X Международная студенческая научная конференция Студенческий научный форум - 2018

Все методы математического моделирования можно разделить на четыре класса:

1.аналитические (априорные);

2.имитационные (априорно-апостериорные) модели;

3.эмпирико-статистические (апостериорные) модели;

4.модели, в которых в той или иной форме представлены идеи искусственного интеллекта (самоорганизация, эволюция, нейросетевые конструкции и т.д.).

Аналитические модели – один из классов математического моделирования, широко используемый в экологии. Аналитические модели служат, в основном, целям выявления, математического описания, анализа и объяснения свойств или наблюдаемых феноменов, присущих максимально широкому кругу экосистем. Одной из основных задач системной динамики является оценка устойчивости экосистем и описание качественных перестроек их поведения под воздействием внешних факторов. Особую роль играют стохастические модели потенциальной эффективности экосистем.

Имитационные модели– один из основных классов математического моделирования. Целью построения имитаций является максимальное приближение модели к конкретному (чаще всего уникальному) экологическому объекту и достижение максимальной точности его описания. Имитационные модели претендуют на выполнение как объяснительных, так и прогнозных функций, хотя выполнение первых для больших и сложных имитаций проблематично (для удачных имитационных моделей можно говорить лишь о косвенном подтверждении непротиворечивости положенных в их основу гипотез).

Эмпирико-статистические модели объединяют в себе практически все биометрические методы первичной обработки экспериментальной информации. Основная цель построения этих моделей состоит в следующем: упорядочение или агрегирование информации; поиск, количественная оценка и содержательная интерпретация причинно-следственных отношений между переменными системы; оценка достоверности и продуктивности различных гипотез о взаимном влиянии наблюдаемых явлений и воздействующих факторов; Часто эмпирико-статистические модели являются "сырьем" и обоснованием подходов к построению моделей других типов. Важным методологическим вопросом является определение характера зависимости между факторами и результативными показателями.

Искусственный интеллект (ИИ) - обычно трактуется, как свойство автоматических систем брать на себя отдельные функции мыслительной способности человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Речь идет, в первую очередь, о системах, в основу которых положены принципы обучения, самоорганизации и эволюции при минимальном участии человека, но привлечении его в качестве учителя и партнёра, гармоничного элемента человеко-машинной системы. Интеллектуальные информационные системы могут использовать "библиотеки" самых различных методов и алгоритмов, реализующих разные подходы к процессам обучения, самоорганизации и эволюции при синтезе систем ИИ.

Рис. 2.4. Алгоритм метода группового учета аргументов, как эквивалент массовой селекций

F — некоторая функция, которая заменяется несколькими рядами “частных”.

Библиографический список:

1. Абдуллаев, А.Р. Введение в математическое моделирование [Электронный ресурс]/ А.Р. Абдуллаев, В.П. Матвиенко. – М.: Логос, 2004. – Режим доступа: http://www.knigafund.ru/books/178937

2. Шитиков, В.К. Количественная гидроэкология: методы системной идентификации [Электронный ресурс]/ В.К. Шитиков, Г.С. Розенберг, Т.Д. Зинченко. – Тольятти: ИЭВБ РАН, 2003. – Режим доступа:

http://www.ievbras.ru/ecostat/Kiril/Library/Book1/Content111/Content111.htm

Код для цитирования: Скопировать