Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
ShPORY_BD.docx
Скачиваний:
1
Добавлен:
01.07.2025
Размер:
2 Мб
Скачать
☆

Тема 16. Имитационное моделирование. Основные этапы метода имитационного моделирования. Общая постановка задачи имитационного моделирования.

До сих пор рассматривались методы решения задач, в которых была известна цель или несколько целей, достижение которых считалось желательным. Однако на современном этапе прикладных исследований приходится иметь дело со сложными системами, в которых присутствует не только множество целевых функций, но и имеются серьёзные трудности с количественным выражением этих функций. В данном случае речь может идти не столько о решении тех или иных задач, сколько об исследовании поведения сложных систем, о прогнозировании их будущих состояний в зависимости от выбираемых стратегий управления, поэтому практике потребовался метод для исследования сложных систем - это имитационное моделирование ("simulation modeling").

Поскольку для сложных систем многие функции, параметры, характеристики носят случайный характер, то для оценки этих атрибутов, как правило, используется аппарат статистических оценок, а сам метод имитационного моделирования иногда называют методом статистических испытаний. Другими словами, это метод вероятностных оценок, а отсюда, по аналогии с игровыми ситуациями Монте-Карло, его также называют методом Монте-Карло.

Идея метода Монте-Карло состоит в следующем. Для исследуемого процесса, производится "розыгрыш" какого-то явления с помощью процедуры, дающей случайный результат. Так же как и в реальных условиях, реализация случайного процесса складывается каждый раз по-разному, так и в результате статистического моделирования (розыгрыша) получаем каждый раз новую, отличную от других, искусственную реализацию процесса. Множество получаемых таким образом реализаций далее обрабатывается как статистический материал, и из него получаются нужные вероятностные характеристики требуемого результата.

Метод имитационного моделирования, как правило, используется для анализа функционирования сложных систем, когда возникают непреодолимые сложности при попытке построить "строгую" математическую модель изучаемого объекта, содержащего много связей между элементами, разнообразные нелинейные ограничения, огромное количество параметров и т.п. Иногда можно построить такую модель, но использовать ее из-за отсутствия математического аппарата не представляется возможным. В некоторых случаях для исследуемой системы не существует стройной теории, объясняющей все аспекты ее функционирования, а, следовательно, представляется затруднительным формулирование тех или иных правдоподобных гипотез ее поведения.

Далее, реальные системы, как правило, подвержены влиянию различных случайных факторов, учет которых аналитическим путем представляет порой непреодолимые трудности.

Основные этапы метода имитационного моделирования

Основными этапами метода являются:

1. Определение параметров, характеризующих каждое состояние в поведении системы, т.е. определение вектора состояния.

2. Декомпозиция (разбиение) системы на более простые части - блоки. В один блок объединяются "родственные", т.е. преобразующиеся по близким правилам, компоненты вектора состояния и процессы, их преобразующие.

3. Формулируются правила и "правдоподобные" гипотезы относительно поведения системы в целом и ее отдельных частей. В каждом блоке может использоваться свой математический аппарат. Именно это, т.е. блочный способ (принцип), дает возможность установить необходимые пропорции между точностью описания каждого блока, обеспеченностью его информацией и необходимостью достижения цели моделирования.

4. Вводится так называемое системное время, которое моделирует ход времени в реальной системе.

5. Формализованным образом задаются необходимые феноменологические свойства систем в целом и отдельных ее частей.

6. Случайным параметрам, фигурирующим в модели, сопоставляются некоторые их реализации, сохраняющиеся в течение одного или нескольких тактов системного времени. Далее отыскиваются новые реализации.

Общая постановка задачи имитационного моделирования

Под имитационным моделированием обычно понимают пошаговое моделирование поведения объекта с помощью ЭВМ. Это означает, что фиксируются определенные моменты времени t1,t2,...,tn, и состояние модели определяется последовательно в каждом из этих моментов времени. Для реализации этого необходимо задать правило (алгоритм) перехода модели из одного состояния в следующее, т.е. преобразование: = ( , ) , где - состояние модели в i-й момент времени.

Пусть, как обычно, состояние модели определяется вектором: =(s1,s2,…,sm) , т.е. m –числами;

состояние среды вектором:Yi = (y1,y2,…,yn) , т.е. n - числами,

а состояние управления вектором: = ( , ,…, ), т.е. q - числами.

Тогда имитационная модель определяется оператором F, с помощью которого можно определить состояние модели в последующий момент времени, т.е. определить вектор , зная состояние модели в предыдущий момент времени и значения Yi и , т.е. = F( , Yi, )

Таким образом, состояние в имитационной модели определяется рекуррентно на каждом шаге, исходя только из предыдущего шага.

где F - оператор имитаций изменения состояния модели. Он и определяет имитационную модель объекта.

Имитационное моделирование позволяет учитывать неконтролируемые факторы Е объекта, т.е. его стохастичность, в этом случае модель можно представить рекуррентным соотношением вида:

= F( , Yi, , )

где необходимо знать, каким образом фактор Е влияет на состояние S объекта. Для работы с такой моделью необходимо знать конкретные значения фактора E, для реализации которого используется метод Монте-Карло.

Для реализации метода Монте-Карло необходимо знать некоторые статистические свойства фактора Е (например, закон его распределения). Эти свойства, вообще говоря, могут зависеть от Y, X и U. Располагая этими сведениями, можно моделировать фактор E в виде случайных рядов:

, ,…, , j = 1, 2, ..., n,

где индекс внизу соответствует дискретному времени, а верхний ‑ номеру моделируемого ряда (всего моделируется n таких статистически эквивалентных рядов). Естественно, ни один из этих рядов не является точной реализацией действительности, но каждый имеет такие же статистические свойства, что и реальный. Именно поэтому ряды ,  позволяют исследовать статистические свойства модели.

Таким образом, поведение модели " в среднем" описывается как:

= i =1,2,…n, где

= F( , Yi, , )

j-я реализация поведения модели в i-ый момент времени:

 Дисперсия выхода модели вычисляется по формуле:

D( ) =

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]