- •Шпаргалки по имэп
- •Вопрос 1. Системы: основные понятия и определения.
- •Вопрос 2. Понятие модели. Классификация систем и моделей.
- •Классификация систем и моделей.
- •Вопрос 3. Принципы системного подхода в моделировании систем.
- •Вопрос 4. Имитационное моделирование. Метод статистического моделирования.
- •Вопрос 5. Основные подходы к построению математических моделей систем.
- •Вопрос 6. Дискретно-событийные системы и модели. Схема алгоритма моделирования стохастических дискретно-событийных систем.
- •Вопрос 7. Основные математические схемы моделирования систем и процессов (d,f,p,q – схемы).
- •Вопрос 8. Случайные потоки однородных событий: основные определения и свойства.
- •Вопрос 14. Системы массового обслуживания: основные определения и свойства.
- •Заявки принимаются к обслуживанию
- •Вопрос 18. Моделирование случайных событий и дискретных величин.
- •Вопрос 24. Стратегическое планирование машинных экспериментов с моделями систем.
- •Вопрос 26. Задачи обработки результатов моделирования.
- •Вопрос 30. Регрессионный анализ результатов моделирования.
- •Вопрос 33 Общие сведения о формате операторов gpss. Формат и действие блоков generate и terminate.
- •Вопрос 34 Элементы gpss, отображающие одноканальные обслуживающие устройства. Блоки seize, release, advance.
- •Вопрос 35 Сбор статистики об ожидании. Блоки queue, depart.
- •Вопрос 36 Переход транзакций в блок, отличный от последующего. Блок transfer (все режимы).
- •Вопрос 37 Моделирование многоканальных устройств. Определение емкости мку. Формат и действие блоков enter и leave.
- •Вопрос 41 Стандартные числовые атрибуты системы и транзактов, параметры транзактов.
- •Вопрос 42 Блоки assign, mark,loop (формат и примеры использования).
- •Вопрос 44 Сохраняемые величины. Операторы initial и savevalue.
- •Вопрос 46 Проверка числовых выражений. Блок test.
- •Вопрос 50 Логические ключи. Блоки управления потоками транзактов: logic, gate lr,gate ls и gate.
Вопрос 24. Стратегическое планирование машинных экспериментов с моделями систем.
Существует два основных варианта постановки задачи планирования имитационного эксперимента:
из всех допустимых выбирается такой план, который позволяет получить наиболее достоверное значение отклика при фиксированном числе опытов.
выбирается такой допустимый план, при котором статистическая оценка функции отклика может быть получена с заданной точностью при минимальном объеме испытаний.
Решение первой задачи – стратегическое планирование эксперимента.
При стратегическом планировании решаются две основные задачи:
1)идентификация факторов;
2)выбор уровня факторов.
Под идентификацией факторов понимается их ранжирование по степени влияния на значение наблюдаемой переменной.
Факторы обычно разделяются на две группы:
- первичные (те факторы, в исследовании влияния которых экспериментатор заинтересован);
- вторичные (факторы, которые не являются предметом исследования, но влиянием которых нельзя пренебречь).
В процессе идентификации факторов мало влияющие факторы могут не учитываться.
Выбор уровней факторов производится с учетом двух противоречивых требований:
выбранные факторы должны перекрывать (заполнять) изучаемый диапазон его значений.
общее количество уровней по всем факторам не должно приводить к чрезмерному размеру (V) моделирования.
Способы построения стратегического плана:
Эксперимент, в котором реализуются все возможные сочетания факторов называется ПФЭ (полный факторный эксперимент).
Общее число различных комбинаций уровней (точек) в ПФЭ вычисляется по формуле:
где li – число уровней для i-го фактора, k – число факторов.
Если число уровней для всех факторов одинаково и равно L, то N=Lk.
Недостаток ПФЭ – большие временные затраты на проведение эксперимента, поэтому используются частичные факторные эксперименты (ЧФЭ).
Рассмотрим некоторые ЧФЭ:
рандомизированный план – предполагает выбор сочетания уравнений для каждого прогона случайным образом. При этом фиксируется число экспериментов, которым экспериментатор считает возможным ограничиться.
латинский план («латинский квадрат») используется в том случае, когда проводится эксперимент с одним первичным фактором и несколькими вторичными.
эксперимент с изменением факторов по одному. Один из факторов пробегает все свои уровни в то время, как остальные факторы остаются фиксированными.
дробный факторный эксперимент. Каждый фактор имеет два уровня (верхний и нижний), поэтому общее число вариантов эксперимента N=2k.
Пример латинского плана.
Рассматриваются 3 фактора: А,В,С.
А – первичный; В,С – вторичные.
Значения фактора В |
Значения фактора С |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
План строится таким образом, чтобы в каждой строке и в каждом столбце таблицы данный уровень был представлен только один раз.
По данному плану необходимо провести 16 экспериментов. N=16. Для ПФЭ N было бы 43=64. Экономия в 4 раза.
Пример дробного факторного эксперимента.
k=0
Номер эксперимента |
Значение факторов |
|
|
X1 |
X2 |
1 |
0 |
0 |
2 |
0 |
1 |
3 |
1 |
0 |
4 |
1 |
1 |
0 – нижний уровень фактора
1 – верхний уровень
ЧФЭ N=22=4.
Вопрос 25. Тактическое планирование машинных экспериментов с моделями систем (проблема определения начальных условий и их влияния на достижение установившегося результата, проблема обеспечения точности и достоверности результатов моделирования).
Планирование машинных экспериментов – один из этапов имитационного моделирования.
План определяет объем и порядок проведения вычислений на ЭВМ, приемы накопления и статистической обработки результатов моделирования системы S
Тактическое планирование эксперимента с машинной моделью
Тактическое планирование представляет собой определение способа проведения каждой серии испытаний машинной модели Мм, предусмотренных планом эксперимента. Для тактического планирования также имеется аналогия с внутренним проектированием системы S, но опять в качестве объекта рассматривается процесс работы с моделью Ми.
Мы системы S связано с вопросами эффективного использования выделенных для эксперимента машинных ресурсов и определением конкретных способов проведения испытаний модели Мы, намеченных планом эксперимента, построенным при стратегическом планировании. Тактическое планирование машинного эксперимента связано прежде всего с решением следующих проблем:
1) определения начальных условий и их влияния на достижение установившегося
результата при моделировании;
2) обеспечения точности и достоверности результатов моделирования;
3) уменьшения дисперсии оценок характеристик процесса функционирования моделируемых систем;
4) выбора правил автоматической остановки имитационного эксперимента с моделями систем
Проблема определения начальных условий и их влияния на достижение
установившегося результата при моделировании.
Первая проблема при проведении машинного эксперимента возникает вследствие искусственного характера процесса функционирования модели Мм, которая в отличие от реальной системы S работает эпизодически, т. е. только когда экспериментатор запускает машинную модель и проводит наблюдения. Поэтому всякий раз, когда начинается очередной прогон модели процесса функционирования системы S, требуется определенное время для достижения условий равновесия, которые соответствуют условиям функционирования реальной системы.
* Таким образом, начальный период работы машинной модели Мм искажается из-за влияния начальных условий запуска модели. Для решения этой проблемы либо исключается из рассмотрения информация о модели Мм, полученная в начальной части периода моделирования (0, Т), либо начальные условия выбираются так, чтобы сократить время достижения установившегося режима.
Все эти приемы позволяют только уменьшить, но не свести к нулю время переходного процесса при проведении машинного эксперимента с моделью Мм. *
Проблема обеспечения точности и достоверности результатов моделирования.
Решение второй проблемы тактического планирования машинного эксперимента связано с оценкой точности и достоверности результатов моделирования (при конкретном методе реализации модели, например, методе статистического моделирования на ЭВМ) при заданном числе реализаций (объеме выборки) или с необходимостью оценки необходимого числа реализаций при заданных точности и достоверности результатов моделирования системы S. Как уже отмечалось, статистическое моделирование системы
S — это эксперимент с машинной моделью Мм. Обработка результатов подобного имитационного эксперимента принципиально не может дать точных значений показателя эффективности Е системы S; в лучшем случае можно получить только некоторую
оценку Е такого показателя. При этом экономические вопросы затрат людских и машинных ресурсов, обосновывающие целесообразность статистического моделирования вообще, оказываются тесно связанными с вопросами точности и достоверности оценки
показателя эффективности Е системы S на ее модели Мм
Таким образом, количество реализаций N при статистическом моделировании системы S должно выбираться исходя из двух основных соображений: определения затрат ресурсов на машинный эксперимент с моделью Мм (включая построение модели и ее машинную реализацию) и оценки точности и достоверности результатов эксперимента с моделью системы S (при заданных ограничениях не ресурсы). Очевидно, что требования получения более хороших оценок и сокращения затрат ресурсов являются противоречивыми и при планировании машинных экспериментов на базе статистического моделирования необходимо решить задачу нахождения разумного компромисса между ними.
Из-за наличия стохастичности и ограниченности числа реализаций N в общем случае ≠Е. При этом величина Е называется точностью (абсолютной) оценки:
вероятность того, что неравенство
(6.6)
выполняется, называется достоверностью оценки
(6.7)
Величина ε0 = ε/Е называется относительной точностью оценки, а достоверность оценки соответственно будет иметь вид
.
Для того чтобы при статистическом моделировании системы по заданным Е (или Е0) и Q определить количество реализаций N или, наоборот, при ограниченных ресурсах (известном N) найти необходимые Е и Q, следует детально изучить соотношение (6.7). Сделать это удается не во всех, случаях, так как закон распределения вероятностей величины для многих практических случаев исследования систем установить не удается либо в силу ограниченности априорных сведений о системе, либо из-за сложности вероятностных расчетов. Основным путем преодоления подобных трудностей является выдвижение предположений о характере законов распределения случайной величины , т.е. оценки показателя эффективности системы S.
N = tφ2p(1-p)/(p2ε02) = tφ2(l-р)/(ε02р). (6.10)
Соотношение (6.10 – точность результатов моделирования) наглядно иллюстрирует специфику статистического моделирования систем, выражающуюся в том, что для оценивания малых вероятностей р с высокой точностью необходимо очень большое число реализаций N. В практических случаях для оценивания вероятностей порядка 10- k целесообразно количество реализаций выбирать равным 10k+1. Очевидно, что даже для сравнительно простых систем метод статистического моделирования приводит к большим затратам машинного времени.