Πείραμα υπολογιστή στη διαδικασία μοντελοποίησης. Πείραμα υπολογιστή και μοντελοποίηση υπολογιστή. Φυσικό πείραμα υπολογιστή
| Προγραμματισμός μαθημάτων για τη σχολική χρονιά | Κύρια στάδια μοντελοποίησης
Μάθημα 2
Κύρια στάδια μοντελοποίησης
 |
 |
|
Αφού μελετήσετε αυτό το θέμα, θα μάθετε:
Τι είναι το μόντελινγκ;
- τι μπορεί να χρησιμεύσει ως πρωτότυπο για μοντελοποίηση.
- ποια θέση κατέχει το μόντελινγκ στην ανθρώπινη δραστηριότητα;
- ποια είναι τα κύρια στάδια της μοντελοποίησης;
- τι είναι ένα μοντέλο υπολογιστή;
- Τι είναι ένα πείραμα υπολογιστή;
Πείραμα υπολογιστή
Για να δώσετε ζωή σε νέες σχεδιαστικές εξελίξεις, να εισαγάγετε νέες τεχνικές λύσεις στην παραγωγή ή να δοκιμάσετε νέες ιδέες, χρειάζεται ένα πείραμα. Ένα πείραμα είναι μια εμπειρία που εκτελείται με ένα αντικείμενο ή μοντέλο. Συνίσταται στην εκτέλεση ορισμένων ενεργειών και στον προσδιορισμό του τρόπου με τον οποίο το πειραματικό δείγμα αντιδρά σε αυτές τις ενέργειες.
Στο σχολείο κάνετε πειράματα σε μαθήματα βιολογίας, χημείας, φυσικής και γεωγραφίας.
Πειράματα πραγματοποιούνται κατά τη δοκιμή νέων δειγμάτων προϊόντων σε επιχειρήσεις. Συνήθως, χρησιμοποιείται μια ειδικά δημιουργημένη εγκατάσταση για αυτό, η οποία επιτρέπει τη διεξαγωγή ενός πειράματος σε εργαστηριακές συνθήκες ή το ίδιο το πραγματικό προϊόν υποβάλλεται σε κάθε είδους δοκιμές (πείραμα πλήρους κλίμακας). Για να μελετηθούν, για παράδειγμα, οι λειτουργικές ιδιότητες οποιασδήποτε μονάδας ή εξαρτήματος, τοποθετείται σε θερμοστάτη, παγώνει σε ειδικούς θαλάμους, δοκιμάζεται σε βάσεις κραδασμών, πέφτει κ.λπ. Είναι καλό αν είναι νέο ρολόι ή ηλεκτρική σκούπα - η απώλεια είναι δεν είναι υπέροχο όταν καταστρέφεται. Τι γίνεται αν είναι αεροπλάνο ή πύραυλος;
Τα πειράματα εργαστηρίου και πεδίου απαιτούν μεγάλο κόστος υλικού και χρόνο, αλλά η σημασία τους είναι ωστόσο πολύ μεγάλη.
Με την ανάπτυξη της τεχνολογίας των υπολογιστών, εμφανίστηκε μια νέα μοναδική μέθοδος έρευνας - ένα πείραμα υπολογιστή. Σε πολλές περιπτώσεις, μελέτες μοντέλων σε υπολογιστή έχουν έρθει να βοηθήσουν, και μερικές φορές ακόμη και να αντικαταστήσουν πειραματικά δείγματα και πάγκους δοκιμών. Το στάδιο της διεξαγωγής ενός πειράματος υπολογιστή περιλαμβάνει δύο στάδια: την κατάρτιση ενός σχεδίου πειράματος και τη διεξαγωγή έρευνας.
Πειραματικό σχέδιο
Το πειραματικό σχέδιο πρέπει να αντικατοπτρίζει ξεκάθαρα τη σειρά εργασίας με το μοντέλο. Το πρώτο σημείο ενός τέτοιου σχεδίου είναι πάντα η δοκιμή του μοντέλου.
Η δοκιμή είναι η διαδικασία ελέγχου της ορθότητας του κατασκευασμένου μοντέλου.
Μια δοκιμή είναι ένα σύνολο αρχικών δεδομένων που επιτρέπει σε κάποιον να προσδιορίσει την ορθότητα της κατασκευής του μοντέλου.
Για να είστε σίγουροι για την ορθότητα των ληφθέντων αποτελεσμάτων μοντελοποίησης, πρέπει: ♦ να ελέγξετε τον αναπτυγμένο αλγόριθμο για την κατασκευή του μοντέλου. ♦ Βεβαιωθείτε ότι το μοντέλο που κατασκευάστηκε αντικατοπτρίζει σωστά τις ιδιότητες του πρωτοτύπου που ελήφθησαν υπόψη κατά τη μοντελοποίηση.
Για τον έλεγχο της ορθότητας του αλγορίθμου κατασκευής του μοντέλου, χρησιμοποιείται ένα δοκιμαστικό σύνολο αρχικών δεδομένων, για το οποίο το τελικό αποτέλεσμα είναι γνωστό εκ των προτέρων ή προκαθορισμένο με άλλους τρόπους.
Για παράδειγμα, εάν χρησιμοποιείτε τύπους υπολογισμού στη μοντελοποίηση, τότε πρέπει να επιλέξετε πολλές επιλογές για τα αρχικά δεδομένα και να τις υπολογίσετε "μη αυτόματα". Αυτές είναι δοκιμαστικές εργασίες. Μόλις κατασκευαστεί το μοντέλο, δοκιμάζετε με τις ίδιες παραλλαγές των δεδομένων εισόδου και συγκρίνετε τα αποτελέσματα της προσομοίωσης με τα συμπεράσματα που προκύπτουν από τον υπολογισμό. Εάν τα αποτελέσματα συμπίπτουν, τότε ο αλγόριθμος αναπτύσσεται σωστά, εάν όχι, πρέπει να αναζητήσουμε και να εξαλείψουμε την αιτία της ασυμφωνίας τους. Τα δεδομένα δοκιμής μπορεί να μην αντικατοπτρίζουν καθόλου την πραγματική κατάσταση και μπορεί να μην φέρουν σημασιολογικό περιεχόμενο. Ωστόσο, τα αποτελέσματα που λαμβάνονται κατά τη διαδικασία δοκιμής μπορεί να σας οδηγήσουν να σκεφτείτε την αλλαγή της αρχικής πληροφορίας ή του συμβολικού μοντέλου, κυρίως στο τμήμα όπου ενσωματώνεται το σημασιολογικό περιεχόμενο.
Για να βεβαιωθείτε ότι το κατασκευασμένο μοντέλο αντικατοπτρίζει τις ιδιότητες του πρωτοτύπου που ελήφθησαν υπόψη κατά τη μοντελοποίηση, είναι απαραίτητο να επιλέξετε ένα δοκιμαστικό παράδειγμα με πραγματικά δεδομένα πηγής.
Διεξαγωγή έρευνας
Μετά τη δοκιμή, όταν έχετε εμπιστοσύνη στην ορθότητα του κατασκευασμένου μοντέλου, μπορείτε να προχωρήσετε απευθείας στη διεξαγωγή έρευνας.
Το σχέδιο πρέπει να περιλαμβάνει ένα πείραμα ή μια σειρά πειραμάτων που ικανοποιούν τους στόχους μοντελοποίησης. Κάθε πείραμα πρέπει να συνοδεύεται από κατανόηση των αποτελεσμάτων, η οποία χρησιμεύει ως βάση για την ανάλυση των αποτελεσμάτων της μοντελοποίησης και τη λήψη αποφάσεων.
Το σχήμα για την προετοιμασία και τη διεξαγωγή ενός πειράματος υπολογιστή φαίνεται στο Σχήμα 11.7.
Ρύζι. 11.7. Σχέδιο πειράματος υπολογιστή
Ανάλυση αποτελεσμάτων προσομοίωσης
Ο απώτερος στόχος της μοντελοποίησης είναι η λήψη μιας απόφασης, η οποία θα πρέπει να ληφθεί με βάση μια ολοκληρωμένη ανάλυση των αποτελεσμάτων της μοντελοποίησης. Αυτό το στάδιο είναι καθοριστικό - είτε συνεχίζετε την έρευνα είτε την τελειώνετε. Το Σχήμα 11.2 δείχνει ότι το στάδιο ανάλυσης αποτελεσμάτων δεν μπορεί να υπάρξει ανεξάρτητα. Τα ευρήματα συχνά συμβάλλουν στη διεξαγωγή μιας πρόσθετης σειράς πειραμάτων και μερικές φορές στην αλλαγή του προβλήματος.
Η βάση για την ανάπτυξη μιας λύσης είναι τα αποτελέσματα δοκιμών και πειραμάτων. Εάν τα αποτελέσματα δεν ανταποκρίνονται στους στόχους της εργασίας, σημαίνει ότι έγιναν λάθη στα προηγούμενα στάδια. Αυτό μπορεί να είναι είτε μια εσφαλμένη διατύπωση του προβλήματος, είτε μια υπερβολικά απλοποιημένη κατασκευή ενός μοντέλου πληροφοριών, είτε μια αποτυχημένη επιλογή μεθόδου ή περιβάλλοντος μοντελοποίησης ή παραβίαση τεχνολογικών τεχνικών κατά την κατασκευή ενός μοντέλου. Εάν εντοπιστούν τέτοια σφάλματα, τότε το μοντέλο χρειάζεται προσαρμογή, δηλαδή επιστροφή σε ένα από τα προηγούμενα στάδια. Η διαδικασία επαναλαμβάνεται μέχρι τα πειραματικά αποτελέσματα να ανταποκριθούν στους στόχους της μοντελοποίησης.
Το κύριο πράγμα είναι να θυμάστε πάντα: ένα εντοπισμένο σφάλμα είναι επίσης αποτέλεσμα. Όπως λέει η λαϊκή σοφία, μαθαίνεις από τα λάθη. Ο μεγάλος Ρώσος ποιητής A. S. Pushkin έγραψε επίσης για αυτό:
Ω, πόσες υπέροχες ανακαλύψεις έχουμε
Προετοιμάστε το πνεύμα του διαφωτισμού
Και η εμπειρία, ο γιος των δύσκολων λαθών,
Και ιδιοφυΐα, φίλος των παραδόξων,
Και τύχη, ο Θεός ο εφευρέτης...
Ερωτήσεις και εργασίες τεστ
1. Να αναφέρετε τους δύο κύριους τύπους προβλημάτων μοντελοποίησης.
2. Στο περίφημο «Βιβλίο Προβλημάτων» του G. Oster υπάρχει το εξής πρόβλημα:
Η κακιά μάγισσα, δουλεύοντας ακούραστα, μετατρέπει 30 πριγκίπισσες την ημέρα σε κάμπιες. Πόσες μέρες θα της πάρει για να μετατρέψει 810 πριγκίπισσες σε κάμπιες; Πόσες πριγκίπισσες θα πρέπει να μετατρέπονται σε κάμπιες την ημέρα για να ολοκληρώσουν τη δουλειά σε 15 ημέρες;
Ποια ερώτηση μπορεί να ταξινομηθεί ως τύπος "τι θα συμβεί αν..." και ποια ερώτηση μπορεί να ταξινομηθεί ως "πώς να το κάνουμε έτσι...";
3. Αναφέρετε τους πιο γνωστούς σκοπούς του μόντελινγκ.
4. Επισημοποιήστε το χιουμοριστικό πρόβλημα από το "Problem Book" του G. Oster:
Από δύο θαλάμους που βρίσκονται σε απόσταση 27 χιλιομέτρων το ένα από το άλλο, δύο επιθετικοί σκύλοι πήδηξαν το ένα προς το άλλο την ίδια στιγμή. Το πρώτο τρέχει με ταχύτητα 4 km/h και το δεύτερο τρέχει με 5 km/h.
Πόσο καιρό θα πάρει για να ξεκινήσει ο αγώνας;
5.
Ονομάστε όσο το δυνατόν περισσότερα χαρακτηριστικά του αντικειμένου «ζεύγος παπουτσιών». Δημιουργήστε ένα μοντέλο πληροφοριών ενός αντικειμένου για διαφορετικούς σκοπούς:
■ επιλογή παπουτσιών για ένα ταξίδι πεζοπορίας.
■ επιλογή κατάλληλου κουτιού παπουτσιών.
■ αγορά κρέμας περιποίησης παπουτσιών.
6. Ποια χαρακτηριστικά ενός εφήβου είναι σημαντικά για συστάσεις σχετικά με την επιλογή επαγγέλματος;
7. Για ποιους λόγους ο υπολογιστής χρησιμοποιείται ευρέως στη μοντελοποίηση;
8. Ονομάστε τα εργαλεία μοντελοποίησης υπολογιστή που γνωρίζετε.
9. Τι είναι ένα πείραμα υπολογιστή; Δώσε ένα παράδειγμα.
10. Τι είναι η δοκιμή μοντέλου;
11. Ποια σφάλματα παρουσιάζονται κατά τη διαδικασία μοντελοποίησης; Τι πρέπει να κάνετε όταν ανακαλυφθεί ένα σφάλμα;
12. Τι είναι η ανάλυση των αποτελεσμάτων της προσομοίωσης; Ποια συμπεράσματα εξάγονται συνήθως;
Πείραμα υπολογιστή Πείραμα υπολογιστή Για να δώσετε ζωή σε νέες σχεδιαστικές εξελίξεις, να εισαγάγετε νέες τεχνικές λύσεις στην παραγωγή ή να δοκιμάσετε νέες ιδέες, χρειάζεται ένα πείραμα. Στο πρόσφατο παρελθόν, ένα τέτοιο πείραμα μπορούσε να πραγματοποιηθεί είτε σε εργαστηριακές συνθήκες σε εγκαταστάσεις ειδικά δημιουργημένες για αυτό, είτε in situ, δηλ. σε πραγματικό δείγμα του προϊόντος, υποβάλλοντάς το σε κάθε είδους δοκιμές. Αυτό απαιτεί μεγάλο κόστος υλικών και χρόνο. Οι μελέτες υπολογιστών μοντέλων ήρθαν στη διάσωση. Κατά τη διεξαγωγή ενός πειράματος υπολογιστή, ελέγχεται η ορθότητα των μοντέλων. Η συμπεριφορά του μοντέλου μελετάται κάτω από διάφορες παραμέτρους αντικειμένου. Κάθε πείραμα συνοδεύεται από κατανόηση των αποτελεσμάτων. Εάν τα αποτελέσματα ενός πειράματος υπολογιστή έρχονται σε αντίθεση με την έννοια του προβλήματος που επιλύεται, τότε το σφάλμα πρέπει να αναζητηθεί σε ένα εσφαλμένα επιλεγμένο μοντέλο ή στον αλγόριθμο και τη μέθοδο επίλυσής του. Μετά τον εντοπισμό και την εξάλειψη των σφαλμάτων, το πείραμα υπολογιστή επαναλαμβάνεται. Για να δώσετε ζωή σε νέες σχεδιαστικές εξελίξεις, να εισαγάγετε νέες τεχνικές λύσεις στην παραγωγή ή να δοκιμάσετε νέες ιδέες, χρειάζεται ένα πείραμα. Στο πρόσφατο παρελθόν, ένα τέτοιο πείραμα μπορούσε να πραγματοποιηθεί είτε σε εργαστηριακές συνθήκες σε εγκαταστάσεις ειδικά δημιουργημένες για αυτό, είτε in situ, δηλ. σε πραγματικό δείγμα του προϊόντος, υποβάλλοντάς το σε κάθε είδους δοκιμές. Αυτό απαιτεί μεγάλο κόστος υλικών και χρόνο. Οι μελέτες υπολογιστών μοντέλων ήρθαν στη διάσωση. Κατά τη διεξαγωγή ενός πειράματος υπολογιστή, ελέγχεται η ορθότητα των μοντέλων. Η συμπεριφορά του μοντέλου μελετάται κάτω από διάφορες παραμέτρους αντικειμένου. Κάθε πείραμα συνοδεύεται από κατανόηση των αποτελεσμάτων. Εάν τα αποτελέσματα ενός πειράματος υπολογιστή έρχονται σε αντίθεση με την έννοια του προβλήματος που επιλύεται, τότε το σφάλμα πρέπει να αναζητηθεί σε ένα εσφαλμένα επιλεγμένο μοντέλο ή στον αλγόριθμο και τη μέθοδο επίλυσής του. Μετά τον εντοπισμό και την εξάλειψη των σφαλμάτων, το πείραμα υπολογιστή επαναλαμβάνεται.
Ένα μαθηματικό μοντέλο νοείται ως ένα σύστημα μαθηματικών σχέσεων τύπων, ανισοτήτων κ.λπ., που αντικατοπτρίζουν τις βασικές ιδιότητες ενός αντικειμένου ή μιας διαδικασίας. Ένα μαθηματικό μοντέλο νοείται ως ένα σύστημα μαθηματικών σχέσεων τύπων, ανισοτήτων κ.λπ., που αντικατοπτρίζουν τις βασικές ιδιότητες ενός αντικειμένου ή μιας διαδικασίας.
Προβλήματα μοντελοποίησης από διάφορες θεματικές ενότητες Προβλήματα μοντελοποίησης από διάφορες θεματικές ενότητες Οικονομικά Οικονομικά Οικονομικά Αστρονομία Αστρονομία Αστρονομία Φυσική Φυσική Οικολογία Οικολογία Οικολογία Βιολογία Βιολογία Βιολογία Γεωγραφία Γεωγραφία Γεωγραφία
Το εργοστάσιο κατασκευής μηχανών, που πουλούσε προϊόντα σε τιμές διαπραγμάτευσης, λάμβανε ορισμένα έσοδα, έχοντας ξοδέψει ένα συγκεκριμένο ποσό χρημάτων για την παραγωγή. Προσδιορίστε την αναλογία του καθαρού κέρδους προς τα επενδυμένα κεφάλαια. Το εργοστάσιο κατασκευής μηχανών, που πουλούσε προϊόντα σε τιμές διαπραγμάτευσης, λάμβανε ορισμένα έσοδα, έχοντας ξοδέψει ένα συγκεκριμένο ποσό χρημάτων για την παραγωγή. Προσδιορίστε την αναλογία του καθαρού κέρδους προς τα επενδυμένα κεφάλαια. Δήλωση του προβλήματος Δήλωση του προβλήματος Σκοπός της προσομοίωσης είναι η μελέτη της διαδικασίας παραγωγής και πώλησης προϊόντων προκειμένου να επιτευχθεί το μεγαλύτερο καθαρό κέρδος. Χρησιμοποιώντας οικονομικούς τύπους, βρείτε την αναλογία του καθαρού κέρδους προς τα επενδυμένα κεφάλαια. Σκοπός της μοντελοποίησης είναι η διερεύνηση της διαδικασίας παραγωγής και πώλησης προϊόντων προκειμένου να επιτευχθεί το μεγαλύτερο καθαρό κέρδος. Χρησιμοποιώντας οικονομικούς τύπους, βρείτε την αναλογία του καθαρού κέρδους προς τα επενδυμένα κεφάλαια.
Οι κύριες παράμετροι του αντικειμένου μοντελοποίησης είναι: έσοδα, κόστος, κέρδος, κερδοφορία, φόρος κέρδους. Οι κύριες παράμετροι του αντικειμένου μοντελοποίησης είναι: έσοδα, κόστος, κέρδος, κερδοφορία, φόρος κέρδους. Δεδομένα εισόδου: Δεδομένα εισόδου: έσοδα B; έσοδα Β; κόστος (κόστος) Σ. κόστος (κόστος) Σ. Θα βρούμε άλλες παραμέτρους χρησιμοποιώντας τις βασικές οικονομικές εξαρτήσεις. Η αξία κέρδους ορίζεται ως η διαφορά μεταξύ εσόδων και κόστους P=B-S. Θα βρούμε άλλες παραμέτρους χρησιμοποιώντας τις βασικές οικονομικές εξαρτήσεις. Η αξία κέρδους ορίζεται ως η διαφορά μεταξύ εσόδων και κόστους P=B-S. Η κερδοφορία r υπολογίζεται χρησιμοποιώντας τον τύπο:. Η κερδοφορία r υπολογίζεται χρησιμοποιώντας τον τύπο:. Το κέρδος που αντιστοιχεί στο οριακό επίπεδο κερδοφορίας του 50% είναι το 50% του κόστους παραγωγής S, δηλ. S*50/100=S/2, επομένως ο φόρος κέρδους N προσδιορίζεται ως εξής: Κέρδος που αντιστοιχεί στο οριακό επίπεδο κερδοφορίας του 50% είναι το 50% του κόστους παραγωγής S, δηλ. S*50/100=S/2, άρα ο φόρος κέρδους N προσδιορίζεται ως εξής: εάν r
Ανάλυση αποτελεσμάτων Ανάλυση αποτελεσμάτων Το μοντέλο που προκύπτει επιτρέπει, ανάλογα με την κερδοφορία, τον προσδιορισμό του φόρου επί των κερδών, τον αυτόματα επανυπολογισμό του ποσού του καθαρού κέρδους και την εύρεση της αναλογίας του καθαρού κέρδους προς τα επενδυμένα κεφάλαια. Το μοντέλο που προκύπτει επιτρέπει, ανάλογα με την κερδοφορία, τον προσδιορισμό του φόρου κέρδους, τον αυτόματα επανυπολογισμό του ποσού του καθαρού κέρδους και την εύρεση της αναλογίας του καθαρού κέρδους προς τα επενδυμένα κεφάλαια. Ένα πείραμα υπολογιστή δείχνει ότι ο λόγος του καθαρού κέρδους προς τα επενδυμένα κεφάλαια αυξάνεται με την αύξηση των εσόδων και μειώνεται με την αύξηση του κόστους παραγωγής. Ένα πείραμα υπολογιστή δείχνει ότι ο λόγος του καθαρού κέρδους προς τα επενδυμένα κεφάλαια αυξάνεται με την αύξηση των εσόδων και μειώνεται με την αύξηση του κόστους παραγωγής.
Εργο. Εργο. Προσδιορίστε την ταχύτητα των πλανητών σε τροχιά. Για να το κάνετε αυτό, δημιουργήστε ένα μοντέλο υπολογιστή του ηλιακού συστήματος. Δήλωση του προβλήματος Σκοπός της προσομοίωσης είναι να προσδιορίσει την ταχύτητα των πλανητών σε τροχιά. Αντικείμενο μοντελοποίησης: Ηλιακό σύστημα, τα στοιχεία του οποίου είναι πλανήτες. Η εσωτερική δομή των πλανητών δεν λαμβάνεται υπόψη. Θα θεωρήσουμε πλανήτες ως στοιχεία με τα ακόλουθα χαρακτηριστικά: όνομα; R - απόσταση από τον Ήλιο (σε αστρονομικές μονάδες, αστρονομικές μονάδες. μέση απόσταση από τη Γη στον Ήλιο). t είναι η περίοδος της επανάστασης γύρω από τον Ήλιο (σε χρόνια). V είναι η τροχιακή ταχύτητα (αστρομονάδες/έτος), υποθέτοντας ότι οι πλανήτες κινούνται γύρω από τον Ήλιο σε κύκλους με σταθερή ταχύτητα.
Ανάλυση αποτελεσμάτων Ανάλυση αποτελεσμάτων 1. Αναλύστε τα αποτελέσματα υπολογισμού. Είναι δυνατόν να πούμε ότι οι πλανήτες που βρίσκονται πιο κοντά στον Ήλιο έχουν μεγαλύτερη τροχιακή ταχύτητα; 1. Αναλύστε τα αποτελέσματα υπολογισμού. Είναι δυνατόν να πούμε ότι οι πλανήτες που βρίσκονται πιο κοντά στον Ήλιο έχουν μεγαλύτερη τροχιακή ταχύτητα; 2. Το μοντέλο του Ηλιακού συστήματος που παρουσιάζεται είναι στατικό. Κατά την κατασκευή αυτού του μοντέλου, παραμελήσαμε τις αλλαγές στην απόσταση από τους πλανήτες στον Ήλιο κατά τη διάρκεια της τροχιακής τους κίνησης. Για να γνωρίζουμε ποιος πλανήτης είναι πιο μακριά και ποιες είναι οι κατά προσέγγιση σχέσεις μεταξύ των αποστάσεων, αυτές οι πληροφορίες είναι αρκετά αρκετές. Αν θέλουμε να προσδιορίσουμε την απόσταση μεταξύ της Γης και του Άρη, τότε δεν μπορούμε να παραμελήσουμε τις προσωρινές αλλαγές και εδώ θα πρέπει να χρησιμοποιήσουμε ένα δυναμικό μοντέλο. 2. Το μοντέλο του Ηλιακού συστήματος που παρουσιάζεται είναι στατικό. Κατά την κατασκευή αυτού του μοντέλου, παραμελήσαμε τις αλλαγές στην απόσταση από τους πλανήτες στον Ήλιο κατά τη διάρκεια της τροχιακής τους κίνησης. Για να γνωρίζουμε ποιος πλανήτης είναι πιο μακριά και ποιες είναι οι κατά προσέγγιση σχέσεις μεταξύ των αποστάσεων, αυτές οι πληροφορίες είναι αρκετά αρκετές. Αν θέλουμε να προσδιορίσουμε την απόσταση μεταξύ της Γης και του Άρη, τότε δεν μπορούμε να παραμελήσουμε τις προσωρινές αλλαγές και εδώ θα πρέπει να χρησιμοποιήσουμε ένα δυναμικό μοντέλο.
Πείραμα υπολογιστή Εισαγάγετε τα αρχικά δεδομένα στο μοντέλο υπολογιστή. (Για παράδειγμα: =0,5; =12) Βρείτε τον συντελεστή τριβής με τον οποίο το αυτοκίνητο θα κατέβει στο βουνό (σε δεδομένη γωνία). Βρείτε τη γωνία με την οποία θα σταθεί το αυτοκίνητο στο βουνό (για δεδομένο συντελεστή τριβής). Ποιο θα είναι το αποτέλεσμα αν παραμεληθεί η δύναμη τριβής; Ανάλυση των αποτελεσμάτων Αυτό το μοντέλο υπολογιστή σας επιτρέπει να διεξάγετε ένα υπολογιστικό πείραμα αντί για ένα φυσικό. Αλλάζοντας τις τιμές των δεδομένων προέλευσης, μπορείτε να δείτε όλες τις αλλαγές που συμβαίνουν στο σύστημα. Είναι ενδιαφέρον να σημειωθεί ότι στο κατασκευασμένο μοντέλο το αποτέλεσμα δεν εξαρτάται ούτε από τη μάζα του αυτοκινήτου ούτε από την επιτάχυνση της βαρύτητας.
Εργο. Εργο. Φανταστείτε ότι θα υπάρχει μόνο μία πηγή γλυκού νερού στη Γη, η λίμνη Βαϊκάλη. Για πόσα χρόνια η Βαϊκάλη θα παρέχει νερό στον πληθυσμό όλου του κόσμου; Φανταστείτε ότι θα υπάρχει μόνο μία πηγή γλυκού νερού στη Γη, η λίμνη Βαϊκάλη. Για πόσα χρόνια η Βαϊκάλη θα παρέχει νερό στον πληθυσμό όλου του κόσμου;
Ανάπτυξη μοντέλου Ανάπτυξη μοντέλου Για να φτιάξουμε ένα μαθηματικό μοντέλο, προσδιορίζουμε τα αρχικά δεδομένα. Σημειώνουμε: Για να φτιάξουμε ένα μαθηματικό μοντέλο, ορίζουμε τα αρχικά δεδομένα. Ας υποδηλώσουμε: V - όγκος της λίμνης Βαϊκάλης km3; V είναι ο όγκος της λίμνης Βαϊκάλης km3. N - Πληθυσμός της Γης 6 δισεκατομμύρια άνθρωποι. N - Πληθυσμός της Γης 6 δισεκατομμύρια άνθρωποι. p - κατανάλωση νερού ανά ημέρα ανά άτομο (κατά μέσο όρο) 300 l. p - κατανάλωση νερού ανά ημέρα ανά άτομο (κατά μέσο όρο) 300 l. Από 1 λ. = 1 dm3 νερού, είναι απαραίτητο να μετατραπεί το V του νερού της λίμνης από km3 σε dm3. V (km3) = V * 109 (m3) = V * 1012 (dm3) Από 1l. = 1 dm3 νερού, είναι απαραίτητο να μετατραπεί το V του νερού της λίμνης από km3 σε dm3. V (km3) = V * 109 (m3) = V * 1012 (dm3) Το αποτέλεσμα είναι ο αριθμός των ετών κατά τα οποία ο πληθυσμός της Γης χρησιμοποιεί τα νερά της λίμνης Βαϊκάλης, ας τον χαρακτηρίσουμε ως g. Άρα, g=(V*)/(N*p*365) Το αποτέλεσμα είναι ο αριθμός των ετών κατά τα οποία ο πληθυσμός της Γης χρησιμοποιεί τα νερά της λίμνης Βαϊκάλης, ας το χαρακτηρίσουμε ως g. Λοιπόν, g=(V*)/(N*p*365) Αυτή είναι η εμφάνιση του υπολογιστικού φύλλου στη λειτουργία εμφάνισης τύπων: Έτσι φαίνεται το υπολογιστικό φύλλο στη λειτουργία εμφάνισης τύπων:
Εργο. Εργο. Για την παραγωγή του εμβολίου, σχεδιάζεται να αναπτυχθεί μια βακτηριακή καλλιέργεια στο φυτό. Είναι γνωστό ότι αν η μάζα των βακτηρίων είναι x g, τότε μετά από μια μέρα θα αυξηθεί κατά (a-bx)x g, όπου οι συντελεστές a και b εξαρτώνται από τον τύπο των βακτηρίων. Το φυτό θα συλλέγει καθημερινά m βακτήρια για την παραγωγή εμβολίων. Για να καταρτίσετε ένα σχέδιο, είναι σημαντικό να γνωρίζετε πώς αλλάζει η μάζα των βακτηρίων μετά από 1, 2, 3,..., 30 ημέρες. Για την παραγωγή του εμβολίου, σχεδιάζεται να αναπτυχθεί μια βακτηριακή καλλιέργεια στο φυτό. Είναι γνωστό ότι αν η μάζα των βακτηρίων είναι x g, τότε μετά από μια μέρα θα αυξηθεί κατά (a-bx)x g, όπου οι συντελεστές a και b εξαρτώνται από τον τύπο των βακτηρίων. Το φυτό θα συλλέγει καθημερινά m βακτήρια για την παραγωγή εμβολίων. Για να καταρτίσετε ένα σχέδιο, είναι σημαντικό να γνωρίζετε πώς αλλάζει η μάζα των βακτηρίων μετά από 1, 2, 3,..., 30 ημέρες.
Δήλωση του προβλήματος Δήλωση του προβλήματος Αντικείμενο της μοντελοποίησης είναι η διαδικασία της πληθυσμιακής αλλαγής ανάλογα με το χρόνο. Αυτή η διαδικασία επηρεάζεται από πολλούς παράγοντες: το περιβάλλον, την κατάσταση της ιατρικής περίθαλψης, την οικονομική κατάσταση στη χώρα, τη διεθνή κατάσταση και πολλά άλλα. Έχοντας συνοψίσει τα δημογραφικά δεδομένα, οι επιστήμονες έβγαλαν μια συνάρτηση που εκφράζει την εξάρτηση του πληθυσμού από το χρόνο: Το αντικείμενο της μοντελοποίησης είναι η διαδικασία αλλαγής του πληθυσμού ανάλογα με το χρόνο. Αυτή η διαδικασία επηρεάζεται από πολλούς παράγοντες: το περιβάλλον, την κατάσταση της ιατρικής περίθαλψης, την οικονομική κατάσταση στη χώρα, τη διεθνή κατάσταση και πολλά άλλα. Έχοντας γενικεύσει τα δημογραφικά δεδομένα, οι επιστήμονες έβγαλαν μια συνάρτηση που εκφράζει την εξάρτηση του πληθυσμού από τον χρόνο: f(t)=όπου οι συντελεστές a και b είναι διαφορετικοί για κάθε πολιτεία, f(t)=όπου οι συντελεστές a και b είναι διαφορετικοί για κάθε κατάσταση, το e είναι η βάση του φυσικού λογάριθμου. Το e είναι η βάση του φυσικού λογάριθμου. Αυτή η φόρμουλα αντικατοπτρίζει μόνο κατά προσέγγιση την πραγματικότητα. Για να βρείτε τις τιμές των συντελεστών a και b, μπορείτε να χρησιμοποιήσετε ένα στατιστικό βιβλίο αναφοράς. Λαμβάνοντας τις τιμές f(t) (μέγεθος πληθυσμού τη στιγμή t) από το βιβλίο αναφοράς, μπορείτε να επιλέξετε περίπου το a και το b έτσι ώστε οι θεωρητικές τιμές του f(t) που υπολογίζονται χρησιμοποιώντας τον τύπο να μην διαφέρουν πολύ από το πραγματικά στοιχεία στο βιβλίο αναφοράς. Αυτή η φόρμουλα αντικατοπτρίζει μόνο κατά προσέγγιση την πραγματικότητα. Για να βρείτε τις τιμές των συντελεστών a και b, μπορείτε να χρησιμοποιήσετε ένα στατιστικό βιβλίο αναφοράς. Λαμβάνοντας τις τιμές f(t) (μέγεθος πληθυσμού τη στιγμή t) από το βιβλίο αναφοράς, μπορείτε να επιλέξετε περίπου το a και το b έτσι ώστε οι θεωρητικές τιμές του f(t) που υπολογίζονται χρησιμοποιώντας τον τύπο να μην διαφέρουν πολύ από το πραγματικά στοιχεία στο βιβλίο αναφοράς.
Η χρήση υπολογιστή ως εργαλείου για εκπαιδευτικές δραστηριότητες καθιστά δυνατή την επανεξέταση των παραδοσιακών προσεγγίσεων για τη μελέτη πολλών θεμάτων στις φυσικές επιστήμες, την ενίσχυση των πειραματικών δραστηριοτήτων των μαθητών και την προσέγγιση της μαθησιακής διαδικασίας στην πραγματική διαδικασία της γνώσης που βασίζεται στη μοντελοποίηση τεχνολογία. Η χρήση υπολογιστή ως εργαλείου για εκπαιδευτικές δραστηριότητες καθιστά δυνατή την επανεξέταση των παραδοσιακών προσεγγίσεων για τη μελέτη πολλών θεμάτων στις φυσικές επιστήμες, την ενίσχυση των πειραματικών δραστηριοτήτων των μαθητών και την προσέγγιση της μαθησιακής διαδικασίας στην πραγματική διαδικασία της γνώσης που βασίζεται στη μοντελοποίηση τεχνολογία. Η επίλυση προβλημάτων από διάφορους τομείς της ανθρώπινης δραστηριότητας σε έναν υπολογιστή βασίζεται όχι μόνο στη γνώση των μαθητών σχετικά με την τεχνολογία μοντελοποίησης, αλλά, φυσικά, και στη γνώση μιας δεδομένης θεματικής περιοχής. Από αυτή την άποψη, είναι πιο σκόπιμο να διεξάγονται τα προτεινόμενα μαθήματα για τη μοντελοποίηση αφού οι μαθητές έχουν μελετήσει την ύλη σε ένα μάθημα γενικής εκπαίδευσης· ένας δάσκαλος πληροφορικής πρέπει να συνεργάζεται με δασκάλους από διαφορετικούς εκπαιδευτικούς τομείς. Υπάρχει γνωστή εμπειρία στη διεξαγωγή δυαδικών μαθημάτων, δηλ. μαθήματα που διδάσκονται από καθηγητή πληροφορικής μαζί με καθηγητή θεμάτων. Η επίλυση προβλημάτων από διάφορους τομείς της ανθρώπινης δραστηριότητας σε έναν υπολογιστή βασίζεται όχι μόνο στη γνώση των μαθητών σχετικά με την τεχνολογία μοντελοποίησης, αλλά, φυσικά, και στη γνώση μιας δεδομένης θεματικής περιοχής. Από αυτή την άποψη, είναι πιο σκόπιμο να διεξάγονται τα προτεινόμενα μαθήματα για τη μοντελοποίηση αφού οι μαθητές έχουν μελετήσει την ύλη σε ένα μάθημα γενικής εκπαίδευσης· ένας δάσκαλος πληροφορικής πρέπει να συνεργάζεται με δασκάλους από διαφορετικούς εκπαιδευτικούς τομείς. Υπάρχει γνωστή εμπειρία στη διεξαγωγή δυαδικών μαθημάτων, δηλ. μαθήματα που διδάσκονται από καθηγητή πληροφορικής μαζί με καθηγητή θεμάτων.
Ένα πείραμα υπολογιστή με ένα μοντέλο συστήματος κατά τη διάρκεια της έρευνας και του σχεδιασμού του πραγματοποιείται προκειμένου να ληφθούν πληροφορίες σχετικά με τα χαρακτηριστικά της διαδικασίας λειτουργίας του υπό εξέταση αντικειμένου. Το κύριο καθήκον του προγραμματισμού πειραμάτων υπολογιστή είναι η απόκτηση των απαραίτητων πληροφοριών για το υπό μελέτη σύστημα με περιορισμούς στους πόρους (κόστος χρόνου υπολογιστή, μνήμη κ.λπ.). Τα συγκεκριμένα προβλήματα που επιλύονται κατά τον προγραμματισμό πειραμάτων υπολογιστή περιλαμβάνουν τα καθήκοντα της μείωσης του χρόνου που δαπανάται στον υπολογιστή για τη μοντελοποίηση, την αύξηση της ακρίβειας και της αξιοπιστίας των αποτελεσμάτων μοντελοποίησης, τον έλεγχο της επάρκειας του μοντέλου κ.λπ.
Η αποτελεσματικότητα των πειραμάτων υπολογιστή με μοντέλα εξαρτάται σημαντικά από την επιλογή του πειραματικού σχεδίου, καθώς είναι το σχέδιο που καθορίζει τον όγκο και τη σειρά των υπολογισμών σε έναν υπολογιστή, τις μεθόδους συσσώρευσης και τη στατιστική επεξεργασία των αποτελεσμάτων μοντελοποίησης συστήματος . Ως εκ τούτου, το κύριο καθήκον του σχεδιασμού πειραμάτων υπολογιστή με ένα μοντέλο διατυπώνεται ως εξής: είναι απαραίτητο να ληφθούν πληροφορίες σχετικά με το αντικείμενο μοντελοποίησης, που καθορίζονται με τη μορφή ενός αλγορίθμου μοντελοποίησης (προγράμματος), με ελάχιστη ή περιορισμένη δαπάνη πόρων μηχανής για την υλοποίηση τη διαδικασία μοντελοποίησης.
Το πλεονέκτημα των πειραμάτων υπολογιστή έναντι των φυσικών είναι η δυνατότητα πλήρους αναπαραγωγής των πειραματικών συνθηκών με ένα μοντέλο του υπό μελέτη συστήματος . Ένα σημαντικό πλεονέκτημα έναντι των φυσικών είναι η ευκολία διακοπής και επανάληψης πειραμάτων υπολογιστή, που επιτρέπει τη χρήση διαδοχικών και ευρετικών τεχνικών σχεδιασμού που μπορεί να μην είναι εφικτές σε πειράματα με πραγματικά αντικείμενα. Όταν εργάζεστε με ένα μοντέλο υπολογιστή, είναι πάντα δυνατό να διακοπεί το πείραμα για το χρόνο που απαιτείται για την ανάλυση των αποτελεσμάτων και τη λήψη αποφάσεων σχετικά με την περαιτέρω πρόοδό του (για παράδειγμα, σχετικά με την ανάγκη αλλαγής των τιμών των χαρακτηριστικών του μοντέλου).
Το μειονέκτημα των πειραμάτων υπολογιστή είναι ότι τα αποτελέσματα μιας παρατήρησης εξαρτώνται από τα αποτελέσματα μιας ή περισσότερων προηγούμενων και επομένως περιέχουν λιγότερες πληροφορίες από τις ανεξάρτητες παρατηρήσεις.
Σε σχέση με μια βάση δεδομένων, ένα πείραμα υπολογιστή σημαίνει χειρισμό δεδομένων σύμφωνα με έναν δεδομένο στόχο χρησιμοποιώντας εργαλεία DBMS. Ο στόχος του πειράματος μπορεί να διαμορφωθεί με βάση τον συνολικό στόχο της προσομοίωσης και λαμβάνοντας υπόψη τις απαιτήσεις του συγκεκριμένου χρήστη. Για παράδειγμα, υπάρχει μια βάση δεδομένων "Γραφείο Κοσμητείας". Ο γενικός στόχος της δημιουργίας αυτού του μοντέλου είναι η διαχείριση της εκπαιδευτικής διαδικασίας. Εάν χρειάζεται να λάβετε πληροφορίες σχετικά με τις επιδόσεις των μαθητών, μπορείτε να υποβάλετε αίτημα, π.χ. πραγματοποιήστε ένα πείραμα για να δοκιμάσετε τις απαραίτητες πληροφορίες.
Τα εργαλεία περιβάλλοντος DBMS σάς επιτρέπουν να εκτελείτε τις ακόλουθες λειτουργίες σε δεδομένα:
1) ταξινόμηση – ταξινόμηση δεδομένων σύμφωνα με ορισμένα κριτήρια.
2) αναζήτηση (φιλτράρισμα) – επιλογή δεδομένων που ικανοποιούν μια συγκεκριμένη προϋπόθεση.
3) δημιουργία πεδίων υπολογισμού - μετατροπή δεδομένων σε άλλο τύπο με βάση τύπους.
Η διαχείριση μοντέλων πληροφοριών είναι άρρηκτα συνδεδεμένη με την ανάπτυξη διαφόρων κριτηρίων αναζήτησης και ταξινόμησης δεδομένων. Σε αντίθεση με τα ντουλάπια αρχειοθέτησης χαρτιού, όπου η ταξινόμηση είναι δυνατή σύμφωνα με ένα ή δύο κριτήρια και η αναζήτηση πραγματοποιείται γενικά χειροκίνητα με ταξινόμηση μέσω καρτών, οι βάσεις δεδομένων υπολογιστών σάς επιτρέπουν να καθορίσετε οποιαδήποτε μορφή ταξινόμησης κατά διάφορα πεδία και διάφορα κριτήρια αναζήτησης. Ο υπολογιστής θα ταξινομήσει ή θα επιλέξει τις απαραίτητες πληροφορίες σύμφωνα με ένα δεδομένο κριτήριο χωρίς καμία επένδυση χρόνου.
Για την επιτυχή εργασία με ένα μοντέλο πληροφοριών, τα περιβάλλοντα λογισμικού βάσης δεδομένων σάς επιτρέπουν να δημιουργήσετε πεδία υπολογισμού στα οποία οι αρχικές πληροφορίες μετατρέπονται σε άλλη μορφή. Για παράδειγμα, με βάση τους βαθμούς του εξαμήνου, το GPA ενός φοιτητή μπορεί να υπολογιστεί χρησιμοποιώντας μια ειδική ενσωματωμένη συνάρτηση. Τέτοια υπολογισμένα πεδία χρησιμοποιούνται είτε ως πρόσθετες πληροφορίες είτε ως κριτήρια αναζήτησης και ταξινόμησης.
Ένα πείραμα υπολογιστή περιλαμβάνει δύο στάδια: δοκιμή (έλεγχος της ορθότητας των πράξεων) και διεξαγωγή πειράματος με πραγματικά δεδομένα.
Αφού δημιουργήσετε τύπους για πεδία υπολογισμού και φίλτρα, πρέπει να βεβαιωθείτε ότι λειτουργούν σωστά. Για να το κάνετε αυτό, μπορείτε να εισαγάγετε αρχεία δοκιμών για τα οποία το αποτέλεσμα της επέμβασης είναι γνωστό εκ των προτέρων.
Το πείραμα υπολογιστή τελειώνει με την έξοδο των αποτελεσμάτων σε μια μορφή κατάλληλη για ανάλυση και λήψη αποφάσεων. Ένα από τα πλεονεκτήματα των μοντέλων πληροφοριών υπολογιστή είναι η δυνατότητα δημιουργίας διαφόρων μορφών παρουσίασης των πληροφοριών εξόδου, που ονομάζονται αναφορές. Κάθε αναφορά περιέχει πληροφορίες σχετικές με το σκοπό του συγκεκριμένου πειράματος. Η ευκολία των αναφορών υπολογιστή έγκειται στο γεγονός ότι σας επιτρέπουν να ομαδοποιήσετε πληροφορίες σύμφωνα με καθορισμένα χαρακτηριστικά, να εισαγάγετε τα συνολικά πεδία για την καταμέτρηση εγγραφών ανά ομάδα και γενικά για ολόκληρη τη βάση δεδομένων και στη συνέχεια να χρησιμοποιήσετε αυτές τις πληροφορίες για να λάβετε αποφάσεις.
Το περιβάλλον σάς επιτρέπει να δημιουργείτε και να αποθηκεύετε πολλές τυπικές, συχνά χρησιμοποιούμενες φόρμες αναφοράς. Με βάση τα αποτελέσματα ορισμένων πειραμάτων, μπορείτε να δημιουργήσετε μια προσωρινή αναφορά, η οποία διαγράφεται αφού αντιγραφεί σε ένα έγγραφο κειμένου ή εκτυπωθεί. Ορισμένα πειράματα δεν απαιτούν καθόλου αναφορά. Για παράδειγμα, είναι απαραίτητο να επιλεγεί ο πιο επιτυχημένος φοιτητής που θα χορηγήσει αυξημένη υποτροφία. Για να το κάνετε αυτό, απλώς ταξινομήστε με βάση τη μέση βαθμολογία των βαθμών του εξαμήνου. Η πρώτη εγγραφή στη λίστα των μαθητών θα περιέχει τις πληροφορίες που αναζητάτε.
Στο τέλος του κεφαλαίου, θα εξετάσουμε το ερώτημα: πού να ταξινομήσετε ένα πείραμα υπολογιστή και μοντελοποίηση υπολογιστή ( υπολογιστή προσομοιώσεις) !
Αρχικά, η μοντελοποίηση υπολογιστών εμφανίστηκε στη μετεωρολογία και την πυρηνική φυσική, αλλά σήμερα το φάσμα των εφαρμογών της στην επιστήμη και την τεχνολογία είναι εξαιρετικά ευρύ. Ένα πολύ ενδεικτικό παράδειγμα από αυτή την άποψη είναι η «παγκόσμια μοντελοποίηση», όπου ο κόσμος θεωρείται ως ένα σύνολο υποσυστημάτων που αλληλεπιδρούν μεταξύ τους: πληθυσμός, κοινωνία, οικονομία, παραγωγή τροφίμων, σύμπλεγμα καινοτομίας, φυσικοί πόροι, βιότοπος, χώρες και περιοχές του κόσμο (το πρώτο παράδειγμα δημοσιεύεται το 1972 δ. αναφορά στη Λέσχη της Ρώμης «Limits to Growth»). Η ανάπτυξη και η αλληλεπίδραση αυτών των υποσυστημάτων καθορίζουν την παγκόσμια δυναμική.
Είναι προφανές ότι εδώ έχουμε να κάνουμε με ένα υπερσύνθετο σύστημα με μάζα μη γραμμικών αλληλεπιδράσεων, για το οποίο Δεν είναι δυνατή η κατασκευή ενός μοντέλου τύπου VIO. Επομένως, εδώ προχωρούν ως εξής. Συγκεντρώνεται μια διεπιστημονική ομάδα, που αποτελείται από ειδικούς που ανήκουν σε διάφορα υποσυστήματα. Αυτή η ομάδα, με βάση τις γνώσεις των μελών της, συντάσσει ένα διάγραμμα ροής από μια μεγάλη ποικιλία στοιχείων και συνδέσεων. Αυτό το μπλοκ διάγραμμα μετατρέπεται σε ένα μαθηματικό μοντέλο υπολογιστή που αναπαριστά το σύστημα που μοντελοποιείται. Μετά τα οποία πραγματοποιούνται αριθμητικά πειράματα με ένα μοντέλο υπολογιστή, δηλ. πειράματα υπολογιστή που μοιάζουν με ένα πραγματικό πολύπλοκο πείραμα όσον αφορά τη δημιουργία μοντέλων αντικειμένων και διαδικασιών, τον εντοπισμό σφαλμάτων και την εκτέλεση.
Υπάρχει μια ορισμένη αναλογία μεταξύ των πειραμάτων σκέψης και των πειραμάτων υπολογιστή. Στην περίπτωση ενός πειράματος υπολογιστή, το μοντέλο υπολογιστή που αναπτύχθηκε κατά τη διάρκεια αυτού είναι ένα ανάλογο του μοντέλου VIO στο πείραμα σκέψης. Και στις δύο περιπτώσεις, η πειραματική έρευνα αποτελεί στοιχείο αναζήτησης ενός επαρκούς θεωρητικού μοντέλου. Κατά τη διάρκεια αυτής της αναζήτησης, στην πρώτη περίπτωση επιλέγονται τα PIO και οι αλληλεπιδράσεις μεταξύ τους (και το μέγεθός τους) και στη δεύτερη περίπτωση επιλέγονται στοιχεία και συνδέσεις (και το μέγεθός τους). Από αυτή τη σύγκριση είναι προφανές ότι το αποτέλεσμα μιας τέτοιας πειραματικής δραστηριότητας και στις δύο περιπτώσεις είναι η πιθανή εμφάνιση νέας γνώσης. Δηλαδή, τα μοντέλα υπολογιστών αντιστοιχούν σε θεωρητικά μοντέλα VIO του φαινομένου και ένα πείραμα υπολογιστή είναι ένα μέσο για την κατασκευή τους. Σε αυτή την περίπτωση, ο πειραματισμός γίνεται με ένα μοντέλο, και όχι με ένα φαινόμενο (σύμφωνα με την εργασία, το ίδιο υποδεικνύεται και στα έργα).
Στη φυσική και σε άλλες φυσικές επιστήμες, στην περίπτωση των «εργαστηριακών» φαινομένων, ένα πραγματικό πείραμα μπορεί να αλλάξει κάτι στο ίδιο το φαινόμενο («κάνοντάς του μια ερώτηση»). Εάν αυτό αποδειχθεί αρκετό για τη δημιουργία ενός μοντέλου VIO και το μόνο ερώτημα παραμένει σχετικά με την αποσαφήνιση των παραμέτρων του, τότε στην περίπτωση αυτή το μοντέλο υπολογιστή έχει μια πιο ασήμαντη εφαρμογή από ό,τι περιγράφεται παραπάνω - επίλυση σύνθετων εξισώσεων που περιγράφουν ένα φυσικό ή τεχνικό σύστημα , και επιλέγοντας παραμέτρους για συστήματα για τα οποία έχει ήδη καθοριστεί το μοντέλο VIO. Αυτή η περίπτωση ονομάζεται συχνά «αριθμητικό πείραμα».
Ωστόσο, η φυσική ασχολείται και με φαινόμενα που πρέπει να μελετηθούν ποιοτικά πριν τοποθετηθούν στο εργαστήριο, για παράδειγμα, η απελευθέρωση πυρηνικής ενέργειας ή η γέννηση στοιχειωδών σωματιδίων. Μια παρόμοια κατάσταση μπορεί να προκύψει: 1) στις περιπτώσεις οικονομικής ή τεχνικής πολυπλοκότητας ενός πραγματικού πειράματος που αναφέρεται για ένα πείραμα σκέψης, 2) ελλείψει μοντέλου VIO, δηλ. έλλειψη θεωρίας του φαινομένου (όπως στην περίπτωση των τυρβωδών ροών). Στην πυρηνική και τη σωματιδιακή φυσική έχουμε τις πρώτες, αν όχι και τις δύο περιπτώσεις. Εδώ έχουμε μια κατάσταση παρόμοια με την «παγκόσμια μοντελοποίηση» και αρχίζουμε να πειραματιζόμαστε με θεωρητικά μοντέλα μέσω προσομοιώσεων υπολογιστή. Επομένως, δεν προκαλεί έκπληξη το γεγονός ότι η μοντελοποίηση υπολογιστή εμφανίστηκε πολύ νωρίς στην πυρηνική φυσική.
Έτσι, ένα πείραμα υπολογιστή και μοντέλα υπολογιστών σε μια μη τετριμμένη περίπτωση, όπως στο παράδειγμα με την «παγκόσμια μοντελοποίηση», αντιστοιχούν, αντίστοιχα, σε ένα νοητικό πείραμα VIO και σε θεωρητικά μοντέλα VIO του φαινομένου.
Ένα πείραμα είναι μια μορφή επικοινωνίας μεταξύ δύο πλευρών - ένα φαινόμενο και ένα θεωρητικό μοντέλο. Κατ' αρχήν, αυτό συνεπάγεται τη δυνατότητα χειραγώγησης με δύο πλευρές. Στην περίπτωση ενός πραγματικού πειράματος, ο πειραματισμός συμβαίνει με ένα φαινόμενο, και στην περίπτωση ενός νοητικού πειράματος και ενός πειράματος υπολογιστή, το οποίο μπορεί να θεωρηθεί ως ανάλογο ενός νοητικού πειράματος, με ένα μοντέλο. Αλλά και στις δύο περιπτώσεις, ο στόχος είναι η απόκτηση νέας γνώσης με τη μορφή ενός επαρκούς θεωρητικού μοντέλου.
- Αυτό περιλαμβάνει την παρατήρηση του E. Winsberg: «Δεν είναι αλήθεια ότι ένα πραγματικό πείραμα χειρίζεται πάντα μόνο το αντικείμενο ενδιαφέροντος. Στην πραγματικότητα, τόσο σε ένα πραγματικό πείραμα όσο και σε μια προσομοίωση, υπάρχει μια πολύπλοκη σχέση μεταξύ αυτού που χειραγωγείται στη μελέτη , αφενός, και τα συστήματα του πραγματικού κόσμου, που είναι ο στόχος της μελέτης, αφετέρου... Ο Μέντελ, για παράδειγμα, χειραγωγούσε τον αρακά, και ενδιαφερόταν να μελετήσει το φαινόμενο της γενικής κληρονομικότητας».
Στον ορισμό που παρουσιάστηκε παραπάνω, ο όρος «πείραμα» έχει διπλή σημασία. Από τη μία πλευρά, σε ένα πείραμα υπολογιστή, όπως και σε ένα πραγματικό, μελετώνται οι αποκρίσεις του συστήματος σε ορισμένες αλλαγές παραμέτρων ή σε εξωτερικές επιρροές. Η θερμοκρασία, η πυκνότητα και η σύνθεση χρησιμοποιούνται συχνά ως παράμετροι. Και οι κρούσεις πραγματοποιούνται συχνότερα μέσω μηχανικών, ηλεκτρικών ή μαγνητικών πεδίων. Η μόνη διαφορά είναι ότι ο πειραματιστής ασχολείται με ένα πραγματικό σύστημα, ενώ σε ένα πείραμα υπολογιστή λαμβάνεται υπόψη η συμπεριφορά ενός μαθηματικού μοντέλου ενός πραγματικού αντικειμένου. Από την άλλη πλευρά, η ικανότητα απόκτησης αυστηρών αποτελεσμάτων για καλά καθορισμένα μοντέλα καθιστά δυνατή τη χρήση ενός πειράματος υπολογιστή ως ανεξάρτητης πηγής πληροφοριών για τον έλεγχο των προβλέψεων των αναλυτικών θεωριών και, ως εκ τούτου, με αυτή την ιδιότητα, τα αποτελέσματα της μοντελοποίησης παίζουν σημαντικό ρόλο. ρόλο του ίδιου προτύπου με τα πειραματικά δεδομένα.
Από όλα όσα ειπώθηκαν, είναι σαφές ότι υπάρχει η δυνατότητα δύο πολύ διαφορετικών προσεγγίσεων για τη δημιουργία ενός πειράματος υπολογιστή, το οποίο οφείλεται στη φύση του προβλήματος που επιλύεται και ως εκ τούτου καθορίζει την επιλογή της περιγραφής του μοντέλου.
Πρώτον, οι υπολογισμοί που χρησιμοποιούν μεθόδους MD ή MC μπορούν να επιδιώξουν καθαρά χρηστικούς στόχους που σχετίζονται με την πρόβλεψη των ιδιοτήτων ενός συγκεκριμένου πραγματικού συστήματος και τη σύγκρισή τους με φυσικό πείραμα. Σε αυτήν την περίπτωση, είναι δυνατό να γίνουν ενδιαφέρουσες προβλέψεις και να διεξαχθεί έρευνα κάτω από ακραίες συνθήκες, για παράδειγμα, σε εξαιρετικά υψηλές πιέσεις ή θερμοκρασίες, όταν ένα πραγματικό πείραμα για διάφορους λόγους δεν είναι εφικτό ή απαιτεί υπερβολική υλική δαπάνη. Η προσομοίωση υπολογιστή είναι συχνά ο μόνος τρόπος για να ληφθούν οι πιο λεπτομερείς («μικροσκοπικές») πληροφορίες σχετικά με τη συμπεριφορά ενός πολύπλοκου μοριακού συστήματος. Αυτό αποδείχθηκε ιδιαίτερα καθαρά από δυναμικά αριθμητικά πειράματα με διάφορα βιοσυστήματα: σφαιρικές πρωτεΐνες στη φυσική κατάσταση, θραύσματα DNA και RNA , λιπιδικές μεμβράνες. Σε ορισμένες περιπτώσεις, τα δεδομένα που ελήφθησαν μας ανάγκασαν να επανεξετάσουμε ή να αλλάξουμε σημαντικά τις προηγούμενες ιδέες σχετικά με τη δομή και τη λειτουργία αυτών των αντικειμένων. Θα πρέπει να ληφθεί υπόψη ότι εφόσον σε τέτοιους υπολογισμούς χρησιμοποιούνται διάφορα είδη δυναμικών σθένους και μη σθένους, τα οποία προσεγγίζουν μόνο τις πραγματικές αλληλεπιδράσεις των ατόμων, αυτή η περίσταση καθορίζει τελικά τον βαθμό αντιστοιχίας μεταξύ του μοντέλου και της πραγματικότητας. Αρχικά, η λύση του αντιστρόφου προβλήματος πραγματοποιείται, όταν τα δυναμικά βαθμονομούνται σύμφωνα με τα διαθέσιμα πειραματικά δεδομένα και μόνο τότε αυτά τα δυναμικά χρησιμοποιούνται για τη λήψη πιο λεπτομερών πληροφοριών για το σύστημα. Μερικές φορές, οι παράμετροι των διατομικών αλληλεπιδράσεων μπορούν κατ' αρχήν να βρεθούν από κβαντικούς χημικούς υπολογισμούς που πραγματοποιούνται για απλούστερες ενώσεις μοντέλων. Κατά τη μοντελοποίηση χρησιμοποιώντας μεθόδους MD ή MC, ένα μόριο αντιμετωπίζεται όχι ως ένα σύνολο ηλεκτρονίων και πυρήνων, που υπόκεινται στους νόμους της κβαντικής μηχανικής, αλλά ως ένα σύστημα συνδεδεμένων κλασικών σωματιδίων - ατόμων. Αυτό το μοντέλο ονομάζεται μηχανικό μοντέλο του μορίου .
Ο στόχος μιας άλλης προσέγγισης για τη δημιουργία ενός πειράματος υπολογιστή μπορεί να είναι η κατανόηση των γενικών (καθολικών ή αμετάβλητων ως προς το μοντέλο) προτύπων συμπεριφοράς του υπό μελέτη συστήματος, δηλαδή εκείνων των προτύπων που καθορίζονται μόνο από τα πιο τυπικά χαρακτηριστικά ενός δεδομένου κατηγορία αντικειμένων, αλλά όχι από τις λεπτομέρειες της χημικής δομής μιας μεμονωμένης ένωσης. Δηλαδή, σε αυτή την περίπτωση, το πείραμα υπολογιστή στοχεύει στη δημιουργία λειτουργικών συνδέσεων και όχι στον υπολογισμό αριθμητικών παραμέτρων. Αυτή η ιδεολογία είναι παρούσα στην πιο ευδιάκριτη μορφή της στη θεωρία κλιμάκωσης των πολυμερών. Από την άποψη αυτής της προσέγγισης, η μοντελοποίηση υπολογιστή λειτουργεί ως θεωρητικό εργαλείο, το οποίο, πρώτα απ 'όλα, επιτρέπει σε κάποιον να επαληθεύσει τα συμπεράσματα των υπαρχουσών αναλυτικών μεθόδων της θεωρίας ή να συμπληρώσει τις προβλέψεις τους. Μια τέτοια αλληλεπίδραση μεταξύ αναλυτικής θεωρίας και πειράματος υπολογιστή μπορεί να είναι πολύ γόνιμη όταν μπορούν να χρησιμοποιηθούν πανομοιότυπα μοντέλα και στις δύο προσεγγίσεις. Το πιο εντυπωσιακό παράδειγμα αυτού του είδους γενικευμένων μοντέλων μορίων πολυμερούς είναι τα λεγόμενα δικτυωτό μοντέλο . Στη βάση του, έχουν πραγματοποιηθεί πολλές θεωρητικές κατασκευές, που σχετίζονται ιδίως με τη λύση του κλασικού και, κατά μία έννοια, του κύριου προβλήματος της φυσικής χημείας των πολυμερών σχετικά με την επίδραση των ογκομετρικών αλληλεπιδράσεων στη διαμόρφωση και, κατά συνέπεια, στη διαμόρφωση. τις ιδιότητες μιας εύκαμπτης πολυμερικής αλυσίδας. Με τον όρο αλληλεπιδράσεις όγκου εννοούμε συνήθως απωστικές δυνάμεις μικρής εμβέλειας που προκύπτουν μεταξύ των απομακρυσμένων συνδέσμων κατά μήκος της αλυσίδας όταν πλησιάζουν στο διάστημα λόγω τυχαίας κάμψης του μακρομορίου. Στο μοντέλο πλέγματος, μια πραγματική αλυσίδα θεωρείται ως μια διακεκομμένη τροχιά που διέρχεται από τους κόμβους ενός κανονικού πλέγματος ενός δεδομένου τύπου: κυβικό, τετραεδρικό κ.λπ. Οι κατειλημμένοι κόμβοι πλέγματος αντιστοιχούν σε πολυμερείς μονάδες (μονομερή) και τα τμήματα που τα συνδέουν αντιστοιχούν σε χημικούς δεσμούς στον σκελετό του μακρομορίου. Η απαγόρευση των αυτο-τομών τροχιάς (ή, με άλλα λόγια, η αδυναμία ταυτόχρονης εισόδου δύο ή περισσότερων μονομερών σε μια θέση πλέγματος) μοντελοποιεί τις ογκομετρικές αλληλεπιδράσεις (Εικ. 1). Δηλαδή, εάν, για παράδειγμα, εάν χρησιμοποιηθεί η μέθοδος MK και όταν ένας τυχαία επιλεγμένος σύνδεσμος μετατοπιστεί, πέσει σε έναν ήδη κατειλημμένο κόμβο, τότε μια τέτοια νέα διαμόρφωση απορρίπτεται και δεν λαμβάνεται πλέον υπόψη στον υπολογισμό του παραμέτρους του συστήματος που μας ενδιαφέρουν. Οι διαφορετικές διατάξεις της αλυσίδας στο πλέγμα αντιστοιχούν στις διαμορφώσεις της αλυσίδας πολυμερούς. Χρησιμοποιούνται για τον μέσο όρο των απαιτούμενων χαρακτηριστικών, για παράδειγμα, την απόσταση μεταξύ των άκρων της αλυσίδας R.
Η μελέτη ενός τέτοιου μοντέλου μας επιτρέπει να κατανοήσουμε πώς οι ογκομετρικές αλληλεπιδράσεις επηρεάζουν την εξάρτηση της μέσης τετραγωνικής τιμής της ρίζας
Υπάρχουν διάφορες τροποποιήσεις μοντέλων δικτυωτού πλέγματος, για παράδειγμα, εκείνα στα οποία τα μήκη των δεσμών μεταξύ των συνδέσμων δεν έχουν σταθερές τιμές, αλλά μπορούν να ποικίλουν μέσα σε ένα ορισμένο διάστημα, το οποίο εγγυάται μόνο την απαγόρευση των αυτοτομών της αλυσίδας. έχει σχεδιαστεί το διαδεδομένο μοντέλο με «κυμαινόμενους δεσμούς». Ωστόσο, όλα τα μοντέλα δικτυωτού πλέγματος έχουν κοινό ότι είναι διακεκριμένος,Δηλαδή, ο αριθμός των πιθανών διαμορφώσεων ενός τέτοιου συστήματος είναι πάντα πεπερασμένος (αν και μπορεί να είναι αστρονομικός ακόμη και με έναν σχετικά μικρό αριθμό κρίκων στην αλυσίδα). Όλα τα διακριτά μοντέλα έχουν πολύ υψηλή υπολογιστική απόδοση, αλλά, κατά κανόνα, μπορούν να μελετηθούν μόνο χρησιμοποιώντας τη μέθοδο Monte Carlo.
Για πολλές περιπτώσεις χρησιμοποιούνται συνέχεια γενικευμένα μοντέλα πολυμερών που είναι ικανά να αλλάζουν τη διαμόρφωση με συνεχή τρόπο. Το απλούστερο παράδειγμα είναι μια αλυσίδα που αποτελείται από έναν δεδομένο αριθμό Νσυμπαγείς μπάλες που συνδέονται σε σειρά με άκαμπτους ή ελαστικούς δεσμούς. Τέτοια συστήματα μπορούν να μελετηθούν τόσο με τη μέθοδο Monte Carlo όσο και με τη μέθοδο της μοριακής δυναμικής.
