'

Технологии компьютерного моделирования Лекционная часть курса (все теор. темы кроме ООМ)

Понравилась презентация – покажи это...





Слайд 0

Технологии компьютерного моделирования Лекционная часть курса (все теор. темы кроме ООМ) Темы Содержание курса и заданий. Литература Понятия и этапы процесса моделирования Итерационность процесса. Адекватность модели Реальность и модель. Входные/выходные данные Виды моделей. Цели моделирования Классификации научных задач по 4-м критериям Понятия о моделях и методах искуств. интеллекта Типичные комбинации “задача–модель(аппарат)” Основные технологии моделирования


Слайд 1

Введение: содержание курса Практика – на примере численного моделирования (= уравнения + методы вычислительной математики) На лекциях – также элементы а) альтернативных типов моделей/методов; б) подходов, независящих от типа моделей Обеспечение повторной используемости Методика численных экспериментов Написание выч. программ – Что в курсе «Программ-ие выч. моделей» Обеспечение повторной используемости моделей/вариантов Методика численных экспериментов Использование готовых пакетов Структурное оформление модели Что рас-сматривается в курсе (этому почти никто не учит) Решение уравнений (учат математики) Вывод уравнений (учат физики и др.) Что не рас-сматривается в курсе Использование модели Реализация модели Построение модели Этап модели-рования


Слайд 2

Введение: рекомендуемая литература Егоренков Д.Л. и др. Основы математического моделирования. Построение и анализ моделей с примерами на языке MATLAB (lib.mipt.ru) почти все темы первых лекций + много примеров + моделирование с точки зрения системного анализа описание работы с MATLAB (дополнение к навыкам, по MATLAB/Simulink, получаемым во втором задании) Черных И. Simulink. Среда создания инженерных приложений (бумажная книга; ИЛИ ЛЮБОЙ ЕЕ АНАЛОГ) Бенькович Е.С., Колесов Ю.Б., Сениченков Ю.Б. Практическое моделирование динамических систем объектно-ориентированные модели (темы 2-й части лекций) описание работы с MVS (пакет для первого задания) Самарский А.А., Михайлов А.П. Математическое моделирование: Идеи. Методы. Примеры (lib.mipt.ru) описание построения моделей (универсальные подходы) примеры мат. моделей сложноформализуемых систем


Слайд 3

Понятия моделирования Модель – аналог системы для решения задачи (моделирование – альтернатива наблюдению за системой) Задача – проблема из реальности (набор вопросов) Система – часть мира, выделенная с учетом задачи Роли участников процесса моделирования специалист по моделям/методам моделирования эксперт предметной области, к которой относится система «конечный пользователь» («заказчик», ЛПР и т.п.) Основные этапы моделирования построение модели на основе знаний о системе формализация (например, вывод уравнений) решение = получение результатов из модели с помощью каких-либо алгоритмов (численных методов) обратный переход к реальной системе деформализация (=интерпретация результатов) ? ответы


Слайд 4

Итерационность моделирования Типичные процессы моделирования Цель итераций – достижение адекватности – соответствия модели (и метода) исходной задаче (не системе!)


Слайд 5

Оценка адекватности - сравнением с: с поведением исходной системы; с экспериментальной или теоретической моделью; с аналогичной работой других авторов; с другой моделью/методом/параметрами метода. (Сравнение – в частных случаях, при конкретных условиях) Общий рецепт: максимально простая модель, учитывающая все «существенные» факторы (Усложнение – плохо; в т.ч. появляется много «лишних» параметров ? их идентификация ? потеря адекватности) Реальность и модель (цифры – этапы модел-ия) Задача о системе (вопросы) Решение задачи (ответы) Реальная система Исходные данные Результаты модели Модель 1 1а 1б 2 3


Слайд 6

Компьютерные модели (не экспериментальные и не теоретические/аналитические) Зачем нужно моделирование? Наблюдение за системой долго/дорого/невозможно или моделируемое воздействие вредит системе Вариабельность свойств многих систем (задача обычно «.. для всех подобных систем ..») Обучение на виртуальных тренажерах Не решение задач, а понимание механизмов По языку представления: математика, логика, ИИ Со знанием структуры/законов: математические (вычислительные), имитационные, экспертные уравнения, дискр. отображения, продукции,графы,фреймы Без знания структуры/законов: «эвристические» статистика, нейросети, генетические (эволюц.) алгоритмы Гибридные (в современном искусственном интеллекте)


Слайд 7

Классификации научных задач На порождение (вычисление) и на распознавание (доказательство) свойств системы Р: речи, образов, смысловых единиц (data mining), … Стационарные и динамические (на вычисление) С: алгебраические системы, оптимизация Д: прогнозирование, краевые задачи, задачи управления Прямые и обратные (обычно на вычисление) О: идентификация параметров (заданы другие параметры), экстремальные задачи (нужен min параметров или функц-ла), другие (многокритериальные) задачи принятия решений Обратные неэкстремальные задачи обычно некорректны (=> решение заменяется квазирешением экстремальной задачи) Количественные, логические, вербальные задача обычно сама диктует формализацию модели (хотя есть методы преобразования: ЕЯ-интерфейсы, объяснение выводов, …) Детерминированные и недетерминированные


Слайд 8

Модели искусственного интеллекта Моделирование рассуждений: ЭС, БЗ представление знаний: продукции, фреймы, семант. сети не только вывод, но и объяснение; извлечение знаний БЗ обычно акцент на нечеткий вывод (нечеткую логику) – т.е. на «мягкие» методы вычислений Эвриcтические (когнитивные, «мягкие») модели необоснованные правила для сокращения числа переборов Нейронные сети: обучение имитацией физиологии Генетические алгоритмы: обучение имитацией эволюции Комбинация разнородных моделей/методов Алгебраические методы распознавания (например) Гибридизация ЭС, НС, ГА и даже имитационных моделей Обзорные описания указанных моделей/методов http://urist.fatal.ru/Book/Glava13/Glava13.htm http://matlab.exponenta.ru/fuzzylogic/book5/index.php http://www.ssti.ru/kpi/informatika/Content/biblio/b1/inform_man/gl_16_1.htm


×

HTML:





Ссылка: