Modellistica e Simulazione
Docente:
Prof. Salvatore Di Gregorio dig@unical.it Dipartimento. di Matematica e Informatica Università della Calabria I-87036 Arcavacata di Rende (CS)
Presentazione del Corso:
Lo sviluppo di modelli tramite i quali poter simulare al computer l’evoluzione di sistemi naturali ed artificiali rappresenta di fatto una via obbligata per l’avanzamento delle Scienze, laddove si ha a che fare con problematiche di natura complessa. Qui per complesso ci si riferisce non tanto ad una accezione di tipo algoritmico, quanto ad una accezione di tipo sistemico, di cui non esiste un “explicatum” universalmente accettato, ma bensì una costellazione di “explicanda”, da varie discipline: Fisica, Chimica, Biologia, Matematica, Informatica, Medicina, Geologia, vari settori di Ingegneria, Psicologia, Economia, persino Storia.
In molte tematiche di varia estrazione disciplinare, ma riguardanti sistemi complessi, le ricerche hanno potuto segnare progressi solo grazie alle simulazioni al computer, sviluppando approcci transdisciplinari, legate in parte all’emergere di strutture di calcolo alternative, ad esempio di calcolo parallelo. . Si conia in questo ambito il termine Scienza Computazionale (Computational Science) a rilevare il ruolo preminente delle metodologie computazionali.
L’Informatica quindi gioca un ruolo determinante in questo contesto, non solo perché la disponibilità crescente di potenza di calcolo risulta essere una condizione necessaria per le simulazioni al computer, ma soprattutto perché la disponibilità di forme di calcolo innovative pone tutta una serie di svariate prospettive di indagine, introducendo delle metodologie in grado per la prima volta di aggredire problematiche concernenti fenomeni altamente complessi nei sistemi naturali ed artificiali.
Si evidenzia a questo punto la questione, forse non sufficientemente meditata, dei rapporti fra strumenti computazionali e sviluppo della scienza. Non è un caso che si è assistito, per quanto riguarda lo studio dei sistemi naturali, ad un "imperialismo" della Fisica la quale si è fatta forte dello strumento del calcolo differenziale per descrivere le proprietà globali dei processi fisici. Altre discipline scientifiche, come ad esempio la Biologia, si sono attestate ad un "livello di scientificità" inferiore, per mancanza di strumenti altrettanto potenti. In modo grossolano si rimarca qui la differenza fra scienza predittiva e scienza descrittiva, che molto spesso è tale proprio per la complessità dei fenomeni che studia. Nuove prospettive vengono aperte dalla simulazione di sistemi complessi tramite paradigmi di calcolo, che intrinsecamente posseggono strutture complesse similari per certi aspetti ai sistemi, a cui essi sono applicati -
Storicamente abbiamo una reciproca contaminazione fra Sistemi Complessi e Informatica, che hanno portato alla creazione di paradigmi computazionali “complessi” come gli Automi Cellulari, le Reti Neurali, le Grammatiche di Lindenmayer, gli Algoritmi Genetici etc., e che rappresentano di fatto nuove frontiere per affrontare alcune delle tematiche scientifiche in passato etichettate come “intrattabili”.
Il corso, il cui titolo potrebbe essere meglio specificato come “Modellistica e Simulazione di Sistemi Complessi dal punto di vista dei Paradigmi Computazionali” si propone di fornire le basi concettuali riguardanti la modellistica e simulazione con riferimenti essenziali alle metodologie classiche; esso si focalizzerà principalmente sullo studio delle proprietà di alcuni notevoli paradigmi computazionali da cui poter derivare lo sviluppo di modelli di sistemi complessi e loro simulazione al computer.
Programma esteso del corso:
I Basi concettuali e problematiche Modellizzazione e simulazione: problematiche epistemologiche, la scienza computazionale. Sistemi e Modelli: un tentativo di definizione e classificazione di sistemi e modelli. Rappresentazioni e relatività di rappresentazione; strutture: gerarchiche, non centrate e miste; modalità computazionali: sequenziali, parallele e miste, relazioni: globali, locali e miste. Modelli di simulazione discreta. Modelli deterministici, stocastici e misti, strumenti formali. Analisi del sistema e pianificazione di uno studio di simulazione. Criteri di simulazione. Analisi dei risultati di simulazione. Convalida del modello di simulazione.
II Paradigmi computazionali notevoli Automi Cellulari e loro proprietà. Applicazioni degli automi cellulari. Algoritmi genetici e loro proprietà. Applicazioni degli algoritmi genetici. Reti neurali e loro proprietà. Applicazioni delle reti neurali. Grammatiche di Lindenmayer e loro proprietà. Applicazioni delle Grammatiche di Lindenmayer.
Nota sul programma: alcuni degli argomenti del corso potranno essere omessi in relazione alla durata del corso.
Struttura del corso: Il corso consiste di cinque crediti.
Esami: Agli studenti che seguono il corso, sarà richiesta come parte integrativa dell'esame orale la presentazione documentata di una applicazione (sviluppo in gruppo o singolarmente di un programma di simulazione) concernente gli argomenti del corso.
Libri di testo consigliati: Il corso non prevede uno specifico libro di testo che ne copra tutti gli argomenti. Di seguito si elencano una serie di testi di riferimento, che trattano alcuni temi del corso.
- Angela B. Shiflet and George W. Shiflet (2006): Introduction to Computational Science, Princeton University Press, Princeton, N:J.
- Banks J., J. S. Carson and B. L. Nelson (1996): Discrete-Event System Simulation, second edition. Prentice-Hall, Englewood Cliffs, NJ.
- Gordon G. (1996): System Simulation, second edition. Prentice-Hall,Englewood Cliffs, NJ.
Law A. and W. D. Kelton (1991): Simulation Modeling and Analysis, second edition. McGraw-Hill, New York, NY.
Prusinkiewicz P, Lindenmayer A (1990): The Algorithmic Beauty of Plants. Springer-Verlag:New York
- Weimar, J.R. (1997): Simulation with cellular automata, Berlin, Logos
- Chopard, Bastien; Droz, Michel (2005). Cellular Automata Modeling of Physical Systems. Cambridge University Press.
- Silvio Cammarata (1997): Reti neuronali. ETAS COMPASS
- Melany Mitchell (1999)- Introduzione agli algoritmi genetici – Apogeo
- G. Spezzano, G. Talia: Calcolo Parallelo, Automi Cellulari e Modelli per Sistemi Complessi", Franco Angeli, Milano, 1999.
APPUNTI VARI
Testi di riferimento e consultazione:
[1] A.M. Law, W.D. Kelton, Simulation Modeling and Analysis, MacGraw-Hill, 1982.
- [2] K.S. Trivedi, Probability and Statistics with Reliability, Queueing and Computer Applications, Prentice Hall, Englewood Cliffs, NJ, USA, 1982.
- [3] J.Banks, J.S. Carson, B. L. Nelson, D. Nicol. Discrete-Event System Simulation, Prentice Hall, 2010.
- [4] R. Fujimoto, Parallel and Distributed Simulation , Wiley Interscience, 2000.
- [5] G. Iazeolla, Principi e Metodi di Simulazione Discreta, Franco Angeli, 2010.
- [6] Christos G. Cassandras, S. Lafortune, Introduction to Discrete Event Systems, Springer, 2006.
Appunti
VEDI DONATIELLO Introduzione.1, Introduzione.2, Metodologie di simulazione, Generatori, Generatori non uniformi, Esempio.1, Statistiche.1, Statistiche.2, Primo Progetto.
Siti web interessanti:
Random Number Generators
Random Number Generators
What is Simulation?