- •Воронежский государственный технический университет
- •Утверждено Редакционно-издательским советом университета в качестве учебного пособия
- •Введение
- •2. Классификация видов моделирования систем
- •3. Основные математические методы моделирования информационных процессов и систем
- •3.1. Виды математических моделей
- •3.2. Структурные математические модели
- •3.3. Функциональные математические модели
- •3.3.1. Непрерывно-детерминированные модели
- •3.3.2. Непрерывно-стохастические модели
- •3.3.2.1. Анализ работы разомкнутых смо
- •3.3.2.2. Замкнутые смо
- •3.4. Моделирование дискретных систем
- •3.4.1. Конечные автоматы
- •3.4.2. Дискретно-детерминированные модели
- •3.4.3. Вероятностные автоматы
- •3.5. Сетевые модели. Сети Петри (n-схемы)
- •4. Имитационное моделирование информационных процессов
- •4.1. Организация статистического моделирования
- •4.2Моделирование случайной величины с заданным законом распределения
- •4.3 Моделирование равномерно распределенных на отрезке [a,b] случайных чисел
- •4.4. Моделирование показательно распределенных св
- •4.5. Моделирование нормально распределенных случайных чисел
- •4.6. Проверка качества случайных чисел по критерию
- •4.7. Точность статистических оценок
- •4.8. Аппроксимация результатов моделирования
- •5. Формализация и алгоритмизация процессов функционирования систем
- •5.1. Методика разработки и машинной реализации моделей систем
- •5.2. Построение концептуальных моделей систем и их формализация
- •5.3. Алгоритмизация моделей систем и их машинная реализация
- •6. Планирование имитационных моделй с экспериментами
- •6.1. Полный факторный эксперимент
- •6.2. Дробные реплики
- •6.3. Общая схема планирования эксперимента
- •6.3.1. "Крутое восхождение"
- •6.3.2. Этапы планирования эксперимента
- •6.4. Стратегическое планирование
- •6.5. Тактическое планирование
- •7. Оценка точности и достоверности результатов моделирования
- •7.1. Общие положения
- •7.2. Регрессионный анализ
- •7.3. Корреляционный анализ
- •7.4. Экспертные оценки
- •8. Инструментальные средства моделирования систем
- •8.1. Архитектура языков имитационного моделирования
- •8.2. Задание времени в машинной модели
- •8.3. Сравнительный анализ языков моделирования
- •8.4. Примеры прикладных пакетов моделирования и языков моделирования
- •9. Правила построения моделирующих алгоритмов и способы реализации моделей
- •10. Сетевые модели вычислительных систем
- •10.1. Определение: Сеть Петри
- •Объекты, образующие сеть Петри
- •2Расширенная входная Расширенная выходная
- •10.2. Маркировка сети Петри.
- •10.3. Пространство состояний сети Петри
- •10.4. Моделирование параллельных процессов.
- •10.5. Моделирование процессора с конвейерной обработкой
- •10.6. Кратные функциональные блоки компьютера
- •10.7. Сети Петри и программирование
- •10.8. Взаимно исключающие параллельные процессы
- •10.9. Анализ сетей Петри
- •10.10. Дерево достижимости сети Петри
- •В позицию может входить и выходить только одна дуга
- •11. Система имитационного моделирования gpss/pc
- •11.1. Назначение и основные возможности системы
- •11. 2. Состав системы моделирования gpss/pc
- •11.3. Структура операторов языка gpss/pc
- •11.4. Команды среды gpss/pc
- •11.5. Основные операторы языка gpss/pc
- •11.5.1. Начало gpss-модели
- •11.5.2. Комментарии в gpss/pc
- •11.5.3. Имитация потоков событий. Транзакты
- •11.5.4. Имитация типовых узлов смо
- •11.6. Информация о ходе моделирования
- •11.6.1. Окно данных
- •11.6.2. Окно блоков
- •11.6.3. Окно устройств
- •11.6.4. Окно многоканальных устройств
- •11.7. Информация о результатах моделирования
- •11.7.1. Файл результатов моделирования
- •11.7.2. Содержание результатов моделирования
- •11.9. Управление движением транзактов
- •11.10. Дополнительные средства сбора информации о модели
- •11.11. Стандартные числовые атрибуты
- •11.12. Выбор направления движения транзактов с использованием сча
- •11.13. Датчики случайных чисел в gpss/pc
- •11.14. Функции в gpss/pc
- •11.14.1. Дискретные функции
- •11.14.2. Непрерывные функции
- •11.15. Переменные в gpss/pc
- •11.16. Организация циклов
- •11.17. Логические переключатели
- •11.18. Управление движением транзактов в зависимости от состояния элементов модели
- •11.19. Моделирование согласованных процессов на gpss-pc
- •11.19.1. Создание ансамблей транзактов
- •11.19.2. Накопление нескольких транзактов для последующей обработки
- •11.19.3. Объединение нескольких транзактов в один
- •11.19.4. Синхронизация движения транзактов в модели
- •11.20. Время пребывания транзакта в модели
- •11.21. Сбор данных о распределении значений характеристик модели. Таблицы
- •11.22. Изменение имени файла результатов моделирования
- •11.23. Приведение модели к исходному состоянию
- •11.24. Многократное выполнение моделирования
- •11.25. Моделирование нескольких вариантов системы в одной gpss-модели
- •11.26. Время моделирования
- •3 94026 Воронеж, Московский просп., 14
4.1. Организация статистического моделирования
На этапе исследования и проектирования систем при построении и реализации машинных моделей широко используется метод статистических испытаний (Монте-Карло), который базируется на использовании случайных чисел. Сущность метода статистического моделирования сводится к построению для процесса функционирования исследуемой системы некоторого моделирующего алгоритма, имитирующего поведение и взаимодействие элементов системы с учетом случайных входных воздействий и воздействий внешней среды, и реализации этого алгоритма с использованием программно-технических средств ЭВМ.
Различают две области применения метода статистического моделирования: 1) для изучения стохастических систем; 2) для решения детерминированных задач. Для решения детерминированной задач производится ее замена эквивалентной схемой некоторой стохастической системы, выходные характеристики которой совпадают с результатами решения детерминированной задачи. При такой замене вместо точного получается приближенное решение, погрешность уменьшается с увеличением числа испытаний.
В результате статистического моделирования системы получается серия частных значений искомых величин или функций, статистическая обработка которых позволяет получить сведения о поведении реального объекта или процесса в произвольные моменты времени. Если количество реализаций достаточно велико, о полученные результаты моделирования системы приобретают статистическую устойчивость и с достаточной точностью могут быть приняты в качестве оценок искомых характеристик процесса функционирования системы.
Теоретической основой метода статистического моделирования систем являются предельные теоремы теории вероятностей.
Статистическое моделирование систем на ЭВМ требует формирования случайных величин, что реализуется с помощью генераторов случайных чисел. На практике используются три основных способа генерации случайных чисел: аппаратный, табличный и алгоритмический.
При аппаратном способе генерации случайные числа вырабатываются специальной электронной приставкой. В качестве физического эффекта, заложенного в основу таких генераторов чисел, чаще всего используются шумы в электронных и полупроводниковых приборах или явления распада радиоактивных элементов.
При табличном способе случайные числа заранее определены и оформлены в виде таблицы.
При алгоритмическом способе получение последовательностей случайных чисел производится с помощью специальных алгоритмов и реализующих их программ.
Наибольшее применение в практике моделирования на ЭВМ для генерации последовательностей псевдослучайных чисел находят алгоритмы вида
,
представляющие собой рекуррентные соотношения первого порядка, для которых начальное число x0 и постоянные параметры заданы.
Одна из исторически первых процедур - метод серединных квадратов. Первоначально задается 2n разрядное число, меньшее 1. Число возводится в квадрат, а затем отбираются средние 2n разрядов, которые и являются очередным числом псевдослучайной последовательности. (x0=0,2152, x02=0/04631104, x1=0,6311, x12=0,39828721, x2=0,8287). Недостатком метода является наличие корреляции между числами последовательности.
Широкое применение получили конгруэнтные методы генерации псевдослучайных последовательностей, представляющие собой арифметические операции, в основе которых лежит фундаментальное понятие конгруэнтности. Два целых числа a и b конгруэнтны (сравнимы) по модулю m, где m - целое число, тогда и только тогда, когда существует такое целое число k, что a-b=km, т.е. разность a-b далится на m и если числа a и b дают одинаковые остатки от деления на абсолютную величину числа m. Например, 19844(mod 10), 50088(mod 103) и т.д.
Конгруэнтные процедуры являются чисто детерминированными, так как описываются в виде рекуррентного соотношения
, (4.1)
где Xi, , , M - неотрицательные целые числа.
После преобразования получим
.
Если задано начальное значение X0, множитель и аддитивная константа , то представленное выражение однозначно определяет последовательность целых чисел , составленную из остатков от деления на M членов последовательности . Таким образом, для любого i 1 справедливо неравенство . По целым числам последовательности {Xi}можно построить последовательность {xi}={Xi/N} рациональных чисел из единичного интервала (0,1).
Конгруэнтная процедура получения последовательности псевдослучайных чисел может быть реализована мультипликативным либо смешанным методом.
Мультипликативный метод задает последовательность неотрицательных целых чисел {Xi}, не превосходящих M по формуле
т.е. это частный случай соотношения (7) при =0.
Для машинной реализации наиболее удобна версия M=28=256, тогда вычисление остатка от деления на M сводится к выделению 8 младших разрядов делимого, а преобразование целого числа Xi в рациональную дробь из интервала осуществляется подстановкой слева от Xi десятичной запятой.
Смешанный метод позволяет вычислить последовательность неотрицательных целых чисел {Xi}, не превосходящих M по формуле
,
т.е. в отличие от мультипликативного метода 0. С вычислительной точки зрения смешанный метод генерации сложнее на одну операцию сложения, но при этом возможность выбора дополнительного параметра позволяет уменьшить возможную корреляцию получаемых чисел.