- •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. Планування імітаційних експериментів у процесі оптимізації систем
Проведення експериментів (натурних чи імітаційних) для пошуку оптимальних рішень полягає в реалізації деякої обчислювальної схеми знаходження екстремумів невідомої функції відгуку на заданій множині точок факторного простору. Нині розроблено численні наближені методи оптимізації, проте ефективність кожного з них істотно залежить від вигляду функції відгуку.
Головна складність постановки експериментів для оптимізації систем полягає в тому, що експериментатор не має відомостей про властивості функції відгуку. Отже, після закінчення експерименту, який реалізує деяку схему пошуку екстремуму, не може бути цілковитої впевненості в тому, що здобутий розв'язок є оптимальним. Під час виконання особливо відповідальних розрахунків для підвищення надійності результатів доцільно використовувати комбінації різних методів оптимізації.
Нагромаджений досвід розв'язування нелінійних оптимізаційних економіко — математичних задач у теорії керування запасами та календарному плануванні дає змогу зробити деякі узагальнені висновки щодо властивостей функцій відгуку, що відображують оптимізаційний процес в економіко-виробничих системах.
У загальному випадку функція відгуку (цільова функція) є багатоекстремальною, тобто має багато локальних екстремумів, серед яких може бути й кілька абсолютних. З огляду на це потрібно обережно використовувати методи напрямленого (детермінованого чи випадкового) пошуку екстремуму.
Друга важлива властивість оптимізаційних економіко — математичних моделей полягає в тому, що в області екстремумів функція відгуку є "'гладкою", тобто варіювання змінних у цій області не спричиняється до помітних змін значень цільової функції. Це полегшує пошуки оптимальних розв'язків, оскільки за умов неточної вхідної інформації (чим характерні економічні задачі) для практичних цілей досить дістати результат, близький до оптимального.
Принципово можливі два способи знаходження екстремуму фунукції відгуку:
(10.3)
Перший
полягає в тому, що за допомогою
експериментальних досліджень
визначається математична модель функції
відгуку, яка потім досліджується на
екстремум класичними методами
диференціального числення. З цією
метою обчислюються частинні похідні
функції відгуку
і відшукуються стаціонарні точки
розв’язування системи рівнянь
Розв'язок
системи
може
бути точкою оптимуму
функції
відгуку. У цьому переконуються або з
допомогою формальних методів, або на
підставі інтуїтивних міркувань.
Важливим моментом в описаному способі оптимізації є знаходження частинних похідних функції відгуку і обчислення точок, в яких похідні набувають нульових значень. Похідні функції відгуку можна визначити і без використання її математичної моделі. Для цього з допомогою повного чи дробового факторного плану досить знайти коефіцієнти лінійної регресії, що є статистичними оцінками коефіцієнтів ряду Тейлора:
(
(10.4)
3. Оптимізація систем за методом Бокса – Уїлсона
Задача
пошуку екстремуму функції відгуку
(параметра оптимізації)
зводиться
до визначення точок
в
яких коефіцієнти лінійної
регресії
дорівнюють нулю. На цій умові базується
другий спосіб оптимізації систем,
запропонований Боксом та Уїлсоном (1951
р). Тому описаний далі метод має назву
метод Бокса – Уїлсона.
У
спеціальній літературі він відомий і
як метод крутого сходження (при визначенні
точки максимуму).
Розглянемо загальну схему методу.
Спочатку вибирається точка (одна або кілька) факторного простору, яка за інтуїтивними міркуваннями може міститися поблизу точок екстремуму. Якщо немає жодних додаткових відомостей на користь пріоритету “екстремальності” деяких точок факторного простору, то початкова точка вибирається за методом Монте-Карло: значення рівнів факторів рівномірно і випадково генеруються в заданих межах їх змінювання.
В околі початкової точки за описаними правилами ставиться повний чи дробовий факторний експеримент. Потім проводиться статистичне дослідження здобутої лінійної регресії щодо перевірки однорідності дисперсій, значущості коефіцієнтів регресії, адекватності моделі. Фактично в околі початкової точки функція відгуку замінюється деякою гіперплощиною, коефіцієнти при лінійних членах якої є коефіцієнтами регресії:
(10.5)
Якщо початкова точка не є підозрілою на екстремум, тобто не всі коефіцієнти статистично незначущі, то коефіцієнти регресії використовуються для визначення напряму руху до стаціонарної точки (надалі для визначеності розглядатимемо лише випадок максимізації функції відгуку). Круте сходження до точки максимуму відбувається за напрямом градієнта, який визначає напрям найшвидшого зростання функції:
,
(10.6)
де
—
одиничні вектори в напрямі координатних
осей, що відповідають факторам
.
Вихідною
точкою руху в напрямі крутого сходження
є початкова точка
в
околі якої здобуто апроксимуючу
гіперплощину. У вибраному напрямі в
кількох точках факторного простору
обчислюються значення функції відгуку,
тобто в них провадяться експериментальні
(імітаційні) спроби для визначення
функції відгуку.
Експериментальне відшукання значень функції відгуку в напрямі крутого сходження триває доти, доки не трапиться точка, в якій значення функції відгуку буде більшим, ніж у решті точок (включаючи точки з вищими індексами). Знайдена точка використовується як нова початкова точка планування експерименту.
Після
кількох ітерацій дістаємо точку, в якій
усі коефіцієнти лінійної регресії
будуть статистично незначущі, тобто
bi
0
.
Це означає, що локальна гіперплощина
майже горизонтальна і не дає змоги
вибрати наступний напрям руху до
максимуму. Дана точка є підозрілою
точкою щодо екстремуму, тобто вона
може бути точкою локального максимуму.
Для прийняття остаточного рішення необхідно ретельно дослідити функцію відгуку в підозрілій точці.
Оскільки досліджувана поверхня відгуку в заданих межах змінювання факторів може мати кілька локальних екстремумів, за результатами однієї реалізації методу Бокса – Уїлсона не можна стверджувати, що знайдено глобальний екстремум. Серію експериментів за допомогою цього методу потрібно повторити кілька разів, починаючи рух із випадково вибраних і рівномірно розкиданих у факторному просторі точок.
