- •Вінницький фінансово-економічний університет
- •Імітаційне моделювання конспект лекцій
- •Тема 1 Вступ до курсу "Імітаційне моделювання"
- •1. Історія виникнення та розвиток імітаційного моделювання
- •2. Види моделювання та особливості їх використання
- •3. Основні напрями використання машинної імітації
- •4. Сфери застосування імітаційних моделей
- •5. Програмна реалізація імітаційних моделей
- •6. Приклад імітаційної моделі
- •III. Gpss — програма імітаційної моделі еом
- •Питання для самоконтролю
- •Тема 2 Сутність, розвиток і застосування імітаційного моделювання
- •1. Сутність та поняття імітаційного моделювання
- •2. Загальна схема і цілі імітаційного моделювання
- •3. Переваги і недоліки методу машинної імітації
- •4. Поняття імітаційного моделювання у вузькому та широкому сенсі
- •5. Імітація еволюційних процесів
- •Питання для самоконтролю
- •Тема 3 Основні етапи побудови імітаційних моделей
- •1. Види робіт при розробці імітаційної моделі.
- •2. Основні етапи побудови імітаційних моделей. Визначення задачі та її аналіз як етап побудови імітаційних моделей
- •3. Визначення вимог до інформації як етап побудови імітаційних моделей
- •4. Збирання інформації як етап побудови імітаційних моделей
- •5. Висунення гіпотез і прийняття припущень як етап побудови імітаційних моделей. Встановлення основного змісту моделі
- •6. Визначення параметрів, змінних і критеріїв ефективності як етап побудови імітаційних моделей. Описання концептуальної моделі і перевірка її вірогідності
- •7. Створення логічної структурної схеми як заключний етап побудови імітаційної моделі
- •Питання для самоконтролю
- •Тема 4 Імітаційна модель керування запасами
- •1. Поняття та сутність оптимального керування запасами
- •2. Основні параметри моделювання задачі керування запасами
- •3. Сутність та характеристика детермінованих моделей керування запасами
- •4. Керування багатопродуктовими запасами
- •5. Концептуальна імітаційна модель керування запасами
- •6. Блок-схема імітаційної моделі керування запасами
- •7. Аналіз результатів машинної реалізації імітаційної моделі
- •Питання для самоконтролю
- •Тема 5 Поняття про Метод Монте-Карло
- •1. Метод Монте-Карло в імітаційному моделюванні
- •2. Приклад застосування методу Монте-Карло
- •3. Точність оцінки ймовірності за допомогою відносної частоти.
- •4. Рівномірна випадкова послідовність чисел рвп [0,1]
- •5. Властивості рівномірної випадковості послідовності чисел
- •Питання для самоконтролю
- •Тема 6.Генерування рвп [0,1]
- •1. Поняття про генератори (датчики) випадкових чисел.
- •2. Табличний спосіб одержання рвп [0,1]
- •3. Фізичний спосіб одержання рвп [0,1]
- •4. Програмні способи одержання рвп [0,1]
- •5. Загально статистичні методи перевірки якості псевдовипадкових чисел
- •Питання для самоконтролю
- •Тема 7 Генерування випадкових подій і випадкових величин під час машинної імітації
- •1. Імітація випадкових подій
- •2. Стандартний метод імітації дискретно розподілених випадкових величин
- •3. Спеціальні методи імітації деяких дискретних розподілів
- •Питання для самоконтролю
- •Тема 8. Генерування неперервних випадкових величин
- •1. Суть проблеми імітації неперервних розподілів
- •2. Стандартний метод імітації неперервних випадкових величин
- •3. Метод добору (відбракування) неперервних випадкових величин
- •4. Наближене формування розподілів неперервних випадкових величин
- •5. Генерування нормально розподілених випадкових величин
- •Питання для самоконтролю
- •Тема 9 Планування імітаційних експериментів
- •1. Загальна характеристика планування імітаційних експериментів
- •2. Апроксимуючий поліном функції відгуку
- •3. Дворівнева система вимірювання факторів
- •4. Повні факторні плани та їхні властивості
- •5. Дробові факторні плани і умови доцільності їх застосування
- •6. Засоби планування експерименту системи statgraphics Планування експерименту (Experimental Design)
- •Питання для самоконтролю
- •Тема 10 Одержання апроксимуючих поліномів
- •2. Апроксимуючий поліном другого плану
- •1. Одержання коефіцієнтів лінійної регресії
- •2. Апроксимуючий поліном другого плану
- •3. Побудова композиційних планів
- •4. Ортогональний центральний композиційний експеримент
- •5. Рототабельний композиційний експеримент
- •Питання до самоконтролю:
- •Тема 11 Узагальнення та статистична перевірка результатів імітаційних експериментів
- •1. Перевірка результатів імітаційних експериментів за допомогою властивості однорідності дисперсій
- •2. Перевірка значущості коефіцієнтів регресії
- •3. Перевірка адекватності моделі
- •Питання для самоконтролю
- •Тема 12 Планування імітаційних експериментів у процесі дослідження та оптимізації систем
- •1. Планування імітаційних експериментів у процесі дослідження систем
- •2. Планування імітаційних експериментів у процесі оптимізації систем
- •Питання для самоконтролю
- •Список рекомендованої літератури
- •Навчальне видання:
2. Стандартний метод імітації неперервних випадкових величин
Розглянемо імітацію випадкових величин з експоненціальним (показниковим) розподілом. Відомо, що коли ймовірність появи випадкової події в малому інтервалі часу t дуже мала і не залежить від появи інших подій, то інтервали часу між послідовними подіями розподіляються за експоненціальним законом:
.
(8.5)
Наприклад, якщо в певній ситуації з чергами появи клієнтів підпорядкована пуассонівському розподілу з математичним сподіванням, що дорівнює , то інтервали часу між їх появами мають розподіл (8.5). Цьому закону розподілу підпорядковуються багато явищ: тривалість телефонних розмов, термін служби багатьох електронних деталей, час надходження замовлень на підприємства обслуговування, час прибуття літаків до аеропорту тощо.
Підставляючи (8.5) в (8.2), маємо
Звідси
Величина
також має рівномірний розподіл на
відрізку [0, 1]:
Тому вираз для хі можна записати простіше:
(8.6)
Формула (8.6) використовується практично в усіх стандартних підпрограмах імітації розподілів виду (8.5).
Слід зазначити, що стандартний метод імітації неперервних розподілів доцільно застосовувати лише в разі виконання таких умов:
1) інтеграл (8.2) можна взяти (подати в квадратурах);
2) здобуте
після інтегрування рівняння розв’язується
щодо невідомого
3) остаточна формула не потребує значних витрат машинного часу для її реалізації.
3. Метод добору (відбракування) неперервних випадкових величин
Метод
добору (відбракування),
суть
якого полягає в такому.
Нехай
потрібно дістати послідовність
реалізації випадкової величини X,
щільність розподілу ймовірностей якої
обмежена
на скінченному відрізку [а,
b]
(якщо такі умови не виконуються, то
початковий розподіл завжди можна зрізати
із заданою точністю). Таку послідовність
випадкових чисел можна знайти методом
добору
(відбракування).
Це означає, що шукана сукупність чисел
являє собою деяку вибірку із спеціально
утвореної множини випадкових чисел, а
саме: з початкової множини вилучаються
числа, що не задовольняють певну умову.
Отже, сутність методу полягає ось у
чому.
Нехай
створено чергові числа
РВП [0, 1]. Виконаємо перетворення
(8.7)
(8.8)
Згідно з (8.4) випадкова величина x' рівномірно розподілена на відрізку [a, b]; y — на відрізку [0, c]. Має місце така теорема.
Теорема. Випадкова величина x, визначена умовою
,
якщо
(8.9)
має
щільність розподілу
Доведення міститься у посібниках [1] та [2].
З
допомогою цієї теореми можна побудувати
доволі простий алгоритм генерування
чергового випадкового числа
,
що має розподіл f
(x).
1.
Генеруємо наступні два числа
РВП [0, 1].
2. Обчислюємо
3.
Перевіряємо умову
Якщо умова виконується, то переходимо
до п. 4, у противному разі до індексу i
додаємо 1 і переходимо до п. 1.
4. Формуємо
чергове випадкове число
за правилом
4. Наближене формування розподілів неперервних випадкових величин
У такому разі зручно використовувати наближений спосіб перетворення РВП [0, 1] на випадкові числа з іншим розподілом. Розглянемо сутність цього способу.
Залежність
щільності розподілу від можливих значень
випадкової величини х
зобразимо
графічно на відрізку, де х
змінюється від a
до
b
Якщо межі інтервалу змінювання випадкової
величини нескінченні, то початковий
розподіл зрізуємо із заданою точністю.
Зокрема, шукана графічна залежність
може бути й експериментальною.
Розіб’ємо відрізок [a, b] на n частин (рис. 8.1) таких, що
=
= . . . =
=
де
— координата точки розбиття.
Рис. 8.1. Графік апроксимації функції щільності розподілу
З урахуванням цього ймовірність випадкової події, яка полягає в тому, що випадкова величина X потрапить в один з інтервалів, подається у вигляді
випадкова точка може потрапити на будь-який відрізок з однаковою ймовірністю.
Функцію щільності f (x) апроксимуємо східчастою функцією так, щоб значення f (x) у кожному інтервалі були сталою величиною.
Координату випадкової точки М, яка потрапила на і-й інтервал, можна подати у вигляді
(8.10)
де — відстань точки М від лівого кінця інтервалу.
З огляду
на лінійну апроксимацію величина
є
рівномірно розподіленою випадковою
величиною на відрізку
.
Цю величину можна дістати за допомогою
формули (8.4)
.
Номер інтервалу і, в якому міститься випадкова точка М, можна визначити, скориставшись схемою випробувань за «жеребкуванням» для рівноймовірних подій, що утворюють повну групу.
Тому алгоритм пошуку наступного випадкового числа, яке має розподіл f (x) (після виконання попередніх розрахунків щодо апроксимації початкового розподілу), може бути такий.
1.
Генеруємо
РВП [0, 1].
2. За
допомогою
знаходимо індекс
(8.11)
3. За
допомогою
знаходимо
.
4. Відшукуємо наступне випадкове число
.
(8.12)
Отже, щоб утворити випадкове число х, необхідно витратити два числа РВП [0, 1].
Під час вивчення цієї теми особливу увагу слід приділити генеруванню нормально розподілених випадкових чисел, оскільки нормальний (гауссів) розподіл — один з найважливіших і найчастіше застосовуваних видів неперервних розподілів.
Щільність розподілу ймовірностей для нормального розподілу
(8.13)
де
—
математичне сподівання;
—
дисперсія.
