
- •1. Система, системные признаки, классификация систем.
- •2. Целостные и суммативные системы.
- •3. Моделирование как метод научного познания и подход к анализу и синтезу сложных систем.
- •4. Назначение моделирования и его место среди других наук.
- •5. Сложные системы как объекты моделирования.
- •6. Системный подход в моделировании сложных систем.
- •7. Модели: параметры и характеристики.
- •8. Адекватность моделей.
- •9. Виды моделей, иерархия моделей.
- •10. Характеристика и классификация абстрактных моделей.
- •11. Имитационные модели (общее описание).
- •12. Примеры математических моделей (анал. И имитационных).
- •13. Методы расчета математических моделей.
- •14. Харарактеристика имитационных методов расчета матем моделей.
- •15.Сравнительный анализ аналитических и имитационных моделей.
- •16.Классификация и характеристика типовых математических моделей.
- •17.Общая хар-ка q-моделей.
- •18. Общая характеристика обобщенных (агрегатных) моделей.
- •19. Технология моделирования. Основные этапы.
- •20. Концептуальные модели.
- •21. Формирование критериев при моделировании.
- •22. Планирование экспериментов с моделью
- •23. Общая характеристика метода статистических испытаний (Монте-Карло).
- •24. Примеры использования метода статистических испытаний.
- •25. Стохастические сетевые модели: параметры и характеристики.
- •26. Сети массового обслуживания: параметры, характеристики, классификация.
- •27.Теоретические основы статич моделирования
- •28.Выбор длительности машинного эксперимента.
- •29.Оценка результатов имитационного моделирования: статические оценки и доверительные интервалы
- •31.Псевдослучайные числа и их использование в моделировании.
- •32.Алгоритмические способы генерации псевдослучаных чисел.
- •33.Моделир-е случайных событий, групп событий.
- •34.Моделирование зависимых и независ событий.
- •35. Моделирование дискретных случайных величин
- •36.Моделирование непрерывных случайных величин.
- •37.Метод обратных функций.
- •38. Моделирование случайных векторов(для случая двухмерных случайных величин)
- •39.Генерация типовых распределений (равномерного, показательного, гаусса и др.)
- •40.Основные задачи имитационного моделирования
- •41.Оценка характеристик моделирования объекта, по результатам статистического моделирования
- •42.Оценка характеристик нестационарного объекта по результатам статистическ моделирования.
- •43. Типовая структура имитационной модели
- •44. Компоненты, функциональные действия, активности и события
- •45. Порядок функционирования имитационной модели
- •4 6. Методы продвижения модельного времени
- •47. Алгоритм и особенности моделирования нестационарных объектов.
- •48. Общая характеристика и сравнительный анализ методов моделирования псевдопараллельностей.
- •49. Псевдопараллельность: смысл и способы реализации.
- •50. Моделирование активностей.
- •52. Укрупненный алгоритм имитационного моделирования одноканальной смо.
- •53. Программные средства имитационного моделирования.
- •54. Аппаратные средства имитационного моделирования.
- •55. Состав системы моделирования gpss.
- •56. Состояния транзактов и узлов. Списки gpss.
- •57. Укрупненный алгоритм обработки событий в языке gpss.
- •58. Укрупненный алгоритм продвижения тразактов в языке gpss.
- •60. Характеристика входного языка системы gpss.
- •61. Стандартный набор статистики gpss. Управление сбором статистики.
- •62. Управление сбором статистики в gpss с помощью table, qtable.
- •63. Именование и адресация объектов в языке gpss
- •64. Вычислимые и хранимые объекты gpss.
- •65. Характеристика объектов языка gpss.
- •66. Управление приоритетными дисциплинами обслуживания в gpss.
- •67. Стандартные числовые атрибуты gpss. Назначение и использование.
- •68. Управление потоками транзактов в языке gpss.
- •69. Устройства и организация приоритетного обслуживания в gpss.
- •70. Управление узлом типа память в gpss. Описание многоканальных смо.
- •72. Управление маршрутами транзактов в языке gpss.
- •73. Использование операторов test, gate. Логические ключи.
- •74. Управление семействами транзактов в языке gpss.
- •75. Характеристика аналитических методов расчета математических моделей.
- •76. Математические модели сложных систем (общее описание).
- •77. Аналитическое решение математической модели.
- •78. Потоки заявок в стохастических сетевых моделях.
- •79. Типы смо, используемых в стохастических сетевых моделях.
- •80. Моделирование смо м/м/1 и м/м/к.
- •81. Моделирование смо м/м/1 и м/м/к.
- •82. Параметры и характеристики сетей мо.
- •83.Экспоненциальные сети мо.
- •84. Расчёт интенсивностей потоков и , сама сеть в соотв. Фициент мкнутой сети.0000000000000000000000000000000000000000000000000000000000000000000000000000000000000коэффициентов передач сетей мо.
- •85. Расчёт вероятностей состояний разомкнутых сетей мо.
- •86. Расчёт вероятностей состояний замкнутых сетей мо.
- •87. Моделирование узловых характеристик объекта на основе разомкнутых сетей мо.
- •88. Моделирование системных характеристик объекта на основе замкнутых сетей мо.
- •89. Моделирование узловых характеристик объекта на основе замкнутых сетей мо.
- •90. Общая методика моделирования объекта на основе разомкнутых сетей мо.
- •91. Общая методика моделирования объекта на основе замкнутых сетей мо.
- •92. Предельные оценки характеристик стохастических сетевых моделей
- •93. Моделирование систем обработки информации стохастическими сетями.
- •Система, системные признаки, классификация систем.
- •Целостные и суммативные системы.
- •Моделирование как метод научного познания и подход к анализу и синтезу сложных систем.
11. Имитационные модели (общее описание).
Имитационное моделирование – это способ получения с помощью ЭВМ статистических данных о процессах, происходящих в моделируемом объекте. Составными частями имитационной модели являются описания: элементов, образующих систему; структуры системы, т.е. совокупности связей между элементами; свойств среды, в которой функционирует исследуемая система. Указанная информация в целом имеет логико-математический характер и представляется в форме совокупности алгоритмов, описывающих функционирование исследуемой системы. Программа, построенная на основе этих алгоритмов, позволяет получить информацию о поведении исследуемой системы.
Имитационные модели применяются, если математическая модель аналитически не решается, или если нас не устраивает точность расчёта аналитической модели, которая может быть неудовлетворительной из-за погрешностей, получаемых в результате грубых допущений. Исходя из этого, чаще всего применяются именно имитационные модели, в которых Q-схемы воспроизводятся без ограничений.
Имитационные модели имеют следующие достоинства:
теоретически неограниченная универсальность;
потенциально высокая точность;
многопараметричность;
высокая адекватность.
К недостаткам имитационной модели относятся сравнительно высокая сложность и трудоемкость.
12. Примеры математических моделей (анал. И имитационных).
Матем модель (аналитич, алгебраич).
В целях упрощения учтем только ср знач пар-ов системы и сделаем допущение, что все заявки одинаковы, поступают ч/з 7с и обслуж за 3с. Модель станет статичной, детермин-ной и ее решение описыв-ся след соотношениями:
Матем
модель (аналитич, вероятност). Учтем
случ. хар-р поступл-я и обслуж-я заявок.
Законы
и
заменим теоретическими, для кот известно
аналитич решение. Сохраним лишь их
совпадение на уровне матем-их ожиданий.
Будем считать, что заявки во вх потоке
распредел по закону Пуассона, а время
обслуж t
подчиняются экспон-ому закону. Соотв-но
ср. интенсивность потока заявок
и
ср. скорость обслуж
остаются прежними. При таких допущениях
моделью системы будет СМО типа М/М/1 и
можно использ известные формульные
решения.
Матем
модель (имитацион)Учтем
в модели все знания об объекте, в том
числе реал законы поступлен. и обслуж-я
заявок. Модель будет строиться как
динамич, вероятностная. Модельное время
меняется дискретно, алгоритм продвиж-я
модельного времени - событийный. Стр-ра
модели представл. на рис15, где модули
М1 и М2 выполн. роль генераторов.М1
генерирует последов-сть сл. чисел
,
подчин. закону распредел
,
а М2 имитирует длительн. времени обсл.
заявок t
в соотв. с заданным законом распредел
.МЗ
имитирует функцион-е объекта, реагируя
на происх-щие в нем события и изменяя
его состояния, собирает инфу о прошлых,
текущем и будущих состояниях объекта.
М4 выполняет статистику обраб. накопленных
результ и вычисл хар-ки, а М5 управляет
моделью и ходом моделирования.
Алгоритм работы модели на уровне модулей включ. след. этапы: ввод исходных данных (пар-ов среды и объекта.