книги из ГПНТБ / Снапелев, Ю. М. Моделирование и управление в сложных системах
.pdfОт авторов
Основу предлагаемой читателю книги составляют об работанные конспекты лекций и консультаций, проводи мых авторами в различных организациях на протяжении последних лет. Разумеется, па отбор материала повлияли научные интересы авторов, но решающее значение име ли все-таки запросы наших слушателей. Именно это обстоятельство вселяет в нас надежду, что книга ока жется полезной достаточно широкому кругу лиц, кото рых сама жизнь заставила применять методы общей тео рии сложных (больших) систем в их повседневной дея тельности.
Типичными примерами сложных систем могут слу жить крупные современные производственные и энерге тические комплексы с автоматизированным управлением, некоторые экономические системы, вычислительные ком плексы, предназначенные для обработки информации и планирования, и т. д.
Мы ограничимся перечислением некоторых отличи тельных черт сложных систем:
1)наличие большого числа элементов;
2)сложный характер связей между отдельными эле ментами;
3)сложность функций, выполняемых системой;
4)наличие управления, как правило, сложно органи зованного;
5)необходимость учета взаимодействия с окружаю щей средой и воздействия случайных факторов.
Попутно отметим, что решение вопроса, считать ли некоторую систему сложной или нет, находится в руках исследователя и зависит от задач, которые перед ним стоят. Очевидно, например, что любую реальную систе му можно рассматривать как систему, состоящую из большого числа элементов, что все они между собой и с внешней средой связаны различным образом, подвер жены влиянию случайных воздействий и т. д., но не ме нее очевидно, что во многих случаях мы эти факторы (или некоторые из них) не учитываем (что иногда проис ходит из-за ограниченности наших возможностей). Из всего многообразия проблем теории сложных систем на стоящая книга затрагивает лишь две — именно те, кото рые возникают в каждом процессе принятия решений:
1)математическое описание изучаемой системы, т. е.
еематематическое моделирование;
10
2) панлучшее, в некотором, заранее определенном,
смысле, управление системой.
Книга состоит из двух глав. В первой главе после об щих сведении о математических моделях приводятся различные математические схемы, используемые для формализованного описания сложных систем. Наиболь шее внимание уделено системам массового обслужива ния, статистическим методам и системам автоматическо го управления, позволяющим охватить основные классы сложных систем. Агрегативные системы, введенные в тео рию сложных систем Н. П. Бусленко, позволяют описать подавляющее большинство практически интересных си стем. В настоящее время проводится интенсивная работа
вэтом направлении.
Ксожалению, из-за малого объема книги остались неохваченными некоторые важные для практики вопро сы, такие, как последовательный анализ в статистике,
оценка устойчивости и надежности функционирования сложных систем и др. В связи с этим мы рекомендуем читателю, ознакомившемуся с этой книгой, изучить мо нографию Н. П. Бусленко, В. В. Калашникова и И. Н. Коваленко «Лекции по теории сложных систем» [3].
Во второй части книги дан обзор оптимизационных методов и приведены иллюстративные примеры по ним.
Рассматриваются |
актуальные вопросы управления |
в сложных системах. |
|
Авторы очень благодарны редактору книги чл.-корр. АН СССР проф. Н. П. Бусленко за большую проделан ную работу, а также рецензентам — чл.-корр. АН СССР
проф. Г. С. Поспелову и д. т. н. проф. В. М. Солодову. На содержание книги оказали большое влияние беседы с д. т. н. проф. Д. Б. Юдиным, канд. физ.-мат. наук X. Ш. Маргулисом, чл.-корр. АН УССР проф. И. Н. Ко валенко и акад. АН УССР проф. В. С. Михалевичем и др. Канд. физ-мат. наук Жак С. В. и к. т. н. Карандаев И. С. любезно предоставили нам свои материалы.
Первую главу написал Снапелев Ю. М., вторую — Старосельский В. А. Приложение написал по просьбе авторов Л. Н. Картвелишвили.
В заключение нам хотелось бы поблагодарить В. С. Манусевича и В. Г. Леонова, внимательно прочитавших книгу в рукописи и высказавших ряд цепных замечаний, а также всех лиц, принимавших участие в ее написании.
11
Г л а в а п е р в а я
МАТЕМАТИЧЕСКИЕ МОДЕЛИ СЛОЖНЫХ СИСТЕМ
Для исследования любой системы математическими методами (особенно с помощью ЭВМ) должна быть
впервую очередь построена ее математическая модель. Иными словами, данному реальному (физическому, ин формационному и т. д.) объекту должен быть поставлен
всоответствие некоторый математический объект, назы ваемый его моделью, исследование которого математиче
скими методами позволяет получить полезные рекомен дации относительно рассматриваемого реального объ
екта.
Вид математической модели зависит не только от природы реального объекта, но и от тех задач, ради ре шения которых она создается, и от требуемой точности их решения. Любая модель описывает реальный объект лишь с некоторой степенью приближения к действитель ности.
§ 1.1 Виды математических моделей сложных систем
Математические модели можно классифицировать с различных точек зрения. Если начать с соотношений, которые выражают зависимости между состояниями и параметрами сложной системы, то могут представиться два случая:
а) при совместном рассмотрении этих соотношений состояния системы в заданный момент времени одно значно определяются через параметры системы, входную информацию и начальные условия. Это случай так назы ваемых детерминистических моделей;
б) при помощи упомянутых соотношений можно определить (тоже однозначно) лишь распределения ве роятностей для состояний системы, если заданы распре деления вероятностей для начальных условий, парамет ров системы и входной информации. В этом случае мо дель называют вероятностной (стохастической).
Заметим, что любому реальному процессу присущи случайные флюктуации. Однако выбор детерминистиче-
12
ской или вероятностной математической модели полно стью в руках исследователя и зависит от того, собирает ся ли он учитывать случайные факторы. Если же при классификации исходить из способа дальнейшего исполь зования математической модели для изучения сложной системы, то такие модели можно разделить на аналити ческие и имитационные. Для аналитических моделей ха рактерно, что процессы функционирования элементов сложной системы записываются в виде некоторых функ циональных соотношений (алгебраических, интегро-диф- ференциальных, конечно-разностных и т. п.) или логи ческих условий. Аналитическая модель может исследо ваться одним из следующих способов:
—аналитически. — когда стремятся получить в общем виде явные зависимости для искомых величин;
—численно, когда, не умея решать имеющиеся урав
нения 'в общем виде, мы все же имеем возможность (в том числе и с применением всех средств вычислитель ной техники) получить числовые результаты при кон кретных начальных данных;
— качественно, когда, не имея решения в явном виде, мы, тем не* менее, можем найти некоторые свойства ре шения, например, оценить устойчивость решения и т. п.
В последнее время получило широкое распростране ние моделирование процессов на ЭВМ. Эти методы име ют свои особенности — здесь, как правило, вместо ана литической модели исследуемого процесса используется так называемое алгоритмическое описание процесса ее функционирования (при помощи алгоритма, предназна ченного для реализации на ЭВМ).
Отметим, что наиболее полное, а в некоторых случа ях и исчерпывающее, исследование можно провести в том случае, если получены явные зависимости, связы вающие искомые величины с параметрами системы и начальными условиями. Однако их удается получить лишь для сравнительно простых систем. Если же рас сматриваемая система достаточно сложна, аналитическое исследование наталкивается на значительные, а зача стую и непреодолимые, трудности, то, стремясь все же получить аналитическое решение, нередко идут на умыш ленное упрощение первоначальной модели, чтобы иметь возможность изучить некоторые общие свойства систе мы. В отдельных случаях исследователя могут удовле творить и те выводы, которые можно сделать при каче
13
ственных методах анализа математической модели [61]. Для получения аналитического решения различных типов функциональных уравнений развит мощный мате матический аппарат (алгебра, функциональный анализ, теория и методы решения разнообразных дифференци альных, интегральных и разностных уравнений, теория вероятностных процессов и т. д.). Можно без преувели чения сказать, что все многовековое существование ма тематики как науки было направлено на создание и раз
витие такого аппарата.
Если исследуемая система достаточно сложна, то ра~ ди получения аналитического решения задачи мы вы нуждены накладывать жесткие ограничения на ее мо дель и прибегать к упрощениям. При этом приходится пренебрегать некоторыми особенностями системы, отче го созданная модель уже, строго говоря, перестает отве чать своему основному назначению — быть средством изучения рассматриваемой сложной системы. Но, не смотря на это, часто все же стремятся к построению та кой аналитической модели, которая обеспечивает хотя и грубое, по простое и легко обозримое решение рассма триваемой задачи. Оно обычно используется как ориен тировочное до получения более точных решений другими методами.
Численные методы — по сравнению с аналитически ми— применимы к значительно более широкому классу функциональных уравнений, однако полученные решения носят частный характер и не всегда есть возможность извлечь из них выводы общего характера. Использова ние численных методов стало особенно эффективным в связи с внедрением современных средств вычислитель ной техники, в особенности быстродействующих цифро вых вычислительных машин. Однако применение ЭВМ не имеет здесь принципиального значения, ибо ограни чивается лишь автоматизацией вычислений (правда, и здесь, как всегда, резкие количественные изменения да ли новое качество: колоссальное быстродействие совре менных машин позволяет применить такие численные методы, которые при прежних вычислительных средст вах не могли быть реализованы в приемлемое для прак тического использования время).
Переходя к моделям, названным выше имитационны ми, подчеркнем, что моделирующий алгоритм прибли женно воспроизводит сам процесс-оригинал в смысле его
14
функционирования во времени, причем имитируются эле ментарные явления, составляющие процесс, с сохране нием их логической структуры п последовательности про текания во времени. И если искать аналогии, то этот тип моделирования близок к натурному эксперименту.
Сущность рассматриваемого метода моделирования состоит в реализации на ЭВМ специального алгоритма, который воспроизводит, вообще говоря, формализован ный процесс сложной системы. Моделирующий алгоритм позволяет по исходным данным, содержащим сведения
оначальном состоянии процесса (входной информации)
иего параметрах, получить сведения о состояниях про цесса в произвольные моменты времени.
Вмоделирующем алгоритме можно выделить три основных подалгоритма, каждый из которых выполняет одну из следующих функций:
1)моделирует какой-нибудь элементарный подпро цесс исследуемого процесса;
2) учитывает взаимодействие элементарных подпро цессов и осуществляет объединение их в единый про цесс;
3) обеспечивает согласованную работу отдельных подалгоритмов при реализации модели на ЭВМ.
Влияние случайных факторов на течение процесса имитируется при помощи случайных чисел с заданными или вырабатываемыми в процессе моделирования веро ятностными характеристиками.
Информация о состояниях процесса, получаемая в результате работы моделирующего алгоритма, долж ным образом обрабатывается и используется для реше ния практических задач. Заметим, что интересные све дения о процессе можно получить, рассматривая отдель ные реализации построенного упомянутым образом слу чайного процесса. Однако обстоятельное исследование сложного процесса связано с определением статически устойчивых средних характеристик, вычисляемых по большому количеству реализаций.
В связи с исследованием процессов сложных систем методом моделирования на ЭВМ возникают следующие основные проблемы:
— построение формализованной схемы процесса, до ступной с точки зрения простоты для моделирования на современных ЭВМ и обеспечивающей необходимую точ ность решения практических задач;
15
— построение компактных и удобных для использо вания моделирующих алгоритмов и их программирова ние; i
— формулировка и разработка методики решения за дач исследования систем с использованием результатов моделирования.
В настоящее время методика машинного и вообще математического исследования динамики сложных про цессов находится в стадии становления. Сейчас можно говорить лишь о частных приемах, а общие методы еще ждут своей разработки.
Основным преимуществом имитационных моделей по сравнению с аналитическими является возможность ре шения задач исключительной сложности. Такие особен ности рассматриваемой сложной системы как:
а) наличие элементов непрерывного и дискретного действия (в одной и той же системе, разумеется);
б) нелинейные соотношения любого характера, опи сывающие связи между элементами системы;
в) воздействие многочисленных случайных факторов сложной природы, которые приводят к принципиальным (как правило, даже к непреодолимым) трудностям при аналитических исследованиях — не являются препятст вием при имитации процесса функционирования си стемы.
Имитационные модели применимы к исследованию более сложных процессов, чем физические и аналоговые, Кроме того, в этом случае нет необходимости создавать специальную аппаратуру для каждой новой задачи. На ряду с отмеченными преимуществами, имитационное мо делирование, как и любой численный метод, обладает тем существенным недостатком, что полученное реше ние всегда носит частный характер, отвечая фиксирован ным значениям параметров системы, входной информа ции и начальных условий. Несмотря на этот весьма серьезный недостаток, имитационное моделирование является в настоящее время наиболее эффективным ме тодом исследования сложных систем, а подчас и единст венным практически доступным средством получения интересующей нас информации о поведении системы, осо бенно на стадии ее проектирования или модернизации. Подчеркнем, что мы имеем, по сути дела, метод матема тического экспериментирования, зачастую гораздо более дешевого и менее длительного по сравнению с натурным,
16
который, к тому же, далеко не во всех случаях возмо жен вообще.
Перед тем как перейти к краткому описанию основ ных типов задач, успешно решаемых с помощью имита ционных моделей, сделаем несколько замечаний терми нологического характера. Уже отмечалось, что попытка учесть в аналитических моделях влияние случайных фак торов приводит — если изучаемая система достаточно сложна — к весьма значительным и не всегда преодоли мым трудностям, тогда как введение случайных возму щений в имитационные модели не вносит принципиаль ных усложнений. По этой причине вероятностные анали тические модели используют для изучения сравнительно простых систем, а исследование сложных случайных процессов проводится, как правило, на имитационных моделях. Так как результаты, полученные при воспроиз ведении на имитационной модели рассматриваемого про цесса, являются реализациями случайных объектов (ве личин, функций), то для нахождения объективных и устойчивых характеристик процесса требуется его много кратное воспроизведение с последующей статистической обработкой полученных данных. Именно поэтому иссле дование сложных систем с помощью имитационных мо делей принято называть статистическим моделировани ем, хотя, разумеется, имитационные модели применимы и в детерминистском случае, где нет никаких статисти ческих задач.
Как указывалось выше, статистическое моделирова ние представляет собой численный метод, позволяющий приближенно воспроизводить функционирование некото рой системы. Первоначально этот метод применялся для моделирования случайных объектов (величин, функций), вероятностные характеристики которых совпадали с ре шениями данных аналитических задач, е последующим использованием статистических оценок этих характери стик для приближенного решения соответствующей ана литической задачи. Такая процедура получила название
«метод статистических испытаний или метод Монте-
Карло. Впоследствии было подмечено, что этот же при ем можно применять и для исследования процесса функ ционирования сложных систем, подверженных случай ным возмущениям, т. е. появился метод, названный выше статистическим моделированием. В силу сущест венного различия этих двух аспектов статистических
2—633 |
17 |
испытаний представляется целесообразным иметь и раз личные термины для их обозначения. Именно, статисти ческим моделированием правильнее называть способ изучения сложных систем с помощью имитационных мо делей, а название метод Монте-Карло сохранить для обозначения численного метода решения аналитических задач [3, 13— 17, 154].
Говоря коротко, с помощью статистического модели рования молено вычислить значение любого функциона ла; заданного на множестве реализаций процесса функ ционирования изучаемой сложной системы, если только соответствующие подпрограммы предусмотрены в по строенной имитационной модели. Наиболее важным, ин тересующим исследователя в первую очередь функцио налом, является обычно показатель эффективности си стемы, понимаемый в широком смысле слова. Имея возможность находить значения показателя эффективно сти, мы можем с помощью модели решать целый ряд задач. В их числе:
а) оценка эффективности различных принципов управления;
б) оценка вариантов структуры сложной системы; в) оценка влияния изменений различных параметров
сложной системы или ее отдельных элементов, а также начальных условий.
Это — задачи так называемого анализа сложных си стем. Не менее важны, но гораздо труднее задачи син теза сложных систем, когда требуется создать систему с наперед заданными свойствами и в некотором смысле оптимальную. Результаты моделирования часто оказы ваются полезными при синтезе системы для оценки ка чества тех или других ее вариантов. Для иллюстрации перечислим некоторые задачи, которые можно решать с помощью статистического моделирования для такой сложной системы, как производственный комплекс. Если этот комплекс еще только проектируется, можно опреде лить оптимальные размеры сырьевых и промежуточных емкостей. Причем оптимальность понимается здесь в смысле минимума суммы затрат: либо на капитальное строительство, либо из-за возможных перебоев в работе, когда не хватает сырья или переполнены промежуточ ные емкости.
Если комплекс уже функционирует, можно опреде лить его возможности выпуска продукции или перера-
18
боткн сырья с учетом всех планово-экономических по казателей но количеству и качеству. Здесь под словом «возможности» подразумевается и получение оптималь ных планов по самым разнообразным критериям (макси мум прибыли или минимум издержек при условии вы полнения установленных вышестоящими органами пока зателей); и оценка влияния качества и ритмичности поставок сырья на выполнение плана; и оценка эффек тивности дополнительных затрат на установку оборудо вания с целью «расширения узких мест», улучшения ка чества продукции, повышения надежности отдельных установок (дублирование, например, или более качест венный и длительный ремонт); и, наконец, нахождение оптимального (в смысле минимизации суммарных издер жек) режима отдельных установок.
В связи с упоминавшимися выше задачами синтеза следует заметить, что если методика решения задачи оптимального выбора структурных параметров системы (перспективное планирование) с помощью ее статисти ческой модели представляется достаточно отработанной, то вопросы использования статистических моделей для
решения задач |
текущего планирования и |
оперативно |
го управления |
еще требуют дальнейших |
исследова |
ний. |
|
|
Перечень возможных задач можно продолжить, но и перечисленные здесь свидетельствуют о широких возмож ностях метода статистического моделирования для иссле дования сложных систем. Более широко этот вопрос освещен в [13, 14]. В настоящее время для решения прак тических задач широко пользуются как аналитическими методами, так и моделированием сложных систем на ЭВМ. Обычно метод исследования выбирается после того, как математическая модель реального объекта уже построе на. В общем случае при построении математических мо делей для сложных систем применяются и аналитическое и алгоритмическое описания процесов функционирова ния их элементов. Чтобы упростить формализацию си стем, прибегают обычно к типичным математическим схемам, таким, как дифференциальные уравнения, буле вы функции, конечные автоматы, случайные процессы (например, й виде систем массового обслуживания) и т. д., при помощи которых удобно описывать элемен тарные подпроцессы реального процесса функциониро вания системы.
2* |
19 |