- •Введение
- •Глава 1. Моделирование случайных величин
- •1.1.1. Понятия модели и моделирования
- •1.1.2. Основной цикл познания при моделировании
- •1.1.3. Математическое моделирование
- •1.1.3.1. Математическое описание сложных систем
- •1.1.3.2. Методы математического моделирования
- •1.1.3.3. Имитационное моделирование
- •1.1.3.4. Принципы построения алгоритмов имитационного моделирования
- •1.1.3.5. Характерные особенности имитационного моделирования на эвм
- •1.1.3.6. Статистическое моделирование
- •1.1.3.7. Понятие о вероятностном физическом моделировании
- •1.1.3.8. Достоинства метода имитационного моделирования на эвм
- •1.1.3.9. Недостатки метода имитационного моделирования
- •1.2. Структура имитационной модели. Технологии построения.
- •1.2.1. Этапы разработки имитационной модели
- •1.2.2. Элементы и структура имитационной модели
- •1.2.3. Технология построения и функционирования.
- •1.3. Генерирование равномерно распределенных на интервале [0,1] случайных чисел. Проверка качества генераторов случайных чисел
- •1.3.1. О приближенных случайных числах
- •Физические датчики случайных величин
- •О проверке физических датчиков случайных чисел
- •Метод псевдослучайных чисел
- •Алгоритмы получения псевдослучаных чисел
- •Алгоритмы порядка r
- •Метод возмущений
- •Генератор Лемера
- •Проверка качества формируемой последовательности псевдослучайных чисел
- •1.4. Методы генерирования случайных событий, дискретных и непрерывных случайных величин, многомерных случайных величин, усеченных случайных величин.
- •1.4.1. Моделирование дискретных случайных величин
- •1.4.2. Моделирование семейства биномиальных распределений
- •1.4.3. Моделирование непрерывных случайных величин Метод обратных функций
- •Метод суперпозиций
- •Моделирование многомерных случайных величин
- •Моделирование n-мерной точки с зависимыми координатами
- •Метод отбора
- •Применение метода отбора. Моделирование усеченных распределений
- •Метод Неймана
- •Выбор равномерно распределенных точек в сложных областях
- •1.5. Методы генерирования наиболее часто встречающихся на практике распределений.
- •1.5.1. Моделирование распределения Эрланга
- •1.5.2. Приближенное моделирование нормально распределенных случайных величин
- •1.5.3. Методы генерирования цепей и процессов Маркова.
- •1.5.4. Метод генерирования процессов Маркова с дискретным множеством состояний.
- •1.5.5. Метод генерирования процессов Маркова с дискретно-непрерывным множеством состояний.
- •Глава 2. Моделирование информационных систем железнодорожного транспорта
- •2.1. Формирование реализаций случайных потоков
- •Однородных событий.
- •2.1.1. Входящие потоки
- •2.1.2. Формирование произвольных случайных потоков однородных событий
- •2.2. Введение марковских процессов при моделировании систем массового обслуживания при произвольных распределениях основных случайных величин.
- •2.3. Моделирование однолинейной системы массового обслуживания
- •2.3.1. Распределение длины очереди
- •2.3.2. Время отклика и время ожидания
- •2.4. Моделирование многолинейной системы массового обслуживания
- •2.4.1. Моделирование многолинейной системы массового обслуживания для расчете времени ожидания
- •2.4.2. Моделирование многолинейной системы массового обслуживания для расчета распределения числа требований в системе.
- •2.5. Моделирование сетей массового обслуживания,
- •Глава 3. Оценка точности результатов моделирования
- •3.1. Постановка задачи по оценке точности результатов моделирования. Характеристики точности результатов моделирования Оценка точности результатов аналитического моделирования
- •3.1.1. Постановка задачи по оценке точности результатов
- •3.1.2. Классификация входных случайных величин
- •3.1.3. Смещение и дисперсия оценки выходного показателя
- •3.2. Оценка точности результатов имитационного
- •3.2.1. Оценка смещения
- •3.2.2. Оценка составляющей дисперсии за счет неточности входных параметров
- •3.2.3. Оценка частных производных от показателя эффективности сложной системы на ее математической модели
- •3.3. Оценка точности результатов статистического
- •Глава 4. Разработка математической модели функционирования двухпутного железнодорожного участка для определения минимального расчетного межпоездного интервала
- •4.1. Постановка задачи
- •4.1.1. Актуальность разработки модели
- •4.1.2. Постановка задачи по разработке модели.
- •4.2.2. Кусочно-непрерывный марковский процесс, описывающий функционирование двухпутного железнодорожного участка
- •4.3. Алгоритм смены состояний кусочно-непрерывного процесса, функционирования железнодорожного участка во времени
- •4.4. Уравнения движения поезда
- •4.5. Программная реализация алгоритма математической модели функционирования двухпутного ж.Д. Участка
- •4.6. Оценка точности линеаризованных решений дифференциальных уравнений движения поезда
- •4.7. Результаты моделирования
- •4.7.1. Описание объекта моделирования и исходные данные
- •4.8. Результаты моделирования для обычных грузовых поездов
- •4.9. Результаты моделирования для поездов повышенной длины и массы
- •4.10. Результаты расчета точности решений линеаризованных уравнений движения поезда
- •Глава 5. Задачи по дисциплине «Моделирование систем» для студентов 4 курса по кафедре «асу» по направлениям
- •Оглавление
- •Глава 1
- •Глава 2. Моделирование информационных систем
- •2.3. Моделирование однолинейной системы массового обслуживания………………………………………………………………...52
- •2.4. Моделирование многолинейной системы массового обслуживания..55
- •Глава 3. Оценка точности результатов моделирования…………………...63
- •Глава 4. Разработка математической модели функционирования
- •Глава 5. Задачи по дисциплине «Моделирование систем»
1.2.2. Элементы и структура имитационной модели
Имитационная модель образуется взаимодействием элементов: состояний, событий, датчиков случайных чисел (ДСЧ), таймера, цепей событий, цели моделирования, счетчиков, блока инициализации, критерия останова, и методов обработеи результатов.
Состояние системы должно быть определено со степенью детализации, необходимой и достаточной для того, чтобы процесс изменения состояния модели во времени был марковским.
Под событием модели понимается скачкообразное изменение ее состояния ( прибытие требования, завершение его обслуживания и т.д.).
С помощью ДСЧ генерируются очередные случайные величины со своими распределениями, по которым формируются очередные состояния.
Имитируемый процесс развивается в модельном времени. Счетчик модельного времени наз. таймер.
Функционирование имитационной модели в модельном времени есть смена состояний в этом времени марковского процесса.
Логика модели реализуется в процессе реализации цепей событий
( уход обслуженного требования, связанное с этим уходом продвижение очереди и т.д.).
Под инициализацией понимается приведение модели до начала прогона в исходное состояние ( обнуление всех накапливающих счетчиков, установка в исходное состояние генераторов псевдослучайных чисел).
Цель моделирования при построении модели – определение показателей качества функционирования моделируемой системы. Выбор цели определяет счетчики, необходимые для накопления результатов моделирования. Если цель – определение распределения числа требований в системе, то необходим счетчик текущего числа требований в системе. Если цель – определение распределения времени ожидания требования в системе, то необходим счетчик времен ожиданий требований, уходящих из системы и т.д.
Показатели качества функционирования моделируемой системы часто требуются в стационарном режиме ( при устремлении к бесконечности модельного времени). Данные, накопленные за время переходного к такому режиму процесса, будут вносить погрешность в окончательные результаты. Для этого
результаты переходного режима следует отбросить. При необходимости нескольких прогонов для получения показателей качества функционирования моделируемой системы в стационарном режиме это отбрасывание становится весьма непроизводительным. В таких случаях для эргодических процессов, стационарный режим которых не зависит от начальных условий, берут одну достаточно длинную реализацию модели.
Критерия останова определяет момент прекращения прогона модели. В простейшем случае прогон прекращается по достижению заданного значения таймера, счетчика числа обслуженных требований и т.д. Однако правильнее управлять прогоном по достижению заданной точности определяемых показателей. Обоснованный выбор правила останова нетривиален, т.к. на этапе планирования экспериментов на модели ни оценка определяемой величины, ни ее дисперсия, как правило, не известны. Здесь возможны следующие варианты:
двухэтапный прогон, когда на первом этапе грубо определяются величины, необходимые для формирования критерия останова на втором этапе,
последовательная обработка результатов моделирования.
Обработка результатов моделирования состоит в сжатии получаемой информации, вычислении статистических (точечных и интервальных) оценок математических ожиданий и высших моментов для случайных величин, оценке статистической значимости различия средних, построении гистограмм и статистических функций распределения. Другим аспектом обработки результатов является выдача их на печать в компактной и удобной для дальнейшего анализа форме. Соответственно в систему моделирования должны включаться необходимые подпрограммы широкого применения, слабо связанные со спецификой модели.
