
- •1. Стадии построения имитационных моделей.
- •2. Основные концепции системной динамики.
- •3. Размеченная диаграмма дпсс.
- •4. Построение концептуальной модели в системе имитак.
- •5. Работа с моделью программой в системе имитак и диагностика ошибок.
- •6. Расширение аппарата формализации системной динамики.
- •7. Функции имитации систем массового обслуживания.
- •8. Адаптация имитационных моделей одноканальной смо.
- •9. Имитация многоканальной смо.
- •10. Основные концепции работы с матричными переменными в системе имитак.
- •11. Векторные встроенные функции.
- •12. Имитация детерминированных цепей Маркова (putty - clay).
- •13. Этапы имитационного исследования.
- •14. Регрессионный анализ планирования экстремального эксперимента.
- •15. Полный факторный эксперимент.
- •16. Дробный факторный эксперимент.
- •17. Исследование уравнения регрессии, полученного при помощи дробных реплик.
- •18. Крутое восхождение по поверхности отклика.
- •19. Ортогональное планирование 2 - го порядка.
- •20. Анализ экономической ситуации (программная реализация курсового проекта).
- •21. Графические встроенные функции системы имитак.
- •22. Паутинообразная модель рынка №1.
- •23. Паутинообразная модель рынка №2 (с обучением).
- •24. Паутинообразная модель рынка №3 (с учетом запасов непроданного товара).
- •25. Имитация удовлетворения спроса скоропортящейся продукции.
- •26. Имитация кредитно – финансовых операций фирмы.
- •27. Моделирование производственной деятельности фирмы.
19. Ортогональное планирование 2 - го порядка.
В окрестности
оптимума линейного приближения уже не
достаточно, доминирующими становятся
коэффициенты регрессии, характеризующие
элементы взаимодействия. Обычно
окрестность экстремума, которую называют
почти стационарной областью, удается
описать полиномами 2-го порядка. Для
этого нужно иметь такую систему
планирования, в которой каждая из
переменных будет принимать хотя бы 3
разных значения (количество уравнений
у факторов как минимум равно 3). Такое
планирование может быть получено путем
добавления некоторого количества
специально расположенных точек к
«ядру», образованному планированием
для линейного приближения. Такие планы
называются композиционными, а само
планирование центральным композиционным
планированием. Рассмотрим случай: K
= 2, N = 4 (при полном факторном
эксперименте). Нужно получить:.
Для увеличения общего числа точек вводят так называемые «звездные точки».
ядро
звездные
точки
центральная
всего
9 точек, следовательно необходимо
как минимум 9 опытов
В общем виде
количество опытов
.
(ядро + звездные точки + центральная).
Рассмотрим трех – мерное производство:
К
= 3 (
= 27)
К
= 4 (
=
81)
Центральное композиционное планирование существенно уменьшает количество точек при увеличении К.
Необходимо
создать новую матрицу планирования
эксперимента, введя вместо
и
замену. При линейном приближении, когда
мы использовали факторный эксперимент,
мы получали ортогональное планирование
и дисперсии для каждого коэффициента
регрессии были минимальны и равны друг
другу. При ортогональном планировании
2-го порядка мы будем пытаться добиться
ортогональности в почти стационарной
области. В общем случае матрица точек
ЦКП не обеспечивает ортогональностью
все векторы – столбцы, т.е.
(*);
(**)
Пример: Построим матрицу
|
|
|
|
|
|
|
|
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
- |
+ |
+ |
+ |
+ |
- |
+ |
- |
+ |
+ |
+ |
+ |
- |
+ |
+ |
- |
- |
+ |
+ |
+ |
+ |
- |
- |
- |
- |
+ |
+ |
+ |
- |
+ |
- |
- |
+ |
+ |
+ |
+ |
- |
- |
+ |
+ |
- |
+ |
+ |
+ |
- |
- |
- |
+ |
+ |
+ |
+ |
Вместо
квадратов введем переменную
Нетрудно
доказать, что
будет зависеть только от числа переменных
К.
|
Число независимых переменных | ||
2 |
3 |
4 | |
Ядро планирования |
|
|
|
|
1.000 |
1.215 |
1.414 |
Рассмотрим матрицу ортогонального планирования 2-го порядка для случая К = 3.
|
|
|
|
|
|
|
|
|
|
|
|
+ |
- |
- |
- |
0,27 |
0,27 |
0,27 |
+ |
+ |
+ |
|
Ядро
|
+ |
+ |
- |
- |
0,27 |
0,27 |
0,27 |
- |
- |
+ |
| |
+ |
- |
+ |
- |
0,27 |
0,27 |
0,27 |
- |
+ |
- |
| |
+ |
- |
- |
+ |
0,27 |
0,27 |
0,27 |
+ |
- |
- |
| |
+ |
- |
+ |
+ |
0,27 |
0,27 |
0,27 |
- |
- |
+ |
| |
+ |
+ |
- |
+ |
0,27 |
0,27 |
0,27 |
- |
+ |
- |
| |
+ |
+ |
+ |
- |
0,27 |
0,27 |
0,27 |
+ |
- |
- |
| |
+ |
+ |
+ |
+ |
0,27 |
0,27 |
0,27 |
+ |
+ |
+ |
| |
+ |
-1,125 |
0 |
0 |
0,745 |
-0,73 |
-0,73 |
0 |
0 |
0 |
|
Звездные Точки |
+ |
1,125 |
0 |
0 |
0,745 |
-0,73 |
-0,73 |
0 |
0 |
0 |
| |
+ |
0 |
-1,125 |
0 |
-0,73 |
0,745 |
-0,73 |
0 |
0 |
0 |
| |
+ |
0 |
1,125 |
0 |
-0,73 |
0,745 |
-0,73 |
0 |
0 |
0 |
| |
+ |
0 |
0 |
-1,125 |
-0,73 |
-0,73 |
0,745 |
0 |
0 |
0 |
| |
+ |
0 |
0 |
1,125 |
-0,73 |
-0,73 |
0,745 |
0 |
0 |
0 |
| |
+ |
0 |
0 |
0 |
-0,73 |
-0,73 |
-0,73 |
0 |
0 |
0 |
|
Нулевая |
(ядро)
,
т.к.
(для К = 3)
(звездные точки)
(начальная точка)
Проверим ортогональность:
(*)
(**)
Т.о. введя замену переменных, мы получаем ортогональную матрицу планирования эксперимента.
В результате, используя регрессионный анализ или метод наименьших квадратов, получим:
Чтобы
определить оптимум, мы должны:
.
Получим
,
,
и
подставив их в
получим
.