前言：想要寫(xiě)出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇數(shù)學(xué)建模算法與實(shí)現(xiàn)范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

數(shù)學(xué)建模算法與實(shí)現(xiàn)范文第1篇

關(guān)鍵詞：運(yùn)籌學(xué)；數(shù)學(xué)建模；教學(xué)；案例

中圖分類號(hào)：G642.3 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-9324（2012）08-0106-03

運(yùn)籌學(xué)應(yīng)用分析、試驗(yàn)、量化的方法，對(duì)經(jīng)濟(jì)管理系統(tǒng)中人、財(cái)、物等資源進(jìn)行統(tǒng)籌安排，為決策者提供有依據(jù)的最優(yōu)方案，以實(shí)現(xiàn)最有效的管理。該課程主要培養(yǎng)學(xué)生在掌握數(shù)學(xué)優(yōu)化理論的基礎(chǔ)上，具備建立數(shù)學(xué)模型和優(yōu)化計(jì)算的能力。本文提出一種新的教學(xué)改革思路，將運(yùn)籌學(xué)和數(shù)學(xué)建模兩門課程合并為一門課程，即開(kāi)設(shè)大容量交叉課程《運(yùn)籌學(xué)與數(shù)學(xué)建?！穪?lái)取代《運(yùn)籌學(xué)》和《數(shù)學(xué)建?！穬砷T課程，采用案例教學(xué)和傳統(tǒng)教學(xué)相結(jié)合的教學(xué)方法，數(shù)學(xué)建模和優(yōu)化算法理論并重的教學(xué)模式。這樣既可以避免出現(xiàn)極端教學(xué)和隨意選取教學(xué)內(nèi)容的現(xiàn)象，又可以將新穎的教學(xué)方法與傳統(tǒng)方法相結(jié)合，按照分析問(wèn)題、數(shù)學(xué)建模、優(yōu)化算法理論分析及其方案制定、實(shí)施等解決實(shí)際問(wèn)題步驟展開(kāi)教學(xué)。下面就該課程開(kāi)設(shè)的必要性、意義、可行性、注意事項(xiàng)及其存在問(wèn)題等方面進(jìn)行分析。

一、開(kāi)設(shè)《運(yùn)籌學(xué)與數(shù)學(xué)建模》課程的必要性

1.一般院校的運(yùn)籌學(xué)課程的教學(xué)課時(shí)大約為64或56（包含試驗(yàn)教學(xué)），所以教學(xué)中不能囊括運(yùn)籌學(xué)的各個(gè)分支。一方面，由于課時(shí)量不足，教師選取教學(xué)內(nèi)容時(shí)容易出現(xiàn)隨意性和盲目性；另一方面，教學(xué)中為強(qiáng)化運(yùn)籌學(xué)的應(yīng)用，消弱理論教學(xué)，從而導(dǎo)致學(xué)生對(duì)知識(shí)的理解不透徹，在實(shí)際應(yīng)用中心有余而力不足。

2.運(yùn)籌學(xué)解決實(shí)際問(wèn)題的步驟是：（1）提出和形成問(wèn)題；（2）建立數(shù)學(xué)模型；（3）模型求解；（4）解的檢驗(yàn)；（5）解的控制；（6）解的實(shí)施。大部分教學(xué)只涉及步驟（3），即建立簡(jiǎn)單數(shù)學(xué)模型，詳細(xì)介紹運(yùn)籌學(xué)的算法理論，與利用運(yùn)籌學(xué)解決實(shí)際問(wèn)題的相差甚遠(yuǎn)。因此，學(xué)生仍然不會(huì)應(yīng)用運(yùn)籌學(xué)解決實(shí)際問(wèn)題，從而導(dǎo)致學(xué)生認(rèn)為運(yùn)籌學(xué)無(wú)用。

3.數(shù)學(xué)建模課程包含大量的運(yùn)籌學(xué)模型；運(yùn)籌學(xué)在解決實(shí)際問(wèn)題的環(huán)節(jié)中包含建立數(shù)學(xué)模型步驟。目前兩門課程分開(kāi)教學(xué)，部分內(nèi)容重復(fù)教學(xué)，浪費(fèi)教學(xué)課時(shí)。

二、開(kāi)設(shè)《運(yùn)籌學(xué)與數(shù)學(xué)建?！氛n程的意義

1.激發(fā)學(xué)生的學(xué)習(xí)動(dòng)機(jī)，培養(yǎng)學(xué)習(xí)興趣。該課程包含數(shù)學(xué)建模和運(yùn)籌學(xué)兩門課程的內(nèi)容，內(nèi)容容量大，教學(xué)課時(shí)豐富，教學(xué)過(guò)程中能夠以生產(chǎn)生活中的實(shí)際問(wèn)題為案例，分析并完整解決這些問(wèn)題，創(chuàng)造實(shí)際價(jià)值，使學(xué)生認(rèn)識(shí)到該課程不但對(duì)未來(lái)的工作很重要，而且還有可以利用運(yùn)籌學(xué)知識(shí)為企業(yè)或個(gè)人創(chuàng)造價(jià)值，改變運(yùn)籌學(xué)“無(wú)用論”的觀念。從而激發(fā)學(xué)生的學(xué)習(xí)動(dòng)機(jī)，產(chǎn)生濃厚的學(xué)習(xí)興趣。

2.合理處理教學(xué)內(nèi)容。運(yùn)籌學(xué)與數(shù)學(xué)建模的課時(shí)量相對(duì)充足，能夠安排更多的內(nèi)容，能夠系統(tǒng)、完整地介紹相關(guān)知識(shí)，在一定程度上避免了運(yùn)籌學(xué)內(nèi)容安排的隨意性和盲目性。

3.促進(jìn)教學(xué)方法改革。運(yùn)籌學(xué)與數(shù)學(xué)建模的教學(xué)不再是簡(jiǎn)單的數(shù)學(xué)建模和理論證明，教學(xué)內(nèi)容豐富、信息量大，傳統(tǒng)的一支筆一本教案一塊黑板的模式不再適用，需尋找新的教學(xué)方法，促進(jìn)了多種教學(xué)方法的融合。

4.培養(yǎng)學(xué)生綜合能力。實(shí)際案例源于社會(huì)、經(jīng)濟(jì)或生產(chǎn)領(lǐng)域，需要用到多方面的知識(shí)，但學(xué)生不可能掌握很多專業(yè)知識(shí)。因而，在解決實(shí)際案例的過(guò)程中，需要查閱大量的相關(guān)文獻(xiàn)資料，并針對(duì)性閱讀和消化。而且，實(shí)際案例數(shù)據(jù)量大，需要運(yùn)用計(jì)算機(jī)編程實(shí)現(xiàn)。因此，通過(guò)該課程的學(xué)習(xí)，可以提高學(xué)生多學(xué)科知識(shí)的綜合運(yùn)用能力和運(yùn)用計(jì)算機(jī)解決實(shí)際問(wèn)題的能力。

5.改變教學(xué)考核方式。教學(xué)改革后，教學(xué)內(nèi)容已延伸到運(yùn)用優(yōu)化知識(shí)解決實(shí)際案例的整個(gè)過(guò)程。教學(xué)過(guò)程中既有對(duì)實(shí)際案例分析、建模，又有算法介紹、求結(jié)果的檢驗(yàn)及其最終方案的實(shí)施。因而，傳統(tǒng)的單一閉卷考試改為筆試和課后論文相結(jié)合的方式。

三、開(kāi)設(shè)該課程的可行性

1.運(yùn)籌學(xué)和數(shù)學(xué)建模互補(bǔ)性、遞進(jìn)性使得開(kāi)設(shè)該課程在理論上可行。數(shù)學(xué)建模是利用數(shù)學(xué)思想去分析實(shí)際問(wèn)題，建立數(shù)學(xué)模型；運(yùn)籌學(xué)是利用定量方法解決實(shí)際問(wèn)題，為決策者提供決策依據(jù)。由此可見(jiàn)，建立數(shù)學(xué)模型為運(yùn)用運(yùn)籌學(xué)解決實(shí)際問(wèn)題的重要步驟。所以，運(yùn)籌學(xué)可以認(rèn)為是數(shù)學(xué)建模的進(jìn)一步學(xué)習(xí)。同時(shí)，運(yùn)籌學(xué)模型為數(shù)學(xué)建模課程介紹的模型中的一部分，并且運(yùn)籌學(xué)處理實(shí)際問(wèn)題的方法為數(shù)學(xué)建模提供了專業(yè)工具。因此，運(yùn)籌學(xué)與數(shù)學(xué)建模在內(nèi)容上是互補(bǔ)的。由此可知，開(kāi)設(shè)該課程在理論上是可行的。

2.計(jì)算機(jī)的發(fā)展使得開(kāi)設(shè)該課程在操作上可行。隨著計(jì)算機(jī)的發(fā)展，能很快完成大數(shù)據(jù)量的計(jì)算，實(shí)際案例的數(shù)據(jù)分析、數(shù)學(xué)建模及其求解能快速實(shí)現(xiàn)，從而使得該課程的教學(xué)工作能順利開(kāi)展。

3.大學(xué)生的知識(shí)儲(chǔ)備使得開(kāi)設(shè)該課程在基礎(chǔ)上可行。學(xué)習(xí)該課程的學(xué)生是高年級(jí)學(xué)生，通過(guò)公共基礎(chǔ)課和專業(yè)基礎(chǔ)課的系統(tǒng)學(xué)習(xí)，分析問(wèn)題、解決問(wèn)題的能力得到進(jìn)一步提高。同時(shí)，運(yùn)籌學(xué)和數(shù)學(xué)建模所需基礎(chǔ)知識(shí)類似，學(xué)習(xí)該課程所需的線性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)、高等數(shù)學(xué)及微分方程等課程也已經(jīng)學(xué)習(xí)，運(yùn)用運(yùn)籌學(xué)與數(shù)學(xué)建模知識(shí)解決實(shí)際案例所需的基礎(chǔ)知識(shí)已經(jīng)具備。因此，開(kāi)設(shè)該課程是可行的。

數(shù)學(xué)建模算法與實(shí)現(xiàn)范文第2篇

關(guān)鍵詞：背景建模；骨架提取；運(yùn)動(dòng)分析

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）05-1124-02

作為計(jì)算機(jī)視覺(jué)和模式識(shí)別發(fā)展的一個(gè)重要方向，行人檢測(cè)技術(shù)被廣泛應(yīng)用于地鐵站等智能交通的視頻監(jiān)控、檢測(cè)中。對(duì)地鐵站的行人檢測(cè)，能有效預(yù)防環(huán)境安全及災(zāi)害事故的發(fā)生，保證行人的行車安全，具有很大的實(shí)用價(jià)值，是近年來(lái)人們研究的熱點(diǎn)問(wèn)題。車志富[1]等采用圖像梯度向量直方圖特征表征行人，改進(jìn)了HOG特征提取算法，結(jié)合支持分類器SVM對(duì)行人進(jìn)行檢測(cè)。該方法對(duì)于一些有遮擋或有重疊的行人檢測(cè)效率不高。雷濤[2]等提出了一種基于區(qū)域背景建模的運(yùn)動(dòng)人體分割算法，能夠在復(fù)雜背景下提取運(yùn)動(dòng)人體骨架。該算法在RGB彩色模型中能快速提出陰影，提取圖像前景，但在背景與前景灰度相似時(shí)，提取到的目標(biāo)有空洞。綜合目前檢測(cè)技術(shù)可以看出，實(shí)時(shí)、準(zhǔn)確的檢測(cè)行人的難點(diǎn)在于：1） 行人自身特征提取；2） 受光照、設(shè)備自身局限的影響使得背景及其復(fù)雜；3） 人體骨架提取的精確性。

數(shù)學(xué)形態(tài)學(xué)是一種非線性圖像信號(hào)處理和分析理論，它不但符合人的感知系統(tǒng)，而且在描繪區(qū)域和結(jié)構(gòu)表達(dá)方面有很大的優(yōu)勢(shì)，所以受到了很大的重視。借助數(shù)學(xué)形態(tài)學(xué)在處理形態(tài)相關(guān)的圖像中的優(yōu)勢(shì)，該文通過(guò)對(duì)地鐵監(jiān)控圖像中提取的序列圖像進(jìn)行預(yù)處理；再用背景建模法，得到運(yùn)動(dòng)人體目標(biāo)。

1 預(yù)處理

因?yàn)樘鞖猸h(huán)境的變化等因素常常會(huì)引起拍攝圖像的變形失真，所以有必要采取合理的預(yù)處理措施來(lái)改善圖像質(zhì)量。首先，對(duì)序列圖像中值濾波，它在一定的條件下可以克服線性濾波器等帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及圖像掃描噪聲較為有效。然后，采用直方圖均衡對(duì)圖片進(jìn)行增強(qiáng)，增加對(duì)比度以便圖像的后處理。

2 背景建模

相比于其他運(yùn)動(dòng)目標(biāo)提取方法，背景建?？梢酝暾奶崛∵\(yùn)動(dòng)信息，計(jì)算較簡(jiǎn)便。它是基于序列圖像中相鄰兩幀圖像的比較，這樣可以將背景與前景分割出來(lái)，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的識(shí)別。基于這種理念，分割性能的好壞與場(chǎng)景中的動(dòng)態(tài)變化聯(lián)系密切。目前，背景建模的主要方式有Kalman濾波器模型、單高斯分布模型以及混合高斯分布模型等[3] 。為了減少動(dòng)態(tài)變化的影響，利用文獻(xiàn)2提出的更新背景區(qū)域的建模方法對(duì)背景進(jìn)行建模，具體步驟如下：

1） 取出圖像序列中第s幀和第s+1幀，并做兩幀的差分圖像，得到運(yùn)動(dòng)區(qū)域圖像，記為[Mx，y]。得到的若干個(gè)運(yùn)動(dòng)區(qū)域表示為：

[M=M1，M2，...Mn]

2） 以第s幀為背景，取出第t幀和t+1幀，并做兩幀的差分圖像，得到運(yùn)動(dòng)區(qū)域圖像，記為[Nx，y]。得到的若干個(gè)運(yùn)動(dòng)區(qū)域表示為：

[N=N1，N2，...Nn]

3） 利用1、2步在s幀中找出靜止的區(qū)域，記為[Kx，y]。

4） 觀察區(qū)域[Kx，y]，若靜止的概率大于3/4，則認(rèn)為是背景區(qū)域。

5） 當(dāng)背景區(qū)域不斷更新時(shí)，前景區(qū)域也在不停更新，當(dāng)背景幀圖像近似均勻分布時(shí)，可作為終止條件，此時(shí)可以得到目標(biāo)運(yùn)動(dòng)區(qū)域。

3 運(yùn)動(dòng)人體分割

數(shù)學(xué)形態(tài)學(xué)是一種非線性圖像信號(hào)處理和分析理論，它不但符合人的感知系統(tǒng)，而且在描繪區(qū)域和結(jié)構(gòu)表達(dá)方面有很大的優(yōu)勢(shì)，所以受到了很大的重視。該文首先對(duì)運(yùn)動(dòng)人體利用當(dāng)前幀與背景幀做差，然后對(duì)差圖像灰度化，再利用形態(tài)學(xué)開(kāi)閉運(yùn)算進(jìn)行濾波，并二值化，通過(guò)填充孔洞和邊界清除，便得到了完整且清晰的運(yùn)動(dòng)目標(biāo)區(qū)域。

4 實(shí)驗(yàn)結(jié)果

本文對(duì)自然環(huán)境下，地鐵站視頻圖像進(jìn)行分析，在背景較為復(fù)雜的情況下，實(shí)現(xiàn)了運(yùn)動(dòng)人體檢測(cè)。采用數(shù)學(xué)形態(tài)學(xué)處理，能夠滿足硬件并行計(jì)算的要求，同時(shí)滿足了地鐵站視頻監(jiān)控系統(tǒng)的實(shí)時(shí)性。從圖1可以看出，該方法可以正確分割運(yùn)動(dòng)行人。

5 結(jié)束語(yǔ)

提出了一種將背景建模與形態(tài)學(xué)相結(jié)合的行人檢測(cè)算法。通過(guò)對(duì)地鐵站監(jiān)控圖像分析，該算法能在較為復(fù)雜的環(huán)境中，準(zhǔn)確建模，解決了運(yùn)動(dòng)目標(biāo)區(qū)域定位問(wèn)題；實(shí)現(xiàn)了人體分割。但是，若地鐵站行人較為密集，行人被一些物體遮擋以及光線過(guò)明、過(guò)暗等情況，該算法不能很好的提取目標(biāo)區(qū)域。

參考文獻(xiàn)：

[1] 車志富， 苗振江， 王夢(mèng)思. 地鐵視頻監(jiān)控系統(tǒng)中的行人檢測(cè)研究與應(yīng)用[J]. 現(xiàn)代城市軌道交通， 2010：31-36.

數(shù)學(xué)建模算法與實(shí)現(xiàn)范文第3篇

1軟測(cè)量建模方法解析

典型的軟測(cè)量模型結(jié)構(gòu)如圖1所示[3].與傳統(tǒng)儀表檢測(cè)技術(shù)相比,軟測(cè)量技術(shù)具有通用性和靈活性強(qiáng),易實(shí)現(xiàn)且成本低等優(yōu)點(diǎn)[1]。影響熱工過(guò)程參數(shù)軟測(cè)量精度的主要因素為數(shù)據(jù)的預(yù)處理方法、輔助變量的選擇、模型的算法和結(jié)構(gòu)等[4G5].由于現(xiàn)場(chǎng)采集的數(shù)據(jù)存在一定的誤差以及儀表測(cè)量誤差等,因此在建立軟測(cè)量模型時(shí)需要對(duì)建模數(shù)據(jù)進(jìn)行預(yù)處理,以消除誤差.此外,還需對(duì)算法中間及輸出結(jié)果進(jìn)行有效性檢測(cè),以避免輸出不合理的數(shù)據(jù).另外,輔助變量需要通過(guò)機(jī)理分析進(jìn)行初步確定,并且對(duì)其的選取需要考慮變量的類型、數(shù)量和測(cè)點(diǎn)位置等,同時(shí)需要注意輔助變量對(duì)系統(tǒng)運(yùn)行經(jīng)濟(jì)性、可靠性和可維護(hù)性等的影響,從而簡(jiǎn)化軟測(cè)量模型和提高軟測(cè)量精度.輔助變量選取的最佳數(shù)量與測(cè)量噪聲、過(guò)程自由度及模型不確定性等有關(guān),其下限值是待測(cè)主導(dǎo)變量的數(shù)量.所選輔助變量應(yīng)與主導(dǎo)變量密切相關(guān),且為與動(dòng)態(tài)特性相似的可測(cè)參數(shù),具有較強(qiáng)的魯棒性和抗過(guò)程輸出或不可測(cè)擾動(dòng)的能力,易于在線獲取,能夠滿足軟測(cè)量的精確度要求.由于某些熱工測(cè)量對(duì)象的輔助變量類型和數(shù)量很多,且各變量之間存在耦合關(guān)系,因此為了提高軟測(cè)模型性能和精度,需對(duì)輸入輔助變量進(jìn)行降維處理.由于在工業(yè)過(guò)程中通常采用同時(shí)確定輔助變量的測(cè)定位置和數(shù)量方法,因此對(duì)測(cè)點(diǎn)位置的選擇原則同于變量數(shù)量的選擇原則.在構(gòu)建軟測(cè)量機(jī)理模型過(guò)程中,要求具有足夠多能夠反映工況變化的過(guò)程參數(shù),并運(yùn)用化學(xué)反應(yīng)動(dòng)力學(xué)、質(zhì)量平衡、能量平衡等各種平衡方程,確定主導(dǎo)變量與一些可測(cè)輔助變量的關(guān)系.但是,經(jīng)若干過(guò)程簡(jiǎn)化后的軟測(cè)量機(jī)理模型難以保證測(cè)量精度,且有很多熱工過(guò)程機(jī)理尚不明確,因此難以對(duì)軟測(cè)量進(jìn)行機(jī)理建模.針對(duì)復(fù)雜的非線性熱工過(guò)程,辨識(shí)建模方法通過(guò)現(xiàn)場(chǎng)數(shù)據(jù)、試驗(yàn)測(cè)試或流程模擬,獲得工況變化過(guò)程中的輸入(輔助變量)和輸出(主導(dǎo)變量)數(shù)據(jù),根據(jù)兩者的數(shù)學(xué)關(guān)系建立軟測(cè)量模型.該方法主要有基于統(tǒng)計(jì)分析的主元分析(PCA)法和偏最小二乘(PLA)法、基于人工智能的神經(jīng)網(wǎng)絡(luò)(ANN)法、基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(SVM)法、模糊理論法等[6].

1．1主元分析方法

PCA法通過(guò)映射或變換對(duì)原數(shù)據(jù)空間進(jìn)行降維處理,將高維空間中的問(wèn)題轉(zhuǎn)化為低維空間中的問(wèn)題,新映射空間的變量由各原變量的線性組合生成[7].降維后數(shù)據(jù)空間在包含最少變量的同時(shí),盡量保持原數(shù)據(jù)集的多元結(jié)構(gòu)特征,以提高模型精度.通常,采用該方法對(duì)現(xiàn)場(chǎng)采集的系統(tǒng)輸入輸出變量數(shù)據(jù)進(jìn)行相關(guān)性分析,以優(yōu)選輔助變量集,并利用對(duì)應(yīng)的輸入輸出變量建立預(yù)測(cè)模型.但是,該方法受樣本噪聲影響較大,建立的模型較難理解.PCA法基于線性相關(guān)和高斯統(tǒng)計(jì)的假設(shè),而核主元分析(KPCA)法對(duì)非線性系統(tǒng)具有更好的特征抽取能力,因而針對(duì)飛灰含碳量等呈非線性特征的變量,基于KPCA法建立其軟測(cè)量模型,效果較好[8].

1．2偏最小二乘法PLA法

通過(guò)計(jì)算最小化誤差的平方和,匹配出數(shù)據(jù)變量的最優(yōu)函數(shù)組合,是一種數(shù)學(xué)優(yōu)化方法.該方法用最簡(jiǎn)化的方法求出某些難以計(jì)算的數(shù)值,通常被用于曲線擬合.偏最小二乘回歸(PLSR)法建立在PCA原理上,主要根據(jù)多因變量對(duì)多自變量的回歸建模,在解決樣本個(gè)數(shù)少于變量個(gè)數(shù)問(wèn)題時(shí),特別是當(dāng)各變量的線性關(guān)聯(lián)度較高時(shí)采用PLSR法建立其軟測(cè)量模型更為有效.

1．3人工神經(jīng)網(wǎng)絡(luò)

ANN法在理論上可在不具備對(duì)象先驗(yàn)知識(shí)的條件下,構(gòu)造足夠的樣本,建立輔助變量與主導(dǎo)變量的映射關(guān)系,從而通過(guò)網(wǎng)絡(luò)學(xué)習(xí)獲得ANN模型.ANN由許多節(jié)點(diǎn)(神經(jīng)元)相互連接構(gòu)成,每個(gè)節(jié)點(diǎn)代表一個(gè)特定的輸出函數(shù)(激勵(lì)函數(shù)),2個(gè)節(jié)點(diǎn)間的連接代表通過(guò)該連接信號(hào)的權(quán)重(ANN的記憶).選取ANN運(yùn)算模型的輔助變量和主導(dǎo)變量后,為使待測(cè)的主導(dǎo)變量近似于實(shí)際測(cè)量變量,還可利用最小二乘法、遺傳算法、聚類法等神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練己知結(jié)構(gòu)網(wǎng)絡(luò),通過(guò)不斷調(diào)整結(jié)構(gòu)的連接權(quán)值和閾值訓(xùn)練出擬合度最優(yōu)的ANN模型.ANN模型采用分布式并行信息處理算法,具有自學(xué)習(xí)、自適應(yīng)、聯(lián)想存儲(chǔ)(通過(guò)反饋網(wǎng)絡(luò)實(shí)現(xiàn))、高速尋找優(yōu)化解、較強(qiáng)在線校正能力、非線性逼近等特性,其在解決較強(qiáng)非線性和不確定性系統(tǒng)的擬合問(wèn)題具有較大優(yōu)勢(shì)[9],因此成為應(yīng)用最廣泛的一種熱工過(guò)程參數(shù)軟測(cè)量建模方法.但是,神經(jīng)網(wǎng)絡(luò)系統(tǒng)受訓(xùn)練樣本質(zhì)量、空間分布和訓(xùn)練算法等因素影響較大,外推能力較差,受黑箱式表達(dá)方式限制,模型的可解釋性較差.當(dāng)實(shí)際樣本空間超出訓(xùn)練樣本空間區(qū)域時(shí),模型輸出誤差較大.因此,實(shí)際工業(yè)過(guò)程中需定時(shí)對(duì)該方法的參數(shù)進(jìn)行校正.ANN還包括反向傳播神經(jīng)網(wǎng)絡(luò)(BP)和徑向基神經(jīng)網(wǎng)絡(luò)(RBF).BP模型將樣本輸入輸出問(wèn)題變?yōu)榉蔷€性優(yōu)化問(wèn)題,采用最優(yōu)梯度下降算法優(yōu)化并迭代求得最優(yōu)值.RBF包含輸入層、隱含層(隱層)和輸出層,為3層結(jié)構(gòu),隱層一般選取基函數(shù)作為傳遞函數(shù)(激勵(lì)函數(shù)),輸出層對(duì)隱層的輸出進(jìn)行線性加權(quán)組合,因此其節(jié)點(diǎn)為線性組合器.相比BP模型,RBF模型訓(xùn)練速度快,分類能力強(qiáng),具有全局逼近能力等.

1．4支持向量機(jī)法SVM法

以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則,是一種新型針對(duì)小樣本情況的機(jī)器統(tǒng)計(jì)學(xué)習(xí)方法.其需要滿足特定訓(xùn)練樣本學(xué)習(xí)精度的要求和具備準(zhǔn)確識(shí)別任意樣本的能力.該方法根據(jù)有限的訓(xùn)練樣本信息盡可能尋求模型復(fù)雜性和學(xué)習(xí)能力間的最優(yōu)關(guān)系,從而有效解決了基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的神經(jīng)網(wǎng)絡(luò)建模方法的欠學(xué)習(xí)或過(guò)學(xué)習(xí)問(wèn)題[10G11],且泛化能力強(qiáng),能夠保證較小的泛化誤差,對(duì)樣品依賴程度低,可以較好地對(duì)非線性系統(tǒng)進(jìn)行建模和預(yù)測(cè),是對(duì)小樣本情況分類及回歸等問(wèn)題極優(yōu)的解決方法.但是,當(dāng)樣本數(shù)據(jù)較大時(shí),傳統(tǒng)訓(xùn)練算法復(fù)雜的二次規(guī)劃問(wèn)題會(huì)導(dǎo)致SVM法計(jì)算速度較慢,不易于工程應(yīng)用,抗噪聲能力較差等,且參數(shù)選擇不當(dāng)會(huì)使模型性能變差.目前,對(duì)SVM法還沒(méi)有成熟的指導(dǎo)方法,基于經(jīng)驗(yàn)數(shù)據(jù)建模,則對(duì)模型精度的影響較大.對(duì)于工業(yè)過(guò)程對(duì)象,許多在SVM法基礎(chǔ)上進(jìn)行改進(jìn)的算法和混合算法被用于軟測(cè)量建模,并已取得了良好的試驗(yàn)效果.如基于最小二乘支持向量機(jī)(LSGSVM)法的建模方法將最小二乘線性系統(tǒng)的誤差平方和作為損失函數(shù)代替二次規(guī)劃方法,利用等式約束替代SVM法中的不等式約束.由于LSGSVM法只需求解1組線性等式方程組,因此顯著提高了計(jì)算速度和模型的泛化能力[12G13].與傳統(tǒng)SVM法相比,其訓(xùn)練時(shí)間更短,結(jié)果更具確定性,更適合工業(yè)過(guò)程的在線建模.1．5模糊理論法模糊理論法根據(jù)模糊邏輯和模糊語(yǔ)言規(guī)則求解新的模糊結(jié)果[14].由專家構(gòu)造模糊邏輯語(yǔ)言信息,并轉(zhuǎn)化為控制策略,從而解決模型未知或模型不確定性的復(fù)雜工業(yè)問(wèn)題,尤其適合被測(cè)對(duì)象不確定,難以用數(shù)學(xué)方式定量描述的軟測(cè)量建模[15G16].模糊理論法不需要被測(cè)對(duì)象的精確數(shù)學(xué)模型,但模糊系統(tǒng)本身不具有學(xué)習(xí)功能,如果能夠?qū)⑵渑c人工神經(jīng)網(wǎng)絡(luò)等人工智能方法相結(jié)合,則可提高軟測(cè)量的性能.

2軟測(cè)量技術(shù)研究現(xiàn)狀

目前,軟測(cè)量的機(jī)理、偏最小二乘、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊建模等方法均屬于全局建模方法,而這些方法均存在待定參數(shù)過(guò)多、在線和離線參數(shù)難以同時(shí)用于建模、模型結(jié)構(gòu)較難確定等問(wèn)題.因此,20世紀(jì)60年代末,Bates等[17]提出了將幾個(gè)模型相加的方法,該方法可以有效提高模型的魯棒性和預(yù)測(cè)精度.該方法將系統(tǒng)首先拆分為多個(gè)子系統(tǒng),然后分別對(duì)每個(gè)子系統(tǒng)建模并相加.全局模型被視為各子模型的組合,從而不僅可提高模型對(duì)熱工過(guò)程參數(shù)的描述性能,而且較單一模型具有更高的精度.通常,在多模型建模時(shí),首先通過(guò)機(jī)理分析建立帶參數(shù)的機(jī)理模型,并利用輸入輸出數(shù)據(jù)對(duì)模型待測(cè)參數(shù)進(jìn)行辨識(shí).而對(duì)機(jī)理尚不清楚的部分,則采用數(shù)據(jù)建模,即根據(jù)輸入輸出數(shù)據(jù)構(gòu)建補(bǔ)償器進(jìn)行誤差補(bǔ)償.基于此,本文以主要熱工過(guò)程參數(shù)為對(duì)象,綜述軟測(cè)量技術(shù)的研究現(xiàn)狀.

2．1鋼球磨煤機(jī)負(fù)荷、風(fēng)量和出口溫度

鋼球磨煤機(jī)(球磨機(jī))制粉系統(tǒng)的用電量在電站廠用電中占比可高達(dá)15％.目前對(duì)球磨機(jī)煤量的測(cè)量方法有差壓法、電流法、噪音法、物位法、振動(dòng)法等[18],但這些方法都難以精確地測(cè)量球磨機(jī)煤量,從而導(dǎo)致制粉系統(tǒng)自動(dòng)控制品質(zhì)欠佳,使電耗量增加.建立球磨機(jī)負(fù)荷與相關(guān)輔助變量的關(guān)系,可實(shí)現(xiàn)球磨機(jī)負(fù)荷、煤量的軟測(cè)量.輔助變量可選為給煤量、熱風(fēng)量、再循環(huán)風(fēng)量、球磨機(jī)出口溫度及出入口壓差、球磨機(jī)電流等[19].王東風(fēng)和宋之平[20]采用前向復(fù)合型人工神經(jīng)網(wǎng)絡(luò)建立了基于分工況學(xué)習(xí)的變結(jié)構(gòu)式負(fù)荷模型,以測(cè)量球磨機(jī)負(fù)荷,其正常運(yùn)行工況下采用延時(shí)神經(jīng)網(wǎng)絡(luò)法負(fù)荷模型,球磨機(jī)出口煤量較小(趨于堵煤)時(shí)采用回歸神經(jīng)網(wǎng)絡(luò)法負(fù)荷模型,并通過(guò)仿真試驗(yàn)和實(shí)測(cè)數(shù)據(jù)證明了該建模方法的可行性和有效性,對(duì)運(yùn)行指導(dǎo)也取得了較好的效果.司剛?cè)萚21]提出了基于復(fù)合式神經(jīng)網(wǎng)絡(luò)的球磨機(jī)負(fù)荷軟測(cè)量方法,選取球磨機(jī)噪音及出入口壓差、出口溫度、球磨機(jī)電流等作為輔助變量,獲得了球磨機(jī)負(fù)荷變化規(guī)律.趙宇紅等[22]基于神經(jīng)網(wǎng)絡(luò)和混沌信息技術(shù)建立了球磨機(jī)出力軟測(cè)量模型,仿真結(jié)果表明該模型能夠預(yù)測(cè)穩(wěn)態(tài)和動(dòng)態(tài)過(guò)程中的球磨機(jī)出力.湯健等[23]則提出了基于多源數(shù)據(jù)特征融合的軟測(cè)量方法,其采用核主元分析提取各頻段的非線性特征,建立了基于最小二乘支持向量機(jī)的模型,該算法運(yùn)算精度較高.張炎欣[24]在即時(shí)學(xué)習(xí)策略建?？蚣芟?首先通過(guò)灰色關(guān)聯(lián)分析方法確定主要的輔助變量,隨后采用混合優(yōu)化算法進(jìn)行支持向量機(jī)模型計(jì)算,發(fā)現(xiàn)其結(jié)果相比標(biāo)準(zhǔn)支持向量機(jī)模型和BP神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測(cè)性能.磨煤機(jī)一次風(fēng)量的準(zhǔn)確測(cè)量是確定合理風(fēng)煤比,提高鍋爐燃燒效率的重要因素.因此,楊耀權(quán)等[25G26]基于BP神經(jīng)網(wǎng)絡(luò)選取42個(gè)輔助變量建立了磨煤機(jī)一次風(fēng)量的軟測(cè)量模型,通過(guò)對(duì)某電廠數(shù)據(jù)的測(cè)試,驗(yàn)證了該方法較現(xiàn)場(chǎng)流量測(cè)量?jī)x表輸出值更準(zhǔn)確,同時(shí)基于支持向量機(jī)回歸方法建立的風(fēng)量模型也較流量測(cè)量?jī)x表的精度高,且能夠適應(yīng)機(jī)組變化.此外,梁秀滿和孫文來(lái)[27]基于熱平衡原理進(jìn)行了機(jī)理建模,實(shí)現(xiàn)了球磨機(jī)出口溫度的軟測(cè)量.

2．2煤質(zhì)

電站鍋爐入爐煤質(zhì)對(duì)機(jī)組安全、經(jīng)濟(jì)運(yùn)行影響較大.對(duì)此,劉福國(guó)等[28G29]利用煙氣成分、磨煤機(jī)運(yùn)行狀態(tài)、煤灰分和煤元素成分等建立了入爐煤軟測(cè)量機(jī)理模型,實(shí)現(xiàn)了入爐煤質(zhì)元素成分和發(fā)熱量的在線監(jiān)測(cè).董實(shí)現(xiàn)和徐向東[30]利用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建辨識(shí)模型,并進(jìn)行了鍋爐煤種低位發(fā)熱量模型參數(shù)的辨識(shí),其辨識(shí)誤差在2％以內(nèi).馬萌萌[31]利用BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行建模,研究了煤質(zhì)元素分析,并利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)各層連接值進(jìn)行了提前尋優(yōu),結(jié)果表明經(jīng)遺傳算法優(yōu)化后的模型較單純BP神經(jīng)網(wǎng)絡(luò)模型誤差更小.巨林倉(cāng)等[32]采用遺傳算法與BP網(wǎng)絡(luò)聯(lián)合的建模方式,分析了煤粉從制粉系統(tǒng)到完全燃燒的過(guò)程,結(jié)果表明煤質(zhì)在線軟測(cè)量模型能夠有效預(yù)測(cè)煤種揮發(fā)分、固定碳含量和低溫發(fā)熱量.

2．3風(fēng)煤比

電站鍋爐各燃燒器出口的風(fēng)煤比不能相差太大,否則可能造成鍋爐中心火焰偏移、燃燒不穩(wěn)定、結(jié)焦等問(wèn)題.對(duì)此:金林等[33]基于氣固兩相流理論進(jìn)行了機(jī)理建模,根據(jù)乏氣送粉方式下風(fēng)粉混合前后的壓力差計(jì)算了風(fēng)煤比,通過(guò)理論推導(dǎo)和仿真試驗(yàn)發(fā)現(xiàn),風(fēng)煤比計(jì)算值與混合壓差呈良好的對(duì)應(yīng)關(guān)系;陳小剛和金秀章[34]通過(guò)對(duì)風(fēng)煤比機(jī)理模型的研究,發(fā)現(xiàn)一次風(fēng)與煤粉混合后管道內(nèi)壓差呈明顯的線性關(guān)系;劉穎[35]將給粉機(jī)轉(zhuǎn)速、風(fēng)粉混合前后動(dòng)壓、風(fēng)粉溫度等作為輔助變量,采用機(jī)理建模與支持向量機(jī)相結(jié)合的方法,進(jìn)行風(fēng)煤比軟測(cè)量建模,仿真結(jié)果顯示所建模型性能優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)模型.

2．4煙氣含氧量

目前主要使用熱磁式傳感器和氧化鋯傳感器等測(cè)量鍋爐煙氣含氧量,其存在測(cè)量誤差大、反應(yīng)速度慢、成本高、使用壽命短等問(wèn)題.對(duì)此,采用軟測(cè)量方法測(cè)量煙氣含氧量.鍋爐煙氣含氧量主要受煤質(zhì)、煤粉未完全燃盡、爐膛漏風(fēng)等因素影響,因此選取總?cè)剂狭?、風(fēng)機(jī)風(fēng)量和電流、再熱蒸汽溫度、汽包壓力、爐膛出口煙溫、鍋爐給水流量等參數(shù)作為輔助變量.韓璞等[36]構(gòu)建了電站鍋爐煙氣含氧量的復(fù)合型神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型,并在不同機(jī)組負(fù)荷下通過(guò)實(shí)測(cè)方法驗(yàn)證了該模型的有效性.盧勇和徐向東[37]提出了基于統(tǒng)計(jì)分析和神經(jīng)網(wǎng)絡(luò)的偏最小二乘(NNPLS)法建立鍋爐煙氣含氧量軟測(cè)量模型的方法,并進(jìn)行了穩(wěn)態(tài)和動(dòng)態(tài)建模,結(jié)果表明所建模型具有很強(qiáng)的泛化能力.陳敏[38]引入主元分析理論和偏最小二乘法進(jìn)行了輔助變量的優(yōu)化選取,并采用BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了對(duì)煙氣含氧量的預(yù)測(cè)分析.熊志化[39]進(jìn)行了基于支持向量機(jī)的煙氣含氧量軟測(cè)量,通過(guò)8個(gè)輔助變量進(jìn)行訓(xùn)練,并得出優(yōu)于傳統(tǒng)氧量分析儀和RBF神經(jīng)網(wǎng)絡(luò)模型的結(jié)論,尤其是在小樣本情況下.張倩和楊耀權(quán)[40]采用了類似的支持向量機(jī)回歸模型取得了良好的仿真結(jié)果.章云鋒[41]提出了基于最小二乘支持向量機(jī)的煙氣含氧量軟測(cè)量模型.張炎欣等[24,42]采用基于即時(shí)學(xué)習(xí)策略的改進(jìn)型支持向量機(jī)建立了煙氣含氧量軟測(cè)量模型,得到了與球磨機(jī)負(fù)荷相似的結(jié)論.王宏志等[43]構(gòu)建最小二乘支持向量機(jī)模型時(shí)應(yīng)用粒子群算法解決了多參數(shù)優(yōu)化的問(wèn)題,并將其應(yīng)用于煙氣含氧量建模中后,獲得了較好的效果.趙征[44]等采用機(jī)理分析與統(tǒng)計(jì)分析相結(jié)合的建模方法,建立了一系列局部變量的軟計(jì)算模型,較好地反映煙氣含氧量的變化.

2．5飛灰含碳量

燃燒失重法是測(cè)試飛灰含碳量的傳統(tǒng)分析方法.該方法測(cè)試時(shí)間長(zhǎng)、所得結(jié)果無(wú)法實(shí)時(shí)反映飛灰含碳量,而反射法、微波吸收法,由于缺乏在線測(cè)量技術(shù)或成本較高,難以大規(guī)模應(yīng)用于在線測(cè)量[45].煤質(zhì)和鍋爐運(yùn)行參數(shù)是影響飛灰含碳量的主要參數(shù),因此燃煤收到基低位發(fā)熱量、揮發(fā)分、灰分、水分,以及鍋爐負(fù)荷、磨煤機(jī)給煤量、省煤器出口煙氣含氧量、燃燒器擺動(dòng)角度、爐膛風(fēng)量和風(fēng)壓等參數(shù)可被選為輔助變量.對(duì)灰含碳量的軟測(cè)量難以采用機(jī)理建模方法.而B(niǎo)P神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的非線性擬合能力和學(xué)習(xí)簡(jiǎn)單的規(guī)則等優(yōu)點(diǎn)被廣泛用灰含碳量的軟測(cè)量.周昊等[46]采用BP神經(jīng)網(wǎng)絡(luò)算法建立了電站鍋爐的飛灰含碳量模型,該模型輸出結(jié)果與試驗(yàn)實(shí)測(cè)結(jié)果基本吻合.李智等[47]采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了飛灰含碳量的建模和分析,得到了良好的預(yù)測(cè)結(jié)果.趙新木等[48]選取11個(gè)輔助變量進(jìn)行了改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的計(jì)算和預(yù)測(cè),并探討了燃燒器擺動(dòng)角度、鍋爐燃料特性、煤粉細(xì)度、過(guò)量空氣系數(shù)等單變量對(duì)飛灰含碳量的影響.王春林等[49]和劉長(zhǎng)良等[50]分別采用基于支持向量機(jī)回歸算法和最小二乘支持向量機(jī)算法進(jìn)行建模,結(jié)果顯示支持向量機(jī)法相比BP神經(jīng)網(wǎng)絡(luò)法等建模方法具有學(xué)習(xí)速度快、泛化能力強(qiáng)、對(duì)樣本依賴低等優(yōu)點(diǎn).陳敏生和劉定平[8]利用最小二乘支持向量機(jī)建立了飛灰含碳量軟測(cè)量模型,并采用KPCA法提取變量特征數(shù)據(jù)處理非線性數(shù)據(jù),通過(guò)在四角切圓燃燒鍋爐上的仿真試驗(yàn)驗(yàn)證了所建模型的有效性和優(yōu)越性.

2．6燃燒優(yōu)化

高效低污染是電站鍋爐燃燒優(yōu)化的目標(biāo).顧燕萍等[51]基于最小二乘支持向量機(jī)算法建立了鍋爐燃燒模型,進(jìn)行了排煙溫度、飛灰含碳量、NOx排放量等參數(shù)的軟測(cè)量研究,隨后采用遺傳算法對(duì)鍋爐運(yùn)行工況進(jìn)行尋優(yōu),得到了燃燒優(yōu)化方案,研究結(jié)果表明該算法比BP神經(jīng)網(wǎng)絡(luò)算法性能更優(yōu)越.王春林[11]建立了基于支持向量機(jī),并以鍋爐主要燃燒試驗(yàn)數(shù)據(jù)為輔助變量的軟測(cè)量模型,其將遺傳算法與支持向量機(jī)模型相結(jié)合,使得對(duì)飛灰含碳量、排煙溫度、NOx排放量的軟測(cè)量取得了良好的優(yōu)化效果.高芳等[52]以鍋爐熱效率和NOx排放量為輸入?yún)?shù),建立了最小二乘支持向量機(jī)模型,試驗(yàn)結(jié)果表明模型輸出誤差很小,良好的參數(shù)組合可為鍋爐優(yōu)化運(yùn)行提供指導(dǎo).

2．7其他熱工參數(shù)

對(duì)于主蒸汽溫度、汽包水位、省煤器積灰、煙氣污染物排放量等參數(shù),學(xué)者們也進(jìn)行了軟測(cè)量研究.熊志化等[53]對(duì)主蒸汽流量進(jìn)行了軟測(cè)量,以給水溫度等為輔助變量的歷史數(shù)據(jù)仿真結(jié)果表明,支持向量機(jī)算法較RBF神經(jīng)網(wǎng)絡(luò)算法具有明顯優(yōu)勢(shì).何麗娜[54]提出了基于現(xiàn)場(chǎng)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)建模,與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)建模相比,無(wú)需數(shù)學(xué)表達(dá)式和傳遞函數(shù),只需要現(xiàn)場(chǎng)數(shù)據(jù),以主蒸汽溫度系統(tǒng)為建模對(duì)象,采用主元分析法對(duì)建模數(shù)據(jù)進(jìn)行預(yù)處理,降維后,通過(guò)分析過(guò)熱器運(yùn)行機(jī)理確定了輔助變量,并合理預(yù)測(cè)了主蒸汽溫度.梅華[16]提出了基于模糊辨識(shí)的自適應(yīng)預(yù)測(cè)控制算法,并應(yīng)用于發(fā)電廠主蒸汽溫度控制中,仿真結(jié)果表明該算法具有良好的負(fù)荷適應(yīng)性.李濤永等[55]以給煤量設(shè)定值為輸入,主蒸汽壓力為輸出,利用聚類分析方法將熱工過(guò)程的非線性問(wèn)題分解并轉(zhuǎn)化為若干個(gè)工況點(diǎn)的線性問(wèn)題,得出了辨識(shí)模型及其擬合曲線.張小桃等[56]根據(jù)機(jī)組運(yùn)行機(jī)理,利用主元分析法、多變量統(tǒng)計(jì)監(jiān)測(cè)理論等確定不同機(jī)組運(yùn)行過(guò)程中影響汽包水位變化的主導(dǎo)因素.王少華[57]建立了基于機(jī)理分析與數(shù)據(jù)統(tǒng)計(jì)分析方法相結(jié)合的鍋爐汽包水位軟測(cè)量模型,試驗(yàn)結(jié)果表明該模型可較好地反映鍋爐參數(shù)在典型擾動(dòng)工況下的汽包水位動(dòng)態(tài)特性.王建國(guó)等[58]采用機(jī)理分析建模,以省煤器進(jìn)出口煙氣溫度、省煤器管壁溫度、煙氣流速等為輔助變量,對(duì)在線監(jiān)測(cè)鍋爐省煤器積灰的軟測(cè)量進(jìn)行了分析.楊志[59G62]選取經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)SO2排放量進(jìn)行了預(yù)測(cè)研究,其選取了硫分、負(fù)荷、給煤量、過(guò)量空氣系數(shù)、排煙溫度等參數(shù)作為模型輸入變量,SO2排放量作為輸出變量,試驗(yàn)結(jié)果表明該方法能夠滿足在線監(jiān)測(cè)SO2排放量的要求.

3結(jié)語(yǔ)

數(shù)學(xué)建模算法與實(shí)現(xiàn)范文第4篇

關(guān)鍵詞：建模算法 指示克里金 序貫指示模擬

一、確定性建模方法和隨機(jī)建模方法

1.確定性建模方法

確定性建模是對(duì)井間未知區(qū)給出確定性的預(yù)測(cè)結(jié)果，即從已知確定性資料的控制點(diǎn)（如井點(diǎn)）出發(fā)，推測(cè)出點(diǎn)間（如井間）確定的、惟一的和真實(shí)的儲(chǔ)層參數(shù)。主要手段是利用地震資料、水平井資料、露頭類比資料和密井網(wǎng)資料1。利用插值方法對(duì)井間參數(shù)進(jìn)行內(nèi)插和外推是確定性建模的主要方法。插值方法包括數(shù)理統(tǒng)計(jì)插值方法和地質(zhì)統(tǒng)計(jì)學(xué)克里金插值方法。其中克里金插值方法是最常用的插值方法。由于儲(chǔ)層的隨機(jī)性，儲(chǔ)層預(yù)測(cè)結(jié)果便具有多解性。因此，應(yīng)用確定性建模方法作出的唯一的預(yù)測(cè)結(jié)果便具有一定的不確定性，以此作為決策基礎(chǔ)便具有風(fēng)險(xiǎn)性。為此，人們廣泛應(yīng)用隨機(jī)模擬方法對(duì)儲(chǔ)層進(jìn)行建模和預(yù)測(cè)。

2.隨機(jī)建模方法

所謂隨機(jī)建模，是指以已知的信息為基礎(chǔ)，以隨機(jī)函數(shù)為理論，應(yīng)用隨機(jī)模擬方法，產(chǎn)生可選的、等可能的儲(chǔ)層模型的方法2。這種方法承認(rèn)控制點(diǎn)以外的儲(chǔ)層參數(shù)具有一定的不確定性，即具有一定的隨機(jī)性。因此采用隨機(jī)建模方法所建立的儲(chǔ)層模型不是一個(gè)，而是多個(gè)，即一定范圍內(nèi)的幾種可能實(shí)現(xiàn)（即所謂可選的儲(chǔ)層模型，以滿足油田開(kāi)發(fā)決策在一定風(fēng)險(xiǎn)范圍的正確性的需要，這是與確定性建模方法的重要差別。對(duì)于每一種實(shí)現(xiàn)（即模型），所模擬參數(shù)的統(tǒng)計(jì)學(xué)理論分布特征與控制點(diǎn)參數(shù)值統(tǒng)計(jì)分布是一致的。各個(gè)實(shí)現(xiàn)之間的差別則是儲(chǔ)層不確定性的直接反映。如果所有實(shí)現(xiàn)都相同或相差很小，說(shuō)明模型中的不確定性因素少；如果各實(shí)現(xiàn)之間相差較大，則說(shuō)明不確定性大。隨機(jī)模擬與克里金插值法有較大的差別，主要表現(xiàn)在以下三個(gè)方面：

2.1克里金插值法為局部估計(jì)方法，力圖對(duì)待估點(diǎn)的未知值作出最優(yōu)（估計(jì)方差最?。┑?、無(wú)偏（估計(jì)值均值與觀測(cè)點(diǎn)值均值相同）的估計(jì)，而不專門考慮所有估計(jì)值的空間相關(guān)性，而模擬方法首先考慮的是模擬值的全局空間相關(guān)性，其次才是局部估計(jì)值的精確程度。

2.2克里金插值法給出觀測(cè)點(diǎn)間的光滑估值（如繪出研究對(duì)象的平滑曲線圖），而削弱了真實(shí)觀測(cè)數(shù)據(jù)的離散性（插值法為減小估計(jì)方差，對(duì)真實(shí)觀測(cè)數(shù)據(jù)的離散性進(jìn)行了平滑處理），從而忽略了井間的細(xì)微變化；而條件隨機(jī)模擬結(jié)果在在光滑趨勢(shì)上加上系統(tǒng)的“隨機(jī)噪音”，這一“隨機(jī)噪音”正是井間的細(xì)微變化。雖然對(duì)于每一個(gè)局部的點(diǎn)，模擬值并不完全是真實(shí)的，估計(jì)方差甚至比插值法更大，但模擬曲線能更好地表現(xiàn)真實(shí)曲線的波動(dòng)情況（圖3-1）。

2.3克里金插值法（包括其它任何插值方法）只產(chǎn)生一個(gè)儲(chǔ)層模型，因而不能了解和評(píng)價(jià)模型中的不確定性，而隨機(jī)模擬則產(chǎn)生許多可選的模型，各種模型之間的差別正是空間不確定性的反映。

二、指示克里金建模算法和序貫指示模擬算法

克里金方法（Kriging）， 亦稱克里金技術(shù)， 或克里金，為確定性建模方法，是以南非礦業(yè)工程師D.G.Krige（克里金）名字命名的一項(xiàng)實(shí)用空間估計(jì)技術(shù)， 是地質(zhì)統(tǒng)計(jì)學(xué)的重要組成部3。 克里金估計(jì)是一種局部估計(jì)的方法。它所提供的是區(qū)域化變量在一個(gè)局部區(qū)域的平均值的最佳估計(jì)量，即最優(yōu)（即估計(jì)方差最小）、無(wú)偏（估計(jì)誤差的數(shù)學(xué)期望為0）的估計(jì)。 克里金估計(jì)所利用的信息，通常為一組實(shí)測(cè)數(shù)據(jù)及其相應(yīng)的空間結(jié)構(gòu)信息。應(yīng)用變差函數(shù)模型所提供的空間結(jié)構(gòu)信息，通過(guò)求解克里金方程組計(jì)算局部估計(jì)的加權(quán)因子即克里金系數(shù)，然后進(jìn)行加權(quán)線性估計(jì)。克里金方法是一種實(shí)用的、有效的插值方法。它優(yōu)于傳統(tǒng)方法（如三角剖分法，距離反比加權(quán)法等），在于它不僅考慮到被估點(diǎn)位置與已知數(shù)據(jù)位置的相互關(guān)系，而且還考慮到已知點(diǎn)位置之間的相互聯(lián)系，因此更能反映客觀地質(zhì)規(guī)律，估值精度相對(duì)較高，是定量描述儲(chǔ)層的有力工具。指示克里金方法是一種基于指示變換值的克里金方法，即對(duì)指示值而不是原始值進(jìn)行克里金插值，其核心算法則借用上述克里金方法。

序貫指示模擬屬于基于象元的隨機(jī)建模方法范疇，其算法核心是將序貫?zāi)M算法應(yīng)用于指示模擬中。算法特點(diǎn)：既可用于離散的類型變量，又可用于離散化的連續(xù)變量類別的隨機(jī)模擬。兩個(gè)算法的特性對(duì)比表如下：

指示克里金算法和序貫指示模擬的共同點(diǎn)是都結(jié)合了指示變換方法，因此都可以對(duì)離散變量進(jìn)行模擬（其他克里金方法是不能模擬離散變量的）。對(duì)于具有不同連續(xù)性分布的變量（如沉積相），可給定不同的變差函數(shù)，所以可用于模擬變異性較大的分布復(fù)雜的數(shù)據(jù)。另外兩者都可以結(jié)合軟數(shù)據(jù)。由于克里金插值法為光滑內(nèi)插方法，所以指示克里金也具有這種光滑效應(yīng)，做出來(lái)的砂體很光滑，更容易被地質(zhì)人員接受。但是為減小估計(jì)方差而對(duì)真實(shí)觀測(cè)數(shù)據(jù)的離散性進(jìn)行了平滑處理，雖然可以得到由于光滑而更美觀的等值線圖或三維圖，但一些有意義的異常帶也可能被光滑作用而“光滑”掉了。指示克里金與序貫指示相比主要的弱點(diǎn)是空間數(shù)據(jù)的分布。所以當(dāng)有好的地震數(shù)據(jù)時(shí)，砂體的分布也就確定了，這樣就彌補(bǔ)了指示克里金空間數(shù)據(jù)分布的問(wèn)題，但是指示克里金的模擬結(jié)果具有光滑效應(yīng)，所以指示克里金和序貫指示算法同時(shí)當(dāng)結(jié)合地震數(shù)據(jù)時(shí)，使用指示克里金的模擬效果會(huì)比序貫指示模擬的算法效果好，模擬的砂體更連續(xù)和光滑。

三、結(jié)論

1.建模前根據(jù)數(shù)據(jù)資料和地質(zhì)情況確定使用確定性建模方法和隨機(jī)建模方法

2.建模如果有高分辨率的地震資料時(shí)，使用指示克里金算法比序貫指示模擬算法模擬出的砂體更連續(xù)。

參考文獻(xiàn)

[1] 劉穎等.儲(chǔ)層地質(zhì)建模方法.中外科技情報(bào).1994.

數(shù)學(xué)建模算法與實(shí)現(xiàn)范文第5篇

關(guān)鍵詞:系統(tǒng)模擬與仿真;課程教學(xué);實(shí)例演示

中圖分類號(hào):TP391文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2010)22-6369-03

Simulation Exemplars for System Simulation Course

HUANG Han-ming

(College of Computer Science and Information Engineering, Guangxi Normal University, Guilin 541004, China)

Abstract: This paper briefly narrates the general concepts of system and various system theories, and introduces the necessity of system simulation for the researches of systems. Then the teaching purpose and main contents of system simulation course are given. After that, some understandings in this course teaching experiences are presents. Finally, several having applied measures which might be helpful to enhance the effect of teaching are discussed:reinforce simulation principles teaching, guide students broadening scope of knowledge, use simulation case studies as education emphases

Key words: system simulation; course pedagogy; exemplar demonstration

系統(tǒng)是一個(gè)與環(huán)境相對(duì)的概念,任何相互聯(lián)系、相互影響、相互作用的部分所組成的一個(gè)整體皆可稱為一個(gè)系統(tǒng)。系統(tǒng)的各個(gè)組成部分之間,通過(guò)物質(zhì)、能量和信息的交換而相互關(guān)聯(lián)、相互影響、相互作用;系統(tǒng)與環(huán)境之間,亦存在著物質(zhì)、能量和信息的輸入、輸出關(guān)系。早在古代中國(guó)和古希臘的哲學(xué)中,就包含樸素的系統(tǒng)思想。隨著社會(huì)的發(fā)展和近、現(xiàn)代科學(xué)技術(shù)的興起與進(jìn)步,在軍事、工程、經(jīng)濟(jì)、社會(huì)等諸多領(lǐng)域,都存在著大量的有關(guān)系統(tǒng)的問(wèn)題。為解決這些問(wèn)題,20世紀(jì)40年代相繼產(chǎn)生了運(yùn)籌學(xué)、控制論、信息論和一般系統(tǒng)論等系統(tǒng)理論;20世紀(jì)40年代以來(lái),系統(tǒng)理論被大量應(yīng)用于工程實(shí)踐,系統(tǒng)工程應(yīng)用學(xué)科迅速發(fā)展,同時(shí)其他科學(xué)技術(shù)學(xué)科也在不斷獲得新的突破與發(fā)展,從而對(duì)各種系統(tǒng)的性質(zhì)和規(guī)律的認(rèn)識(shí)在不斷深入,產(chǎn)生的一些新的系統(tǒng)理論:耗散結(jié)構(gòu)理論、協(xié)同學(xué)、動(dòng)力系統(tǒng)理論、混沌理論、突變論等。

當(dāng)前,對(duì)復(fù)雜及復(fù)雜適應(yīng)系統(tǒng)的研究是系統(tǒng)科學(xué)這門學(xué)科的熱點(diǎn)。國(guó)際上,有關(guān)復(fù)雜系統(tǒng)的系統(tǒng)科學(xué)研究可分為三個(gè)主要學(xué)派:“歐洲學(xué)派” ―― 以非線性自組織理論為核心內(nèi)容的系統(tǒng)理論(系統(tǒng)元素為無(wú)機(jī)物,源于物理、化學(xué)系統(tǒng));“美國(guó)學(xué)派” ―― 以圣菲研究所(SFI)為代表的理論框架(系統(tǒng)元素為有機(jī)物,具主動(dòng)性,源于生物系統(tǒng));“中國(guó)學(xué)派” ―― 以開(kāi)放的復(fù)雜巨系統(tǒng)理論為核心的體系(系統(tǒng)元素為“人”,源于大工程協(xié)作系統(tǒng))。其實(shí),這三個(gè)主要學(xué)派的主要區(qū)別只是從系統(tǒng)的不同層次為出發(fā)點(diǎn)去把握系統(tǒng)的性質(zhì)和規(guī)律;它們的共同點(diǎn)可認(rèn)為是要從整體上去認(rèn)識(shí)問(wèn)題和解決問(wèn)題,對(duì)系統(tǒng)的許多性質(zhì),部分和的累加并不一定等于整體,整體很可能大于部分和,由于涌現(xiàn)性,整體會(huì)出現(xiàn)一些任一部分所不曾擁有的新性質(zhì)。

由于現(xiàn)實(shí)系統(tǒng)的廣泛性、多樣性和復(fù)雜性,如果直接對(duì)系統(tǒng)進(jìn)行觀測(cè)、實(shí)驗(yàn)和研究,可能會(huì)對(duì)真實(shí)系統(tǒng)造成破壞性影響而且可重復(fù)性很可能也差,或者用真實(shí)系統(tǒng)試驗(yàn)時(shí)間過(guò)長(zhǎng),或費(fèi)用太昂貴。對(duì)于工程系統(tǒng),在系統(tǒng)建立之前需要對(duì)其結(jié)構(gòu)、行為特性開(kāi)展研究,但真實(shí)系統(tǒng)尚不存在。這些情況下,系統(tǒng)的模擬仿真是唯一可行的研究手段。

1 系統(tǒng)模擬仿真課程的教學(xué)目的

系統(tǒng)模擬仿真課程的教學(xué)目的為:培養(yǎng)學(xué)生科學(xué)分析和解決各類學(xué)科中出現(xiàn)的一般復(fù)雜系統(tǒng)問(wèn)題的能力,掌握多種解決各種復(fù)雜系統(tǒng)問(wèn)題的研究、設(shè)計(jì)與分析方法。通過(guò)本課程的教學(xué),希望學(xué)生能了解系統(tǒng)模型的形式化描述;掌握連續(xù)系統(tǒng)的時(shí)域與頻域建模仿真方法:龍格-庫(kù)塔法、線性多步法、離散相似法、替換法、根匹配法等;了解離散事件系統(tǒng)的一般概念和離散事件系統(tǒng)的建模工具――Petri網(wǎng),掌握經(jīng)典的離散事件系統(tǒng):單服務(wù)臺(tái)與多服務(wù)臺(tái)排隊(duì)系統(tǒng),庫(kù)存系統(tǒng)等的仿真方法;掌握離散事件系統(tǒng)的仿真輸出數(shù)據(jù)的分析方法;了解現(xiàn)代仿真技術(shù)――虛擬現(xiàn)實(shí)技術(shù)的一般概念、分析建模方法和和基于Agent的的建模方法及Swarm仿真和分布建模仿真。

系統(tǒng)科學(xué)專業(yè)碩士點(diǎn)的設(shè)立是為了滿足國(guó)家和廣西的經(jīng)濟(jì)和社會(huì)發(fā)展的需要,旨在培養(yǎng)高層次的復(fù)合型研究與管理人才。系統(tǒng)科學(xué)專業(yè)碩士點(diǎn)有兩個(gè)專業(yè):系統(tǒng)理論和系統(tǒng)分析與集成,其中系統(tǒng)理論專業(yè)從2004年起開(kāi)始面向全國(guó)招生,系統(tǒng)分析與集成專業(yè)從2006年起招生。系統(tǒng)模擬仿真課程是系統(tǒng)科學(xué)專業(yè)碩士生的必修課程,本人從2006年起到目前為止連續(xù)5年擔(dān)任了本門課程的任課教師,在此對(duì)這幾年的教學(xué)實(shí)踐作些總結(jié),以圖對(duì)本課程后續(xù)的教學(xué)水平的提高和教學(xué)效果的完善能有所幫助。

2 課程基礎(chǔ)建設(shè)

專業(yè)課程與選修課程的組成,不同課程的先后安排和教材的選擇對(duì)教學(xué)目的之達(dá)成與教學(xué)效果之提高至關(guān)重要。系統(tǒng)模擬仿真課程的先修課程為:控制理論,概率統(tǒng)計(jì),至少一種通用程序設(shè)計(jì)語(yǔ)言(如:C/C++程序設(shè)計(jì)語(yǔ)言和Matlab編程語(yǔ)言)。這幾年教學(xué)過(guò)程中的有些學(xué)期,在本課程剛開(kāi)始時(shí),有些學(xué)生反映從未接觸過(guò)其中一門或兩門先修課程,應(yīng)學(xué)生的要求,用一、兩次課程的時(shí)間介紹相應(yīng)課程,解釋其中的重要內(nèi)容,并鼓勵(lì)學(xué)生自學(xué)相應(yīng)課程,難懂之處同學(xué)之間互相探討,并及時(shí)向老師請(qǐng)教。教材選擇的是美國(guó)多家高校系統(tǒng)仿真類課程普遍采用的, 由清華大學(xué)出版社出版的原版影印英文教材[1]。該教材著眼于離散事件系統(tǒng)仿真的原理和方法學(xué)的闡述,基本概念通過(guò)實(shí)例加以闡述展開(kāi),對(duì)仿真方法、技術(shù)談?wù)撋钊?對(duì)新技術(shù)發(fā)展方向描述明確。該教材以C/C++和Fortran為仿真算法的主要編程語(yǔ)言。

開(kāi)始的連續(xù)2年只使用該教材進(jìn)行教學(xué),有些學(xué)生反應(yīng)跟不上教學(xué)進(jìn)度,仔細(xì)了解,跟不上的原因是難以完全讀懂教材中的英文內(nèi)容和從未學(xué)過(guò)C/C++和Fortran語(yǔ)言。為讓每位學(xué)生都能掌握好基本仿真方法、技術(shù)而又不失去對(duì)仿真前沿研究的了解,后增加系統(tǒng)科學(xué)與系統(tǒng)的一般理論及其工程應(yīng)用[2]的介紹,連續(xù)系統(tǒng)仿真原理[3]的介紹和較容易編程實(shí)現(xiàn)的仿真實(shí)例教學(xué)[4]。作業(yè)與考試方式、頻次的安排設(shè)置對(duì)加強(qiáng)學(xué)生的學(xué)習(xí)動(dòng)力和提高學(xué)習(xí)效果起著極大的作用,除了常規(guī)作業(yè)和期末考試外,增加了每學(xué)期每位學(xué)生上講臺(tái)講解至少30分鐘提前布置的、要求學(xué)生課后完成的仿真建模實(shí)例小作業(yè)并接著深入討論。還安排了學(xué)期結(jié)束時(shí)應(yīng)完成的較復(fù)雜的系統(tǒng)仿真編程大作業(yè),并撰寫(xiě)一份系統(tǒng)仿真應(yīng)用的研究報(bào)告。

3 提高教學(xué)效果的措施

3.1 加強(qiáng)仿真原理教學(xué)

現(xiàn)代仿真是基于計(jì)算機(jī)、利用合適的算法通過(guò)模型(物理的或數(shù)學(xué)的)以代替實(shí)際系統(tǒng)進(jìn)行實(shí)驗(yàn)和研究的一門學(xué)科和實(shí)驗(yàn)技術(shù)。 仿真過(guò)程中系統(tǒng)、模型與計(jì)算機(jī)(包括軟、硬件)的關(guān)系如圖1所示。這里模型通常是指數(shù)學(xué)模型。常用的數(shù)學(xué)模型[5]有:初等模型、確定性連續(xù)模型、確定性離散模型和隨機(jī)模型。如該圖所示,系統(tǒng)建模、仿真建模和仿真實(shí)驗(yàn)為系統(tǒng)仿真的三個(gè)基本活動(dòng)。

系統(tǒng)的模型是實(shí)際系統(tǒng)的簡(jiǎn)化或抽象,分物理模型與數(shù)學(xué)模型。系統(tǒng)模型的形式化描述一般可表述為:

S=(T,U,Ω,X,Y,δ,f)

其中:T―時(shí)間基, 其若為整數(shù),則系統(tǒng)S為離散系統(tǒng),若為實(shí)數(shù),則系統(tǒng)S為連續(xù)系統(tǒng);U―輸入集,U?奐Rn,n∈I+;Ω―輸入段集,某時(shí)間內(nèi)的輸入模式,是(U,T)的子集;X―系統(tǒng)狀態(tài)集,是系統(tǒng)內(nèi)部結(jié)構(gòu)狀態(tài)建模的核心;Y―系統(tǒng)輸出集;δ―系統(tǒng)狀態(tài)轉(zhuǎn)移函數(shù);f―系統(tǒng)輸出函數(shù),可表達(dá)為:f:X×U×TY。

實(shí)際建模時(shí),模型描述的詳細(xì)程度可用如下3個(gè)水平來(lái)表示:(1)行為水平,只知系統(tǒng)的輸入輸出,系統(tǒng)被視為“黑箱”;(2)分解結(jié)構(gòu)水平,系統(tǒng)輸入輸出及結(jié)構(gòu)組成已知,系統(tǒng)被視為多個(gè)簡(jiǎn)單“黑箱”的組合;(3)狀態(tài)結(jié)構(gòu)水平,系統(tǒng)的輸入輸出,內(nèi)部狀態(tài)及轉(zhuǎn)移函數(shù)皆為已知。要全面了解仿真過(guò)程的核心內(nèi)容,需要較全面的數(shù)學(xué)知識(shí)、計(jì)算方法知識(shí)和編程語(yǔ)言知識(shí)。

由圖1可知,系統(tǒng)仿真的第1步是建立系統(tǒng)的數(shù)學(xué)模型。雖然另有一門課程―《數(shù)學(xué)模型》(或稱《數(shù)學(xué)建模》)(應(yīng)用數(shù)學(xué)專業(yè)課程)專門介紹個(gè)各種數(shù)學(xué)建模方法,如不特別介紹,本專業(yè)學(xué)生或許不知有該課程的存在。在建立好系統(tǒng)數(shù)學(xué)模型的基礎(chǔ)上,可能需要利用《計(jì)算方法》中的專門知識(shí),基于學(xué)生熟悉的編程語(yǔ)言(Fortran,C/C++, C#或Matlab等),如學(xué)生對(duì)任一編程語(yǔ)言都不了解,推薦學(xué)生優(yōu)先選擇較容易入門且有大量編程工具箱可資利用的Matlab編程語(yǔ)言,把數(shù)學(xué)模型轉(zhuǎn)化為計(jì)算機(jī)算法程序,得到仿真模型。在設(shè)置好各可調(diào)參數(shù)條件下運(yùn)行仿真模型(即仿真算法程序),即可得到一系列的輸出,這些輸出要進(jìn)行各種分析[1],如條件允許,并應(yīng)該與實(shí)際系統(tǒng)的相應(yīng)數(shù)據(jù)作對(duì)比分析。

3.2 引導(dǎo)學(xué)生擴(kuò)展知識(shí)面

仿真技術(shù)廣泛應(yīng)用于工程領(lǐng)域--機(jī)械、航空、電力、冶金、化工、電子等方面,和非工程領(lǐng)域DD交通管理、生產(chǎn)調(diào)度、庫(kù)存控制、生態(tài)環(huán)境以及社會(huì)經(jīng)濟(jì)等方面。幾乎滲透于每一個(gè)需要計(jì)算的領(lǐng)域和學(xué)科,相關(guān)文獻(xiàn)十分豐富。許多學(xué)術(shù)期刊都刊登有系統(tǒng)模擬仿真方面的研究論文,其中系統(tǒng)科學(xué)領(lǐng)域的期刊,尤其值得同學(xué)們?nèi)チ私夂蛯W(xué)習(xí),以擴(kuò)展知識(shí)面和了解建模仿真方面的前沿研究。

應(yīng)該特別留意的期刊有:中科院數(shù)學(xué)與系統(tǒng)科學(xué)研究院期刊學(xué)會(huì)(/)主辦的《系統(tǒng)科學(xué)與數(shù)學(xué)》(中) ,《系統(tǒng)科學(xué)與復(fù)雜性》(英)和《系統(tǒng)工程理論與實(shí)踐》,中國(guó)系統(tǒng)仿真學(xué)會(huì)與航天科工集團(tuán)706所主辦的《系統(tǒng)仿真學(xué)報(bào)》,美國(guó)伊利諾伊大學(xué)復(fù)雜系統(tǒng)研究中心主辦的《復(fù)雜系統(tǒng) 》,美國(guó)UL控制與系統(tǒng)工程學(xué)會(huì)和弗羅茨瓦夫理工大學(xué)主辦的《系統(tǒng)科學(xué) 》,IEEE的《智能系統(tǒng)》,圣菲研究所的《復(fù)雜系統(tǒng)學(xué)報(bào)》等。

每年都有多次由不同機(jī)構(gòu)發(fā)起、在不同國(guó)家舉辦的有關(guān)系統(tǒng)仿真的國(guó)際學(xué)術(shù)會(huì)議。通過(guò)各個(gè)級(jí)別的系統(tǒng)科學(xué)學(xué)會(huì)或系統(tǒng)仿真學(xué)會(huì)網(wǎng)站,或直接通過(guò)搜索引擎(如, )可檢索到最近舉辦過(guò)的系統(tǒng)仿真會(huì)議介紹或論文,以及即將舉辦的系統(tǒng)仿真會(huì)議的地點(diǎn)、時(shí)間和投稿須知, 如:國(guó)際系統(tǒng)科學(xué)學(xué)會(huì)(International Society for the Systems Sciences, ISSS)網(wǎng)站上 /world/index.php 有當(dāng)年的年度會(huì)議信息和最近幾年的會(huì)議資料。

3.3 以仿真實(shí)例教學(xué)為教學(xué)重點(diǎn)以提高學(xué)生的實(shí)際分析問(wèn)題和解決問(wèn)題的能力

課堂上詳細(xì)講解一些較簡(jiǎn)單的系統(tǒng)問(wèn)題的仿真實(shí)例,可以使學(xué)生逐步明確并不斷加深對(duì)建模仿真整個(gè)流程的理解:從分析系統(tǒng)結(jié)構(gòu)或行為導(dǎo)出系統(tǒng)的數(shù)學(xué)模型,再根據(jù)所導(dǎo)出的數(shù)學(xué)模型使用某種編程工具實(shí)現(xiàn)仿真建模,形成相應(yīng)的仿真算法程序,最后運(yùn)行仿真算法程序,分析結(jié)果并與實(shí)際系統(tǒng)相應(yīng)數(shù)據(jù)對(duì)比。

編程工具的介紹也要兼顧學(xué)習(xí)效率和算法理解徹底性, 教學(xué)過(guò)程中發(fā)現(xiàn)如只介紹通用編程語(yǔ)言(如C/C++)實(shí)現(xiàn)仿真算法程序,學(xué)生表示是可以徹底理解所討論問(wèn)題的算法及代碼;但過(guò)后一段時(shí)間,再面對(duì)類似但稍微復(fù)雜些的問(wèn)題,學(xué)生就顯得有些不知如何下手改寫(xiě)原來(lái)的程序以解決當(dāng)前的問(wèn)題。而如使用Matlab .m源碼文件實(shí)現(xiàn)仿真代碼,學(xué)生基本能正確改寫(xiě)程序。如使用更高抽象層上的Simulink模型實(shí)現(xiàn)仿真,學(xué)生可以輕松解決類似新問(wèn)題?，F(xiàn)在采用初次碰到典型案例問(wèn)題時(shí),采用C語(yǔ)言實(shí)現(xiàn)仿真算法,再次碰到類似問(wèn)題時(shí)使用Matlab.m源碼,更多的或更復(fù)雜的仿真案例,則采用Simulink構(gòu)建仿真模型。

所選擇的仿真實(shí)例兼顧確定與隨機(jī)系統(tǒng),連續(xù)與離散系統(tǒng)。所列舉過(guò)的離散隨機(jī)系統(tǒng)有:單服務(wù)員排隊(duì)系統(tǒng)(M/M/1)和多服務(wù)員排隊(duì)系統(tǒng)(M/M/N)的仿真;多工作站排隊(duì)系統(tǒng)的仿真;采用不同排隊(duì)策略的銀行排隊(duì)系統(tǒng)仿真。 列舉過(guò)的連續(xù)確定系統(tǒng)有: 機(jī)構(gòu)運(yùn)動(dòng)仿真;傳染病感染傳播仿真;森林救火策略仿真;戰(zhàn)斗減員仿真;游擊戰(zhàn)策略仿真;香煙有害物質(zhì)進(jìn)入人體體內(nèi)的累積量仿真以及生物種群規(guī)模漲落(Volterra模型)仿真等。

下面以機(jī)構(gòu)運(yùn)動(dòng)仿真和戰(zhàn)斗減員仿真為例,對(duì)建模仿真的整個(gè)過(guò)程進(jìn)行簡(jiǎn)要描述:

仿真實(shí)例一.曲柄滑塊機(jī)構(gòu)的運(yùn)動(dòng)學(xué)仿真:

對(duì)圖示單缸四沖程發(fā)動(dòng)機(jī)中常見(jiàn)的曲柄滑塊機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)仿真。已知連桿長(zhǎng)度:r2=0.1m,r3=0.4m,連桿的轉(zhuǎn)速:ω2=2,ω3=3,設(shè)曲柄r2以勻速旋轉(zhuǎn),ω2=50r/s。初始條件:θ2=θ3=0。仿真以ω2為輸入,計(jì)算ω3和1,仿真時(shí)間0.5s。

利用Simulink建模如下:

模塊程序運(yùn)行過(guò)程中自動(dòng)顯示如圖4所示動(dòng)畫(huà)。

所求仿真時(shí)間0.5s內(nèi)1和ω3的變化圖像如圖5。

圖5 0.5s內(nèi)的滑塊運(yùn)動(dòng)速度1 (上圖)和連桿轉(zhuǎn)速ω3(下圖)

仿真實(shí)例二.戰(zhàn)斗減員問(wèn)題仿真:

該戰(zhàn)爭(zhēng)模型只考慮雙方兵力的多少和戰(zhàn)斗力的強(qiáng)弱。 假設(shè):(1) 用x(t)和y(t)表示甲乙交戰(zhàn)雙方時(shí)刻t的兵力,不妨視為雙方的士兵人數(shù);(2)每一方的戰(zhàn)斗減員率取決于雙方的兵力和戰(zhàn)斗力,用f和g表示; (3)現(xiàn)只對(duì)甲方進(jìn)行分析。甲方士兵公開(kāi)活動(dòng),處于乙方的每一個(gè)士兵的監(jiān)視和殺傷范圍之內(nèi),一旦甲方某個(gè)士兵被殺傷,乙方的火力立即集中在其余士兵身上,所以甲方的戰(zhàn)斗減員率只與乙方兵力有關(guān),可以簡(jiǎn)單地設(shè)f與y成正比,即f=ay。a表示乙方平均每個(gè)士兵對(duì)甲方士兵的殺傷率(單位時(shí)間的殺傷數(shù)),稱乙方的戰(zhàn)斗有效系數(shù)。a可以進(jìn)一步分解為a=rypy,其中ry是乙方的射擊率(每個(gè)士兵單位時(shí)間的射擊次數(shù)),py是每次射擊的命中率。由這些假設(shè)可得本問(wèn)題的連續(xù)時(shí)間模型(方程):

又設(shè)系統(tǒng)輸入為甲乙方的射擊率rx,ry,每次射擊的命中率px,py,雙方初始兵力x0,y0。系統(tǒng)輸出為哪一方獲勝以及獲勝時(shí)的剩余兵力。要求有輸入、輸出界面及仿真過(guò)程。如何對(duì)微分方程進(jìn)行求解,并判斷哪一方獲勝是本問(wèn)題仿真的關(guān)鍵。

使用GUIDE(圖形用戶接口開(kāi)發(fā)環(huán)境)接口實(shí)現(xiàn)以上簡(jiǎn)單的一階微分方程。

調(diào)入該模型程序,按F5運(yùn)行,出現(xiàn)如圖6所示界面。

在界面中輸入?yún)?shù),點(diǎn)擊“執(zhí)行仿真計(jì)算”按鈕,就會(huì)在結(jié)果欄中顯示哪一方獲勝,及其剩余人數(shù)。

設(shè)甲乙雙方射擊率都為0.03,初始兵力都為1000,每次射擊的命中率分別為0.023和0.026。執(zhí)行仿真計(jì)算后可知是“乙方獲勝”,剩余兵力為339。如圖7所示。

4 總結(jié)

努力加強(qiáng)系統(tǒng)仿真原理教學(xué),以較簡(jiǎn)單的經(jīng)典系統(tǒng)建模實(shí)例的仿真模型的建立為依托,讓學(xué)生在仿真實(shí)例的課堂教學(xué)中逐步明確并不斷加深對(duì)建模仿真整個(gè)流程的理解。仿真技術(shù)廣泛應(yīng)用于工程領(lǐng)域和非工程領(lǐng)域,相關(guān)文獻(xiàn)十分豐富,涵蓋面十分廣闊的,而課堂教學(xué)的課時(shí)十分有限。如果我們把系統(tǒng)模擬與仿真這門學(xué)科比作是一片森林,文獻(xiàn)可看作是其中的樹(shù)木,仿真的實(shí)際應(yīng)用則可看作生活于森林中的動(dòng)物,當(dāng)然動(dòng)物也依賴于這片森林的鄰域森林(其他學(xué)科)。課堂教學(xué)只是帶學(xué)生來(lái)到這片森林邊沿,仿真原理、理論教學(xué)是引導(dǎo)學(xué)生仔細(xì)觀察了眼前的樹(shù)木,而課堂仿真實(shí)例教學(xué)則是與學(xué)生一起欣賞了樹(shù)枝上美麗的小鳥(niǎo)。 對(duì)這片森林更深入的了解需要學(xué)生自己出發(fā)去跋涉的、去游歷、去探索、去欣賞。當(dāng)然,帶學(xué)生到這片森林應(yīng)該先哪個(gè)邊沿,才能讓學(xué)生對(duì)這片森林有準(zhǔn)確的了解并迅速喜歡上這片森林,需要帶領(lǐng)者對(duì)這片森林整體的和更準(zhǔn)確的了解,也需要到過(guò)這片森林的同學(xué)們的意見(jiàn)反饋。

參考文獻(xiàn):

[1] Law A M.Simulation Modeling and Analysis[M].北京:清華出版社,2000.

[2] 許國(guó)志.系統(tǒng)科學(xué)與工程研究[M].上海:上?？茖W(xué)技術(shù)出版社,2001.

[3] 肖田元.系統(tǒng)仿真導(dǎo)論[M].北京:清華大學(xué)出版社,2001.