27

Лабораторная работа №2

Получение с помощью имитационной модели производственной системы данных для анализа закономерностей предметной области Введение

Многие процессы производства, обработки запросов в компьютерных и телефонных сетях, потоков документов и пр. фактически сводятся к обработке требований на обслуживание. При этом моменты поступления заявок и окончания обслуживания часто являются случайными.

Примером является гибкий производственный комплекс механической обработки заготовок (ГПК), автономно функционирующий в течение некоторого времени, в течение которого заготовки поступают на обработку по различным технологическим маршрутам. Под гибкостью понимается автоматическая переналадка станков с помощью АСУ ГПК при сменяемости изделий. Частая сменяемость фактически означает переменные плотность входного потока и время обслуживания. В связи с этим, если рассматривать протяженный период времени, в течение которого ГПК должен справляться с таким переменным заданием, потоки требований и потоки обслуживания можно смоделировать как случайные. Подобные системы относятся к классу СМО и изучаются с помощью имитационного моделирования.

Имитационная модель системы (ИМ) является источником данных, которые могут быть получены при различных комбинациях значений входных переменных (управляющих воздействий). Это делает модель удобной для анализа закономерностей предметной области и выбора правил управления при проектировании ГПК. Очень часто модель вообще является единственным источником данных, анализ которых еще до построения самой производственной системы позволяет выявить правила управления. Поэтому представляет интерес поиск закономерностей в сымитированных данных с помощью построения деревьев решений. В этом случае появляется возможность решения наиболее сложных задач типа “что сделать, чтобы…” в отличие от известных средств имитационного моделирования (GPSS, Arena, Excel и др), которые предназначены для решения задач типа “что будет, если..”. Для построения ИМ необходимо изучить предметную область, алгоритм обслуживания, смоделировать функции распределения случайных величин, описывающие потоки поступления, обслуживания заявок и отказов обслуживающего оборудования. В ИМ должны быть учтены наиболее важные входные переменные. Важно также правильно подготовить к анализу получаемые на ИМ данные, чтобы избежать их чрезмерной детализации, приводящей к информационному шуму. Например, целесообразно перейти от численных значений выходных характеристик обслуживания к категориальным (интервальным) в целях обобщения близких случаев. При проведении имитационных экспериментов следует комбинировать значения входных переменных с использованием теории планирования экспериментов, обеспечивающую объективность оценки влияния переменных и минимизацию количества экспериментов. Процессы составления планов экспериментов с многофакторной моделью и получения командного файла для многократного прогона имитационной модели в данной работе автоматизированы.

1. Обоснование выбора языка и среды моделирования

Желательно, чтобы алгоритм обслуживания заявок позволял бы управлять последовательностью операций по текущей ситуации, как это происходит на практике. В связи с этим в качестве среды и языка реализации ИМ выбран CLIPS (C Language Integrated Production System), представляющий собой интеграцию продукционной системы с языком С. Продукционная среда состоит из модулей – правил. Интерпретатор правил на каждом шаге модельного времени оценивает выполнимость условий каждого правила, отыскивая наиболее подходящее правило к данной ситуации. Правила продукции позволяют гибко управлять процессом решения задачи, основываясь на текущих данных в виде обновляемого самими выполняемыми правилами списка индексированных фактов и значений атрибутов объектов в динамической рабочей памяти. Интерпретатор правил выполняет сопоставление образцов (шаблонов фактов, включающих в себя переменные) левой части правил с текущими фактами, выполняя, по сути, запросы к текущим данным. Запросы могут выполняться для группы правил и наборов (коллекций) объектов. В случае выполнения условий сразу нескольких правил действует механизм разрешения конфликтов, учитывающий явно установленные пользователем относительные приоритеты правил и выбранную пользователем стратегию поиска (в глубину, в ширину и др.). На каждом шаге срабатывает только одно выбранное правило. Правая, командная часть этого правила производит выполнение ряда действий: добавляет в текущий список и/или исключает из него факты, посылает сообщения объектам для модификации значений атрибутов, вызывает обработчики сообщений и пр. Продукционная среда легко организует пошаговое выполнение операций, необходимое для ИМ, построенной по принципу ∆Т (наращивания модельного времени)

Интересным элементом управления является возможность автоматического выбора выполняемого правила с помощью временной индексации фактов. Установка стратегии “в глубину” означает выбор и запуск на выполнение того правила, условия которого удовлетворяются наиболее ”свежим” (с наибольшим индексом) фактом. Если это правило при его выполнении находит следующий факт связи между текущей вершиной и соседней, присваивая этому факту наибольший индекс, то происходит повторное срабатывание того же правила от этого нового факта. Далее операции рекурсивно повторяются, что позволяет сымитировать логический поиск в графе пространства состояний “в глубину”. С точки зрения обслуживания эта стратегия - LIFO (последний обслуживается первым). Для рассматриваемой задачи более характерна установка прямо противоположной стратегии - “в ширину”. В этом случае будет запускаться правило, условия которого удовлетворены самым ”старым” (с меньшим индексом) фактом, что отвечает стратегии FIFO (первым обслуживается тот, кто раньше пришел). Эти и некоторые другие соображения позволили предпочесть язык CLIPS языку имитационного моделирования GPSS и среде моделирования Arena.