- •1. ОБЩАЯ ХАРАКТЕРИСТИКА ЗАДАЧ МОДЕЛИРОВАНИЯ И ИСПЫТАНИЙ СИСТЕМ УПРАВЛЕНИЯ
- •1.1. Основные особенности моделирования систем с учетом реальных условий их применения
- •1.2. Основные свойства и характеристики моделей
- •1.3. Особенности моделирования и испытаний сложных систем
- •1.4. Показатели эффективности систем
- •2. КЛАССИФИКАЦИЯ МОДЕЛЕЙ СИСТЕМ УПРАВЛЕНИЯ
- •2.1. Классификация моделей по способу физической реализации
- •2.2. Классификация моделей по форме математического описания
- •2.3. Детерминированные конечные автоматы и их применение при построении моделей сложных систем
- •2.4. Вероятностные автоматы и марковские цепи
- •2.5. Модели с дискретными состояниями и непрерывным временем
- •2.6. Алгоритмы реализации моделей
- •3. МЕТОД СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •3.1. Теоретические основы метода статистического моделирования
- •3.2. Понятие оценки. Свойства оценок
- •3.3. Точность оценок и определение необходимого количества опытов
- •3.4. Пример использования метода Монте-Карло
- •3.5. Способы построения генераторов случайных чисел
- •3.5.1. Аппаратные способы построения генераторов случайных чисел
- •3.5.2. Программные способы построения генераторов случайных чисел
- •3.6. Методы восстановления закона распределения по результатам статистического моделирования
- •3.6.1. Параметрические методы восстановления закона распределения
- •3.6.2. Непараметрические методы восстановления закона распределения
- •3.7.1. Критерий согласия Пирсона
- •3.7.2. Критерий согласия Колмогорова
- •3.7.3. Другие задачи проверки статистических гипотез, виды критериев и их характеристики
- •3.8. Пример статистической имитационной модели системы со случайными параметрами
- •3.9. Моделирование случайных векторов
- •3.9.1. Метод условных распределений
- •3.9.2. Методы преобразования случайных координат
- •3.9.3. Метод Неймана
- •4.1. Основные формы описания непрерывных случайных процессов
- •4.2. Спектральный метод расчета установившегося случайного процесса в линейной стационарной системе
- •4.3. Статистическая линеаризация нелинейной стационарной системы
- •4.4. Расчет установившегося случайного процесса в нелинейной стационарной системе
- •4.5. Определение характеристик нестационарных случайных процессов методом весовых функций
- •4.7. Моделирование нестационарных случайных процессов в нелинейных системах методом динамики средних
- •4.8. Построение моделей случайных процессов в дискретных системах
- •4.9. Методы моделирования случайных процессов с заданными характеристиками
- •4.9.1. Метод формирующего фильтра
- •4.9.2. Метод скользящего суммирования
- •4.10. Пример статистической имитационной модели системы со случайными параметрами при действии случайной помехи
- •5. СПОСОБЫ СНИЖЕНИЯ ТРУДОЕМКОСТИ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •5.1. Основные методы уменьшения дисперсии оценки
- •5.1.1. Метод выделения главной части
- •5.1.2. Метод существенной выборки
- •5.1.3. Метод расслоенной выборки (выборка по группам)
- •5.2. Комбинированные методы получения оценок
- •5.2.1. Оценка статистической характеристики сложной математической модели с использованием результатов аналитического упрощенного исследования
- •Литература
- •СОДЕРЖАНИЕ
2.Разброс составляющих выборку реализаций случайной величины м о- жет оказаться существенно меньше истинного ее разброса.
3.В выборке могут оказаться реализации случайной величины, знач и- тельно отличающиеся от ее среднего значения, в непропорционально большом количестве.
В первом случае соотношения (3.16)–(3.19) дадут неточные результаты. Чаще всего оценки требуемого количества опытов оказываются завышенными.
Во втором случае оценки требуемого количества опытов при использовании итерационных алгоритмов оказываются резко заниженными, а р езультаты моделирования – неточными. Во избежание подобных ситуаций рекомендуется выбирать объем начальной серии опытов не менее 100-500.
В третьем случае возможны завышенные оценки требуемого количества опытов с получением неточных результатов моделирования. Обнар ужить такие ошибки можно только на основе независимого контрольного моделирования, например, с помощью других генераторов случайных чисел или с изменением их начальной установки.
Практика использования итерационных алгоритмов получения оценок позволяет рекомендовать в качестве наиболее надежного способа решения указанных проблем переход к интерактивным алгоритмам, предоставляющим пользователю необходимую информацию и возможность управления объемами дополнительных серий опытов.
Отметим также, что для малых выборок, например n≤30, в математической статистике разработаны более точные способы определения допустимых (толерантных) интервалов значений оценки и соответствующих доверительных вероятностей, свободные от гипотезы о нормальном законе ее распределения
[12, 35, 43].
3.4. Пример использования метода Монте-Карло
Одна из областей эффективного использования метода статистич еского моделирования – решение трудоемких вычислительных задач. Классическим примером является вычисление определенных интегралов методом Монте - Карло. Эта задача заслуживает особого внимания, так как приемы и результаты ее решения широко используются как в теории статистического моделир о- вания, так и при его практическом применении.
Если аналитического выражения для интеграла не существует, обычно используют приближенные итерационные методы, трудоемкость которых, особенно при многократном интегрировании, может оказаться весьма выс о-
66
кой. Применение здесь метода Монте-Карло может дать существенный выигрыш в трудоемкости.
Рассмотрим сначала простейший случай вычисления однократного интеграла с конечными пределами интегрирования:
b
J g x dx , 0 ≤ g(x) ≤ gmax .
a
Значение J совпадает с величиной S заштрихованной площади под кривой g(x) на рис. 21. С другой стороны, в соответствии со свойствами равномерного закона распределения, площадь S пропорциональна вероятности pS попадания в заштрихованную область случайной точки, координаты которой распределены по равномерному закону в преде-
лах прямоугольника :
S=pS S =pS gmax(b -a ).
Вероятность pS может быть найдена на основе n опытов следующим образом.
В отдельных опытах с использованием стандартного генератора случайных чисел i, равномерно распределенных в интервале [0; 1],
“разыгрываются” координаты случайной точки А:
xj =a+(b -a ) i , y j =g max i + 1 . S
y j <g (x j ).
После проведения n опытов оценка значения интеграла вычисляется просто:
J * S nns gmax b a ,
где nS количество попаданий точки А в область S.
Требуемое количество опытов и точность оцениваются рассмотренными выше способами.
67
Если один или оба предела интегрирования бесконечны, интеграл м ожет быть найден на основе схемы оценки математического ожидания. Из теории вероятностей известно, что математическое ожидание функции непрерывного случайного аргумента при заданной ПРВ аналитически определяется в виде интеграла:
|
|
|
|
|
|
|
|
|
|
|
|
my y x f x dx . |
|
|
(3.21) |
||
|
|
|
|
|
|
|
|
|
С другой стороны, значение математического ожидания может быть |
||||||||
оценено на основе n опытов по (3.2). |
|
|
|
|
||||
Применение метода Монте-Карло обеспечивается за счет приведения |
||||||||
искомого интеграла J к виду (3.21): |
|
|
|
|
||||
|
|
|
f x |
|
|
g x |
|
|
J g x dx |
g x |
dx |
y x f x dx , y x |
. |
(3.22) |
|||
|
|
|
f x |
|
f x |
|
||
|
|
|
|
|
|
Таким образом, если получить по (3.2) оценку математического ожидания функции введенной в соответствии с (3.22), она окажется одновре-
менно оценкой значения интеграла J.
Проводятся n опытов, в каждом из которых по закону f (x) разыгрываются значения xi и вычисляются значения yi =y(xi ), составляющие случайную выборку.
Оценка значения искомого интеграла определяется как среднее арифметическое:
J |
y1 y2 yn |
|
n |
||
|
Рассмотрим более общий случай:
|
1 |
n |
|
|
|
yi . |
(3.23) |
||
|
||||
|
n i 1 |
|
b1 b2 |
bm |
J |
g x1, x2 ,...,xm dx1dx2 dxm , |
a1 a2 |
am |
причем пределы интегрирования могут быть как конечными, так и бесконечными.
Преобразуем интеграл J к форме математического ожидания функции m случайных аргументов:
b1 b2 |
bm |
|
|
|
|
J y x1 , x2 ,...,xm f1 |
x1 |
f2 |
x2 |
fm xm dx1dx2 dxm , |
|
a1 a2 |
am |
|
|
|
|
68
y x1, x2 |
,...,xm |
|
g x1 |
, x2 |
,...,xm |
|
. |
|
f1 |
x1 f2 |
x2 |
fm xm |
|||||
|
|
|
||||||
Теперь оценка значения интеграла J может быть получена на основе се- |
рии n опытов. В каждом опыте в соответствии с законами распределения ар-
гументов f 1 (x1 ),f 2 |
(x2 ),…,f m(xm) |
генерируются значения |
x1 |
, x2 |
,...,xm |
и |
||
|
|
y x1 |
|
|
i |
i |
i |
|
находится значение |
yi |
, x2 , xm . Результат вычисляется по (3.23). |
|
|||||
|
|
i |
i |
i |
|
|
|
|
Законы распределения для x1 ,x2 ,…,x m на практике выбираются в зависимости от вида пределов интегрирования и с учетом доступности нео бходимых генераторов случайных чисел. Чаще всего используют:
-нормальный закон для бесконечных a и b,
-экспоненциальный закон, если только один предел конечен,
-равномерный закон для конечных a и b.
Пример:
|
|
|
|
b1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
J g x1, x2 , x3 dx1dx2dx3 |
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
a1 a2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
b1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
y x1, x2 , x3 f1 x1 f2 x2 f3 x3 dx1dx2dx3 , |
|
|
|
|||||||||||||||||||||||||||||
a1 a2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
при |
|
|
x1 a1 , |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
f1 x1 |
|
|
|
|
|
|
|
|
|
при |
|
a1 |
x1 |
b1 , |
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
b1 a1 |
|
|
|
|
|
|
|
|
|
|
b , |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
при |
|
|
x |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
1 |
|
|
|
|
|
|
|
|
|
f |
|
x |
|
|
|
|
|
0 |
|
при |
|
|
x2 |
a2 , |
|
|
|
|
|
|
|
|
||||||||||
2 |
2 |
|
|
e 2 x2 a2 |
|
при |
x |
|
a |
|
|
, |
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
2 |
2 |
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x m |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
f3 x3 |
|
|
|
|
1 |
|
|
|
|
|
|
|
3 |
3 |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
e |
|
2 3 |
|
, |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
3 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
b1 a1 |
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 x2 |
|
|
|
x m |
2 |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
a2 |
3 |
3 |
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 32 |
|
|
||||||||||||||||
y x1, x2 , x3 |
|
|
|
g x1, x2 |
, x3 e |
|
|
|
|
. |
||||||||||||||||||||||
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
при a1 ≤ x1 ≤ b1 и x2 ≥ a2 . При других значениях x1 |
и x2 |
|
|
y(x1 ,x2 ,x3 )=0. |
69