Из чего состоит математическая модель. Математическое моделирование. Понятие математической модели

В общем случае, модель – это отражение реального объекта. Такое отражение объекта может быть представлено эскизом, схемой, фотографией, графиком, таблицей и т.д.

Мы будем рассматривать только математические модели различных экономических процессов, которые описываются математической символикой и решаются с помощью соответствующих математических методов.

В экономической науке используют главным образом математические модели, описывающие изучаемое явление с помощью математического аппарата (функций, уравнений, неравенств, их систем).

В теории оптимальных решений главная роль отводится математическому моделированию. Для построения математической модели необходимо иметь строгое представление о цели функционирования исследуемой системы и располагать информацией об ограничениях, которые определяют область допустимых значений управляемых переменных. Как цель, так и ограничения должны быть представлены в виде функций от управляемых переменных. Анализ модели должен привести к определению наилучшего управляющего воздействия на объект управления при выполнении всех установленных ограничений.

Модель управляемого объекта строят для того, чтобы применить какой-либо вычислительный аппарат для оптимизации функционирования этого объекта (максимально возможного повышения эффективности его работы). Разработка модели почти всегда связана с попыткой достижения двух противоречивых целей: как можно точнее отобразить реальные процессы и получить модель максимально простую, чтобы с ней легко было работать.

Для применения количественных методов исследования экономических процессов требуется построить математическую модель объекта оптимизации. При построении модели объект, как правило, упрощается, схематизируется и схема объекта описывается с помощью того или иного математического аппарата.

Математическая модель – это приближенное описание какого-либо объекта или класса явлений внешнего мира, выраженное с помощью математического аппарата и математической символики.

Математические модели имеют ряд преимуществ перед другими видами моделей. К наиболее важным из них можно отнести следующие:

· широкий диапазон применения,

· низкая по сравнению с другими видами стоимость создания модели,

· быстрота получения результатов исследования при использовании электронно-вычислительной техники,

· возможность экспериментирования с исследуемым экономическим процессом,

· возможность проверки правильности выдвинутых предпосылок и условий поставленной экономической задачи.

Математическая модель любой экономической задачи включает в себя целевую функцию, систему ограничений и критерий оптимальности.

Целевая функция связывает между собой различные величины модели. Как правило, в качестве цели выбирается экономический показатель (прибыль, себестоимость, рентабельность и т.д.). Поэтому целевую функцию иногда называют экономической, критериальной.

Целевая функция – характеристика объекта из условия дальнейшего поиска критерия оптимальности, математически связывающая между собой те или иные факторы объекта исследования.

При решении задач оптимизации необходимо определить критерий оптимальности, т.е. признак, по которому проводят сравнительную оценку альтернатив и выбирают среди них наилучшую с точки зрения поставленной цели оптимизации.

Критерий оптимальности – это показатель, имеющий, как правило, экономический смысл, который служит для формализации конкретной цели управления объектом исследования и выражается при помощи целевой функции.

Критерий оптимальности операции выполняет такую важную функцию как сравнительная оценка выбранных стратегий (решений) до начала их реализации и на завершающем этапе операции. Он позволяет провести анализ полученных результатов и сделать вывод о том, какая из стратегий была бы оптимальной.

Изменяемые при оптимизации величины, входящие в математическую модель объекта оптимизации, называют параметрами оптимизации , а соотношения, устанавливающие пределы возможного изменения этих параметров, - ограничениями .

Ограничения – это соотношения, сужающие область осуществимых, приемлемых или допустимых решений, и фиксирующие основные внешние и внутренние свойства объекта. Эти ограничения могут быть заданы в форме равенств или неравенств (или их систем).

Решением математической модели экономической задачи, или допустимым планом, называется набор значений неизвестных, который удовлетворяет ее системе ограничений. Модель может иметь множество решений, или допустимых планов, среди которых надо найти единственное, удовлетворяющее системе ограничений и целевой функции.

Допустимый план, удовлетворяющий целевой функции, называется оптимальным .

Если модель задачи имеет множество оптимальных планов, то для каждого из них значение целевой функции одинаково.

Таким образом , для принятия оптимального решения любой экономической задачи необходимо построить ее математическую модель, по структуре включающую в себя систему ограничений, целевую функцию, критерий оптимальности и решение.

Процесс построения математической модели называют математическим моделированием .

Составление модели объекта требует понимания сущности описываемого явления и знания математического аппарата.

Моделирование и построение математической модели экономического объекта позволяют свести экономический анализ производственных процессов к математическому анализу и принятию эффективных (оптимальных) решений.

При построении математической модели важно избежать, с одной стороны, чрезмерного упрощения экономического явления или процесса (т.к. излишнее упрощение не отражает реальной действительности), с другой стороны, - излишней его детализации и усложнения (т.к. это приводит к большому количеству переменных и затрудняет построение модели).

Основные элементы модели:

1) Исходные данные:

· детерминированные,

· случайные.

2) Искомые переменные:

· непрерывные,

· дискретные.

3) Зависимости:

· линейные (переменные входят в первой степени и нет их произведения),

· нелинейные (переменные входят в степени выше первой или есть произведение переменных).

Сочетание разнообразных элементов модели приводит к различным классам задач оптимизации (тема 2), требующим разных методов решения.

При решении конкретной экономической задачи применение методов оптимальных решений предполагает:

· построение математических моделей для задач принятия решения в сложных ситуациях или в условиях неопределенности,

· изучение взаимосвязей, определяющих впоследствии принятие решений, и установление критериев оптимальности, позволяющих оценивать преимущество того или иного варианта действия.

К основным методам принятия оптимальных решений можно отнести следующие:

1) Методы математического программирования:

· линейное программирование,

· нелинейное программирование,

· целочисленное программирование,

· динамическое программирование,

· выпуклое программирование,

· геометрическое программирование,

· параметрическое программирование

· стохастическое программирование,

· эвристическое программирование.

2) Методы теории массового обслуживания.

3) Методы теории игр.

4) Классические методы оптимизации (метод Лагранжа, градиентный метод).

5) Сетевые методы планирования и управления.

К классификации математических моделей также можно подойти с разных точек зрения, положив в основу классификации различные принципы (см. табл. 20.1).

по отраслям наук : математические модели в физике, биологии, социологии и т.д. Такая классификация естественна для специалиста в ка-кой-то одной науке, предметной области .

Можно классифицировать модели по применяемому математическому аппарату : модели, основанные на использовании обыкновенных дифференциальных уравнений, дифференциальных уравнений в частных производных, вероятностно-статистических методов, дискретных алгебраических преобразований и т.д. Подобная классификация удобна для специалиста в области математического моделирования .

В зависимости от целей моделирования можно привести следующую классификацию :

· дескриптивные (описательные) модели;

· оптимизационные однокритериальные модели;

· оптимизационные многокритериальные модели;

· игровые модели;

· имитационные модели.

Например, при моделировании движения кометы, в Солнечной системе, описывается (предсказывается) траектория ее полета, расстояние, на котором она пройдет от Земли и т.д., т. е. ставятся чисто описательные цели. У исследователя нет возможности повлиять на движение кометы, что-то изменить.

В других случаях можно воздействовать на процессы, пытаясь добиться какой-то цели.

Например, меняя ассортимент продукции, которая выпускается предприятием и объем выпуска продукции каждого вида можно найти такие значения, при которых достигается максимальная прибыль, т.е. определяется оптимальный план выпуска продукции по критерию максимизации прибыли.

Часто приходится находить оптимальное решение задачи по нескольким критериям сразу, причем цели могут быть весьма противоречивыми.

Например, зная цены на продукты и потребность человека в пище, определить рацион питания больших групп людей (в армии, летнем лагере и др.) наиболее дешевый и наиболее калорийный. Очевидно, что эти цели, могут противоречить друг другу и необходимо найти компромиссное решение, удовлетворяющее в определенной степени всем критериям.

Игровые модели могут иметь отношение не только к детским играм (в том числе и компьютерным), но и к вещам весьма серьезным.

Например, полководец перед сражением в условиях наличия неполной информации о противостоящей армии должен разработать план: в каком порядке вводить в бой те или иные части и т.д., учитывая и возможную реакцию противника.

Наконец, бывает, что модель в большой мере подражает реальному процессу, т.е. имитирует его.

Например, моделируя изменение (динамику) численности микроорганизмов в колонии, можно рассматривать много отдельных объектов и следить за судьбой каждого из них, ставя определенные условия для его выживания, размножения и т.д. При этом явное математическое описание процесса может не использоваться, заменяясь некоторыми условиями (например, по истечении заданного отрезка времени микроорганизм делится на две части, а другого отрезка - погибает).

В настоящее время моделирование широко используется в сфере управления различными системами, где основными являются процессы принятия решений на основе получаемой информации . Моделирование применяется при исследовании, проектировании, внедрении вычислительных систем (ВС) и автоматизированных систем управления (АСУ).

Выбор математической модели зависит от этапа разработки системы. На этапах об-следования объекта управления (например, промышленного предприятия) и разработки технического задания на проектирование ВС, АСУ строятся описательные модели и преследуют цель наиболее полно представить в компактной форме информацию об объекте, необходимую разработчику системы.

На этапе разработки технического проекта ВС, АСУ моделирование служит для решения задачи проектирования, т.е. выбора оптимального варианта по определенному критерию или совокупности критериев при заданных ограничениях из множества допустимых (построение однокритериальных и многокритериальных оптимизационных моделей).

На этапе внедрения и эксплуатации ВС, АСУ строятся имитационные модели для проигрывания возможных ситуаций для принятия обоснованных и перспективных решений по управлению объектом. Игровые и имитационные модели также широко применяют при обучении и тренировке персонала.

В зависимости от характера изучаемых процессов , протекающих в системе (объекте) все виды моделей могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные ,,,.

Детерминированная модель отображает детерминированные процессы, т.е. процессы, в которых предполагается отсутствие всяких случайных воздействий. В детерминированных моделях входные параметры поддаются измерению однозначно и с любой степенью точности, т.е. являются детерминированными величинами. Соответственно, процесс эволюции такой системы детерминирован.

Например, детерминированные модели используются в физике (модель движения автомобиля при равноускоренном движении: задавая начальную скорость и ускорение можно точно рассчитать путь, пройденный автомобилем с момента начала движения в идеальных условиях), для описания движения небесных тел в астрономии также используют детерминированные модели.

Стохастические (теоретико-вероятностные) модели используются для отображения вероятностных процессов и событий. В этом случае анализируется ряд реализаций случайного процесса, и оцениваются средние характеристики. В стохастических моделях значения входных параметров (переменных) известны лишь с определенной степенью вероятности, т.е. эти параметры являются стохастическими; соответственно, случайным будет и процесс эволюции системы.

Например, модель, описывающая изменение температуры воздуха в течение года. Точно предсказать температуру воздуха не будущий период невозможно, задается только диапазон изменения температуры и вероятность того, что истинная температура воздуха попадет в этот диапазон.

Стохастические модели применяется для исследования системы, состояние которой зависит не только от контролируемых, но и от неконтролируемых воздействий или в ней самой есть источник случайности. К стохастическим системам относятся все системы, которые включают человека, например, заводы, аэропорты, вычислительные системы и сети, магазины, предприятия бытового обслуживания и т.п.

Статические модели служат для описания поведения объекта в какой-либо момент времени, а динамические модели отражают поведение объекта во времени.

Например, вероятностно-статистическая модель, описывающая взаимосвязи между годовыми показателями деятельности (прибыль, объем производства, фонд заработной платы и т.д.) предприятий торговли г. Новосибирска за прошедший год – статическая. В качестве исходных данных при моделировании используются годовые показатели за один год, на-пример, по 100 предприятиям торговли.

Если решается та же задача, но изучаются показатели в динамике за несколько лет, то для описания взаимосвязей необходимо применять динамические модели. В математическом описании динамической модели всегда присутствует переменная время, при математическом описании статической модели время либо не вводится, либо зафиксировано на определенном уровне.

Дискретные модели служат для описания процессов, которые предполагаются дискретными, соответственно непрерывные модели позволяют отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.

Например, моделируется работа дифференцирующего фильтра: каждый такт времени через равные промежутки подается входной сигнал X(t) на выходе снимается значение производной X"(t) . В данном случае входной и выходной сигналы – дискретны по времени и соответственно дискретна модель.

Пример непрерывной модели по времени – имитационная модель, описывающая процесс обработки деталей на производственном участке цеха в течение рабочей смены. На вход модели поступают заявки (детали) через случайные интервалы времени, интервал обработки детали также задан случайно. На выходе модели – оценка среднего времени обработки детали, оценка среднего времени ожидания в очереди на обработку, вероятность простоя оборудования и т.п. Работа системы моделируется непрерывно в течение заданного промежутка времени (рабочая смена), т.е. в любой момент времени может поступить деталь на обработку или завершиться обработка детали.

Как систему уравнений, или арифметических соотношений, или геометрических фигур, или комбинацию того и другого, исследование которых средствами математики должно ответить на поставленные вопросы о свойствах некоторой совокупности свойств объекта реального мира , как совокупность математических соотношений, уравнений, неравенств, описывающих основные закономерности, присущие изучаемому процессу, объекту или системе .

В автоматизированных системах управления математическая модель используется для определения алгоритма функционирования контроллера. Этот алгоритм определяет, как следует изменять управляющее воздействие в зависимости от изменения задающего для того, чтобы была достигнута цель управления.

Классификация моделей

Формальная классификация моделей

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий . Например, один из популярных наборов дихотомий :

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом - распределённые модели и т. д.

Классификация по способу представления объекта

Наряду с формальной классификацией, модели различаются по способу представления объекта:

Структурные или функциональные модели

Модели-гипотезы в науке не могут быть доказаны раз и навсегда, можно лишь говорить об их опровержении или неопровержении в результате эксперимента .

Если модель первого типа построена, то это означает, что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только вре́менной паузой: статус модели первого типа может быть только вре́менным.

Феноменологическая модель

Второй тип - феноменологическая модель («ведем себя так, как если бы…» ), содержит механизм для описания явления, хотя этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус вре́менных решений. Считается, что ответ всё ещё неизвестен, и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до статуса гипотезы. Аналогично новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа, и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Приближение

Третий тип моделей - приближения («что-то считаем очень большим или очень малым» ). Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый приём в этом случае - использование приближений (моделей типа 3). Среди них модели линейного отклика . Уравнения заменяются линейными. Стандартный пример - закон Ома .

Мысленный эксперимент

m x ¨ = − k x {\displaystyle m{\ddot {x}}=-kx} ,

где x ¨ {\displaystyle {\ddot {x}}} означает вторую производную от x {\displaystyle x} по времени: x ¨ = d 2 x d t 2 {\displaystyle {\ddot {x}}={\frac {d^{2}x}{dt^{2}}}} .

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором ».

По формальной классификации эта модель линейная, детерминистская, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений (об отсутствии внешних сил, отсутствии трения, малости отклонений и т. д.), которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), такая модель достаточно хорошо описывает реальную механическую систему, поскольку отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведёт к новой модели, с более широкой (хотя и снова ограниченной) областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная (и, формально, «более правильная»).

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям её следует отнести, скорее всего, к типу 6 аналогия («учтём только некоторые особенности»).

Жёсткие и мягкие модели

Гармонический осциллятор - пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Свойства гармонического осциллятора качественно изменяются малыми возмущениями. Например, если добавить в правую часть малое слагаемое − ε x ˙ {\displaystyle -\varepsilon {\dot {x}}} (трение) ( ε > 0 {\displaystyle \varepsilon >0} - некоторый малый параметр), то получим экспоненциально затухающие колебания, если изменить знак добавочного слагаемого (ε x ˙) {\displaystyle (\varepsilon {\dot {x}})} то трение превратится в накачку и амплитуда колебаний будет экспоненциально возрастать.

Для решения вопроса о применимости жёсткой модели необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Нужно исследовать мягкие модели, получающиеся малым возмущением жёсткой. Для гармонического осциллятора они могут задаваться, например, следующим уравнением:

m x ¨ = − k x + ε f (x , x ˙) {\displaystyle m{\ddot {x}}=-kx+\varepsilon f(x,{\dot {x}})} .

Здесь f (x , x ˙) {\displaystyle f(x,{\dot {x}})} - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения. Явный вид функции f {\displaystyle f} нас в данный момент не интересует.

Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведётся к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований.

Если система сохраняет своё качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор - пример структурно-неустойчивой (негрубой) системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Универсальность моделей

Важнейшие математические модели обычно обладают важным свойством универсальности : принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в U {\displaystyle U} -образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «общей теории систем ».

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задаётся как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача : структура модели и все её параметры считаются известными, главная задача - провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку (например, на марш роты солдат, или на прохождение поезда на различной скорости), как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера , - вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Великобритании обрушился металлический Железнодорожный мост через Ферт-оф-Тей , конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача : известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования ). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение ) или быть результатом специально планируемого в ходе решения эксперимента (активное наблюдение ).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

В качестве другого примера можно привести математическую статистику . Задача этой науки - разработка методов регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений . То есть множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.

Компьютерные системы моделирования

Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple , Mathematica , Mathcad , MATLAB , VisSim и др. Они позволяют создавать формальные и блочные модели как простых, так и сложных процессов и устройств и легко менять параметры моделей в ходе моделирования. Блочные модели представлены блоками (чаще всего графическими), набор и соединение которых задаются диаграммой модели.

Дополнительные примеры

Модель Мальтуса

Согласно модели, предложенной Мальтусом , скорость роста пропорциональна текущему размеру популяции , то есть описывается дифференциальным уравнением:

x ˙ = α x {\displaystyle {\dot {x}}=\alpha x} ,

где α {\displaystyle \alpha } - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция x (t) = x 0 e α t {\displaystyle x(t)=x_{0}e^{\alpha t}} . Если рождаемость превосходит смертность ( α > 0 {\displaystyle \alpha >0} ), размер популяции неограниченно и очень быстро возрастает. В действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объёма популяции модель перестаёт быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель , которая описывается дифференциальным уравнением Ферхюльста :

x ˙ = α (1 − x x s) x {\displaystyle {\dot {x}}=\alpha \left(1-{\frac {x}{x_{s}}}\right)x} ,

где - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению x s {\displaystyle x_{s}} , причём такое поведение структурно устойчиво.

Система хищник-жертва

Допустим, что на некоторой территории обитают два вида животных : кролики (питающиеся растениями) и лисы (питающиеся кроликами). Пусть число кроликов x {\displaystyle x} , число лис y {\displaystyle y} . Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Лотки - Вольтерры :

{ x ˙ = (α − c y) x y ˙ = (− β + d x) y {\displaystyle {\begin{cases}{\dot {x}}=(\alpha -cy)x\\{\dot {y}}=(-\beta +dx)y\end{cases}}}

Поведение данной системы не является структурно устойчивым : малое изменение параметров модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения .

При некоторых значениях параметров эта система имеет равновесное состояние , когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к постепенно затухающим колебаниям численности кроликов и лис.

Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведёт к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерры - Лотки ответа не даёт: здесь требуются дополнительные исследования.

См. также

Примечания

«A mathematical representation of reality»(Encyclopaedia Britanica)
Новик И. Б. , О философских вопросах кибернетического моделирования. М., Знание, 1964.
Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
Самарский А. А. , Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры . - 2-е изд., испр. - М. : Физматлит, 2001. - ISBN 5-9221-0120-X .
Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
Севостьянов, А. Г. Моделирование технологических процессов: учебник / А. Г. Севостьянов, П. А. Севостьянов. - М.: Легкая и пищевая промышленность, 1984. - 344 с.
Ротач В.Я. Теория автоматического управления. - 1-е. - М. : ЗАО "Издательский дом МЭИ", 2008. - С. 333. - 9 с. - ISBN 978-5-383-00326-8 .
Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena (англ.) . Springer, Complexity series, Berlin-Heidelberg-New York, 2006. XII+562 pp. ISBN 3-540-35885-4 . Дата обращения 18 июня 2013. Архивировано 18 июня 2013 года.
«Теория считается линейной или нелинейной в зависимости от того, какой - линейный или нелинейный - математический аппарат, какие - линейные или нелинейные - математические модели она использует. … ез отрицание последней. Современный физик, доведись ему заново создавать определение столь важной сущности, как нелинейность, скорее всего, поступил бы иначе, и, отдав предпочтение нелинейности как более важной и распространенной из двух противоположностей, определил бы линейность как „не нелинейность“.» Данилов Ю. А. , Лекции по нелинейной динамике. Элементарное введение. Серия «Синергетика: от прошлого к будущему». Изд.2. - M.: URSS, 2006. - 208 с. ISBN 5-484-00183-8
«Динамические системы, моделируемые конечным числом обыкновенных дифференциальных уравнений, называют сосредоточенными или точечными системами. Они описываются с помощью конечномерного фазового пространства и характеризуются конечным числом степеней свободы. Одна и та же система в различных условиях может рассматриваться либо как сосредоточенная, либо как распределенная. Математические модели распределенных систем - это дифференциальные уравнения в частных производных, интегральные уравнения или обыкновенные уравнения с запаздывающим аргументом. Число степеней свободы распределенной системы бесконечно, и требуется бесконечное число данных для определения её состояния.»
Анищенко В. С. , Динамические системы, Соросовский образовательный журнал, 1997, № 11, с. 77-84.
«В зависимости от характера изучаемых процессов в системе S все виды моделирования могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные. Детерминированное моделирование отображает детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий; стохастическое моделирование отображает вероятностные процессы и события. … Статическое моделирование служит для описания поведения объекта в какой-либо момент времени, а динамическое моделирование отражает поведение объекта во времени. Дискретное моделирование служит для описания процессов, которые предполагаются дискретными, соответственно непрерывное моделирование позволяет отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.»
Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
Обычно в математической модели отражается структура (устройство) моделируемого объекта, существенные для целей исследования свойства и взаимосвязи компонентов этого объекта; такая модель называется структурной. Если же модель отражает только то, как объект функционирует - например, как он реагирует на внешние воздействия,- то она называется функциональной или, образно, чёрным ящиком. Возможны и модели комбинированного типа. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с

ЭВМ прочно вошла в нашу жизнь, и практически нет такой области человеческой деятельности, где не применялась бы ЭВМ. ЭВМ сейчас широко используется в процессе создания и исследования новых машин, новых технологических процессов и поиске их оптимальных вариантов; при решении экономических задач, при решении задач планирования и управления производством на различных уровнях. Создание же крупных объектов в ракетотехнике, авиастроении, судостроении, а также проектирование плотин, мостов, и др. вообще невозможно без применения ЭВМ.

Для использования ЭВМ при решении прикладных задач, прежде всего прикладная задача должна быть "переведена" на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена его математическая модель.

Слово "Модель" происходит от латинского modus (копия, образ, очертание). Моделирование - это замещение некоторого объекта А другим объектом Б. Замещаемый объект А называется оригиналом или объектом моделирования, а замещающий Б - моделью. Другими словами, модель - это объект-заменитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.

Целью моделирования являются получение, обработка, представление и использование информации об объектах, которые взаимодействуют между собой и внешней средой; а модель здесь выступает как средство познания свойств и закономерности поведения объекта.

Математическое моделирование - это средство изучения реального объекта, процесса или системы путем их замены математической моделью, более удобной для экспериментального исследования с помощью ЭВМ.

Математическое моделирование - процесс построения и изучения математических моделей реальных процессов и явлений. Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его моделью и затем изучают последнюю. Как и в случае любого моделирования, математическая модель не описывает полностью изучаемое явление, и вопросы о применимости полученных таким образом результатов являются весьма содержательными. Математическая модель - это упрощенное описание реальности с помощью математических понятий.

Математическая модель выражает существенные черты объекта или процесса языком уравнений и других математических средств. Собственно говоря, сама математика обязана своим существованием тому, что она пытается отразить, т.е. промоделировать, на своем специфическом языке закономерности окружающего мира.

При математическом моделировании исследование объекта осуществляется посредством модели, сформулированной на языке математики с использованием тех или иных математических методов.

Путь математического моделирования в наше время гораздо более всеобъемлющ, нежели моделирования натурного. Огромный толчок развитию математического моделирования дало появление ЭВМ, хотя сам метод зародился одновременно с математикой тысячи лет назад.

Математическое моделирование как таковое отнюдь не всегда требует компьютерной поддержки. Каждый специалист, профессионально занимающийся математическим моделированием, делает все возможное для аналитического исследования модели. Аналитические решения (т.е. представленные формулами, выражающими результаты исследования через исходные данные) обычно удобнее и информативнее численных. Возможности аналитических методов решения сложных математических задач, однако, очень ограниченны и, как правило, эти методы гораздо сложнее численных.

Математическая модель является приближенным представлением реальных объектов, процессов или систем, выраженным в математических терминах и сохраняющим существенные черты оригинала. Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи

Все модели можно разделить на два класса:

вещественные,
идеальные.

В свою очередь вещественные модели можно разделить на:

натурные,
физические,
математические.

Идеальные модели можно разделить на:

наглядные,
знаковые,
математические.

Вещественные натурные модели - это реальные объекты, процессы и системы, над которыми выполняются эксперименты научные, технические и производственные.

Вещественные физические модели - это макеты, муляжи, воспроизводящие физические свойства оригиналов (кинематические, динамические, гидравлические, тепловые, электрические, световые модели).

Вещественные математические - это аналоговые, структурные, геометрические, графические, цифровые и кибернетические модели.

Идеальные наглядные модели - это схемы, карты, чертежи, графики, графы, аналоги, структурные и геометрические модели.

Идеальные знаковые модели - это символы, алфавит, языки программирования, упорядоченная запись, топологическая запись, сетевое представление.

Идеальные математические модели - это аналитические, функциональные, имитационные, комбинированные модели.

В приведенной классификации некоторые модели имеют двойное толкование (например - аналоговые). Все модели, кроме натурных, можно объединить в один класс мысленных моделей, т.к. они являются продуктом абстрактного мышления человека.

Элементы теории игры

В общем случае решение игры представляет довольно трудную задачу, причем сложность задачи и объем необходимых для решения вычислений резко возрастает с увеличением . Однако это трудности не носят принципиального характера и связаны только сочень большим объемом расчетов, который в ряде случаев может оказаться практически невыполнимым. Принципиальная сторона метода отыскания решения остается при любом одной и той же.

Проиллюстрируем это на примере игры . Дадим ей геометрическую интерпретацию - уже пространственную. Три наши стратегии , изобразим тремя точками на плоскости ; первая лежит в начале координат (рис.1). вторая и третья - на осях Ох и Оу на расстояниях 1 от начала.

Через точки проводятся оси I-I, II-II и III-III, перпендикулярные к плоскости . На оси I-I откладываются выигрыши при стратегии на осях II-II и III-III - выигрыши при стратегиях . Каждая стратегия противника изобразится плоскостью, отсекающей на осях I-I, II-II и III-III, отрезки, равные выигрышам

при соответствующих стратегия и стратегия . Построив, таким образом, все стратегии противника, мы получим семейство плоскостей над треугольником (рис2) .

Для этого семейства также можно построить нижнюю границу выигрыша, как мы это делали в случае, и найти на этой границе точку N с максимальной высотой нал плоскостью . Эта высота и будет ценой игры .

Частоты стратегий в оптимальной стратегии будут определяться координатами (x, у) точки N, а именно:

Однако такое геометрическое построение даже для случая нелегко осуществимо и требует большой затраты времени и усилий воображения. В общем же случае игры оно переносится в - мерное пространство и теряет всякую наглядность, хотя употребление геометрической терминологии в ряде случаев может оказаться полезным. При решении игр на практике удобнее пользоваться не геометрическими аналогиями, а расчетными аналитическими методами, тем более, что для решения задачи на вычислительных машинах эти методы единственно пригодны.

Все эти методы по существу сводятся к решению задачи путем последовательных проб, но упорядочение последовательности проб позволяет построить алгоритм, приводящий к решению наиболее экономичным способом.

Здесь мы вкратце остановимся на одном расчетном методе решения игр - на так называемом методе «линейного программирования».

Для этого дадим сначала общую постановку задачи о нахождении решения игры . Пусть дана игра с т стратегиями игрока А и n стратегиями игрока В и задана платежная матрица

Требуется найти решение игры, т. е. две оптимальные смешанные стратегии игроков А и В

где (некоторые из чисел и могут быть равными нулю).

Наша оптимальная стратегия S* A должна обеспечивать нам выигрыш, не меньший , при любом поведении противника, и выигрыш, равный , при его оптимальном поведении (стратегия S* B ).Аналогично стратегия S* B должна обеспечивать противнику проигрыш, не больший , при любом нашем поведении и равный при нашем оптимальном поведении (стратегия S* A ).

Величина цены игры в данном случае нам неизвестна; будем считать, что она равна некоторому положительному числу. Полагая так, мы не нарушаем общности рассуждений; для того чтобы было > 0, очевидно, достаточно, чтобы все элементы матрицы были неотрицательными. Этого всегда можно добиться, прибавляя к элементам достаточно большую положительную величину L;при этом цена игры увеличится на L, а решение не изменится.

Пусть мы выбрали свою оптимальную стратегию S* A . Тогда наш средний выигрыш при стратегии противника будет равен:

Наша оптимальная стратегия S* A обладает тем свойством, что при любом поведении противника обеспечивает выигрыш не меньший, чем ; следовательно, любое из чисел не может быть меньше . Получаем ряд условий:

(1)

Разделим неравенства (1) на положительную величину и обозначим:

Тогда условие (1) запишется виде

(2)

где - неотрицательные числа. Так как величины удовлетворяют условию

Мы хотим сделать свой гарантированный выигрыш максимально возможным; очевидно, при этом правая часть равенства (3) принимает минимальное значение.

Таким образом, задача нахождения решения игры сводится к следующей математической задаче: определить неотрицательные величины , удовлетворяющие условиям (2), так, чтобы их сумма

была минимальной.

Обычно при решении задач, связанных с нахождением экстремальных значений (максимумов и минимумов), функцию дифференцируют и приравнивают производные нулю. Но такой прием в данном случае бесполезен, так как функция Ф, которую нужно обратить в минимум, линейна, и ее производные по всем аргументам равны единице, т. е. нигде не обращаются в нуль. Следовательно, максимум функции достигается где-то на границе области изменения аргументов, которая определяется требованием неотрицательности аргументов и условиями (2). Прием нахождения экстремальных значений при помощи дифференцирования непригоден и в тех случаях, когда для решения игры определяется максимум нижней (или минимум верхней) границы выигрыша, как мы. например, делали при решении игр .Действительно, нижняя граница составлена из участков прямых линий, и максимум достигается не в точке, где производная равна нулю (такой точки вообще нет), а на границе интервала или в точке пересечения прямолинейных участков.

Для решения подобных задач, довольно часто встречающихся на практике, в математике разработан специальный аппарат линейного программирования.

Задача линейного программирования ставится следующим образом.

Дана система линейных уравнений:

(4)

Требуется найти неотрицательные значения величин удовлетворяющие условиям (4) и вместе с тем обращающие в минимум заданную однородную линейную функцию величин (линейную форму):

Легко убедиться, что поставленная выше задача теории игр является частным случаем задачи линейного программирование при

С первого взгляда может показаться, что условия (2) не эквивалентны условиям (4), так как вместо знаков равенства они содержат знаки неравенства. Однако от знаков неравенства легко избавиться, вводя новые фиктивные неотрицательные переменные и записывая условия (2) в виде:

(5)

Форма Ф, которую нужно обратить в минимум, равна

Аппарат линейного программирования позволяет путем сравнительно небольшого числа последовательных проб подобрать величины , удовлетворяющие поставленным требованиям. Для большей ясности мы здесь продемонстрируем применение этого аппарата прямо на материале решения конкретных игр.

Представь себе самолет: крылья, фюзеляж, хвостовое оперение, все это вместе - настоящий огромный, необъятный, целый самолет. А можно сделать модель самолета, маленькую, но все как взаправду, те же крылья и т.д., но компактный. Так же и математическая модель. Есть текстовая задача, громоздкая, на нее можно так посмотреть, прочесть, но не совсем понять, и уж тем более не ясно как решать ее. А что если сделать из большой словесной задачи ее маленькую модель, математическую модель? Что значит математическую? Значит, используя правила и законы математической записи, переделать текст в логически верное представление при помощи цифр и арифметических знаков. Итак, математическая модель - это представление реальной ситуации с помощью математического языка.

Начнем с простого: Число больше числа на. Нам нужно записать это, не используя слов, а только язык математики. Если больше на, то получается, что если мы из вычтем, то останется та самая разность этих чисел равная. Т.е. или. Суть понял?

Теперь посложнее, сейчас будет текст, который ты должен попробовать представить в виде математической модели, пока не читай, как это сделаю я, попробуй сам! Есть четыре числа: , и. Произведение и больше произведения и в два раза.

Что получилось?

В виде математической модели выглядеть это будет так:

Т.е. произведение относится к как два к одному, но это можно еще упросить:

Ну ладно, на простых примерах ты понял суть, я так полагаю. Переходим к полноценным задачам, в которых эти математические модели еще и решать нужно! Вот задача.

Математическая модель на практике

Задача 1

После дождя уровень воды в колодце может повыситься. Мальчик измеряет время падения небольших камешков в колодец и рассчитывает расстояние до воды по формуле, где — расстояние в метрах, — время падения в секундах. До дождя время падения камешков составляло с. На сколько должен подняться уровень воды после дождя, чтобы измеряемое время изменилось на с? Ответ выразите в метрах.

О, ужас! Какие формулы, что за колодец, что происходит, что делать? Я прочел твои мысли? Расслабься, в задачах этого типа условия бывают и пострашнее, главное помнить, что тебя в этой задаче интересуют формулы и отношения между переменными, а что все это обозначает в большинстве случаев не очень важно. Что ты тут видишь полезного? Я лично вижу. Принцип решения этих задач следующий: берешь все известные величины и подставляешь. НО, задумываться иногда надо!

Последовав моему первому совету, и,подставив все известные в уравнение, получим:

Это я подставил время секунды, и нашел высоту, которую пролетал камень до дождя. А теперь надо посчитать после дождя и найти разницу!

Теперь прислушайся ко второму совету и задумайся, в вопросе уточняется, «на сколько должен подняться уровень воды после дождя, чтобы измеряемое время изменилось на с». Сразу надо прикинуть, тааак, после дождя уровень воды повышается, значит, время падения камня до уровня воды меньше и тут витиеватая фраза «чтобы измеряемое время изменилось» приобретает конкретный смысл: время падения не увеличивается, а сокращается на указанные секунды. Это означает, что в случае броска после дождя, нам просто нужно из начального времени c вычесть с, и получим уравнение высоты, которую камень пролетит после дождя:

Ну и наконец, чтобы найти, на сколько должен подняться уровень воды после дождя, чтобы измеряемое время изменилось на с., нужно просто вычесть из первой высоты падения вторую!

Получим ответ: на метра.

Как видишь, ничего сложного нет, главное, особо не заморачивайся, откуда такое непонятное и порой сложное уравнение в условиях взялось и что все в нем означает, поверь на слово, большинство этих уравнений взяты из физики, а там дебри похлеще, чем в алгебре. Мне иногда кажется, что эти задачи придуманы, чтоб запугать ученика на ЕГЭ обилием сложных формул и терминов, а в большинстве случаев не требуют почти никаких знаний. Просто внимательно читай условие и подставляй известные величины в формулу!

Вот еще задача, уже не по физике, а из мира экономической теории, хотя знаний наук кроме математики тут опять не требуется.

Задача 2

Зависимость объёма спроса (единиц в месяц) на продукцию предприятия-монополиста от цены (тыс. руб.) задаётся формулой

Выручка предприятия за месяц (в тыс. руб.) вычисляется по формуле. Определите наибольшую цену, при которой месячная выручка составит не менее тыс. руб. Ответ приведите в тыс. руб.

Угадай, что сейчас сделаю? Ага, начну подставлять то, что нам известно, но, опять же, немного подумать все же придется. Пойдем с конца, нам нужно найти при котором. Так, есть, равно какому-то, находим, чему еще равно это, а равно оно, так и запишем. Как ты видишь, я особо не заморачиваюсь о смысле всех этих величин, просто смотрю из условий, что чему равно, так тебе поступать и нужно. Вернемся к задаче, у тебя уже есть, но как ты помнишь из одного уравнения с двумя переменными ни одну из них не найти, что же делать? Ага, у нас еще в условии осталась неиспользованная частичка. Вот, уже два уравнения и две переменных, значит, теперь обе переменные можно найти - отлично!

Такую систему решить сможешь?

Решаем подстановкой, у нас уже выражена, значит, подставим ее в первое уравнение и упростим.

Получается вот такое квадратное уравнение: , решаем, корни вот такие, . В задании требуется найти наибольшую цену, при которой будут соблюдаться все те условия, которые мы учли, когда систему составляли. О, оказывается это было ценой. Прикольно, значит, мы нашли цены: и. Наибольшую цену, говорите? Окей, наибольшая из них, очевидно, ее в ответ и пишем. Ну как, сложно? Думаю, нет, и вникать не надо особо!

А вот тебе и устрашающая физика, а точнее еще одна задачка:

Задача 3

Для определения эффективной температуры звёзд используют закон Стефана-Больцмана, согласно которому, где — мощность излучения звезды, — постоянная, — площадь поверхности звезды, а — температура. Известно, что площадь поверхности некоторой звезды равна, а мощность её излучения равна Вт. Найдите температуру этой звезды в градусах Кельвина.

Откуда и понятно? Да, в условии написано, что чему равно. Раньше я рекомендовал все неизвестные сразу подставлять, но здесь лучше сначала выразить неизвестное искомое. Смотри как все просто: есть формула и в ней известны, и (это греческая буква «сигма». Вообще, физики любят греческие буквы, привыкай). А неизвестна температура. Давай выразим ее в виде формулы. Как это делать, надеюсь, знаешь? Такие задания на ГИА в 9 классе обычно дают:

Теперь осталось подставить числа вместо букв в правой части и упростить:

Вот и ответ: градусов Кельвина! А какая страшная была задача, а!

Продолжаем мучить задачки по физике.

Задача 4

Высота над землей подброшенного вверх мяча меняется по закону, где — высота в метрах, — время в секундах, прошедшее с момента броска. Сколько секунд мяч будет находиться на высоте не менее трех метров?

То были всё уравнения, а вот здесь надо определить, сколько мяч находился на высоте не менее трех метров, это значит на высоте. Что мы составлять будем? Неравенство, именно! У нас есть функция, которая описывает как летит мяч, где - это как раз та самая высота в метрах, нам нужна высота. Значит

А теперь просто решаешь неравенство, главное, не забудь поменять знак неравенства с больше либо равно на меньше, либо равно, когда будешь умножать на обе части неравенства, чтоб перед от минуса избавиться.

Вот такие корни, строим интервалы для неравенства:

Нас интересует промежуток, где знак минус, поскольку неравенство принимает там отрицательные значения, это от до оба включительно. А теперь включаем мозг и тщательно думаем: для неравенства мы применяли уравнение, описывающее полет мяча, он так или иначе летит по параболе, т.е. он взлетает, достигает пика и падает, как понять, сколько времени он будет находиться на высоте не менее метров? Мы нашли 2 переломные точки, т.е. момент, когда он взмывает выше метров и момент, когда он, падая, достигает этой же отметки, эти две точки выражены у нас в виде времени, т.е. мы знаем на какой секунде полета он вошел в интересующую нас зону (выше метров) и в какую вышел из нее (упал ниже отметки в метра). Сколько секунд он находился в этой зоне? Логично, что мы берем время выхода из зоны и вычитаем из него время вхождения в эту зону. Соответственно: - столько он находился в зоне выше метров, это и есть ответ.

Так уж тебе повезло, что больше всего примеров по этой теме можно взять из разряда задачек по физике, так что лови еще одну, она заключительная, так что поднапрягись, осталось совсем чуть-чуть!

Задача 5

Для нагревательного элемента некоторого прибора экспериментально была получена зависимость температуры от времени работы:

Где — время в минутах, . Известно, что при температуре нагревательного элемента свыше прибор может испортиться, поэтому его нужно отключить. Найдите, через какое наибольшее время после начала работы нужно отключить прибор. Ответ выразите в минутах.

Действуем по отлаженной схеме, все, что дано, сперва выписываем:

Теперь берем формулу и приравниваем ее к значению температуры, до которой максимально можно нагреть прибор пока он не сгорит, то есть:

Теперь подставляем вместо букв числа там, где они известны:

Как видишь, температура при работе прибора описывается квадратным уравнением, а значит, распределяется по параболе, т.е. прибор нагревается до какой-то температуры, а потом остывает. Мы получили ответы и, следовательно, при и при минутах нагревания температура равна критической, но между и минутами - она еще выше предельной!

А значит, отключить прибор нужно через минуты.

МАТЕМАТИЧЕСКИЕ МОДЕЛИ. КОРОТКО О ГЛАВНОМ

Чаще всего математические модели используются в физике: тебе ведь наверняка приходилось запоминать десятки физических формул. А формула - это и есть математическое представление ситуации.

В ОГЭ и ЕГЭ есть задачи как раз на эту тему. В ЕГЭ (профильном) это задача номер 11 (бывшая B12). В ОГЭ - задача номер 20.

Схема решения очевидна:

1) Из текста условия необходимо «вычленить» полезную информацию - то, что в задачах по физике мы пишем под словом «Дано». Этой полезной информацией являются:

Формула
Известные физические величины.

То есть каждой букве из формулы нужно поставить в соответствие определенное число.

2) Берешь все известные величины и подставляешь в формулу. Неизвестная величина так и остается в виде буквы. Теперь нужно только решить уравнение (обычно, довольно простое), и ответ готов.

Стать учеником YouClever,

Подготовиться к ОГЭ или ЕГЭ по математике,

А также получить доступ к учебнику YouClever без ограничений...