Driving-Accountability

مدل های پایه – مدل سازی دینامیکی

دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

مدل های پایه – مدل سازی دینامیکی

نظریه

مدل‌های پایه، بلوک‌های سازنده مدل‌های دینامیکی یک سیستم هستند. مدل‌های پایه و سازماندهی آنها چارچوبی را برای ارائه عناصر مهم و پرکاربرد ساختار مدل به سازندگان مدل مبتدی و با تجربه ارائه می‌کنند. با دسترسی به فرمول‌های آزمایش شده و واقعی، مدل‌سازان می‌توانند آنچه را که قبلاً انجام شده است، بررسی کرده و این فرمول‌ها را اصلاح یا مستقیماً در مدل‌های خود بگنجانند. اکنون مدل پایه‌ها در نرم‌افزار پیاده‌سازی می‌شوند و توسعه مدل‌های دینامیک سیستم با کیفیت بالا را برای مدل‌سازان مبتدی و با تجربه آسان‌تر و سریع‌تر می‌کنند.

 

 

زمینه

توسعه مهارت‌ها برای ایجاد مدل‌های دینامیکی یک سیستم سال‌ها طول می‌کشد. متأسفانه تعداد کمی از افراد زمان کافی برای اختصاص دادن دارند. هنگامی که یک فرد با انواع متغیرها، حلقه‌های بازخوردی، ساختار و رفتار آشنا شد، اغلب از او خواسته می‌شود تا با توسعه یک مدل شبیه سازی از آن دانش استفاده کند. به دلیل نداشتن تجربه، توسعه چنین مدل‌هایی دشوار و زمان بر است و مدل حاصل اغلب از کیفیت کمتر از حد قابل قبول برخوردار است.

توسعه مدل‌های خوب مستلزم آن است که مدل‌ساز به اندازه کافی از یک مسئله انتزاع کند تا یک فرمول مختصر و قابل استفاده به دست آورد. برخی از این مدل‌های پایه، مانند تاخیرهای مرتبه اول و سوم (فورستر، 1961) و کوفلوس‌ها (هینز 1983، هومر 1983) مستند شده و به صراحت مورد بحث قرار گرفته اند. با این حال، بیشتر آنها به صورت ضمنی باقی می‌مانند، بخشی از دانش پایه ای که هر فرد ایجاد می‌کند.

 

متغیر حالت، جریان و…

در مراحل اولیه یادگیری نحوه ساخت مدل‌ها، افراد تفاوت بین متغیر حالت و جریان را یاد می‌گیرند. تمایز دقیق تر و مفاهیم دیگری مانند متغیرهای کمکی، ثابت‌ها، جداول جستجو و فرمول معادله نیز معمولاً معرفی می‌شوند. پس از این مقدمه، بیشتر آموزش‌ها به صورت مثال است، بدون طبقه بندی قابل استفاده برای یادگیری بیشتر. این بسیار شبیه ارائه توضیحی واضح از چوب و میخ است و سپس به دانش‌آموزان اجازه می‌دهیم خانه‌ای در حال ساخت را تماشا کنند تا یاد بگیرند که چگونه این کار را خودشان انجام دهند.

 

مدل‌های پایه‌

به این عناصر ساختار “مدل پایه” می‌گویند. مدل پایه‌ها از متغیرهای حالت و جریان یا عناصر کمکی ساخته شده اند و به نوبه خود بلوک‌های سازنده مدل‌های کامل هستند. یک مدل پایه یک عنصر زیربنایی است که هدف خاصی را انجام می‌دهد. می‌توان آن را با برنامه نویسی مقایسه کرد.  در رویکرد شی گرا می‌توانیم ماژول‌هایی را تهیه کنیم و در بخش‌های مختلف یک برنامه به کار بگیریم. این همانند ساختن یک ساختمان است.  به جای آنکه برای احداث یک دیوار آجر به آجر پیش برویم می‌توانیم بلوک‌های دیوارهای پیش ساخته را تهیه کنیم و سپس از کنار هم قرار دادن این بلوک‌ها یک دیوار را با سرعتی بیشتر و هزینه کمتر بسازیم.

 

در مدل سازی دینامیکی نیز با طراحی ماژول‌های پرکاربرد می‌توانیم درک عمیقتری از یک سیستم پیچیده پیدا کنیم و از ماژول‌های شناخته شده در طراحی آن سیستم پیچیده استفاده کنیم. در اینجا سعی دارم مهمترین ماژول‌ها یا مدل‌های پایه برای مدلسازی دینامیکی و فرمول‌های آن را ارائه کنم که عموما توسط محققین و شرکت‌های نرم افزارهای دینامیکی توسعه یافته است.

برای یک مدل پایه ساده، احتمالاً ساده‌ترین کار این است که به سادگی شکل را بررسی کنید و مستقیماً ساختار و معادلات را وارد کنید. با این حال، برای مدل پایه‌های پیچیده‌تر، ترکیب مدل پایه‌ها در یک مدل و ایجاد تغییرات مناسب در ظاهر، قراردادهای نام‌گذاری و معادلات آسان‌تر خواهد بود.

 

بینش‌های مرتبط

Not found any posts in this category.
Sidebar atefi
دکتر محمدرضا عاطفی

عضو هیئت علمی دانشگاه
رئیس هیئت مدیره گروه ناب
هم بنیان گذار شرکت دانش بنیان
مشاور شرکت ها و سازمان های بزرگ کشور

آنچه می خوانید

Cover part2 optimized 300x169
هوش مصنوعی

جبر خطی پیشرفته برای یادگیری عمیق؛ آموزش SVD، PCA و کاربرد در شبکه‌های عصبی(بخش دوم)

1.7.تجزیه ماتریس‌هاMatrix Decompositions 1.7.1.چرا به تجزیه ماتریس نیاز داریم؟ ماتریس‌ها یکی از اصلی‌ترین ساختارهای محاسباتی در یادگیری عمیق هستند. در یک شبکه عصبی، ماتریس‌ها برای نمایش موارد زیر استفاده می‌شوند: یک شبکه عمیق ممکن است شامل میلیون‌ها یا میلیاردها پارامتر باشد که به شکل ماتریس ذخیره می‌شوند. برای مثال: اما

توضیحات بیشتر »
Cover part1 optimized 300x169
هوش مصنوعی

جبر خطی برای یادگیری عمیق؛ آموزش بردارها، ماتریس‌ها و مقادیر ویژه (بخش اول)

1.1.چرا جبر خطی زبان ریاضی شبکه‌های عصبی است؟ مقدمه یادگیری عمیق در ظاهر درباره ساختارهایی مانند: است، اما در سطح محاسباتی، تقریباً تمام این معماری‌ها بر یک زبان مشترک بنا شده‌اند: جبر خطی (Linear Algebra) شبکه عصبی بدون جبر خطی قابل تصور نیست؛ زیرا تمام مراحل اصلی یادگیری عمیق شامل

توضیحات بیشتر »
COVER compressed 21 300x169
هوش مصنوعی

فصل ۱5: سنجش ارزش و بازگشت سرمایه هوش مصنوعی: از  ROI تا داشبورد مدیریتی

از معیارهای ساده تا معماری ارزش چندلایه در جهانی که سرمایه‌گذاری در هوش مصنوعی به سرعت در حال رشد است، پرسش بنیادین مدیران دیگر “آیا باید سرمایه‌گذاری کنیم؟” نیست؛ بلکه “چگونه ارزش واقعی این سرمایه‌گذاری را بسنجیم؟” این فصل، چارچوبی جامع برای عبور از سنجش‌های سطحی ROI به معماری ارزش

توضیحات بیشتر »
error: محتوا غیر قابل انتخاب و کپی است.