Введение: зачем городским проектам нужна «высшая математика»

Higher mathematics не обязана быть сложной или абстрактной — это набор инструментов для понимания и управления сложными системами: транспортом, реками, энергосетями, экономикой. В контексте Брянска эти инструменты помогают решать реальные задачи: оптимизировать маршруты автобуса, предсказывать рассеяние загрязнений в Десне, планировать энергообеспечение промышленных зон или моделировать распространение болезней в микрорайонах.

В этой статье — доступным языком, с практическими демонстрациями и живыми аналогиями — я шаг за шагом покажу, как превратить математическую идею в рабочую модель, которую можно применить в проекте или местном сообществе.

Ключевые идеи — простыми словами

— Модель = упрощённая карта реальности. Как навигатор в телефоне, только для другой задачи.
— Уравнения описывают правила взаимодействия: как движение воды, как люди садятся в автобус, как цена на товар реагирует на спрос.
— Численные методы позволяют «прогнать» модель на компьютере и посмотреть, что произойдёт.
— Верификация = проверка модели на данных: модель полезна, когда она предсказывает наблюдаемое.

Полезные математические инструменты (коротко и по-простому)

— Дифференциальные уравнения — для динамики (темпы изменения): рост уровня воды, изменение числа больных.
— Линейная алгебра — для систем взаимозависимых величин: потоки на перекрёстках, распределение нагрузки.
— Стохастика и теория вероятностей — для неопределённости: погодные риски, случайные задержки транспорта.
— Оптимизация — для поиска лучшего решения: расписание автобусов, минимизация топлива.
— Сетевой анализ — для дорог, автобусов и электрических сетей.

Демонстрации, которые можно сделать в Брянске (практические шаги)

Ниже — три простые модели, которые вы можете собрать и протестировать с минимальными ресурсами.

1) Модель потока автобусов (оптимизация расписания)

Цель: уменьшить время ожидания пассажиров и сократить простой автобусов.

Идея-аналоги: представьте, что маршрут — это «лента» с точками посадки, а автобусы — «слоты» на этой ленте. Математика ищет, как равномерно распределить слоты.

Шаги:
1. Соберите данные: интервалы движения автобусов на ключевых маршрутах, количество пассажиров в точках (утро/вечер).
2. Простая модель: для каждого интервала i задайте поток пассажиров p_i, пропускную способность автобуса c, число автобусов m. Модель загруженности: load_i = p_i / (m * c * fraction), где fraction — доля маршрута.
3. Задача оптимизации: минимизировать среднее время ожидания, ограничение — число доступных автобусов, максимальная загрузка.
4. Решение: в Excel используйте Поиск решения (Solver) или в Python — простая линейная оптимизация (scipy.optimize).
5. Проверка: внедрите пилотно на одном маршруте и соберите данные неделя/две.

Что ожидать: уменьшение пиковых очередей, более равномерное распределение пассажиров. Аналогия: как расставить официантов в зале, чтобы быстрее обслуживать гостей.

2) SIR — простая эпидмодель для микрорайонов

Цель: понять динамику распространения ОРВИ в школьном районе.

Модель (в двух строках):
— dS/dt = −β S I / N
— dI/dt = β S I / N − γ I
— dR/dt = γ I

Значения:
— S — восприимчивые, I — больные, R — выздоровевшие, N = S+I+R
— β — скорость передачи, γ — скорость выздоровления

Шаги:
1. Оцените N (число учащихся в одной школе), возьмите начальное I (несколько зарегистрированных больных).
2. Подберите β и γ из литературы или местных наблюдений (например, β=0.3, γ=0.1 — грубые начальные оценки).
3. Прогоните модель (в Excel через временные шаги, или на калькуля