- •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
7. Оценка точности и достоверности результатов моделирования
7.1. Общие положения
Между полученными в результате эксперимента данными может существовать или отсутствовать функциональная либо структурная связь. Она проявляется в эксперименте в неявном виде, а для использования результатов эксперимента в практических целях зависимость следует сделать явной и представить в виде функции, системы уравнений или графика. Если связь между факторами и откликами отсутствует, то их следует обработать отдельно по правилам математической статистики.
Для записи аналитического выражения, аппроксимирующего требуемую зависимость, по экспериментальным данным строится диаграмма разброса (рис 7.1), из которой можно визуально получить плавную кривую и определить соответствующую ей функциональную зависимость.
При построении диаграммы разброса возникает трудность графического представления соотношений, связывающих большое число переменных. Преодолеть это можно, построив несколько графиков, каждый из которых отражает зависимость функции отклика от одной переменной при фиксированных значениях всех остальных.
Для поиска математических зависимостей между переменными по экспериментальным данным используют методы регрессионного и корреляционного анализов.
7.2. Регрессионный анализ
Регрессионный анализ дает возможность построить модель, наилучшим образом соответствующую экспериментальным данным. Под наилучшим соответствием понимается минимизация функции ошибки (разность между прогнозируемыми моделью и экспериментальными данными).
Нужно нанести экспериментальные точки на график в прямоугольной системе координат. После этого визуально можно попытаться определить вид зависимости, которая наилучшим образом аппроксимирует экспериментальные точки. Для этого можно использовать наиболее характерные функции, графики которых представлены на рис. 7.2.
Рис. 7.2. Виды регрессионных кривых
Рассмотрим особенности регрессионного анализа на примере построения линейной регрессионной модели.
На рисунке 7.3. показаны точки (xi,yi), полученные в машинном эксперименте. Предположим, что функция отклика может быть представлена графически в виде прямой линии вида:
Получить значения коэффициентов b0 и b1 , при которых сумма квадратов ошибок будет минимальной. На рисунке ошибки ei равны перпендикулярам, опущенным из точки на линию регрессии.
Пусть - величина, предсказываемая регрессионной моделью, тогда выражение для ошибок имеет вид:
, а функция ошибки .
Для получения коэффициентов b0 и b1, при которых функция F0 будет минимальной, приравняем к нулю частные производные, получим:
.
Получим систему двух линейных алгебраических уравнений:
(8.1)
Решая эту систему, найдем коэффициенты:
; ,
где N – число реализаций при моделировании.
В общем случае функцию принимают в виде полинома:
,
система уравнений будет иметь вид
Для оценки совпадения теоретических и экспериментальных значений нужно посчитать среднюю квадратичную ошибку на единицу веса:
или среднее абсолютное отклонение:
,
где r – число вычисляемых (табличных значений); s – число параметров.
Подбор подходящих уравнений для поверхности отклика в подавляющем большинстве случаев можно произвести без составления и решения уравнений в общем виде, так как можно пользоваться готовыми формулами.
Наиболее характерными являются:
линейная аппроксимация :
нелинейная аппроксимация:
логарифмическая аппроксимация: , здесь коэффициенты находятся из уравнений:
; .
экспоненциальная аппроксимация: , где коэффициенты находятся из уравнений:
,
где lg e=0,4343.