- •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»
Алгоритмы получения псевдослучаных чисел
Рассматриваются конкретные алгоритмы и формируемые с их помощью последовательности псевдослучайных чисел.
Алгоритмы 1-го порядка вида:
n-1 = Ф (n) . (1.3.1)
Первый порядок означает, что каждое последующее псевдослучайное число зависит от одного предыдущего. Большинство алгоритмов, используемых на практике, представляют собой рекуррентные соотношения вида (1). В них задается начальное число 0 и функция Ф(х), с помощью которой получают последовательность псевдослучайных чисел.
Часто используется функция вида D [хg] при больших g (D - дробная часть произведения).
Алгоритмы всегда порождают периодические последовательности псевдослучайных чисел.
Поскольку в коде любой ЭВМ можно записать конечное число N чисел, заключенных в интервале [0, 1], то рано или поздно некоторое число L совпадет с ранее полученным числом l . Тогда в силу формулы (1)
, при i = 1, 2, . . . (1.3.2)
Начиная с псевдослучайного числа с индексом L числа начнут совпадать.
Пусть L - наименьшее число, удовлетворяющее условию (2). Множество чисел 0, 1, 2, . . .L-1 называются отрезком апериодичности последовательности псевдослучайных чисел.
Число L называют длиной отрезка апериодичности, а разность р = L - l - периодом последовательности псевдослучайных чисел.
Периодичность последовательности псевдослучайных чисел - очень серьезный недостаток, приводящий к тому, что при больших объемах машинных экспериментов, в силу повторяемости псевдослучайных чисел, результаты моделирования будут также повторяться.
Алгоритмы порядка r
В этом случае
вместо рекуррентных соотношений вида
(1) для получения последовательности
псевдослучайных чисел используются
рекуррентные соотношения, в которых
каждое последующее число зависит от r
предыдущих:
,где
0,
1,...r-1
- заданные начальные числа датчиков.
Алгоритмы данного типа изучены в меньшей
степени, чем алгоритмы первого порядка.
Считается, что алгоритмы данного типа
позволяют получить последовательности
псевдослучайных чисел с большей длиной
отрезка апериодичности,
Метод возмущений
Особенностью данного метода является то, что при формировании псевдослучайных чисел используется два различных алгоритма 1-го порядка. Переход от одного вида алгоритма к другому осуществлялся при выполнении определенных условий, т.е. время от времени в последовательность формируемых псевдослучайных чисел вносится возмущение.
Генератор Лемера
В этом генераторе используется функция вида
,
,
,
= число разрядов в ЭВМ,
.
-число из интервала (0,1) получается
извлечением 24 левых битов и умножением
на
.
Проверка качества формируемой последовательности псевдослучайных чисел
Случайные числа, получаемые с помощью датчиков псевдослучайных чисел, должны подвергаться статистической проверке. Наиболее часто при проверке качества формируемой последовательности используются четыре теста, исходной информацией для которых является таблица случайных цифр.
В каждом тесте случайные цифры, входящие в состав случайного числа, классифицируются по определенному признаку, а эмпирические частоты появления определенных цифровых комбинаций сравниваются с соответствующими математическими ожиданиями с использованием критерия Пирсона 2.
Тест проверки частот. Проверяются частоты появления каждой из цифр в таблице случайных цифр, составленной из разрядов всех псевдослучайных чисел в порядке их реализации.
Тест проверки пар. С помощью теста проверяются частоты появления различных двузначных чисел среди всех пар цифр.
Если пары цифр не содержат пересекающихся индексов, то их называют независимыми. Если содержат - зависимыми. Частоты появления пар цифр сравниваются с соответствующими математическими ожиданиями.
Тест проверки интервалов
Проверяются частоты длин интервалов между одинаковыми цифрами в таблице случайных цифр. Например, между последовательно встречающимися нулями.
Тест проверки комбинаций
Проверяется частоты появления различных 4-х или 8-ми разрядных комбинаций цифр в таблице.
Все проводимые проверки частот основаны на использовании критерия Пирсона 2.
