- •1. Система, системные признаки, классификация систем.
- •2. Целостные и суммативные системы.
- •3. Моделирование как метод научного познания и подход к анализу и синтезу сложных систем.
- •4. Назначение моделирования и его место среди других наук.
- •5. Сложные системы как объекты моделирования.
- •6. Системный подход в моделировании сложных систем.
- •10. Характеристика и классификация абстрактных моделей.
- •7. Модели: параметры и характеристики.
- •8. Адекватность моделей.
- •9. Виды моделей, иерархия моделей.
- •11. Имитационные модели (общее описание).
- •12. Примеры математических моделей (анал. И имитационных).
- •13. Методы расчета математических моделей.
- •14. Харарактеристика имитационных методов расчета матем моделей.
- •15.Сравнительный анализ аналитических и имитационных моделей.
- •16.Классификация и характеристика типовых математических моделей.
- •17.Общая хар-ка q-моделей.
- •18. Общая характеристика обобщенных (агрегатных) моделей.
- •19. Технология моделирования. Основные этапы.
- •20. Концептуальные модели.
- •21. Формирование критериев при моделировании.
- •22. Планирование экспериментов с моделью
- •23. Общая характеристика метода статистических испытаний (Монте-Карло).
- •24. Примеры использования метода статистических испытаний.
- •25. Стохастические сетевые модели: параметры и характеристики.
- •26. Сети массового обслуживания: параметры, характеристики, классификация.
- •27.Теоретические основы статич моделирования
- •28.Выбор длительности машинного эксперимента.
- •29.Оценка результатов имитационного моделирования: статические оценки и доверительные интервалы
- •31.Псевдослучайные числа и их использование в моделировании.
- •32.Алгоритмические способы генерации псевдослучаных чисел.
- •33.Моделир-е случайных событий, групп событий.
- •34.Моделирование зависимых и независ событий.
- •35. Моделирование дискретных случайных величин
- •36.Моделирование непрерывных случайных величин.
- •37.Метод обратных функций.
- •38. Моделирование случайных векторов(для случая двухмерных случайных величин)
- •39.Генерация типовых распределений (равномерного, показательного, гаусса и др.)
- •40.Основные задачи имитационного моделирования
- •41.Оценка характеристик моделирования объекта, по результатам статистического моделирования
- •42.Оценка характеристик нестационарного объекта по результатам статистическ моделирования.
- •43. Типовая структура имитационной модели
- •44. Компоненты, функциональные действия, активности и события
- •45. Порядок функционирования имитационной модели
- •4 6. Методы продвижения модельного времени
- •47. Алгоритм и особенности моделирования нестационарных объектов.
- •48. Общая характеристика и сравнительный анализ методов моделирования псевдопараллельностей.
- •49. Псевдопараллельность: смысл и способы реализации.
- •50. Моделирование активностей.
- •52. Укрупненный алгоритм имитационного моделирования одноканальной смо.
- •53. Программные средства имитационного моделирования.
- •54. Аппаратные средства имитационного моделирования.
- •55. Состав системы моделирования gpss.
- •56. Состояния транзактов и узлов. Списки gpss.
- •57. Укрупненный алгоритм обработки событий в языке gpss.
- •58. Укрупненный алгоритм продвижения тразактов в языке gpss.
- •60. Характеристика входного языка системы gpss.
- •61. Стандартный набор статистики gpss. Управление сбором статистики.
- •62. Управление сбором статистики в gpss с помощью table, qtable.
- •63. Именование и адресация объектов в языке gpss
- •64. Вычислимые и хранимые объекты gpss.
- •65. Характеристика объектов языка gpss.
- •66. Управление приоритетными дисциплинами обслуживания в gpss.
- •67. Стандартные числовые атрибуты gpss. Назначение и использование.
- •68. Управление потоками транзактов в языке gpss.
- •69. Устройства и организация приоритетного обслуживания в gpss.
- •70. Управление узлом типа память в gpss. Описание многоканальных смо.
- •72. Управление маршрутами транзактов в языке gpss.
- •73. Использование операторов test, gate. Логические ключи.
- •74. Управление семействами транзактов в языке gpss.
- •75. Характеристика аналитических методов расчета математических моделей.
- •76. Математические модели сложных систем (общее описание).
- •77. Аналитическое решение математической модели.
- •78. Потоки заявок в стохастических сетевых моделях.
- •79. Типы смо, используемых в стохастических сетевых моделях.
- •80. Моделирование смо м/м/1 и м/м/к.
- •81. Моделирование смо м/м/1 и м/м/к.
- •82. Параметры и характеристики сетей мо.
- •83.Экспоненциальные сети мо.
- •84. Расчёт интенсивностей потоков и , сама сеть в соотв. Фициент мкнутой сети.0000000000000000000000000000000000000000000000000000000000000000000000000000000000000коэффициентов передач сетей мо.
- •85. Расчёт вероятностей состояний разомкнутых сетей мо.
- •86. Расчёт вероятностей состояний замкнутых сетей мо.
- •87. Моделирование узловых характеристик объекта на основе разомкнутых сетей мо.
- •88. Моделирование системных характеристик объекта на основе замкнутых сетей мо.
- •89. Моделирование узловых характеристик объекта на основе замкнутых сетей мо.
- •90. Общая методика моделирования объекта на основе разомкнутых сетей мо.
- •91. Общая методика моделирования объекта на основе замкнутых сетей мо.
- •92. Предельные оценки характеристик стохастических сетевых моделей
- •93. Моделирование систем обработки информации стохастическими сетями.
- •Система, системные признаки, классификация систем.
- •Целостные и суммативные системы.
- •Моделирование как метод научного познания и подход к анализу и синтезу сложных систем.
13. Методы расчета математических моделей.
Аналитич. решение мат модели.
Смысл
Ан решения состоит в построении уравнений,
связыв-х хар-ки объекта с его пар-ми. Это
означ что функционал Фс разрешим
относительно хар-к С и
.
Если функционал в явном виде не разрешим или разрешим с низким качеством, то можно воспольз-ся численными методами и, в том числе, методом Монте-Карло. Здесь матем операции над переменными заменяют действиями над числами. Достоинства и Недостат. см вопрос 84
Иммитац (ИМ) решение мат модели.
Если
модель неразрешима или ее невозможно
построить, либо разрешима, но
с неудовлетв-ным качеством, то прибегают
к ИМ моделям. Имитация-мощный и универс.
методисследов. систем, поведение кот
зависит от случ. факторов. ИМ- это
формальное описание логики функцион-ия
исследуемого объекта, хар-ра взаимод-я
его элементов во времени, учит. наиболее
существ. причинно-следственные связи
объекта и обеспеч проведение статистич
экспериментов. Здесь объект воспроизв-ся
с max
адекватностью с сохр состава и стр-ры
эл-тов, внутр-их процессов и хар-ра их
протекания во времени. Пар-ры объекта
при этом использ для созд стр-ры модели
и для генерации в ней процессов, адекватных
процессам объекта. ИМ реализ-cя
в виде прог в терминах универс. языков
или языков моделир-ния, реже в виде
спец-ванных апаратно-программных систем.
Результаты ИМ, носят частный хар-р.
Обработка результатов требует применения
спец статистич-х процедур. А для получ
выводов необходимо проведени
е
серии модельных экспериментов.
14. Харарактеристика имитационных методов расчета матем моделей.
Достоинства: многопараметричность,высокая универс-сть и высокая адекватность, точность результатов и информац, познав-ная ценность. Теор. статистич-я составляющая погрешности моделир-я м/б снижена до нужного предела увелич-ем его длительн-сти (числа тактов). Недостаток:высокая сложность и трудоемкость.
15.Сравнительный анализ аналитических и имитационных моделей.
Сравн-ая оценка хар-к приведена на рис.
Д и Н имитационных моделей:
Достоинства: многопараметричность,высокая универс-сть и высокая адекватность, точность результатов и информац, познав-ная ценность. Теор. статистич-я составляющая погрешности моделир-я м/б снижена до нужного предела увелич-ем его длительн-сти (числа тактов). Недостаток:высокая сложность и трудоемкость.
Д и Н аналитических моделей:
Достоинства АМ:-высокая общность или универс-сть получаемых результатов, что позволяет в дальнейшем применять аппарат матем анализа для их исслед-ния и методы оптимиз. для синтеза наилучших решений;-сравнительно низкая трудоёмкость расчёта (для вычисления хар-к для одного набора значений пар-ов требуется лишь однократный расчет полученных формул). Недостаток - сравнительно низкая унив-стъ моделей из-за вносимых упрощений, соответственно их низкая точность и ограниченная познават. и информац. ценность. Наиболее простые АМ - алгебраические, регрессионные, более сложные- модели теории массового обслуживания, учитывающие действие случ. факторов.
