Методика преподавания информатики (стр. 98 )

Если задаться целью получения уравнений модели сразу в конечно-разностной форме (минуя дифференциальную), то возникает нетривиальная задача вывода соответствующих формул, решение которой можно позаимствовать в задачнике [6].

При описанном моделировании не следует забывать о возможной неустойчивости простейшей разностной схемы. Прежде всего следует объяснить учащимся само понятие «неустойчивость». Рассуждаем примерно следующим образом. Расчетные формулы появились как дискретная аппроксимация непрерывного процесса. Чем мы расплачиваемся за дискретизацию? Первая «расплата» очевидна: мы получаем приближенное описание процесса. Числа uik отнюдь не являются точными значениями температуры. Для увеличения точности результатов кажется естественным уменьшать шаги по координате и по времени, но здесь мы сталкиваемся со второй проблемой. Ее природа достаточно сложна, она уходит как в аппроксимацию производных конечными разностями, так и в накопление погрешностей округлений. При неудачном выборе шагов по координате и по времени решение начинает «раскачиваться» и перестает походить на истинное. В данном случае достаточно ограничиться приведением критерия устойчивости метода, приводящего к используемым расчетным формулам.

Тема «Имитационные стохастические модели»

Имитационное моделирование может стать существенной частью профильного курса информатики, ориентированного на моделирование. Включение метода имитационного компьютерного моделирования в профильный курс, ориентированный на моделирование, работа учащихся с имитационными моделями средней сложности представляют несомненный интерес и пользу, поскольку расширяют и обобщают представление о методе моделирования и его возможностях.

Идея имитационного моделирования интуитивно ясна и привлекательна. В основе этого метода — теория вычислительных систем, статистика, теория вероятностей.

Начало изучения темы — лекция об имитационном моделировании случайных процессов. К сожалению, в российской школе понятия теории вероятностей и математической статистики лишь начинают внедряться в курс математики, и учителю следует быть готовым к тому, чтобы самому сделать введение в этот важнейший для формирования мировоззрения и математической культуры материал. Приведем план соответствующей вводной лекции.

1. «Случайность» как фундаментальное математическое понятие. Случайные события и их вероятности.

2. Дискретные и непрерывные случайные величины. Дифференциальная функция распределения непрерывной случайной величины (плотность вероятности).

3. Примеры типичных функций распределения. Равновероятное распределение. Нормальное распределение и представление об его особой значимости в связи с центральной предельной теоремой теории вероятностей.

4. Метод статистических испытаний в моделировании случайных процессов. Представление о статистической обработке результатов, получаемых при использовании метода статистических испытаний. Понятия «доверительный интервал», «доверительная вероятность». Вычисление средних значений испытуемых величин и оценка их достоверности.

5. Описание принципов имитационного моделирования. Отметим ключевые моменты, которые следует донести до учащихся. Имитацию целесообразно использовать:

• если она позволяет экспериментально исследовать сложные внутренние взаимодействия в рассматриваемой системе;

• при изучении воздействия на функционирование системы некоторых информационных и организационных изменений, а также изменений во внешней обстановке; для этого в модель системы вносят изменения и наблюдают влияние этих изменений на изменение системы;

• при детальном наблюдение имитируемой системы, что позволяет лучше понять систему и разработать такие предложения по ее имитации, которые были бы невозможны без имитации;

• если имитация сложных систем может дать представление о том, какие из переменных системы наиболее существенны и как эти переменные взаимодействуют.

Подчеркнем, что речь идет об элементарном введении в круг обсуждаемых понятий. В принципе сделать это можно не более, чем за два-три урока.

После этого обсуждаем технические вопросы, связанные с генерацией на ЭВМ последовательностей случайных чисел с заданным законом распределения. Опираться при этом можно на простой факт: в каждом языке программирования есть датчик равномерно распределенных случайных чисел на отрезке от 0 до 1. На данном этапе нецелесообразно вдаваться в сложный вопрос о принципах его реализации. Опираясь на эти датчики, показываем, как можно устроить:

а) генератор равномерно распределенных случайных чисел на любом отрезке [а, b];

б) генератор случайных чисел под практически любой закон распределения (например, используя интуитивно ясный метод «отбора — отказа»).

Одним из вариантов отработки навыков имитационного стохастического моделирования является рассмотрение задачи моделирования очереди в системе массового обслуживания. Указанные системы элементарны для понимания постановки задач, имеют широкое прикладное значение.

Начать рассмотрение этой задачи целесообразно с обсуждения истории решения проблем массового обслуживания (задача Эр-ланга об обслуживании запросов на телефонной станции). Затем следует обзор типичных задач этой науки. Следует сказать о постановке задач в аналитической форме и о трудностях их решения, о том, что имитационное компьютерное моделирование при решении задач массового обслуживания, реализуемое в виде метода статистических испытаний (метода Монте-Карло), хоть и не является в теории массового обслуживания основным, но играет в ней важную роль. Основная линия в ней — получение аналитических результатов, т. е. представленных формулами. Однако возможности аналитических методов весьма ограничены, в то время как метод статистических испытаний универсален и весьма прост для понимания (по крайней мере, кажется таковым).

Затем следует рассмотреть простейшую задачу, которую можно сформулировать на примере формирования и обслуживания очереди в магазине с одним продавцом. В этот магазин случайным образом входят покупатели. Если продавец свободен, то он начинает обслуживать покупателя сразу, иначе покупатель становится в очередь. Детали постановки и решения этой задачи методом статистического моделирования можно найти в книгах [9, 33]. Отметим, что на первом этапе моделирования распределения случайных величин на входе можно принять равновероятными, что хоть и не реалистично, но снимает ряд трудностей (для генерации случайных чисел можно просто использовать встроенный в язык программирования датчик).

Обратите внимание учащихся на то, какие вопросы ставятся в первую очередь при моделировании систем такого вида? Во-первых, это вычисление средних значений (математических ожиданий) некоторых случайных величин. Например, какое среднее время приходится стоять в очереди к прилавку? Или найти среднее время, проведенное продавцом в ожидании покупателя.

Задача учителя, в частности, состоит в том, чтобы разъяснить, что выборочные средние величины сами по себе — случайные величины; в другой выборке того же объема они будут иметь другие значения (при больших объемах выборки — не слишком отличающиеся друг от друга). Далее возможны варианты, например, в более подготовленной аудитории можно показать способ оценивания доверительных интервалов, в которых находятся математические ожидания соответствующих случайных величин при заданных доверительных вероятностях (известных из математической статистики методами без попытки обоснования). В менее подготовленной аудитории можно ограничиться чисто эмпирическим утверждением, к примеру, если в нескольких выборках равного объема средние значения совпали в некотором десятичном знаке, то этот знак, скорее всего, верен. Если при моделировании не удается достичь желаемой точности, следует увеличить объем выборки.

В наиболее подготовленной в математическом отношении аудитории можно ставить вопрос: каково распределение случайных величин, являющихся результатами статистического моделирования, при заданных распределениях случайных величин, являющихся его входными параметрами? Поскольку изложение соответствующей математической теории в данном случае невозможно, следует ограничиться эмпирическими приемами: построением гистограмм итоговых распределений и сравнением их с несколькими типичными функциями распределения.

После отработки первичных навыков указанного моделирования переходим к более реалистической модели, в которой входные потоки случайных событий распределены по Пуассону. Это потребует от учащихся дополнительно освоить метод генерирования последовательностей случайных чисел с указанным законом распределения.

В рассмотренной задаче, как и в любой более сложной задаче об очередях, может возникнуть критическая ситуация, когда очередь неограниченно растет со временем. В самом деле, если люди заходят в магазин очень часто (или продавец работает слишком медленно), то очередь начинает нарастать, и в любой системе с конечным временем обслуживания наступит кризис. Моделирование приближения к критической ситуации по мере возрастания одного из параметров — интересная исследовательская задача.

На примере задачи об очереди отрабатываются сразу несколько новых понятий и навыков, таких как:

• понятие о случайных процессах;

• понятие и простейшие навыки имитационного моделирования;

• построение оптимизационных имитационных моделей;

• построение многокритериальных моделей (путем решения задач о наиболее рациональном обслуживании покупателей в сочетании с интересами владельца магазина).

Тема «Моделирование динамики развития популяций»

В данной теме ограничимся обсуждением методики проведения занятий по моделированию некоторых процессов, составляющих основу классической экологии (т. е. процессов развития отдельных популяций и их взаимодействия). В такой постановке этот материал может быть полезен для проведения нескольких уроков в пределах предмета, в котором моделирование экологических процессов является не основой, а частью. Такой выбор обусловлен следующими причинами. Во-первых, соответствующие модели достаточно просты и изучены, постановка их вполне очевидна и в познавательном плане интересна и полезна. Во-вторых, модели распространения загрязнений окружающей среды, которые успешно применяют в современной социальной экологии, требуют использования весьма сложного математического аппарата, да и сами еще не вполне устоялись.