Определение. Под динамической системой понимается объект, находящийся в каждый момент времени tT в одном из возможных состояний Z и способный переходить во времени из одного состояния в другое под действием внешних и внутренних причин.
Динамическая система как математический объект содержит в своем описании следующие механизмы:
- - описание изменения состояний под действием внутренних причин (без вмешательства внешней среды);
- - описание приема входного сигнала и изменения состояния под действием этого сигнала (модель в виде функции перехода);
- - описание формирования выходного сигнала или реакции динамической системы на внутренние и внешние причины изменения состояний (модель в виде функции выхода).
Аргументами входных и выходных сигналов системы могут служить время, пространственные координаты, а также некоторые переменные, используемые в преобразованиях Лапласа, Фурье и других.
В простейшем случае оператор системы преобразует векторную функцию Х(t) в векторную функцию Y(t). Модели подобного типа называются динамическими (временными).
Динамические модели делятся на стационарные, когда структура и свойства оператора W(t) не изменяются со временем, и на нестационарные.
Реакция стационарной системы на любой сигнал зависит только от интервала времени между моментом начала действия входного возмущения и данным моментом времени. Процесс преобразования входных сигналов не зависит от сдвига входных сигналов во времени.
Реакция нестационарной системы зависит как от текущего времени, так и от момента приложения входного сигнала. В этом случае при сдвиге входного сигнала во времени (без изменения его формы) выходные сигналы не только сдвигаются во времени, но и изменяют форму.
Динамические модели делятся на модели безынерционных и инерционных (модели с запаздыванием) систем.
Безынерционные модели соответствуют системам, в которых оператор W определяет зависимость выходных величин от входных в один и тот же момент времени - y=W(Х,t).
В инерционных системах значения выходных параметров зависят не только от настоящих, но и предыдущих значений переменных
Y=W(Z,хt,хt-1,…,хt-k).
Инерционные модели еще называют моделями с памятью. Оператор преобразований может содержать параметры, которые обычно неизвестны - Y=W(,Z,Х), где ={1,2,…,k} - вектор параметров.
Важнейшим признаком структуры оператора является линейность или нелинейность по отношению к входным сигналам.
Для линейных систем всегда справедлив принцип суперпозиции, который состоит в том, что линейной комбинации произвольных входных сигналов ставится в соответствие та же линейная комбинация сигналов на выходе системы
Математическую модель с использованием линейного оператора можно записать в виде Y=WХ.
Если условие (2.1) не выполняется, модель называется нелинейной.
Классифицируются динамические модели в соответствии с тем, какие математические операции используются в операторе. Можно выделить: алгебраические, функциональные (типа интеграла свертки), дифференциальные, конечно-разностные модели и др.
Одномерной моделью называется такая, у которой и входной сигнал, и отклик одновременно являются величинами скалярными.
В зависимости от размерности параметра модели подразделяются на одно- и многопараметрические. Классификация моделей может быть продолжена также в зависимости от видов входных и выходных сигналов.
Классификация видов моделирования может быть проведена по разным основаниям. Модели можно различать по ряду признаков: характеру моделируемых объектов, сферам приложения, глубине моделирования. Рассмотрим 2 варианта классификации. Первый вариант классификации. По глубине моделирования методы моделирования делятся на две группы: материальное (предметное) и идеальное моделирование. Материальное моделирование основано на материальной аналогии объекта и модели. Оно осуществляется с помощью воспроизведения основных геометрических, физических или функциональных характеристик изучаемого объекта. Частным случаем материального моделирования является физическое моделирование. Частным случаем физического моделирования является аналоговое моделирование. Оно основано на аналогии явлений, имеющих различную физическую природу, но описываемых одинаковыми математическими соотношениями. Образец аналогового моделирования – изучение механических колебаний (например, упругой балки) с помощью электрической системы, описываемой теми же дифференциальными уравнениями. Так как эксперименты с электрической системой обычно проще и дешевле, она исследуется в качестве аналога механической системы (например, при изучении колебаний мостов).
Идеальное моделирование основано на идеальной (мысленной) аналогии. В экономических исследованиях (на высоком уровне их проведения, а не на субъективных желаниях отдельных руководителей) это основной вид моделирования. Идеальное моделирование, в свою очередь, разбивается на два подкласса: знаковое (формализованное) и интуитивное моделирование. При знаковом моделировании моделями служат схемы, графики, чертежи, формулы. Важнейшим видом знакового моделирования является математическое моделирование, осуществляемое средствами логико-математических построений.
Интуитивное моделирование встречается в тех областях науки и практики, где познавательный процесс находится на начальной стадии или имеют место очень сложные системные взаимосвязи. Такие исследования называют мысленными экспериментами. В экономике в основном применяется знаковое или интуитивное моделирование; оно описывает мировоззрение ученых или практический опыт работников в сфере управления ею. Второй вариант классификации приведен на рис. 1.3.В соответствии с классификационным признаком полноты моделирование делится на полное, неполное и приближенное. При полном моделировании модели идентичны объекту во времени и пространстве. Для неполного моделирования эта идентичность не сохраняется. В основе приближенного моделирования лежит подобие, при котором некоторые стороны реального объекта не моделируются совсем. Теория подобия утверждает, что абсолютное подобие возможно лишь при замене одного объекта другим точно таким же. Поэтому при моделировании абсолютное подобие не имеет места. Исследователи стремятся к тому, чтобы модель хорошо отображала только исследуемый аспект системы. Например, для оценки помехоустойчивости дискретных каналов передачи информации функциональная и информационная модели системы могут не разрабатываться. Для достижения цели моделирования вполне достаточна событийная модель, описываемая матрицей условных вероятностей ||рij|| переходов i-го символа алфавита j-й.В зависимости от типа носителя и сигнатуры модели различаются следующие виды моделирования: детерминированное и стохастическое, статическое и динамическое, дискретное, непрерывное и дискретно-непрерывное. Детерминированное моделирование отображает процессы, в которых предполагается отсутствие случайных воздействий. Стохастическое моделирование учитывает вероятностные процессы и события. Статическое моделирование служит для описания состояния объекта в фиксированный момент времени, а динамическое - для исследования объекта во времени. При этом оперируют аналоговыми (непрерывными), дискретными и смешанными моделями. В зависимости от формы реализации носителя моделирование классифицируется на мысленное и реальное. Мысленное моделирование применяется тогда, когда модели не реализуемы в заданном интервале времени либо отсутствуют условия для их физического создания (например, ситуация микромира). Мысленное моделирование реальных систем реализуется в виде наглядного, символического и математического. Для представления функциональных, информационных и событийных моделей этого вида моделирования разработано значительное количество средств и методов. При наглядном моделировании на базе представлений человека о реальных объектах создаются наглядные модели, отображающие явления и процессы, протекающие в объекте. Примером таких моделей являются учебные плакаты, рисунки, схемы, диаграммы. В основу гипотетического моделирования закладывается гипотеза о закономерностях протекания процесса в реальном объекте, которая отражает уровень знаний исследователя об объекте и базируется на причинно-следственных связях между входом и выходом изучаемого объекта. Этот вид моделирования используется, когда знаний об объекте недостаточно для построения формальных моделей.
Динамическое моделирование – многошаговый процесс, каждый шаг соответствует поведению экономической системы у определенный временный период. Каждый текущий шаг получает результаты предыдущего шага, который по определенным правилам определяет текущий результат и формирует данные для следующего шага.
Таким образом, динамическая модель в ускоренном режиме позволяет исследовать развития сложной экономической системы, скажем, предприятия, на протяжении определенного периода планирования в условиях изменения ресурсного обеспечения (сырья, кадров, финансов, техники), и получение результаты представить у соответствующему плане развития предприятия на заданный период.
Для решения динамических задач оптимизации в математическом программировании сформировался соответствующий класс моделей под названием динамическое программирование, его основателем стал известный американский математик Р. Беллман. Им предложен специальный метод решения задача этого класса на основе «принципа оптимальности», согласно которого оптимальное решение задачи находится путем ее разбиения на n этапов, каждый с которых представляет подзадачу относительно одной переменной. Расчет выполняется таким образом, что оптимальный результат одной подзадачи является исходными данными для следующей подзадачи с учетом уравнений и ограничений связи между ними, результат последней из них является результатом всей задачи. Общим для всех моделей этой категории является то, что текущие управляющие решения "проявляются" как в период, относящийся непосредственно к моменту принятия решения, так и в последующие периоды. Следовательно, наиболее важные экономические последствия проявляются в разные периоды, а не только в течение одного периода. Такого рода экономические последствия, как правило, оказываются существенными в тех случаях, когда речь идет об управляющих решениях, связанных с возможностью новых капиталовложений, увеличения производственных мощностей или обучения персонала с целью. создания предпосылок для увеличения прибыльности или сокращения издержек в последующие периоды.
Типичными областями применения моделей динамического программирования при принятии решений являются:
Разработка правил управления запасами, устанавливающих момент пополнения запасов и размер пополняющего заказа.
Разработка принципов календарного планирования производства и выравнивания занятости в условиях колеблющегося спроса на продукцию.
Определение необходимого объема запасных частей, гарантирующего эффективное использование дорогостоящего оборудования.
Распределение дефицитных капитальных вложений между возможными новыми направлениями их использования.
В задачах, решаемых методом динамического программирования, значение целевой функции (оптимизируемого критерия) для всего процесса получают простым суммированием частных значений fi(x) того же критерия на отдельных шагах, то есть
Если критерий (или функция) f(x) обладает этим свойством, то его называют аддитивным (аддитивной).
Алгоритм динамического программирования
1. На выбранном шаге задаем набор (определяемый условиями-ограничениями) значений переменной, характеризующей последний шаг, возможные состояния системы на предпоследнем шаге. Для каждого возможного состояния и каждого значения выбранной переменной вычисляем значения целевой функции. Из них для каждого исхода предпоследнего шага выбираем оптимальные значения целевой функции и соответствующие им значения рассматриваемой переменной. Для каждого исхода предпоследнего шага запоминаем оптимальное значение переменной (или несколько значений, если таких значений больше одного) и соответствующее значение целевой функции. Получаем и фиксируем соответствующую таблицу.
2. Переходим к оптимизации на этапе, предшествующем предыдущему (движение "вспять"), отыскивая оптимальное значение новой переменной при фиксированных найденных ранее оптимальных значениях следующих переменных. Оптимальное значение целевой функции на последующих шагах (при оптимальных значениях последующих переменных) считываем из предыдущей таблицы. Если новая переменная характеризует первый шаг, то переходим к п.З. В противном случае повторяем п.2 для следующей переменной.
З. При данном в задаче исходном условии для каждого возможного значения первой переменной вычисляем значение целевой функции. Выбираем оптимальное значение целевой функции, соответствующее оптимальному(ым) значению(иям) первой переменной.
4. При известном оптимальном значении первой переменной определяем исходные данные для следующего (второго) шага и по последней таблице - оптимальное(ые) значение(ия) следующей (второй) переменной.
5. Если следующая переменная не характеризует последний шаг, то переходим к п.4.Иначе переходим к п.6.
6.Формируем (выписываем) оптимальное решение.
Список использованной литературы
1. Microsoft Office 2010. Самоучитель. Ю. Стоцкий, А. Васильев, И. Телина. Питер. 2011, - 432 с.
2. Фигурнов В.Э. IBM PC для пользователя. Изд-е 7-е. - М.: Инфра-М, 1995.
3. Левин А. Самоучитель работы на компьютере. М. : Нолидж, 1998, - 624 с.
4. Информатика: практикум по технологии работы на персональном компьютере /Под ред. проф. Н.В.Макаровой - М. : Финансы и статистика, 1997 г. - 384с.
5. Информатика: Учебник / Под ред. проф. Н.В. Макаровой - М. : Финансы истатистика, 1997 г. - 768 с.
Похожая информация.
Форма пространственной конфигурации кабель-троса при буксировке подводного аппарата зависит от режима движения (скорости относительно воды, распределения течений по глубине), особенностей
аппарата и характеристик кабель-троса (диаметр, длина, плавучесть и т. п.). Особенность формы кабель-троса при движении комплекса вдоль заданной линии профиля заключается в том, что по его длине ридианальные углы в изменяются в широких пределах (так же, как и дополнительные меридианальные углы ), но азимутальные углы и углы гидродинамической скорости к в любой точке троса имеют малые значения. Это допущение позволяет представить уравнения связи гибкой нити для данного случая, выраженные в проекциях орта касательной на неподвижные оси, следующим образом:
а уравнения, полученные из условия равновесия сил на элементарном отрезке гибкой нити в стационарном режиме, записать в виде
Нелинейные обыкновенные дифференциальные уравнения (7.30) и (7.31) представляют собой математическое описание статической пространственной конфигурации кабель-троса. Ниже приводятся некоторые результаты исследований, выполненных путем решения уравнений (7.30) и (7.31) на ЦВМ.
На рис. 7.10 приведены кривые зависимости натяжения Т, глубины и расстояния между ПА и судном от скорости буксировки при фиксированной длине кабель-троса 6000 м. Натяжение в точке крепления к судну (у буксирной лебедки) уменьшается с увеличением скорости до 4 м/с и нарастает при дальнейшем увеличении скорости буксировки. При этом ПА всплывает с глубины 6000 до 1000 м, но расстояние между аппаратом и судном увеличивается.
Рис. 7.11 показывает, как изменяются натяжение в точке крепления к судну, длина кабель-троса и расстояние между ПА и судном с увеличением скорости буксировки при поддержании постоянной
глубины погружения ПА на 6000 м. С ростом скорости буксировки до 2 м/с необходимо увеличить длину кабель-троса до 13000 м. Вид статических конфигураций кабель-троса длиной 6000 м в вертикальной плоскости при скоростях буксировки (кривые 1, 2, 3 соответственно) иллюстрирует рис. 7.12.
Рис. 7.10. Статические параметры движения кабель-троса в зависимости от скорости буксировки.
Рис. 7.11. Статические параметры движения кабель-троса при постоянной глубине погружения ПА.
Особенность движения кабель-троса при буксировке ПА заключается в том, что оно происходит с малыми боковыми и вертикальными скоростями по сравнению со скоростью продольного перемещения кабеля. Для любой его точки соблюдаются условия и скорость поступательного продольного движения практически никогда не превосходит м/с. Кроме того, стремятся, чтобы буксировка протекала плавно, без резких усилий в кабеле. При этих условиях допускается раздельный анализ динамики движения кабель-троса в вертикальной (продольное движение) и горизонтальной (боковое движение) плоскостях. Уравнения продольного движения записываются в виде
а бокового
Все коэффициенты рассчитываются при постоянных значениях гидродинамической скорости и ее касательной составляющей и неизменном во времени натяжении кабель-троса, определяемого выражением
Дифференциальные уравнения в частных производных (7.32) и (7.33) решаются при начальных , а также граничных условиях на нижнем и верхнем концах кабель-троса, причем последние играют роль управляющих воздействий и складываются из соответствующих проекций скорости движения судна-буксира и изменения длины кабеля в результате работы буксирной лебедки:
Трехмерные картографические изображения являются электронными картами более высокого уровня и представляют собой визуализированные на средствах компьютерных систем моделирования пространственные образы основных элементов и объектов местности. Они предназначены для использования в системах управления и навигации (наземной и воздушной) при анализе местности, решении расчетных задач и моделировании, проектировании инженерных сооружений, мониторинге окружающей среды.
Технология моделирования местности позволяет создавать наглядные и измеримые перспективные изображения, весьма похожие на реальную местность. Их включение по определенному сценарию в компьютерный фильм позволяет при его просмотре "увидеть" местность с разных точек съемки, в различных условиях освещенности, для различных времен года и суток (статическая модель) или "пролететь" над ней по заданным или произвольным траекториям движения и скорости полета - (динамическая модель).
Использование компьютерных средств, в состав которых входят векторные или растровые дисплеи, позволяющие осуществлять в своих буферных устройствах преобразование входной цифровой информации в заданный кадр, требует предварительного создания в качестве такой информации цифровых пространственных моделей местности (ПММ).
Цифровые ПММ по своей сущности представляют собой совокупность цифровых семантических, синтаксических и структурных данных, записанных на машинный носитель, предназначенных для воспроизведения (визуализации) объемных образов местности и топографических объектов в соответствии с заданными условиями наблюдения (обзора) земной поверхности.
Исходными данными для создания цифровых ПММ могут служить фотоснимки, картографические материалы, топографические и цифровые карты, планы городов и справочная информация, обеспечивающие получение данных о положении, форме, размерах, цвете, и назначении объектов. При этом полнота ПММ будет определяться информативностью используемых фотоснимков, а точность - точностью исходных картографических материалов.
Технические средства и методы создания ПММ
Разработка технических средств и методов создания цифровых ПММ является непростой научно-технической проблемой. Решение этой проблемы предполагает:
Разработку аппаратно-программных средств получения первичной трехмерной цифровой информации об объектах местности по фотоснимкам и картматериалам;
- создание системы трехмерных картографических условных знаков;
- разработку методов формирования цифровых ПММ с использованием первичной картографической цифровой информации и фотоснимков;
- разработку экспертной системы формирования содержания ПММ;
- разработку методов организации цифровых данных в банке ПММ и принципов построения банка ПММ.
Разработка аппаратно-программных средств получения первичной трехмерной цифровой информации об объектах местности по фотоснимкам и картматериалам обусловлена следующими принципиальными особенностями:
Более высокими, по сравнению с традиционными ЦКМ, требованиями к цифровым ПММ по полноте и точности;
- использованием в качестве исходных дешифровочных фотоснимков, получаемых кадровыми, панорамными, щелевыми и ПЗС съемочными системами и не предназначенных для получения точной измерительной информации об объектах местности.
Создание системы трехмерных картографических условных знаков является принципиально новой задачей современной цифровой картографии. Ее суть заключается в создании библиотеки условных знаков, близких к реальному изображению объектов местности.
Методы формирования цифровых ПММ с использованием первичной цифровой картографической информации и фотоснимков должны обеспечить, с одной стороны, оперативность их визуализации в буферных устройствах компьютерных систем, а, с другой стороны, требуемые полноту, точность и наглядность трехмерного изображения.
Исследования, выполняемые в настоящее время, показали, что для получения цифровых ПММ, в зависимости от состава исходных данных могут быть применимы методы, использующие:
Цифровую картографическую информацию;
- цифровую картографическую информацию и фотоснимки;
- фотоснимки.
Наиболее перспективными представляются методы , использующие цифровую картографическую информацию и фотоснимки. Основными из них могут быть методы создания цифровых ПММ различной полноты и точности: по фотоснимкам и ЦМР; по фотоснимкам и ЦКМ; по фотоснимкам и ЦММ.
Разработка экспертной системы формирования содержания ПММ должна обеспечить решение задач проектирования пространственных изображений путем отбора объектового состава, его обобщения и символизации и вывода на экран отображения в требуемой картографической проекции. При этом потребуется разработать методику описания не только условных знаков, но и пространственно-логических отношений между ними.
Решение задачи разработки методов организации цифровых данных в банке ПММ и принципов построения банка ПММ определяется спецификой пространственных изображений, форматами представления данных. Вполне возможно, что потребуется создавать пространственно-временной банк с четырехмерными моделированием (Х,У,Н,t), где будут генерироваться ПММ в режиме реального времени.
Технические и программные средства отображения и анализа ПММ
Второй проблемой является разработка технических и программных средств отображения и анализа цифровых ПММ. Решение данной проблемы предполагает:
Разработку технических средств отображения и анализа ПММ;
- разработку способов решения расчетных задач.
Разработка технических и программных средств отображения и анализа цифровых ПММ потребует использования существующих графических рабочих станций, для которых должно быть создано специальное программное обеспечение (СПО).
Разработка способов решения расчетных задач является прикладной задачей, возникающей в процессе использования цифровых ПММ в практических целях. Состав и содержание данных задач будут определяться конкретными потребителями ПММ.
До последнего времени географические факторы, оказывающие существенно важное влияние на распространение заболеваний, исследовались сравнительно мало. Справедливость предположения об однородном перемешивании населения в небольшом городе или деревне уже давно ставилась под сомнение, хотя вполне допустимо в качестве первого приближения принять, что перемещения источников инфекции носят случайный характер и во многом напоминают движение частиц в коллоидном растворе. Тем не менее необходимо, конечно, иметь некоторое представление о том, к какому эффекту может привести наличие большого числа восприимчивых индивидуумов в пунктах, удаленных на довольно большие расстояния от любого данного источника инфекции.
В детерминистской модели, принадлежащей Д. Кендаллу, предполагается существование бесконечного двумерного континуума популяции, в которой на единицу площади приходится о индивидуумов. Рассмотрим область , окружающую точку Р, и допустим, что числа восприимчивых, зараженных и удаленных из коллектива индивидуумов равны соответственно . Величины х, у и z могут быть функциями времени и положения, однако их сумма должна равняться единице. Основные уравнения движения, аналогичные системе (9.18), имеют вид
где - пространственно взвешенное среднее значение
Пусть и - постоянные, - элемент площади, окружающий точку Q, и - неотрицательный весовой коэффициент.
Допустим, что начальная концентрация заболеваний равномерно распределена в некоторой небольшой области, окружающей первоначальный очаг. Заметим также, что в произведение Роху в явном виде введен множитель о, с тем чтобы скорость распространения инфекции оставалась независимой от плотности популяции. Если бы у оставалось постоянным на плоскости, то интеграл (9.53) наверняка сходился бы. В этом случае удобно было бы потребовать, чтобы
Описанная модель позволяет довольно далеко продвинуть математические исследования. Можно показать (с одной-двумя оговорками), что пандемия охватит всю плоскость в том и только в том случае, если плотность популяции превышает пороговое значение . Если пандемия возникла, то ее интенсивность определяется единственным положительным корнем уравнения
Смысл этого выражения состоит в том, что доля индивидуумов, заболевающих в конце концов в любой области, как бы далеко она ни отстояла от первоначального эпидемического очага, будет не меньше?. Очевидно, что эта теорема Кендалла о пороге пандемии аналогична пороговой теореме Кермака и Мак-Кендрика, в которой пространственный фактор не учитывался.
Можно также построить модель для следующего частного случая. Пусть х и у - пространственные плотности восприимчивых и зараженных индивидуумов соответственно. Если считать инфекцию локальной и изотропной, то нетрудно показать, что уравнения, соответствующие первым двум уравнениям системы (9.18), можно записать в виде
где не пространственные координаты] и
Для начального периода, когда можно приближенно считать постоянной величиной, второе уравнение системы (9.56) примет вид
Это стандартное уравнение диффузии, решение которого имеет вид
где постоянная С зависит от начальных условий.
Общее число зараженных индивидуумов, находящихся вне круга радиусом R, равно
Следовательно,
и если , то . Радиус соответствующий какому-либо выбранному значению растет со скоростью . Эту величину можно рассматривать как скорость распространения эпидемии, и ее предельное значение для больших t равно . В одном из случаев эпидемии кори в Глазго в течение почти полугода скорость распространения составляла около 135 м в неделю.
Уравнения (9.56) легко видоизменить так, чтобы была учтена миграция восприимчивых и зараженных индивидуумов, а также появление новых восприимчивых индивидуумов. Как и в случае повторяющихся эпидемий, рассмотренных в разд. 9.4, здесь возможно равновесное решение, однако небольшие колебания затухают столь же быстро или даже быстрее, чем в непространственной модели. Таким образом, ясно, что в данном случае детерминистский подход имеет определенные ограничения. В принципе следовало бы, конечно, предпочесть стохастические модели, но обычно анализ их сопряжен с огромными трудностями, во всяком случае если он проводится чисто математическим путем.
Было выполнено несколько работ по моделированию этих процессов. Так, Бартлетт использовал ЭВМ для изучения нескольких последовательных искусственных эпидемий. Пространственный фактор был учтен введением сетки ячеек . Внутри каждой ячейки использовались типичные непространственные модели для непрерывного или дискретного времени и допускалась случайная миграция зараженных индивидуумов между ячейками, имеющими общую границу. Была получена информация о критическом объеме популяции, ниже которого происходит затухание эпидемического процесса. Основные параметры модели были получены на основе фактических эпидемиологических и демографических данных.
Недавно автор этой книги предпринял ряд аналогичных исследований, в которых была сделана попытка построить пространственное обобщение стохастических моделей для простого и общего случаев, рассмотренных в разд. 9.2 и 9.3. Допустим, что имеется квадратная решетка, каждый узел которой занят одним восприимчивым индивидуумом. В центре квадрата помещается источник инфекции и рассматривается такой процесс цепочечно-биномиального типа для дискретного времени, в котором опасности заражения подвергаются только индивидуумы, непосредственно примыкающие к какому-либо источнику инфекции. Это могут быть либо только четыре ближайших соседа (схема 1), либо также индивидуумы, расположенные по диагонали (схема 2); во втором случае всего будет восемь индивидуумов, лежащих на сторонах квадрата, центр которого занимает источник инфекции.
Очевидно, что выбор схемы произволен, однако в нашей работе использовалось последнее расположение.
Сначала была рассмотрена простая эпидемия без случаев выздоровления. Для удобства использовалась решетка ограниченного размера, и информация о состоянии каждого индивидуума (т. е. восприимчив ли он к инфекции или является ее источником) хранилась в вычислительной машине. В процессе моделирования проводилась текущая запись изменений состояния всех индивидуумов и подсчитывалось общее число новых случаев заболевания во всех квадратах с первоначальным источником инфекции в центре. В памяти машины фиксировались также текущие значения суммы и суммы квадратов числа случаев. Это позволило довольно легко вычислить средние значения и средние квадратические ошибки. Детали этого исследования будут опубликованы в отдельной статье, а здесь мы отметим лишь одну-две частные особенности этой работы. Например, ясно, что при очень высокой вероятности достаточного контакта будет иметь место почти детерминированное распространение эпидемии, при котором на каждом новом этапе развития эпидемии будет добавляться новый квадрат с источниками инфекции.
При меньших вероятностях будет иметь место действительно стохастическое распространение эпидемии. Так как каждый источник инфекции может заразить только восемь своих ближайших соседей, а не всю популяцию, то можно ожидать, что эпидемическая кривая для всей решетки будет возрастать не столь резко, как при однородном перемешивании всей популяции. Этот прогноз действительно оправдывается, и число новых случаев увеличивается с течением времени более или менее линейно до тех пор, пока не начнут сказываться краевые эффекты (поскольку решетка имеет ограниченную протяженность).
Таблица 9. Пространственная стохастическая модель простой эпидемии, построенная на решетке 21x21
В табл. 9 приведены результаты, полученные для решетки при наличии одного исходного источника инфекции и вероятности достаточного контакта, равной 0,6. Можно видеть, что между первым и десятым этапами эпидемии среднее число новых случаев каждый раз увеличивается примерно на 7,5. После этого начинает преобладать краевой эффект, и эпидемическая кривая резко падает вниз.
Можно также определить среднее число новых случаев для любой данной точки решетки и найти таким образом эпидемическую кривую для этой точки. Удобно проводить усреднение по всем точкам, лежащим на границе квадрата, в центре которого находится источник инфекции, хотя симметрия в этом случае не будет полной. Сравнение результатов для квадратов различного размера дает картину эпидемической волны, движущейся от первоначального источника инфекции.
Здесь мы имеем последовательность распределений, моды которых увеличиваются в линейной прогрессии, а дисперсия непрерывно возрастает.
Было также выполнено более детальное исследование эпидемии общего типа с удалением зараженных индивидуумов. Безусловно, все это очень упрощенные модели. Однако важно понять, что они могут быть значительно усовершенствованы. Чтобы учесть мобильность популяции, надо допустить, что восприимчивые индивидуумы заражаются и от тех источников инфекции, которые не являются их ближайшими соседями. Возможно, здесь придется использовать какой-то весовой коэффициент, зависящий от расстояния. Видоизменения, которые нужно будет ввести при этом в программу вычислительной машины, сравнительно невелики. На следующем этапе, возможно, удастся описать таким способом реальные или типичные популяции с самой разнообразной структурой. Это откроет возможность оценивать эпидемиологическое состояние реальных популяций с точки зрения опасности возникновения эпидемий различного типа.
