- •36. Стретагическое планирование экспериментов с моделью.
- •38. Оценка результатов имитационного моделирования
- •39. Общая характеристика метода Монте-Карло.
- •41.Схема применения метода Монте-Карло
- •42.Основные задачи, решаемые при организации имитационного моделирования.
- •43. Роль предельных теорем в имитационном моделировании.
- •44. Выбор длительности машинного эксперимента.
- •47.Подходы к генерации псевдо равномерных чисел.
- •48. Мультипликативный и смешанный метод генерации псевдо равномерных чисел.
- •49.Моделир-е случайных событий.
- •50. Моделирование случайных величин по функции рапределения.
- •51. Метод обратных ф-ий.
- •52. 53. Генерация типовых распределений (равномерного, показательного, Гаусса и др.).
- •57. Модельное, реальное и время моделирования.
- •58. Порядок функционирования имитационной модели
- •59. Способы продвижения модельного времени
- •51. Типовая структура имитационной модели
- •63. Классификация средств имитационного моделирования.
- •64. Общая характеристика программныех средств имитационного моделирования.
- •65. Общая характеристика аппаратных средств имитационного моделирования.
- •66. Понятие стохастических сетевых моделей
- •Узел типа устройство в стохастических сетевых моделях.
- •Узел типа память в стохастических сетевых моделях.
- •Состав маршрутных узлов стохастических сетевых моделей.
48. Мультипликативный и смешанный метод генерации псевдо равномерных чисел.
Мультипликативный
метод задает последоват-сть неотрицат
чисел {X }, не превосход М, по формуле
т.е
частный случай соотношения (2) при m =0.
В силу детерминированности метода
получ воспроизводим последовательности.
Требуемый объем машин памяти при этом
минимален,а с вычислительной точки
зрения необходим последовательный
подсчет произведения двух целых
чисел,т.е.выполнение операции, кот
быстро реализ современными ЭВМ. Для
машинной реализации наиболее удобна
версия
где р-число цифр в системе счисления,
принятой в ЭВМ(р=2 для двоичной и р=10 для
десятичной машины);g-число бит в машинном
слове. Тогда вычисление остатка от
деления на М сводится к выделению g
младших разрядов делимого а преобразование
целого числа Xi в рациональную дробь из
интервала x (0,1) осуществл-ся подстановкой
слева от x двоичн или десятичной запятой.
49.Моделир-е случайных событий.
Одно событие:
Событие-факт,кот может происходить или не происходить. Надо смоделир наступление события во времени.
Введ
в рассмотрение нов событие
Выч-им
вер-ть Z:
-случ
вел-на,р-константа
Xи Z-равносильн случайные величины
Алгоритм:
1)генерир
2)сравниваем с р
3)если да,то событие Z и Х произошло.
50. Моделирование случайных величин по функции рапределения.
Могут задаваться ф-ией плотности(гистограммой) либо ф-ей распределения. Если вел-на явл дискретной, то использ график (табличные значения) ф-ции распред. При этом непрер вел-на сводится к дискретной.
показана
ф-ция распред
дискретной случ вел-ны (
=
1). Так, знач вел-ны
Х-
x1x2,...,xn
можно
поставить в соотв вероятн р
,р ,...,р ,
рассчит по зн-ниям ф-ции распр-ния как
р
=Fx(x
)-Fx(x
).
Указанные зн-ния X
образ
полн группу событий
X
=
х
,
...,Х= х
,
а задача генерации сводится к задаче
моделир полн
группы независ элементарных событий и
графич означает
"набрасывание" случ числа w
,
на
отрезок ед длины по оси О-
Y.
51. Метод обратных ф-ий.
Если известна ф-ия распр-ния, то
P[a<X<b]=F
(b)-F
(a).
Отсюда можно перейти к дискр. ф-ии
распределения
Рассм дискр ф-ию. Вероятности отрезка прямо пропорц длине отрезка. Кажд. отрезок p задает вер-сть попадания вел-ны в опр интервал. Зная , что представляет кажд отрезок, внутри его можем выбрать 1 зн-ие. Задача сводится к генерации одного события из группы n независ. Событий. Это метод обратных ф-ий , т к мы задаем зн-ие ф-ии и по нему нах зн-ие аргумента
Fx{x)=w
x=F
(w)
52. 53. Генерация типовых распределений (равномерного, показательного, Гаусса и др.).
1.Равномерное распределение
Пусть задана ф-ия распределения
,
т е a
и b
– заданы
=w x-?
X=w(b-a)+a
2.Показательное распределение
Если
рассм поведение объекта во времени, то
X
может рассм как 1/t,
где t
– время м/у сосед событиями, а
-
интенсивность появления событий, X
– конкретное зн-ие времени м/у событиями
x
- ?
Поскольку
w
(0,1),
то вел-на(1-w)
обладает тем же самым з-ном. Поэтому
Алгоритм аналогичный
55-56. Компоненты, функциональные действия, активности и события
При моделировании объект (систему) можно рассматривать как набор компонентов (элементов), подсистем, взаимодействующих друг с другом в определённой среде. Они могут находиться в различных состояниях, например, в активном состоянии или в состоянии ожидания. Активное состояние соответствует некоторой деятельности в системе. Изменение состояний системы происходит под влиянием событий. События в исследуемой системе наступают, как правило, в непредсказуемые моменты физического времени, происходят мгновенно в системном времени и требуют конечных затрат машинного времени. Системное, модельное время необходимо, для синхронизации происходящих в модели событий и процессов. Системное время - дискретное.
В системах с параллельно функционирующими элементами может происходить одновременное выполнение ряда процессов. Соответственно в моделях таких систем в некоторые моменты системного времени в активном состоянии оказывается одновременно несколько объектов, выполняющих свои функции одновременно. Параллельные процессы могут быть асинхронными и синхронными, подчиненными и независимыми.
Поведение каждого элемента характеризуется последовательностью отрабатываемых им функций - функциональных действий ФДij. Функциональное действие характеризуется алгоритмом АЛij и временем его выполнения ij, образующими активность, а также набором событий Сij, к которым приводит его выполнение. (См. рисунок) Активность - это единичное действие системы по обработке, преобразованию входных данных. Результаты обработки событий учитываются компонентами при запуске и выполнении очередного функционального действия.
