Ãbung 1 - Institut für Geometrie und Praktische Mathematik
Ãbung 1 - Institut für Geometrie und Praktische Mathematik
Ãbung 1 - Institut für Geometrie und Praktische Mathematik
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
16.10.2006<br />
<strong>Institut</strong> für <strong>Geometrie</strong> <strong>und</strong> <strong>Praktische</strong> <strong>Mathematik</strong><br />
Modellierung <strong>und</strong> Simulation WS 06<br />
Prof. Dr. S. Noelle<br />
M. Sc. T. H. Nguyen Dipl. Math. Chr. Plesken<br />
Ausarbeitung der Übungen durch Dr. M. Speetjens<br />
Übung 1<br />
Modell zum Wachstum von Lebewesen<br />
1 Schwerpunkte der Vorlesung<br />
Bei der Vorlesung wurden zwei kontinuierliche Modelle zur Beschreibung des Wachstums eines Lebewesens<br />
vorgestellt, nämlich das lineare Modell (<strong>und</strong> dessen analytische Lösung)<br />
d<br />
dt (x(t)) = λx(t) ⇒ x(t) = x 0 e λt , (1)<br />
<strong>und</strong> das nicht-lineare Modell (<strong>und</strong> dessen analytische Lösung)<br />
d<br />
dt (x(t)) = λ (C − x(t)) x(t) ⇒ x(t) = Cx 0 e Cλt<br />
, (2)<br />
C − x 0 + x 0 eCλt wobei x(t) die Zahl der Lebewesen zum Zeitpunkt t, x(0) = x 0 die Anfangsbedingung, λ die Wachstumsgeschwindigkeit<br />
pro Lebewesen <strong>und</strong> C die maximale Zahl der Lebewesen bezeichnet. Da Rechner<br />
nicht direkt mit kontinuierlichen Operatoren wie z.B. dem Dierentialoperator, sondern nur mit diskreten<br />
Zahlen arbeiten können, muÿ für die Simulation von Modellen wie den obigen eine sogenannte Diskretisierung<br />
durchgeführt werden. Diese Diskretisierung fuÿt auf dem folgenden Zusammenhang zwischen<br />
Dierentialoperator <strong>und</strong> Dierenzenquotient:<br />
d x(t + ∆t) − x(t)<br />
(x(t)) = + O(∆t). (3)<br />
dt ∆t<br />
Dies ergibt sich aus einer Taylorentwicklung von x(t + ∆t). Der Term O(∆t) stellt einen Beitrag in<br />
der Gröÿenordnung ∆t dar. Für genügend kleine jedoch endliche Zeitschritte ∆t ist dieser Beitrag<br />
vernachlässigbar, <strong>und</strong> man erhält eine akzeptable Annäherung des kontinuerlichen Modells, indem man<br />
den Dierentialoperator durch den Dierenzenquotient ersetzt. Dies führt für (1) zu<br />
<strong>und</strong> für (2) zu<br />
x j+1 − x j<br />
∆t<br />
x j+1 − x j<br />
∆t<br />
wobei x(j∆t) = x j <strong>und</strong> µ = λ∆t ist.<br />
= λx j ⇒ x j+1 = (1 + µ)x j , (4)<br />
= λ (C − x j ) x j ⇒ x j+1 = (1 + Cµ)x j − µx 2 j, (5)<br />
2 Übungen<br />
In den folgenden Übungen werden einige Aspekte der numerischen Simulation der vorgestellten Wachstumsmodelle<br />
betrachtet. Die dafür erforderlichen Berechnungen <strong>und</strong> graphischen Darstellungen sind mit<br />
Hilfe von MAPLE auszuführen.<br />
2.1 Konvergenz der numerischen Approximation<br />
Die Existenz analytischer Lösungen zu den Wachstumsmodellen (1) <strong>und</strong> (2) bietet die Möglichkeit zur<br />
Ermittlung der Konvergenzrate der jeweiligen numerischen Approximationen (4) <strong>und</strong> (5).
Modellierung <strong>und</strong> Simulation Übung 1 WS 06 2<br />
Lineares Modell<br />
• Plotte für einen festen λ-Wert (λ > 0) <strong>und</strong> mehrere ∆t-Werte die analytische Lösung <strong>und</strong> die<br />
jeweiligen numerischen Approximationen in dem endlichen Intervall 0 ≤ t ≤ T.<br />
• Plotte für einen festen λ-Wert (λ < 0) <strong>und</strong> je einen ∆t-Wert in ∆t > 2/|λ| <strong>und</strong> ∆t < 2/|λ| sowie<br />
∆t = 2/|λ| die analytische Lösung <strong>und</strong> die jeweiligen numerischen Approximationen.<br />
Was läÿt sich in jedem der obigen Fälle zur Konvergenz der numerischen Approximation sagen?<br />
Nicht-lineares Modell<br />
• Plotte für einen festen λ-Wert (λ > 0), x 0 , T <strong>und</strong> ∆t ebenfalls die analytische Lösung <strong>und</strong> jeweilige<br />
numerische Approximationen. Wähle dabei z.B. T = 0.001, x 0 = 1, λ = 1 <strong>und</strong> C = 22000.<br />
Was läÿt sich jetzt zur Konvergenz der numerischen Approximation sagen? Zu betrachten ist hierbei vor<br />
allem die Anfangsphase, wo x vom Startwert x 0 zur asymptotischen Langzeitlösung lim t→∞ x(t) = C<br />
wächst, sowie der Vergleich zum linearen Modell.<br />
Gezielte Wahl der Schrittweite Die Schrittweite ∆t spielt eine zentrale Rolle in der Simulation von<br />
zeitabhängigen Prozessen. Einerseits resultiert eine zu groÿe Schrittweite in unzulässigen Abweichungen<br />
zwischen numerischer Approximation <strong>und</strong> modelliertem Phänomen; andererseits bedeutet eine für die<br />
angestrebte Genauigkeit zu kleine Schrittweite einen unnötig hohen Aufwand. Eine gezielte Wahl der<br />
Schrittweite ist deswegen ein wichtiger Bestandteil jeder Simulation.<br />
In den betrachteten Wachstumsmodellen sind zeitliche Veränderungen bestimmt durch Beiträge von der<br />
Form e t/τ , wobei τ = |λ| −1 im linearen <strong>und</strong> τ = (C|λ|) −1 im nicht-linearen Fall. Die Zeitskala τ beschreibt<br />
den typischen Zeitraum solcher zeitlichen Veränderungen <strong>und</strong> stellt deshalb einen guten Anhaltspunkt<br />
zur Abschätzung der Schrittweite ∆t dar. 1<br />
• Betrachte nochmals den Fall λ > 0 für das lineare <strong>und</strong> das nicht-lineare Modell für die Schrittweiten<br />
∆t = τ, τ/5, τ/10, <strong>und</strong> τ gemäÿ obigen Denitionen.<br />
Was läÿt sich jetzt im Vergleich zur Konvergenz der numerischen Approximationen sagen?<br />
2.2 Die Eigendynamik der nicht-linearen numerischen Approximation<br />
Langzeitverhalten Das nicht-lineare Modell (2) besitzt eine Langzeitlösung lim t→∞ x(t) = C für alle<br />
λ <strong>und</strong> x 0 .<br />
• Betrachte den Fall C = 1 <strong>und</strong> ermittle das Langzeitverhalten der numerischen Approximation für<br />
µ = 1.9, 2.1, 2.5, 2.56, 2.65, 3 aus der Evolution [x 0 , x 1 , x 2 , . . . , x 5000 ] für x 0 = 0.1.<br />
Was läÿt sich mit zunehmendem µ-Wert im Vergleich zum Langzeitverhalten des kontinuierlichen Modells<br />
beobachten?<br />
Verzweigungsdiagramm Die Nichtlinearität der numerischen Approximation (5) läÿt im Prinzip<br />
mehrere Langzeitlösungen lim j→∞ x j = x ∞ gleichzeitig zu. Für µ ≤ 2 existiert bei C = 1 nur eine<br />
Langzeitlösung, nämlich der stationäre Wert x ∞ = 1. Andererseits existiert für µ > 2 neben der<br />
genannten stationären Lösung auch eine mit µ wachsende Anzahl von oszillierenden Langzeitlösungen<br />
X (k) ∞ (µ) = [x (k)<br />
∞,1 , . . . , x(k) ], mit ∞,N 1 ≤ k ≤ K, bei welchen x ∞ periodisch die Werte durchläuft:<br />
x (k)<br />
∞,1 → x(k) ∞,2 → . . . → x(k) ∞,N<br />
→ x(k) ∞,1 → . . . usw. Im Falle von mehreren Langzeitlösungen X ∞(µ) =<br />
[1, X (1) ∞ , . . . , X (K) ∞ ] wird allerdings nur eine Langzeitlösung tatsächlich auftreten. Dies ist die stabile Langzeitlösung<br />
des Systems; alle andere Langzeitlösungen sind instabil. Die Ermittlung dieser stabilen Langzeitlösung<br />
erfolgt mittels eines sogenannten Verzweigungsdiagramms, in dem die tatsächlich auftretenden<br />
Langzeitlösungen als Funktion von µ graphisch dargestellt werden.<br />
1Hier folgt die typische Zeitskala τ direkt aus der analytischen Lösung. Normalerweise ist eine solche Lösung nicht vorhanden<br />
(in dem Fall wäre der Aufwand einer Simulation ja überüssig!), <strong>und</strong> τ wird abgeschätzt mit Hilfe von dynamischen<br />
<strong>und</strong> geometrischen Eigenschaften des betrachtem Problems.
Modellierung <strong>und</strong> Simulation Übung 1 WS 06 3<br />
1.5<br />
1<br />
X ∞<br />
(µ)<br />
0.5<br />
0<br />
1.9 2 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9<br />
µ<br />
Abbildung 1: Verzweigungsdiagramm der nicht-linearen numerischen Approximation.<br />
Abbildung 1 zeigt das Verzweigungsdiagramm der nicht-linearen numerischen Approximation für 1.9 ≤<br />
µ ≤ 3. Jede Verzweigung deutet auf das Entstehen einer neuen stabilen Langzeitlösung. Bei µ = 2 zum<br />
Beispiel erweitert sich die Reihe von Langzeitlösungen von X ∞ (µ) = 1 für µ ≤ 2 auf X ∞ (µ) = [1, X (1) ∞ ]<br />
für 2 < µ ≤ 2.45. Die stationäre Langzeitlösung x ∞ = 1 wird instabil zugunsten der oszillierenden<br />
Langzeitlösung X (1) ∞ = [x (1)<br />
∞,1 , x(1) ∞,2 ], wobei x(1) ∞,1 dem oberen <strong>und</strong> x (1)<br />
∞,2 dem unteren Zweig des Diagramms<br />
im Intervall 2 < µ ≤ 2.45 entspricht. Bei µ = 2.45 erweitert X ∞ (µ) sich auf X ∞ (µ) = [1, X (1) ∞ , X (2) ∞ ].<br />
X (1) ∞ wird wiederum instabil zugunsten von X (2) ∞ (vier Zweige im Intervall 2.45 < µ ≤ 2.56). Diese<br />
Verzweigungen setzen sich fort, bis für µ = 3 die stabile Langzeitlösung eine unendliche Zahl von diskreten<br />
Werten umfasst, <strong>und</strong> das System völlig chaotisch geworden ist.<br />
• Ermittle obiges Verzweigungsdiagramm an Hand der x-Werte im Intervall [x 5000 , x 5120 ].<br />
Tip: Nutze aus, daÿ im obigen Bereich die x-Werte stets mit einem der Beiträge x (k) ∞,n der gesuchten<br />
stabilen Langzeitlösung X (k) ∞ übereinstimmen.
Modellierung <strong>und</strong> Simulation Übung 1 WS 06 4<br />
Erste Schritte<br />
Anmelden<br />
Benutzername: Matrikelnummer<br />
Kennwort: abcd1234<br />
Neues Passwort festlegen<br />
passwd (ändert das Passwort)<br />
MAPLE starten<br />
1. Öne Dialogfenster per rechte Maustaste.<br />
2. Wähle `New Terminal'.<br />
3. Befehl `xmaple -cw' in Befehlzeile.<br />
Abmelden<br />
1. One Dialogfenster bei `Fuÿabdruck' linksunten.<br />
2. Wähle `Log o'.<br />
!! Bitte nach der Abmeldung den Bildschirm ausschalten !!<br />
Einige nützliche MAPLE Beispiele für den Anfang<br />
• f:=x -> sin(x):plot(f(x),x=0..2*Pi);<br />
• N:=50:x:=seq(2*Pi*(i-1)/N,i=1..N+1):<br />
with(plots):pointplot(seq([x[i],sin(x[i])],i=1..N+1));<br />
• N:=50:x:=seq(2*Pi*(i-1)/N,i=1..N+1):<br />
for i from 1 to N+1 do f[i]:=sin(x[i]): end do:<br />
with(plots):pointplot(seq([x[i],f[i]],i=1..N+1));<br />
Für weitere Infos siehe MAPLE Help-Funktion.