Моделирование – это один из важнейших методов научного познания, с помощью которого создается модель (условный образ) объекта исследования. Сущность его заключается в том, что взаимосвязь исследуемых явлений и факторов передается в форме конкретных математических уравнений.
Процесс построения математической модели включает в себя следующие типовые этапы:
• формулирование целей моделирования;
• качественный анализ экосистемы, исходя из этих целей;
• формулировку законов и правдоподобных гипотез относительно структуры экосистемы, механизмов ее поведения в целом или отдельных частей (при самоорганизации эти законы "находит" компьютер);
• идентификацию модели (определение ее параметров);
• верификацию модели (проверку ее работоспособности и оценку степени адекватности реальной экосистеме);
• исследование модели (анализ устойчивости ее решений, чувствительности к изменениям параметров и пр.) и эксперимент с ней.
В условиях смены парадигм экологического мира здесь ярко проявляется:
• принцип несоответствия точности и сложности, который предложил Л. Заде и который формулируется следующим образом: понятия "точности" и "сложности" при прогнозировании структуры и поведения экосистем связаны обратной зависимостью – чем глубже анализируется реальная экосистема, тем менее определенны наши суждения о ее поведении.
Можно упомянуть еще несколько принципов, "воодушевляющих" математиков и системологов:
• “для объяснения и предсказания структуры и (или) поведения сложной системы возможно построение нескольких моделей, имеющих одинаковое право на существование” или принцип множественности моделей В.В. Налимова;
• ни в одной из них нельзя учесть наиболее значимые факторы (принцип омнипотентности факторов);
• в конечном итоге экологическая система ведет себя совсем не так, как предсказывает модель (принцип контринтуитивного поведения сложных систем Дж. Форрестера).
Если вспомнить еще об уникальности экосистем, невозможности их редукции, сложности проведения системных экспериментов, значительной погрешности и малочисленности измерений многих экологических параметров, неполноте наших знаний о механизмах функционирования экосистем, то становятся понятны сомнения ряда специалистов относительно возможностей экологического прогнозирования, в частности, и экологического моделирования, вообще. В.В. Налимов писал, что можно “... как блестящие идеи, так и научные нелепости одинаковым образом облечь во впечатляющий мундир формул и теорем...
Задавайте вопросы нашему консультанту, он ждет вас внизу экрана и всегда онлайн специально для Вас. Не стесняемся, мы работаем совершенно бесплатно!!!
Также оказываем консультации по телефону: 8 (800) 600-76-83, звонок по России бесплатный!
Наряду с математизацией знаний происходит и математизация глупостей; язык математики, как ни странно, оказывается пригодным для выполнения любой из этих задач”. Однако, при правильном применении, математический подход не отличается существенно от подхода, основанного на "традиционном здравом смысле". Математические методы просто более точны и в них используются более четкие формулировки и более широкий набор понятий. В конечном счете, они должны быть совместимы с обычными словесными рассуждениями, хотя, вероятно, идут дальше их.
В тех случаях, когда установлено постоянное и удовлетворительно точное согласие между математической моделью и опытом, такая модель приобретает практическую ценность. Эта ценность может быть достаточно велика, вне зависимости от того, представляет ли сама модель чисто математический интерес. Итак, сформулируем еще один принцип математического моделирования в экологии: модель должна иметь конкретные цели.
Условно такие цели можно подразделить на три основных группы:
1) компактное описание наблюдений;
2) анализ наблюдений (объяснение явлений);
3) предсказание на основе наблюдений (прогнозирование).
Нередко бывает так, что одну и ту же модель можно воспринимать сразу в трех "ипостасях", т.е. используя ее и для описания, и для анализа, и для предсказания. К примеру, логистической регрессией мы описываем параметры генеральной совокупности, но одновременно мы и анализируем взаимосвязи в этой совокупности, результат же логистической регрессии мы применяем для предсказания. Показано, что для сложных свойств сложных систем нельзя ожидать аналогичного успеха: одна модель (один закон) будет не в состоянии одновременно удовлетворительно выполнять как объяснительную, так и предсказательную функцию (принцип разделения функций описания и прогнозирования). Для объяснения необходимы простые модели, и здесь, по меткому выражению У.Р. Эшби, “...в будущем теоретик систем должен стать экспертом по упрощению”. Что касается экологического прогнозирования, то “сложность модели для сложных объектов принципиально необходима”.
Несовместимость "простоты" модели и точности решения задачи проявляется в высказывании академика А.А. Самарского: “... исследователь постоянно находится между Сциллой усложненности и Харибдой недостоверности. С одной стороны, построенная им модель должна быть простой в математическом отношении, чтобы ее можно было исследовать имеющимися средствами. С другой стороны, в результате всех упрощений она не должна утратить и "рациональное зерно", существо проблемы”. В этом высказывании заложен самый важный, на наш взгляд, принцип математического моделирования – любая модель должна иметь оптимальную сложность, необходимую и достаточную для решения поставленной задачи, – который восходит своими корнями к "бритве Оккама".
Ничего не пишите и не используйте калькулятор, и помните - вы должны отвечать быстро. Возьмите 1000. Прибавьте 40. Прибавьте еще тысячу. Прибавьте 30. Еще 1000. Плюс 20. Плюс 1000. И плюс 10. Что получилось? Ответ 5000? Опять неверно.
Статью подготовил ведущий маркетолог-аналитик Воронов Валерий Иванович. 
