- •Понятие системы. Эффективность систем
- •Параметры и характеристики систем
- •Модель. Классификация моделей
- •Методы моделирования
- •Метод статистических испытаний
- •Составляющие имитационной модели
- •События в имитационной модели
- •Основные характеристики простейшей смо
- •Компоненты дискретно-событийной имитационной модели и их организация
- •Определение событий и переменных в имитационной модели
- •Smpl: список событий
- •Smpl: список средств
- •Smpl: список очередей
- •Операции инициализации языка smpl
- •Операции над списком событий языка smpl
- •Операции над средствами языка smpl
- •Операции над очередями языка smpl
- •Моделирование простейшей смо на smpl
- •Генераторы случайныхчисел
- •Метод обратной функции и его использование для гененрирования непрерывных случайных величин
- •Метод обратной функции и его использование для гененрирования дискретных случайных величин
- •Выходные данные и стохастические процессы моделирования
- •Характеристики случайного процесса
- •Статистический анализ выходных данных автономной системы. Типы имитационного моделирования.
- •Переходное и установившееся поведение стохастического процесса
- •Оценка средних значений при переходном режиме моделирования
- •Получение заданной точности при переходном режиме моделирования
- •Проблема начального переходного процесса
- •Процедура Велча
- •Общие принципы построения факторных планов
- •Полный факторный эксперимент 2k, построение планов
- •Оценка главных эффектов и эффектов взаимодействия
- •Поверхности отклика и метамодели. Методы поиска оптимума
- •Имитационная модель системы управления запасами
- •Логика программы
- •Общие принципы оценки адекватности моделей
- •Особенности оценки адекватности им
- •Методы верификации моделирующих компьютерных программ
- •Этапы имитационного моделирования
-
Поверхности отклика и метамодели. Методы поиска оптимума
Имитационную модель можно рассматривать как механизм преобразования входных параметров в выходные показатели работы. Особый интерес представляет построение некоторой функциональной зависимости между параметрами и характеристиками системы (откликом). Такая зависимость является приближенной алгебраической моделью, построенной на основе данных моделирования, т.е. получается метамодель.
При проведении эксперимента используется кибернетическая модель черного ящика, в которой Y – множество выходных переменных (реакций) , а X – множество входных переменных (факторов)
Функция Y = fi(X) Y = fi(X) называется функцией реакции.
Наиболее часто метамодель определяется как стандартная регрессионная модель, в которой независимые переменные регрессии являются входными параметрами модели, а зависимая переменная – искомым откликом. При наличии нескольких откликов можно разработать несколько регрессионных моделей.
На первом этапе построения регрессионной модели нужно выполнить ее спецификацию, т.е. определить вид зависимости между откликом и факторами.
Далее, на основе метода наименьших квадратов, можно рассчитать коэффициенты уравнения регрессии.
После получения модели ее необходимо исследовать на адекватность. Одним из методов проверки адекватности регрессионной модели является анализ случайной компоненты ei = yi – yi^ - разность между фактическим значением отклика и значением, рассчитанным по уравнению регрессии.
Случайная компонента должна быть нормально распределенной случайной величиной с нулевым мат. ожиданием.
Линейное уравнение парной регрессии может быть представлено в виде:
y^ = a + bx + ε
где a и b – неизвестные параметры коэффициента регрессии
ε – случайная переменная, которая характеризует отклонение от теоретически предполагаемой регрессии.
Уравнение регрессии с оцененными параметрами имеет вид:
y^ = a + bx
В качестве нахождения коэффициентов уравнения регрессии a и b используется метод наименьших квадратов, который позволяет найти, такие коэффициенты , что сумма квадратов отклонений фактических значений от расчетных будет минимальной.
ei = yi – yi^ = yi – (a+bxi)
Критерий имеет вид:
Q = ∑ei2 min
Для нахождения a и b, дающих минимум данной функции, необходимо найти частные производные Q` по a и b и приравнять их к нулю.
Аналогичным образом можно построить коэффициенты уравнения множественной линейной регрессии.
yi = a0 + a1xi1 + a2xi2 + …. + ei
или Y = XA+E
Тогда в матричном виде:
A = (XTX)-1*XTy
Наиболее часто используются полиномиальные регрессионные модели.
Неполная квадратичная модель для m = 3 (число факторов) имеет следующий вид:
y = b0 + b1x1 + b2x2 + b3x3 + b12x1x2 + b23x2x3 + b13x1x3 + b123x1x2x3 + ε
где ε – ошибка опыта, предполагаемая независимой нормально распределенной случайной величиной со средним, равным нулю и постоянной дисперсией.
При проведении экспериментов для исследования систем необходимо:
1) отобрать факторы xi , влияющие на изучаемый отклик и сделать предположение о виде функциональной зависимости между факторами и откликом.
2) установить диапазон изменения каждого фактора и определить координаты точек факторного пространства (т.е. уровни фактора)
3) оценить необходимое число реализаций и порядок их проведения, построить план эксперимента.
4) выполнить n-прогонов для каждой точки плана.
5) для каждой точки плана получить оценку отклика.
6) по полученным оценкам построить уравнение регрессии (как правило, линейное уравнение множественной регрессии).