- •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
|
|
Z t,V |
V k e V1t |
V2 k |
V t V k . |
|||||||
|
|
|
||||||||||
|
|
|
|
|
|
2 |
|
|
2 |
1 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
На |
основе |
аналитического решения |
для |
t=1: M[Z(1)]=0,294, |
||||||||
D[Z(1)]=0,0124, N |
3 |
|
|
1113 - и ожидаемый выигрыш в количестве опытов |
||||||||
|
|
|
треб |
|
|
|
|
|
|
|
||
в 21942 |
1113 |
20 раз. |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
При контрольном статистическом моделировании здесь были получ ены |
||||||||||||
следующие оценки: |
M [Z (1)] 0,298 , |
m 2,423, D [X (1)] 0,0116, |
||||||||||
|
|
|
|
|
|
|
|
|
x |
|
|
|
3 |
1045, фактическое количество опытов N |
3 |
1046 и выигрыш в |
|||||||||
Nтреб |
|
|||||||||||
трудоемкости в 21906 |
1046 |
20,9 раза. |
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
5.1.2. Метод существенной выборки
mx |
|
|
|
X1 t1,V fV V dv1...dvm |
|
|
|
X1 t1,V |
fV V |
p V dv1...dvm |
||||||||||
p V |
|
|
||||||||||||||||||
|
|
G |
|
|
|
|
|
|
|
|
|
|
G |
|
|
|
|
|
|
|
Преобразуем общее соотношение для определения математического |
||||||||||||||||||||
ожидания mx=M [X1 (t1 ,V)] по генеральной совокупности следующим об- |
||||||||||||||||||||
разом: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Y t ,V f |
|
' V dv ...dv . |
(5.4) |
||||||
|
|
|
|
|
|
|
|
|
1 |
|
|
V |
1 |
|
|
m |
|
|||
|
|
|
|
|
|
|
|
|
G |
|
|
|
|
|
|
|
|
|
|
|
Из соотношения (5.4) следует, что искомое математическое ожидание |
||||||||||||||||||||
mx |
совпадает |
|
с математическим |
|
|
ожиданием |
новой функции |
|||||||||||||
Y t1,V |
X1 t1,V |
|
p V |
, для которой вектор случайных параметров V имеет |
||||||||||||||||
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
плотность распределения вероятностей |
f ' |
(V ) f |
V |
(V ) p V . Это матема- |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
V |
|
|
|
тическое ожидание может быть определено на основе статистического моделирования:
|
M Y t1 |
,V |
1 |
N |
1 |
N |
X |
t ,V |
i |
|
|
||
mx |
|
yi |
|
|
1 |
1 |
|
|
|
. |
(5.5) |
||
|
|
p V |
i |
||||||||||
|
|
|
N i 1 |
N i 1 |
|
|
Причем при удачном выборе функции p(V) дисперсия оценки (5.5) может оказаться существенно ниже, чем дисперсия оценки mx по (3.2).
148
Функция p может иметь в качестве аргументов только часть случайных параметров задачи. В любом случае она должна удовлетворять условию:
fV V p V dv1...dvm 1. |
(5.6) |
G |
|
Для достижения наибольшего эффекта функцию p(V) следует выбирать |
приблизительно пропорциональной X1 (t1 ,V)f V (V) [17].
Пример. Выберем для рассмотренного выше примера функцию p в виде |
||||||||
p V p V |
|
a 4 2,5e V1 |
|
при |
0 V1 |
1, |
(5.7) |
|
1 |
|
|
|
|
при |
V1 0 |
или |
V1 1. |
|
|
|
0 |
|
Из условия (5.6) найдем коэффициент a:
1 |
|
|
|
|
|
|
|
|
a 4 2,5e v1 |
dv1 |
a |
3e 5 1 , |
a |
2e |
|
. |
|
2e |
3e 5 |
|||||||
0 |
|
|
|
|
||||
|
|
|
|
|
|
|
Задача оценки mx сводится к оценке математического ожидания новой случайной функции
Y (1) Y (1,V1,V2 )
где X(1) - решение уравнения (5.2) при t=1, параметр V1 должен иметь распределение (5.7), а параметр V2 - исходное распределение, равномерное в интервале [1; 2].
Точное значение дисперсии функции Y(1) может быть найдено сле-
дующим образом: |
|
|
|
|
|
|
D Y 1 M Y 2 1 M Y 1 2 M Y 2 1 mx2 , |
|
|||||
M Y 2 1 |
2 1 |
3e 5 v2 k e v1 k 2 |
dv dv . |
(5.8) |
||
|
2e 4 2,5e v1 |
|||||
|
1 |
2 |
|
|||
|
|
|
|
|||
|
1 0 |
|
|
|
|
Значение интеграла (5.8) может быть получено только численным интегрированием и составляет M[Y 2 (1)] 5,8968. В результате D[Y(1)]=0,0452, требуемое количество опытов для оценки M[Y(1)] на основе статистического
моделирования с заданной точностью |
N |
4 |
4071 и ожидаемый выигрыш |
||
|
|
|
|
треб |
|
в трудоемкости - в 21942 |
4071 |
5,4 раза. Отметим, что закон распределения |
|||
|
|
|
|
|
(5.7) не поддается воспроизведению по методу обратных функций. Следовательно, генератор для случайного параметра V1 придется строить, например,
149
по методу Неймана, и в результате выигрыш в общей трудоемкости решения задачи окажется несколько ниже.
При контрольном статистическом моделировании с использованием генератора, построенного по методу Неймана, здесь были получены следую-
щие оценки: m M [Y (1)] 2,419 , |
D [Y (1)] 0,0433, |
N 4 |
3895, |
||||||
x |
|
|
|
|
|
|
|
треб |
|
фактическое количество опытов N 4 4849 при 6194 обращениях к генера- |
|||||||||
тору случайных чисел и выигрыш в трудоемкости в 4,2 раза. |
|
|
|||||||
Для сравнения отметим, что при выборе |
|
|
|
|
|||||
|
2 |
|
2 |
V |
при |
0 V1 |
1, |
|
|
|
|
|
|
|
|||||
p(V ) p(V1 ) |
|
3 |
|
1 |
|
|
|
|
|
|
|
|
при |
V 0 |
или |
V 1, |
|
||
|
|
|
0 |
|
|||||
|
|
|
|
1 |
|
1 |
|
аналогичном успешно использованному выше выбору главной части, получим D[Y(1)]=0,8932, и рассмотренный метод дает значительный отрицательный эффект.
5.1.3.Метод расслоенной выборки (выборка по группам)
Всоответствии с данным методом область G возможных значений слу-
чайного |
вектора разбивается на K непересекающихся областей Gk: |
G G1 |
G2 GK . Метод предполагает проведение статистического |
моделирования для каждой из областей Gk с использованием для вектора |
|||||
случайных параметров плотностей распределения вероятностей |
|||||
f |
V |
k V fV V |
|
, |
(5.9) |
|
|
pk |
|
|
|
|
|
|
|
|
|
где p k - вероятность попадания случайного вектора |
|
V в область Gk: |
|||
pk fV V dv1...dvm . |
|
Gk
Если для области Gk выполним Nk опытов, получим оценку матем атического ожидания искомого показателя для данной области:
mx k |
1 |
Nk |
t1,V |
i,k . |
|
X1 |
|||||
|
|||||
|
Nk i 1 |
|
|
Результирующая оценка mx должна рассматриваться как дискретная случайная величина, значения которой mx k наблюдаются с вероятностями p k. Тогда результирующая оценка определяется усреднением:
150
|
|
|
|
|
K |
|
K |
|
pk |
Nk |
|
|
|
|
|
|
|
|
|
|
mx |
pk mx k |
|
X1 t1,V i,k . |
|
|
(5.10) |
||||||||
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
k 1 |
|
k 1 |
|
Nk i 1 |
|
|
|
|
|
|
||
Общее количество опытов N = N1 +N2 |
+…+NK . |
|
|
|
|
||||||||||||
Соответствующие аналитические соотношения для генеральной сово- |
|||||||||||||||||
купности с учетом (5.9) имеют вид |
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
K |
|
|
|
|
|
|
|
|
|
|
mx X1 t1,V fV V dv1...dvm pk X1 t1,V fV k V dv1...dvm . |
|||||||||||||||||
G |
|
|
|
|
|
k 1 |
|
|
|
Gk |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Определим |
дисперсию оценки |
(5.10), |
имея в |
виду, |
что |
все |
|||||||||||
N1 N2 ... NK слагаемые - независимые случайные величины [10, 20]: |
|||||||||||||||||
|
K |
|
pk |
2 |
Nk |
|
i,k |
|
K |
2 |
|
|
i,k |
|
|
||
|
|
|
|
|
|
|
pk |
|
|
|
|
||||||
D mx |
|
|
|
D X1 t1 |
,V |
|
|
|
|
|
D X1 |
t1,V |
|
. |
(5.11) |
||
Nk |
|
|
|
Nk |
|
||||||||||||
|
k 1 |
|
|
i 1 |
|
|
|
|
|
k 1 |
|
|
|
|
|
||
Дисперсия случайной величины X |
1 |
t ,V i,k может быть оценена по |
|||||||||||||||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
результатам статистического моделирования или определена аналитич ески следующим образом:
D X1 t1,V i,k M k X12 t1,V i,k M k X1 t1,V i,k 2 ,
M k X12 t1,V i,k X12 t1,V fV k V dv1...dvm ,
Gk
M k X1 t1,V i,k X1 t1,V fV k V dv1...dvm .
Gk
Введя в рассмотрение доли от общего количества опытов, соответст-
вующие областям Gk, qk Nk N , на основе (5.11) и (3.19) получим соотно-
шение для определения количества опытов, необходимого для получения результата с погрешностью не выше д о п :
D mx |
|
|
K |
2 |
D X1 t1,V i,k |
, |
|
||||
1 |
|
|
|
pk |
|
||||||
|
|
|
|
|
|||||||
|
N k 1 |
|
qk |
|
|
|
|
|
|||
|
|
2 |
|
K |
|
2 |
D X1 t1,V |
i,k . |
|
||
Nтреб |
|
|
д |
|
|
pk |
(5.12) |
||||
2 |
|
|
|||||||||
|
|
|
|
|
q |
k |
|
|
|
||
|
|
|
доп k 1 |
|
|
|
|
При удачном разбиении области G и удачном выборе соотношения количества опытов для отдельных областей Gk дисперсия оценки (5.10) может быть существенно снижена. Из теории [17] известно, что оптимальные по
151
критерию минимума дисперсии (5.11) значения q k должны быть пропорцио-
нальны произведениям pk D X1 t1,V i,k . На практике значения диспер-
сий для отдельных областей, как правило, априорно неизвестны. Поэтому значения q k выбираются на основе предварительного анализа задачи или непосредственно в процессе статистического моделирования на основе с о- ответствующей модификации итерационного алгоритма определения необходимого количества опытов.
Пример. Разобьем для рассмотренного выше примера область возмож- |
|||||||||||||||||
ных значений параметра V1 |
|
на две части: G1 0; |
1 |
и G2 1 |
2 |
; 1 . Тогда |
|||||||||||
|
V |
|
f V |
|
|
|
2 |
|
|
|
|
||||||
p 1 =p 2 =0,5, f |
1 |
2 2 в пределах соответственно |
|
G1 и G2 . |
|||||||||||||
|
|
1 |
|
|
1 |
|
|
|
|
|
|
|
|
|
|||
Выберем q 2 |
|
, q |
2 |
1 . |
|
|
|
|
|
|
|
|
|
||||
1 |
3 |
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
На основе аналитических решений получим: |
|
|
|
|
|
|
|
||||||||||
M 1 X 2 1 4,2643, |
|
M 1 X 1 2,0325, |
D 1 X 1 0,1322, |
||||||||||||||
M 2 X 2 1 7,9251, |
|
M 2 X 1 2,8064, |
D 2 X 1 0,0492, |
||||||||||||||
D m |
|
|
1 |
3 |
|
|
3 |
|
|
|
|
0,0865 |
|
||||
|
|
|
|
|
|
D 1 X 1 |
|
D 2 X 1 |
|
|
|
|
, |
||||
|
|
|
|
|
|
|
|
|
|||||||||
x |
|
|
|
N |
22 2 |
|
22 |
|
|
|
|
N |
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
прогнозируемое в соответствии с (5.12) количество опытов, необходимое для обеспечения заданной точности, Nтреб5 7783 и ожидаемый выигрыш в
трудоемкости в 2,8 раза.
При статистическом моделировании для начальной серии опытов были приняты q 1 =q 2 =0,5, которые уточнялись вместе с Nтреб на каждом цикле
итерационного алгоритма с учетом получаемых оценок дисперсий. Получ е- |
|||||
ны |
следующие |
результаты: |
m 2,416, |
D 1 X 1 0,1335, |
|
|
|
|
x |
|
|
D 2 X 1 0,0511, |
N 4872, |
N 3015, N |
5 |
7887, фактическое |
|
|
|
1 |
2 |
треб |
|
общее количество опытов N 5 9271 и достигнутый выигрыш в трудоемкости в 2,4 раза.
В заключение отметим, что в общем случае рассмотренные м етоды не дают гарантированного положительного эффекта. Как видно даже из рассмотренного простейшего примера, эффективность их применения определяется точностью прогнозирования результатов решения задачи. В наибольшей степени это характерно для методов выделения главной части и существенной выборки. Поэтому для сложных моделей, где точное прогнозирова-
152