Подготовка данных

Создавая стохастическую ИМ, приходится решать вопрос : использовать ли имеющиеся эмпирические данные непосредственно или целесообразно использовать теоретико-вероятностные или частотные распределения. Этот выбор имеет фундаментальное значение по трем причинам.

1. Использование необработанных эмпирических данных означает, что мы имитируем только прошлое. Использование данных за один 1 год отобразит работу системы за один год, и не обязательно скажет что-либо об ожидаемых особенностях работы системы в будущем. При этом возможными будут считаться только те события, которые уже происходили. Одно дело предполагать, что данное распределение будет неизменным во времени, но совсем другое – считать, что характерные особенности одного года будут повторяться.

2. В общем случае применение теоретических частотных или вероятностных распределений с учетом требований к машинному времени и памяти более эффективно, чем использование табличных данных для получения случайных рядов.

3. Желательно, чтобы разработчик модели определил ее чувствительность к изменению вида используемых вероятностных распределений и значений параметров.

Таким образом, на успех эксперимента по ИМ влияют решение о пригодности данных для использования, об их достоверности, а также решение о степени соответствия данных теоретическим распределениям и прошлому поведению системы.

Трансляция модели

В конечном счете перед разработчиком модели возникает проблема ее описания на языке программирования. Быстрый переход к машинному моделированию привел к появлению большого числа специализированных языков программирования, предназначенных для этой цели.

ИМ обычно имеют очень сложную логическую структуру, характеризующуюся множеством взаимосвязей между элементами системы. Поэтому языки для ИМ ( GPSS, Симула, Динамо ) облегчают проблему трансляции, являясь языками более высокого уровня, чем универсальные языки ( Fortran, Basic, Pascal ).

Модель может быть описана на различных языках, но у специальных языков есть определенные преимущества. Языки ИМ отличаются друг от друга :

• способом организации учета времени и происходящих событий ;

• правилами присвоения имен структурным элементам ;

• способом проверки условий ;

• видом статистических испытаний ;

• степенью трудности изменения структуры модели.

Несмотря на полезные свойства специализированных языков, в конечном итоге выбор языка определяется наличием ПО, квалификацией программиста. В некоторых случаях более подходящим может оказаться простой язык.

Оценка адекватности ( проверка модели )

Оценка адекватности модели – процесс достижения приемлемого уровня уверенности в том, что любой вывод о поведении системы, сделанный на основе моделирования, будет правильным. Невозможно доказать, что та или иная имитация является правильным отображением реальной системы, да это обычно и не так важно. Как правило, нас интересует не справедливость структуры модели, а ее функциональная полезность.

Проверка модели – очень важный этап, так как ИМ создает впечатление реальности, и разработчики и пользователи модели проникаются доверием к ней, в то время, как оказались скрыты исходные предположения, положенные в основу модели. Законченного и полного процесса проверки правильности модели нет, но в ходе разработки модели исследователь проводит ряд проверок.

Во-первых, необходимо убедиться, что модель верна в первом приближении, то есть, не будет ли модель давать абсурдные ответы, если ее параметры примут граничные значения, убедиться, что получаемые результаты имеют смысл. Для этого людей, связанных непосредственно с работой реальной системы, просят сравнить результаты работы реальной системы с результатами, получаемыми на выходе модели. Для большей строгости этой проверки результаты сравнивают несколько раз.

Во-вторых, поверяются исходные предположения.

В-третьих, проводится проверка преобразования информации от входа к выходу.

Эти проверки требуют использования статистических выборок для оценки средних значений, дисперсий, а также дисперсионного, регрессионного анализа.

Некоторые авторы делят виды оценки ИМ на три :

• верификация, используя которую исследователь убеждается, что модель ведет себя так, как задумано ;

• оценка адекватности – проверка соответствия между поведением модели и поведением реальной системы ;

• проблемный анализ – получение статистически значимых выводов на основе данных, полученных путем машинного моделирования.