понятно, что это совсем не обязательно реальный объект. Это может быть математическая формула, графическое представление и т.п. Однако он вполне может заменить оригинал при его изучении и описании поведения.

Хотя модель и может быть точной копией оригинала, но чаще всего в моделях воссоздаются какие-нибудь важные для данного исследования элементы, а остальными пренебрегают. Это упрощает модель. Но с другой стороны, создать модель – точную копию оригинала – бывает абсолютно нереальной задачей. Например, если моделируется поведение объекта в условиях космоса. Можно сказать, что модель – это определенный способ описания реального мира.

Создание модели.
Изучение модели.
Применение результатов исследования на практике и/или формулирование теоретических выводов.

Видов моделирования огромное количество. Вот некоторые примеры типов моделей:

Математические модели . Это знаковые модели, описывающие определенные числовые соотношения.

Графические модели. Визуальное представление объектов, которые настолько сложны, что их описание иными способами не дает человеку ясного понимания. Здесь наглядность модели выходит на первый план.

Имитационные модели. Позволяют наблюдать изменение поведения элементов системы-модели, проводить эксперименты, изменяя некоторые параметры модели.

Над созданием модели могут работать специалисты из разных областей, т.к. в моделировании достаточно велика роль межпредметных связей.

Совершенствование вычислительной техники и широкое распространение персональных компьютеров открыло перед моделированием огромные перспективы для исследования процессов и явлений окружающего мира, включая сюда и человеческое общество.

Компьютерное моделирование – это в определенной степени, то же самое, описанное выше моделирование, но реализуемое с помощью компьютерной техники.

Для компьютерного моделирования важно наличие определенного программного обеспечения.

При этом программное обеспечение, средствами которого может осуществляться компьютерное моделирование, может быть как достаточно универсальным (например, обычные текстовые и графические процессоры), так и весьма специализированными, предназначенными лишь для определенного вида моделирования.

Очень часто компьютеры используются для математического моделирования. Здесь их роль неоценима в выполнении численных операций, в то время как анализ задачи обычно ложится на плечи человека.

Обычно в компьютерном моделировании различные виды моделирования дополняют друг друга. Так, если математическая формула очень сложна, что не дает явного представления об описываемых ею процессах, то на помощь приходят графические и имитационные модели. Компьютерная визуализация может быть намного дешевле реального создания натуральных моделей.

С появлением мощных компьютеров распространилось графическое моделирование на основе инженерных систем для создания чертежей, схем, графиков.

Если система сложна, а требуется проследить за каждым ее элементом, то на помощь могут придти компьютерные имитационные модели. На компьютере можно воспроизвести последовательность временных событий, а потом обработать большой объем информации.

Однако следует четко понимать, что компьютер является хорошим инструментом для создания и исследования моделей, но он их не придумывает. Абстрактный анализ окружающего мира с целью воссоздания его в модели выполняет человек.

Одной из важных проблем в области разработки и создания современных сложных технических систем является исследование динамики их функционирования на различных этапах проектирования, испытания и эксплуатации. Сложными системами называются системы, состоящие из большого числа взаимосвязанных и взаимодействующих между собой элементов. При исследовании сложных систем возникают задачи исследования как отдельных видов оборудования и аппаратуры, входящих в систему, так и системы в целом.

К разряду сложных систем относятся крупные технические, технологические, энергетические и производственные комплексы.

При проектировании сложных систем ставится задача разработки систем, удовлетворяющих заданным техническим характеристикам. Поставленная задача может быть решена одним из следующих методов:

методом синтеза оптимальной структуры системы с заданными характеристиками;
методом анализа различных вариантов структуры системы для обеспечения требуемых технических характеристик.

Оптимальный синтез систем в большинстве случаев практически невозможен в силу сложности поставленной задачи и несовершенства современных методов синтеза сложных систем. Методы анализа сложных систем, включающие в себя элементы синтеза, в настоящее время достаточно развиты и получили широкое распространение.

Любая синтезированная или определенная каким-либо другим образом структура сложной системы для оценки ее показателей должна быть подвергнута испытаниям. Проведение испытаний системы является задачей анализа ее характеристик. Таким образом, конечным этапом проектирования сложной системы, осуществленного как методом синтеза структуры, так и методом анализа вариантов структур, является анализ показателей эффективности проектируемой системы.

Среди известных методов анализа показателей эффективности систем и исследования динамики их функционирования следует отметить:

аналитический метод;
метод натуральных испытаний;
метод полунатурального моделирования;
моделирование процесса функционирования системы на ЭВМ.

Строгое аналитическое исследование процесса функционирования сложных систем практически невозможно. Определение аналитической модели сложной системы затрудняется множеством условий, определяемых особенностями работы системы, взаимодействием ее составляющих частей, влиянием внешней среды и т.п.

Натуральные испытания сложных систем связаны с большими затратами времени и средств. Проведение испытаний предполагает наличие готового образца системы или ее физической модели, что исключает или затрудняет использование этого метода на этапе проектирования системы.

Широкое применение для исследования характеристик сложных систем находит метод полунатурального моделирования. При этом используется часть реальных устройств системы. Включенная в такую полунатуральную модель ЭВМ имитирует работы остальных устройств системы, отображенных математическими моделями. Однако в большинстве случаев этот метод также связан со значительными затратами и трудностями, в частности, аппаратной стыковкой натуральных частей с ЭВМ.

Исследование функционирования сложных систем с помощью моделирования их работы на ЭВМ помогает сократить время и средства на разработку.

Затраты рабочего времени и материальных средств на реализацию метода имитационного моделирования оказываются незначительными по сравнению с затратами, связанными с натурным экспериментом. Результаты моделирования по своей ценности для практического решения задач часто близки к результатам натурного эксперимента.

Метод имитационного моделирования основан на использовании алгоритмических (имитационных) моделей, реализуемых на ЭВМ, для исследования процесса функционирования сложных систем. Для реализации метода необходимо разработать специальный моделирующий алгоритм. В соответствии с этим алгоритмом в ЭВМ вырабатывается информация, описывающая элементарные процессы исследуемой системы с учетом взаимосвязей и взаимных влияний. При этом моделирующий алгоритм сроится в соответствии с логической структурой системы с сохранением последовательности протекаемых в ней процессов и отображением основных состояний системы.

Основными этапами метода имитационного моделирования являются:

моделирование входных и внешних воздействий;
воспроизведение работы моделируемой системы (моделирующий алгоритм);
интерпретация и обработка результатов моделирования.

Перечисленные этапы метода многократно повторяются для различных наборов входных и внешних воздействий, образуя внутренний цикл моделирования. Во внешнем цикле организуется просмотр заданных вариантов моделируемой системы. Процедура выбора оптимального варианта управляет просмотром вариантов, внося соответствующие коррективы в имитационную модель и в модели входных и внешних воздействий.

Процедура построения модели системы, контроля точности и корректировки модели по результатам машинного эксперимента задает и затем изменяет блок и внутреннего цикла в зависимости от фактических результатов моделирования. Таким образом, возникает внешний цикл, отражающий деятельность исследователя по формированию, контролю и корректировке модели.

Метод имитационного моделирования позволяет решать задачи исключительной сложности. Исследуемая система может одновременно содержать элементы непрерывного и дискретного действия, быть подверженной влиянию многочисленных случайных факторов сложной природы, описываться весьма громоздкими соотношениями и т.п. Метод не требует создания специальной аппаратуры для каждой новой задачи и позволяет легко изменять значения параметров исследуемых систем и начальных условий. Эффективность метода имитационного моделирования тем более высока, чем на более ранних этапах проектирования системы он начинает использоваться.

Следует, однако, помнить, что метод имитационного моделирования является численным методом. Его можно считать распространением метода Монте-Карло на случай сложных систем. Как любой численный метод, он обладает существенным недостатком – его решение всегда носит частный характер. Решение соответствует фиксированным значениям параметров системы и начальных условий. Для анализа системы приходится многократно моделировать процесс ее функционирования, варьируя исходные данные модели. Таким образом, для реализации имитационных моделей сложной модели необходимо наличие ЭВМ высокой производительности.

Для моделирования системы на ЭВМ необходимо записывать моделирующий алгоритм на одном из входных языков ЭВМ. В качестве входных языков для решения задач моделирования могут быть с успехом использованы универсальные алгоритмические языки высокого уровня, Си, Паскаль и др.

Анализ развития наиболее сложных технических систем позволяет сделать вывод о все более глубоком проникновении ЭВМ в их структуру. Вычислительные машины становятся неотъемлемой, а зачастую и основной частью таких систем. Прежде всего это относится к сложным радиоэлектронным системам. Среди них различные автоматические системы, в том числе системы автоматической коммутации (электронные АТС), системы радиосвязи, радиотелеметрические системы, системы радиолокации и радионавигации, различные системы управления.

При построении таких систем в значительной степени используются принципы и структуры организации вычислительных машин и вычислительных систем (ВС). Характерной особенностью является наличие в системах нескольких процессоров, объединенных различными способами в специализированную ВС. При этом осуществляется переход от «жесткой» логики функционирования технических систем к универсальной «программной» логике. В силу этого все более значительную роль в таких системах, наряду с аппаратными средствами, играет специализированное системное и прикладное программное обеспечение.

На этапах разработки, проектирования, отладки и испытания сложных систем с высоким удельным весом аппаратно-программных средств вычислительной техники ставится задача анализа и синтеза вариантов организации структуры аппаратных средств, а также разработки и отладки специализированного ПО большого объема. Эта задача может быть решена с помощью аппаратно-программного моделирования с использованием универсальных моделирующих комплексов, построенных на базе однородных ВС с программируемой структурой.

Аппаратно-программное моделирование можно считать частным случаем полунатурного моделирования. На первом этапе разрабатывается концептуальная модель заданного класса систем на основе анализа типовых процессов, структур и аппаратных блоков. Концептуальная модель реализуется на аппаратно-программных средствах моделирующего комплекса. При этом моделирующий комплекс может настраиваться на соответствующую структуру системы программным путем за счет возможности программирования структуры используемой микропроцессорной ВС. Часть аппаратных и программных средств микропроцессорной ВС моделирующего комплекса непосредственно отражает аппаратно-программные средства, входящие в исследуемую систему (аппаратное моделирование), другая часть реализует имитационную модель функциональных средств исследуемой системы, внешней обстановки, влияния помех и т.п. (программное моделирование).

Разработка аппаратно-программных моделирующих комплексов является сложной технической задачей. Несмотря на это, применение таких комплексов находит все большее распространение. При достаточной производительности вычислительных средств комплекса процесс исследования системы может вестись в реальном масштабе времени. В составе комплекса могут использоваться как универсальные микроЭВМ общего назначение, так и вычислительные средства, непосредственно входящие в исследуемую систему. Подобные моделирующие комплексы являются универсальными стендами для разработки и отладки аппаратно-программных средств, проектируемых систем заданного класса. Они могут использоваться в качестве тренажеров по обучению обслуживающего персонала.

Читайте также: