В последних главах настоящей книги стохастические процессы почти всегда представляются с использованием линейных дифференциальных систем, возбуждаемых белым шумом. Это представление стохастического процесса обычно имеет следующую форму. Предположим, что

а - белый шум. Выбирая такое представление стохастического процесса V, его можно моделировать. Использоваййе таких моделей может быть обосновано следующим образом.

а) В природе часто встречаются стохастические явления, связанные с воздействием быстро меняющихся флуктуаций на инерционную дифференциальную систему. Типичным примером белого шума, действующего на дифференциальную систему, является тепловой шум в электронной цепи.

б) Как будет видно из дальнейшего, в линейной теории управления почти всегда рассматриваются только среднее значение и. ковариация Стохастического процесса. Для линейной модели ксегда можно аппроксимировать любые полученные экспериментально характеристики среднего значения и ковариационной матрицы с произвольной точностью.

в) Иногда возникает задача моделирования стационарного стохастического процесса с известной спектральной плотностью энергии. В этом случае всегда имеется возможность генерировать стохастический процесс как процесс на выходе линейной дифференциальной системы; при этом матрица спектральных плотностей анергии аппроксимирует с произвольной точностью матрицу спектральных плотностей энергии исходного стохастического процесса.

Примеры 1.36 и 1.37, так же как и задача 1.11, иллюстрируют метод моделирования.

Пример 1.36. Дифференциальная система первого порядка

Предположим, что измеренная ковариационная функция стохастического скалярного процесса о котором известно, что он является стационарным, описывается экспоненциальной функцией

Этот процесс можно моделировать при как состояние дифференциальной системы первого порядка (см. пример 1.35)

где - белый шум интейсивности - стохастическая величина с нулевым средним и дисперсией .

Пример 1.37. Смесительный бак

Рассмотрим смесительный бак из примера 1.31 (разд. 1.10.3) и вычислим для него матрицу дисперсий выходной переменной примере 1.31 предполагалось, что флуктуации концентраций в потоках описываются экспоненциально коррелированными шумами и, таким образом, могут быть смоделированы как решение системы первого порядка, возбуждаемой белым шумом. Добавим теперь к дифференциальному уравнению смесительного бака уравнения моделей стохастических процессов Получим

Здесь - скалярный белый шум интенсивности чтобы

получить дисперсию процесса равной примем Для процесса используем аналогичную модель. Таким образом, получим систему уравнений

Моделирование – построение моделей для исследования и изучения объектов, процессов, явлений.

стохастическое моделирование отображает вероятностные процессы и события. В этом случае анализируется ряд реализаций случайного процесса, и оцениваются средние характеристики.

один подход к классификации математических моделей подразделяет их на детерминированные истохастические (вероятностные). В детерминированных моделях входные параметры поддаются измерению однозначно и с любой степенью точности, т.е. являются детерминированными величинами. Соответственно, процесс эволюции такой системы детерминирован. В стохастических моделях значения входных параметров известны лишь с определенной степенью вероятности, т.е. эти параметры являются стохастическими; соответственно, случайным будет и процесс эволюции системы. При этом, выходные параметры стохастической модели могут быть как величинами вероятностными, так и однозначно определяемыми.

В зависимости от характера исследуемых реальных процессов и систем математические модели могут быть:

детерминированные,

стохастические.

В детерминированных моделях предполагается отсутствие всяких случайных воздействий, элементы модели (переменные, математические связи) достаточно точно установленные, поведение системы можно точно определить. При построении детерминированных моделей чаще всего используются алгебраические уравнения, интегральные уравнения, матричная алгебра.

Стохастическая модель учитывает случайный характер процессов в исследуемых объектах и системах, который описывается методами теории вероятности и математической статистики.

Типовые схемы. Приведенные математические соотношения представляют собой математические схемы общего вида и позволяют описать широкий класс систем. Однако в практике моделирования объектов в области системотехники и системного анализа на первоначальных этапах исследования системы рациональнее использовать типовые математические схемы.

В качестве детерминированных моделей, когда при исследовании случайные факторы не учитываются, для представления систем, функционирующих в непрерывном времени, используются дифференциальные, интегральные, интегродифференциальные и другие уравнения, а для представления систем, функционирующих в дискретном времени, конечные автоматы и конечно-разностные схемы.

В качестве стохастических моделей (при учете случайных факторов) для представления систем с дискретным временем используются вероятностные автоматы, а для представления системы с непрерывным временем – системы массового обслуживания и т. д.

Перечисленные типовые математические схемы, естественно, не могут претендовать на возможность описания на их базе всех процессов, происходящих в больших системах. Для таких систем в ряде случаев более перспективным является применение агрегативных моделей. Агрегативные модели (системы) позволяют описать широкий круг объектов исследования с отображением системного характера этих объектов. Именно при агрегативном описании сложный объект (система) расчленяется на конечное число частей (подсистем), сохраняя при этом связи, обеспечивающие взаимодействие частей.

Таким образом, при построении математических моделей процессов функционирования систем можно выделить следующие основные подходы:

непрерывно-детерминированный (например, дифференциальные уравнения);

дискретно-детерминированный (конечные автоматы);

дискретно-стохастический (вероятностные автоматы);

непрерывно-стохастический (системы массового обслуживания);

обобщенный, или универсальный (агрегативные системы).

20. Модель популяции .

Модель – это мысленно представляемая или материально реализованная система, которая, отображая или воспроизводя объект исследования, способна замещать его так, что ее изучение дает новую информацию о нем. Рассмотрим примеры динамических систем - модели популяций. Популя­ция (от лат.populatio- население) - термин, используемый в различных разделах биологии, а также в генетике, демографии и медицине.

Популяция - это человеческое, животное или растительное население неко­торой местности, способной к более-менее устойчивому самовоспроизводству, относительно обособленное (обычно географически) от других групп.

Описание популяций, а также происходящих в них и с ними процессов, воз­можно путем создания и исследования динамических моделей.

Пример 1. Модель Мальтуса.

Скорость роста пропорциональна текущему размеру популяции. Она описы­вается дифференциальным уравнением х = ах , где α - некоторый параметр, оп­ределяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функцияx(t) = х 0 е*.

Если рождаемость превосходит смертность (α > 0), размер популяция не­ограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объема популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может слу­жить логистическая модель, которая описывается дифференциальным уравнением Ферхюльста:

где x s - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к рав­новесному значению

Пример 2. Модель «хищник - жертва».

Модель взаимодействия «хищник - жертва» независимо предложили в 1925 - 1927 гг. Лотка и Вольтерра. Два дифференциальных уравнения модели­руют временную динамику численности двух биологических популяций жертвы и хищника. Предполагается, что жертвы размножаются с постоянной скоростью а их численность убывает вследствие поедания хищниками. Хищники же размно­жаются со скоростью, пропорциональной количеству пищи и умирают естествен­ным образом.

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

х =(α -су)х;

Эта система имеет равновесное состояние, когда число кроликов и лис по­стоянно. Отклонение от этого состояния приводит к колебаниям численности кро­ликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в слу­чае гармонического осциллятора, это поведение не является структурно устойчи­вым: малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания числен­ности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов.

Построение стохастической модели

Построение стохастической модели включает разработку, оценку качества и исследование поведения системы с помощью уравнений, описывающих изучаемый процесс.

Для этого путем проведения специального эксперимента с реальной системой добывается исходная информация. При этом используются методы планирования эксперимента, обработки результатов, а также критерии оценки полученных моделей, базирующиеся на таких разделах математической статистики как дисперсионный, корреляционный, регрессионный анализ и др.

В основе методов построения статистической модели, описывающей технологический процесс (рис.6.1) лежит концепция «черного ящика». Для него возможны многократные измерения входных факторов: x 1 ,x 2 ,…,x k и выходных параметров: y 1 ,y 2 ,…,y p , по результатам которых устанавливают зависимости:

При статистическом моделировании вслед за постановкой задачи (1) производится отсеивание наименее важных факторов из большого числа входных переменных, влияющих на ход процесса (2). Выбранные для дальнейшего исследования входные переменные составляют список факторов x 1 ,x 2 ,…,x k в (6.1), управляя которыми можно регулировать выходные параметры y n . Количество выходных параметров модели также следует по возможности уменьшить, чтобы сократить затраты на эксперименты и обработку данных.

При разработке статистической модели обычно ее структура (3) задается произвольно, в виде удобных для использования функций, аппроксимирующих опытные данные, а затем уточняется на основе оценки адекватности модели.

Наиболее часто используется полиномиальная форма модели. Так, для квадратичной функции:

(6.2)

где b 0 , b i , b ij , b ii – коэффициенты регрессии.

Обычно сначала ограничиваются наиболее простой линейной моделью, для которой в (6.2) b ii =0, b ij =0 . В случае ее неадекватности усложняют модель введением членов, учитывающих взаимодействие факторов x i ,x j и (или) квадратичных членов .

С целью максимального извлечения информации из проводимых экспериментов и уменьшения их числа проводится планирование экспериментов (4) т.е. выбор количества и условий проведения опытов необходимых и достаточных для решения с заданной точностью поставленной задачи.

Для построения статистических моделей применяют два вида экспериментов: пассивный и активный. Пассивный эксперимент проводится в форме длительного наблюдения за ходом неуправляемого процесса, что позволяет собрать обширный ряд данных для статистического анализа. В активном эксперименте имеется возможность регулирования условий проведения опытов. При его проведении наиболее эффективно одновременное варьирование величины всех факторов по определенному плану, что позволяет выявить взаимодействие факторов и сократить число опытов.

На основе результатов проведенных экспериментов (5) вычисляют коэффициенты регрессии (6.2) и оценивают их статистическую значимость, чем завершается построение модели (6). Мерой адекватности модели (7) является дисперсия, т.е. среднеквадратичное отклонение вычисляемых значений от экспериментальных. Полученная дисперсия сопоставляется с допустимой при достигнутой точности экспериментов.

Стохастическая модель описывает ситуацию, когда присутствует неопределенность. Другими словами, процесс характеризуется некоторой степенью случайности. Само прилагательное «стохастический» происходит от греческого слова «угадывать». Поскольку неопределенность является ключевой характеристикой повседневной жизни, то такая модель может описывать все что угодно.

Однако каждый раз, когда мы ее применяем, будет получаться разный результат. Поэтому чаще используются детерминированные модели. Хотя они и не являются максимально приближенными к реальному положению вещей, однако всегда дают одинаковый результат и позволяют облегчить понимание ситуации, упрощают ее, вводя комплекс математических уравнений.

Основные признаки

Стохастическая модель всегда включает одну или несколько случайных величин. Она стремится отразить реальную жизнь во всех ее проявлениях. В отличие от стохастическая не имеет цели все упростить и свести к известным величинам. Поэтому неопределенность является ее ключевой характеристикой. Стохастические модели подходят для описания чего угодно, но все они имеют следующие общие признаки:

• Любая стохастическая модель отражает все аспекты проблемы, для изучения которой создана.
• Исход каждого из явлений является неопределенным. Поэтому модель включает вероятности. От точности их расчета зависит правильность общих результатов.
• Эти вероятности можно использовать для прогнозирования или описания самих процессов.

Детерминированные и стохастические модели

Для некоторых жизнь представляется чередой для других - процессов, в которых причина обуславливает следствие. На самом же деле для нее характерна неопределенность, но не всегда и не во всем. Поэтому иногда трудно найти четкие различия между стохастическими и детерминированными моделями. Вероятности являются достаточно субъективным показателем.

Например, рассмотрим ситуацию с подбрасыванием монетки. На первый взгляд кажется, что вероятность того, что выпадет «решка», составляет 50%. Поэтому нужно использовать детерминированную модель. Однако на деле оказывается, что многое зависит от ловкости рук игроков и совершенства балансировки монетки. Это означает, что нужно использовать стохастическую модель. Всегда есть параметры, которые мы не знаем. В реальной жизни причина всегда обуславливает следствие, но существует и некоторая степень неопределенности. Выбор между использованием детерминированной и стохастической моделей зависит от того, чем мы готовы поступиться - простотой анализа или реалистичностью.

В теории хаоса

В последнее время понятие о том, какая модель называется стохастической, стало еще более размытым. Это связано с развитием так называемой теории хаоса. Она описывает детерминированные модели, которые могут давать разные результаты при незначительном изменении исходных параметров. Это похоже на введение в расчет неопределенности. Многие ученые даже допустили, что это уже и есть стохастическая модель.

Лотар Брейер изящно объяснил все с помощью поэтических образов. Он писал: «Горный ручеек, бьющееся сердце, эпидемия оспы, столб восходящего дыма - все это является примером динамического феномена, который, как кажется, иногда характеризуется случайностью. В реальности же такие процессы всегда подчинены определенному порядку, который ученые и инженеры еще только начинают понимать. Это так называемый детерминированный хаос». Новая теория звучит очень правдоподобно, поэтому многие современные ученые являются ее сторонниками. Однако она все еще остается мало разработанной, и ее достаточно сложно применить в статистических расчетах. Поэтому зачастую используются стохастические или детерминированные модели.

Построение

Стохастическая начинается с выбора пространства элементарных исходов. Так в статистике называют перечень возможных результатов изучаемого процесса или события. Затем исследователь определяет вероятность каждого из элементарных исходов. Обычно это делается на основе определенной методики.

Однако вероятности все равно являются достаточно субъективным параметром. Затем исследователь определяет, какие события представляются наиболее интересными для решения проблемы. После этого он просто определяет их вероятность.

Пример

Рассмотрим процесс построения самой простой стохастической модели. Предположим, мы кидаем кубик. Если выпадет «шесть» или «один», то наш выигрыш составит десять долларов. Процесс построения стохастической модели в этом случае будет выглядеть следующим образом:

• Определим пространство элементарных исходов. У кубика шесть граней, поэтому могут выпасть «один», «два», «три», «четыре», «пять» и «шесть».
• Вероятность каждого из исходов будет равна 1/6, сколько бы мы ни подбрасывали кубик.
• Теперь нужно определить интересующие нас исходы. Это выпадение грани с цифрой «шесть» или «один».
• Наконец, мы может определить вероятность интересующего нас события. Она составляет 1/3. Мы суммируем вероятности обоих интересующих нас элементарных событий: 1/6 + 1/6 = 2/6 = 1/3.

Концепция и результат

Стохастическое моделирование часто используется в азартных играх. Но незаменимо оно и в экономическом прогнозировании, так как позволяют глубже, чем детерминированные, понять ситуацию. Стохастические модели в экономике часто используются при принятии инвестиционных решений. Они позволяют сделать предположения о рентабельности вложений в определенные активы или их группы.

Моделирование делает финансовое планирование более эффективным. С его помощью инвесторы и трейдеры оптимизируют распределение своих активов. Использование стохастического моделирования всегда имеет преимущества в долгосрочной перспективе. В некоторых отраслях отказ или неумение его применять может даже привести к банкротству предприятия. Это связано с тем, что в реальной жизни новые важные параметры появляются ежедневно, и если их не может иметь катастрофические последствия.

480 руб. | 150 грн. | 7,5 долл. ", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Диссертация - 480 руб., доставка 10 минут , круглосуточно, без выходных и праздников

Демидова Анастасия Вячеславовна. Метод построения стохастических моделей одношаговых процессов: диссертация... кандидата физико-математических наук: 05.13.18 / Демидова Анастасия Вячеславовна;[Место защиты: Российский университет дружбы народов].- Москва, 2014.- 126 с.

Введение

Глава 1. Обзор работ по теме диссертации 14

1.1. Обзор моделей популяционной динамики 14

1.2. Стохастические популяционные модели 23

1.3. Стохастические дифференциальные уравнения 26

1.4. Сведения по стохастическому исчислению 32

Глава 2. Метод моделирования одношаговых процессов 39

2.1. Одношаговые процессы. Уравнение Колмогорова-Чепмена. Основное кинетическое уравнение 39

2.2. Метод моделирования многомерных одношаговых процессов. 47

2.3. Численное моделирование 56

Глава 3. Применение метода моделирования одношаговых процессов 60

3.1. Стохастические модели популяционной динамики 60

3.2. Стохастические модели популяционных систем с различными меж- и внутривидовыми взаимодействиями 75

3.3. Стохастическая модель распространения сетевых червей. 92

3.4. Стохастические модели пиринговых протоколов 97

Заключение 113

Литература 116

Стохастические дифференциальные уравнения

Одной из задач диссертации является задача записи стохастического дифференциального уравнения для системы так, чтобы стохастический член был связан со структурой изучаемой системы. Одно из возможных решений этой задачи - это получение стохастической и детерминистической частей из одного и тоже уравнения. Для этих целей удобно использовать основное кинетическое уравнение, которое может быть аппроксимировано уравнением Фоккера-Планка, для которого,в свою очередь, можно записать эквивалентное ему стохастическое дифференциальное уравнение в форме уравнения Ланжевена.

Раздел 1.4. содержит основные сведения, необходимые для обозначения связи между стохастическим дифференциальным уравнением и уравнением Фоккера-Планка, а также основные понятия стохастического исчисления.

Во второй главе приводятся основные сведения из теории случайных процессов и на основе этой теории формулируется метод моделирования одношаговых процессов.

В разделе 2.1 приведены основные сведения из теории случайных одношаговых процессов.

Под одношаговыми процессами понимаются марковские процессы с непрерывным временем, принимающие значения в области целых чисел, матрица перехода которых допускает только переходы между соседними участками.

Рассматривается многомерный одношаговый процесс Х() = (i(),2(), ...,n()) = { j(), = 1, } , (0.1) изменяющийся по на отрезке , т.е. Є , где - длина временного интервала, на котором задан процесс Х(). Множество G = {х, = 1, Є NQ х NQ1 - это множество дискретных значений, которые может принимать случайный процесс.

Для данного одношагового процесса вводятся вероятности переходов в единицу времени s+ и s из состояния Xj в состояние Xj__i и Xj_i соответственно. При этом считается, что вероятность перехода из состояния х на два или белее шагов за единицу времени очень мала. Поэтому можно говорить, что вектор Xj состояния системы изменяются шагами длины Г{ и тогда вместо переходов из х в Xj+i и Xj_i можно рассматривать переходы из X в X + Гі и X - Гі соответственно.

При моделировании систем, в которых временная эволюция происходит в результате взаимодействия элементов системы удобно описывать с помощью основного кинетического уравнения, (другое название управляющее уравнение , а в англоязычной литературе носит название Master equation ).

Далее встает вопрос, как получить описание исследуемой системы, описываемой одношаговыми процессами, с помощью стохастического дифференциального уравнения в форме уравнения Ланжевена из основного кинетиче 11 ского уравнения. Формально к стохастическим уравнениям следует отнести лишь уравнения, содержащие стохастические функции. Таким образом, этому определению удовлетворяют лишь уравнения Ланжевена. Однако они связаны непосредственно с другими уравнениями, а именно с уравнением Фоккера-Планка и основным кинетическим уравнением. Поэтому представляется логичным рассматривать все эти уравнения в совокупности. Поэтому для решения этой задачи предлагается аппроксимировать основное кинетическое уравнение уравнением Фоккера-Планка, для которого можно записать эквивалентное ему стохастическое дифференциальное уравнение в форме уравнения Ланжевена.

В разделе 2.2 формулируется метод описания и стохастического моделирования систем, описываемых многомерными одношаговыми процессами.

Кроме того, показано, что коэффициенты для уравнения Фоккера-Планка можно получить сразу после записи для изучаемой системы схемы взаимодействия, вектора изменения состояния r и выражений для вероятностей перехода s+ и s-, т.е. при практическом применении данного метода нет необходимости записывать основное кинетическое уравнение.

В разделе 2.3. рассмотрен метод Рунге-Кутта для численного решения стохастических дифференциальных уравнений, который используется в третьей главе для иллюстрации полученных результатов.

В третьей главе представлена иллюстрация применения, описанного во второй главе метода построения стохастических моделей, на примере систем описывающих динамику роста взаимодействующих популяций, таких как «хищник-жертва», симбиоз, конкуренция и их модификации. Целью является записать их в виде стохастических дифференциальных уравнений и исследовать влияние введения стохастики на поведение системы.

В разделе 3.1. проиллюстрировано применение описанного во второй главе метода на примере модели «хищник-жертва». Системы с взаимодействием двух видов популяций типа «хищник-жертва» широко исследованы, что позволяет сравнить полученные результаты с уже хорошо известными.

Анализ полученных уравнений показал, что для исследования детерминистического поведения системы, можно использовать вектор сносов A полученного стохастического дифференциального уравнения, т.е. разработанный метод можно использовать для анализа как стохастического, так и детерминистического поведения. Кроме того сделан вывод, что стохастические модели дают более реалистичное описание поведения системы. В частности, для системы «хищник-жертва» в детерминистическом случае, решения уравнений имеют периодический вид и фазовый объем сохраняется, в то время как, введение стохаcтики в модель, дает монотонное возрастание фазового объема, что говорит о неизбежной гибели одной либо обеих популяций. В целях визуализации полученных результатов было проведено численное моделирование.

В разделе 3.2. разработанный метод применяется для получения и анализа различных стохастических моделей популяционной динамики, таких как модель «хищник–жертва» с учётом межвидовой конкуренции среди жертв, симбиоз, конкуренция и модель взаимодействия трех популяций.

Сведения по стохастическому исчислению

Развитие теории случайных процессов привело к переходу в исследования природных явлений от детерминистических представлений и моделей популяционной динамики к вероятностным и как следствие, появление большого числа работ посвященных стохастическому моделированию в математической биологии, химии, экономике и д.р.

При рассмотрении детерминистических популяционных моделей остаются не охваченными такие важные моменты, как случайные влияния различных факторов на эволюцию системы. Описывая популяционную динамику следует учитывать случайный характер размножения и выживания особей, а также случайные колебания, которые происходят в среде со временем и приводят к случайным флуктуациям параметров системы. Поэтому во всякую модель динамики популяций следует вводить вероятностные механизмы, отражающие эти моменты.

Стохастическое моделирование позволяет более полно описать изменения популяционных характеристик с учетом как всех детерминистских факторов, так и случайных эффектов, которые могут существенно изменить выводы из детерминистских моделей. С другой стороны с их помощью можно выявить качественно новые стороны поведения популяции.

Стохастические модели изменения состояний популяции можно описывать с помощью случайных процессов. При некоторых допущениях можно считать, что поведение популяции при условии ее настоящего состояния не зависит от того, каким образом это состояние было достигнуто (т.е. при фиксированном настоящем будущее не зависит от прошлого). Т.о. для моделирования процессов популяционной динамики удобно использовать марковские процессы рождения-гибели и соответствующие управляющие уравнения, которые подробно описаны во второй части работы.

Н. Н. Калинкин в своих работах для иллюстрации процессов происходящих в системах с взаимодействующими элементами использует схемы взаимодействия и на базе этих схем строит модели этих систем используя аппарат ветвящихся марковских процессов. Применение такого подхода иллюстрируется на примере моделирования процессов в химических, популяционных, телекоммуникационных и др. системах.

В работе рассматриваются вероятностные популяционные модели, для построения которых используется аппарат процессов рождения-гибели, а получившиеся системы дифференциально-разностных уравнений представляют собой динамические уравнения для случайных процессов. Также в работе рассмотрены методы нахождения решений данных уравнений.

Можно найти много статей посвященных построению стохастических моделей учитывающих различные факторы влияющие на динамику изменения численности популяций. Так,например, в статьях построена и проанализирована модель динамики численности биологического сообщества, в котором особи потребляют пищевые ресурсы, содержащие вредные вещества. А в модели эволюции популяции в статье учитывается фактор расселения представителей популяций в ареалах их обитания. Модель представляет собой систему самосогласованных уравнений Власова.

Стоит отметить работы , которые посвящены теории флуктуа-ций и применению стохастических методов в естественных науках, таких как физика, химия, биология и др. В частности, математическая модель изменения численности популяций, взаимодействующих по типу «хищник-жертва» строиться на базе многомерных марковских процессов рождения-гибели.

Можно рассматривать модель «хищник–жертва» как реализацию процессов рождения–гибели. В такой трактовке возможно их применение для моде 26 лей во многих областях науки. В 70-е годы М. Дои предложена методика изучения таких моделей на основе операторов рождения–уничтожения (по аналогии со вторичным квантованием). Здесь можно отметить работы . Кроме того сейчас этот метод активно развивается в группе М. М. Гнатича .

Еще один подход к моделированию и изучению моделей популяцион-ной динамики связан с теорией оптимального управления. Здесь можно отметить работы .

Можно отметить, что большинство работ посвященных построению стохастических моделей популяционных процессов использует аппарат случайных процессов для получение дифференциально-разностных уравнений и последующей численной реализации. Кроме того широко применяется стохастические дифференциальные уравнения в форме Ланжевена, в которых стохастический член добавляется из общих соображений о поведении системы и призван описать случайные воздействия окружающей среды . Дальнейшим исследованием модели является их качественный анализ или нахождение решений с помощью численных методов.

Стохастические дифференциальные уравнения Определение 1. Стохастическое дифференциальное уравнение - это дифференциальное уравнение, в котором один член или более представляют собой стохастический процесс. Наиболее используемый и хорошо известный пример стохастического дифференциального уравнения (СДУ) - это уравнение с членом, который описывает белый шум и его можно рассматривать как винеровский процесс Wt, t 0.

Стохастические дифференциальные уравнения являются важным и широко используемым математическим аппаратом при изучении и моделировании динамических систем, которые подвержены различным случайным возмущениям.

Началом стохастического моделирования природных явлений принято считать описание явления броуновского движения, которое открыто Р. Броуном в 1827 году, когда он проводил исследования движения пыльцы растений в жидкости. Первое строгое объяснение этого явления независимо друг от друга дали А. Эйнштейн и М. Смолуховский. Стоит отметить сборник статей в котором собраны работы А. Эйнштейна и М. Смолухов-ского по броуновскому движению. Эти исследования внесли значительный вклад в развитие теории броуновского движения и ее экспериментальную проверку. А. Эйнштейном была создана молекулярно-кинетическая теория для количественного описания броуновского движения. Полученные формулы были подтверждены опытами Ж. Перрена в 1908-1909 гг.

Метод моделирования многомерных одношаговых процессов.

Для описания эволюции систем с взаимодействующими элементами существует два подхода - это построение детерминистической или стохастической моделей. В отличии от детерминистических, стохастические модели позволяют учесть вероятностный характер процессов происходящих в изучаемых системах, а также воздействия внешней среды, которые вызывают случайные флуктуации параметров модели.

Предметом изучения являются системы, процессы происходящие в которых могут быть описаны с помощью одношаговых процессов и таких, в которых переход их одного состояния в другое связан с взаимодействием элементов системы. Примером могут служить модели описывающие динамику роста взаимодействующих популяций, такие как «хищник-жертва», симбиоз, конкуренция и их модификации. Целью является записать для таких систем СДУ и исследовать влияние введения стохастической части на поведение решения уравнения, описывающего детерминистическое поведение.

Химическая кинетика

Системы уравнений, возникающие при описании систем с взаимодействующими элементами, во многом близки системам дифференциальных уравнений, описывающих кинетику химических реакций. Так, например, система Лотки-Вольтерра была первоначально выведена Лоткой как систе 48 ма, описывающая некоторую гипотетическую химическую реакцию, и лишь позже Вольтерра вывел ее как систему, описывающую модель «хищник-жертва».

Химическая кинетика описывает химические реакции с помощью, так называемых стехиометрических уравнений - уравнений отражающих количественные соотношения реагентов и продуктов химической реакции и имеющих следующий общий вид : где натуральные числа ті и Щ называются стехиометрическими коэффициентами. Это символическая запись химической реакции, в которой ті молекул реагента Xi, ni2 молекул реагента Хч, ..., тр молекул реагента Хр, вступив в реакцию образуют щ молекул вещества Уї, щ молекул вещества І2, ..., nq молекул вещества Yq соответственно.

В химической кинетике полагается, что химическая реакция может происходить только при непосредственном взаимодействии реагентов, а скорость химической реакции определяется как число частиц образовавшихся в единицу времени в еденице объема.

Основным постулатом химической кинетики является закон действующих масс, который говорит о том, что скорость химической реакции прямо пропорциональна произведению концентраций реагирующих веществ в степенях их стехиометрических коэффициентов. Поэтому, если обозначить через ХІ и у І концентрации соответствующих веществ, то имеем уравнение для скорости изменения концентрации какого-либо вещества во времени в результате химической реакции :

Далее предлагается использовать основные идеи химической кинетики для описания систем, эволюция во времени которых происходит в результате взаимодействия друг с другом элементов данной системы, внеся следующие основные изменения: 1. рассматриваются не скорости реакций, а вероятности переходов; 2. предлагается, что вероятность перехода из одного состояния в другое, являющегося следствием взаимодействия, пропорциональна числу возможных взаимодействий данного типа; 3. для описания системы в данном методе используется основное кинетическое уравнение; 4. детерминистические уравнения заменяются стохастическими. Подобный подход к описанию таких систем можно найти в работах . Для описания процессов происходящих в моделируемой системе предполагается использовать, как уже отмечалось выше, марковские одношаговые процессы.

Рассмотрим систему состоящую из типов различных элементов, которые могут взаимодействовать между собой различными способами. Обозначим через элемент -того типа, где = 1, а через - количество элементов -того типа.

Пусть (), .

Сделаем предположение, что файл состоит из одной части. Таким образом за один шаг взаимодействия нового узла, желающего скачать файл, и узла, раздающего файл, новый узел скачивает весь файл и становится раздающим узлом.

Пусть - это обозначение нового узла, - это раздающий узел, а - коэффициент взаимодействия. Новые узлы могут приходить в систему с интенсивностью, а раздающие узлы уходить из нее с интенсивностью. Тогда схема взаимодействия и вектор г будет иметь вид:

Стохастическое дифференциальное уравнение в форме Ланжевена мож 100 но получить воспользовавшись соответствующей формулой (1.15). Т.к. вектор сносов A полностью описывает детермистическое поведеие системы можно получить систему обыкновеных дифференциальных уравнений, описывающих динамику численности новых клиентов и сидов:

Таким образом, в зависимости от выбора параметров особая точка может иметь разный характер. Так при /ЗА 4/І2 особая точка является устойчивым фокусом, а при обратном соотношении - устойчивый узел. В обоих случаях особая точка является устойчивой, так как выбора значений коэффициентов, изменения переменных системы может происходить по одной из двух траекторий. Если особая точка является фокусом, то в системе происходят затухающие колебания численностей новых и раздающих узлов (см. рис. 3.12). А в узловом случае приближение численностей к стационарным значениям происходит в бесколебательном режиме (см. рис. 3.13). Фазовые портреты системы для каждого из двух случаев изображены, соответственно, на графиках(3.14) и (3.15).