پاورپوینت اصول مدلسازی

بخشی از پاورپوینت

اسلاید 1 :

اصول مدلسازی

اسلاید 2 :

برخورد انسان با پدیده های طبیعی
مشاهده
اندازه گیری (کمی سازی)

تلاش برای برقراری روابط این-همانی
دسته بندی
انتزاع
مدلسازی چیست؟

اسلاید 3 :

ساده نیست!
دو اسب و دو درخت هر دو مصداق هایی از عدد دو هستند
انتزاع مفهوم عدد دو

دو درخت و سه درخت و چهار درخت هر سه بیانگر تعدادی درخت هستند
انتزاع مفهوم درخت
انتزاع

اسلاید 4 :

حرکت از جزء به کل
مشاهدات و اندازه گیری های جزئی
بیان/انتزاع روابط بین کمیت های اندازه گیری شده
توگویی که روابط انتزاع شده در توصیف پدیده مورد مطالعه محدود به مشاهدات نیستند
مسیری استقرائی
استقراء تجربی نه استقراء ریاضی که نوعی قیاس است
مدل سازی نوعی انتزاع است

اسلاید 5 :

آیا حرکت از جزء به کل ممکن است؟

اسلاید 6 :

نه!
مگر در قالب قیدها
مثلا نوعی هموار بودن در رفتار تابع
گاه قید اعمال شده واضح نیست (Implicit)
گاه آنقدر به اعمال قید عادت کرده ایم که آن را نمی بینیم
اهمیت حیاتی دارد که در هر فرایند مدل سازی قید هایی که حرکت از جزء به کل را ممکن کرده اند بشناسیم
انتزاع نه فقط در چارچوب مشاهدات که در چارچوب مجموعه مشاهدات و اندازه گیری ها و قیدها و فرضیات انجام می شود
آیا حرکت از جزء به کل ممکن است؟

اسلاید 7 :

نگرش سیستمی دید حاکم بر نحوه توصیف پدیده ها است
مدل سازی و نظریه سیستم ها
محیط
پدیده مورد مطالعه
انگار می توان پدیده را از محیط جدا کرد و به مطالعه آن پرداخت

اسلاید 8 :

تعامل محیط با پدیده مورد مطالعه از طریق تعدادی معدود کمیت قابل مشاهده و اندازه گیری
ورودی ها: کمیت های محیطی موثر در رفتار پدیده
خروجی ها: نحوه تاثیر پدیده بر محیط

نوعی فرض علیت بر این توصیف حاکم است
مدل سازی در مورد پدیده های غیر علی حرف نمی زند
مدل سازی و نظریه سیستم ها

اسلاید 9 :

آیا همواره می توان پدیده مورد مطالعه را از محیط جدا کرد؟
آیا همواره می توان تعامل پدیده مورد مطالعه و محیط را محدود به تعدادی ورودی و خروجی مشخص کرد؟
آیا همیشه همه عوامل موثر بر یک پدیده را می شناسیم؟
آیا همه عوامل موثر بر یک پدیده تحت کنترل ماست؟
آیا رابطه علی بین ورودی و خروجی ها قابل اثبات است؟

نایقینی و مدلسازی
مدل سازی و نظریه سیستم ها

اسلاید 10 :

برای آنکه به یک تعبیر عملیاتی برسیم که امکان محاسبه را به ما بدهد توافق می کنیم
مدل سازی و نظریه سیستم ها
سیستم
ورودی ها
خروجی ها
ورودی های ناشناخته
محیط

اسلاید 11 :

تعدادی معادلات و روابط ریاضی که ارتباط بین ورودی و خروجی ها را بصورت کمی بیان می کند
با کمیت های نه تنها قابل مشاهده که قابل اندازه گیری سر و کار داریم
مدل توصیفی در مقابل مدل محاسباتی
سنت غالب در علوم شناختی مانند علوم انسانی، علوم اجتماعی، علوم پزشکی، و اقتصاد مدل سازی توصیفی بوده است
حرکت به سمت کمی سازی: فرصت ها و تهدیدها
مدل هایی با امکان توصیف کمی و کیفی در کنار هم و نایقینی
مدل محاسباتی

اسلاید 12 :

این آرزوی ماست
نایقینی
آیا مدل همان سیستم است؟
سیستم
ورودی ها
خروجی سیستم
ورودی های ناشناخته
محیط
مدل
خروجی مدل

اسلاید 13 :

جعبه سفید
امکان مطالعه اجزای سیستم و نحوه تعامل آنها
شکاندن سیستم به اجزاء غیر قابل تجزیه بیشتر
نگرش غالب از قدیم تا نیمه قرن بیستم
جعبه سیاه
امکان مشاهده ورودی و خروجی های سیستم
عدم امکان مشاهده و درک داخل سیستم
نگرش عمدتا توسعه یافته با ابزارهای محاسباتی
جعبه خاکستری راه واقعا موثر
رویکردهای متداول در مدل سازی

اسلاید 14 :

دینامیکی / ایستا
خطی / غیر خطی
متغیر با زمان / نامتغیر با زمان
تصادفی / معین
ایستان / غیر ایستان
علی / غیرعلی

آیا لزوما مدل و سیستم باید از یک جنس باشند؟
تقسیم بندی سیستم ها / مدل ها

اسلاید 15 :

پیش بینی
کنترل
بازیابی گذشته (فیلترکردن)
شبیه سازی و تحلیل فرآیند
رفتاری
ساختاری
تشخیص خطا
هدف از مدل سازی در روند مدل سازی تاثیر مستقیم دارد
مدلی که برای تمام اهداف خوب باشد نداریم
هدف از مدل سازی

اسلاید 16 :

جواب به این سوال ساده نیست!
به هدف از مدل سازی وابسته است
یک جواب نسبتا معقول و مقبول و کمی ایده آل: مدلی که خروجی آن برای ورودی ها و شرایط مختلف محیط و سیستم مشابه خروجی سیستم باشد. (نگاه رفتارگرا با درنظر گرفتن ملاحظات ساختاری)
معمولا محدوده ای ورودی ها و شرایط محیط و سیستم مد نظر است. در آن محدوده ارزیابی می کنیم
مدل سازی بدون ارزیابی ارزشی ندارد  آزمون پذیری، ابطال پذیری، و حوزه علوم تجربی
مدل خوب چه مدلی است؟

اسلاید 17 :

شناسایی سیستم ها

اسلاید 18 :

مدل سازی داده-محور (Data driven)

از جنس جعبه سیاه یا جعبه خاکستری

مدل سازی جعبه سفید

نیاز به دانش حوزه فراوان دارد

کمتر روش های عمومی دارد

توصیف کلاسیک منصوب به زاده 1962

توسعه اصلی همگام با ابزارهای محاسباتی ار 1970 به بعد

شناسایی سیستم ها

اسلاید 19 :

Identification
شناسایی سیستم ها
Too Large Family
Too small Family
Black box & Structure

اسلاید 20 :

داده های ورودی خروجی بجای سیستم
خانواده مدل پارامتری
ملاک برازش بجای ملاک این همانی
حل مسئله بهینه سازی در فضای پارامتری

به این ترتیب مسئله زمینی و حل پذیر شده است
شناسایی سیستم ها