- •Задания, отчеты, программы по лаботаторным работам по "Имитационному моделированию" Лабораторная работа 1. Принципы построения имитационных моделей и
- •3. Пояснения к работе
- •5. Вопросы к лабораторной работе
- •Моделирование систем средствами gpss/World
- •Задача.
- •3. Моделирование одноканальных устройств
- •6. Моделирование систем с использованием блоков split, assemble, match
- •7. Моделирование систем с использованием блоков preempt, return
- •Контрольные вопросы
- •Варианты заданий
- •Теоретические сведения Алгоритмы имитации случайных событий
- •Имитация зависимых событий.
- •Имитация полной группы событий.
- •Вопросы к работе.
- •Имитационное моделирование случайных величин
- •3. Методические указания к работе
- •4. Вопросы к лабораторной работе
- •Лабораторная работа №5 Имитационное моделирование систем
- •1. Основные этапы комплексного подхода к разработке и эксплуатации имитационных моделей
- •1.1. Необходимые этапы имитационного моделирования систем
- •1.2. Пример моделирования вычислительного центра
- •Пример.
- •2. Практическая часть
- •Лабораторная работа 6 Имитационное исследование и оптимизация системы контроля
- •1. Постановка задачи Описание проблемной ситуации
- •Обсуждение исходной задачи
- •Метод решения задачи оптимизации
- •Блок – схема имитационной модели системы контроля
- •Формализм имитационной модели системы контроля
- •Варианты исходных данных системы контроля
- •2. Практическая часть
- •2.1. Разработка и тестирование имитационной программы смо Эрланга
- •2.2. Машинный эксперимент
- •Лабораторная работа 7
- •Часть 1. Планирование и проведение эксперимента с моделью смо средствами системы моделирования gpss/World
- •Часть 2. Параметрическая идентификация модели планирования эксперимента, оценка адекватности построенной модели средствами пакета Statistica. Содержательная интерпретация результатов моделирования
- •Варианты заданий.
- •3.1. Некоторые понятия
- •3.2. Метод наименьших квадратов
- •3.3. Оценка точности и качества модели.
- •3.3.1 Проверка модели по величине остаточной дисперсии
- •3.3.2 Алгоритм проверки значимости выборочных коэффициентов регрессии
- •3.3.3 Критерий Фишера
- •3.3.4 Проверка гипотезы о случайности остатков
- •3.3.5 Критерий Дарбина-Уотсона
- •3.3.6 Коэффициент множественной корреляции
- •4. Пояснения к п. 3-5 задания (регрессионный анализ средствами Statistica)
- •5. Вопросы к лабораторной работе
- •Курсовой проект по предмету «Имитационное моделирование» Разработка имитационного проекта «Моделирование процесса функционирования вычислительной системы».
- •2008 Г.
3.1. Некоторые понятия
Задача идентификации модели системы распадается на две задачи: задача структурной идентификации и задача параметрической идентификации.
Задача структурной идентификациизаключается в определении структуры математической модели. Понятие «структура модели» не имеет четкого определения. Обычно под структурой модели понимают вид оператораF, связывающего вектор входных воздействийX=c вектором выходных воздействийс точностью до его коэффициентов. Выбор структуры модели осуществляется на основе априорной информации об объекте. Этот этап трудно формализуем, связан с эвристическими решениями, в основном решается только с участием человека.
Задача параметрической идентификациисводится к отысканию параметров оператораFна основе апостериорной информации. Задача обычно ставится как задача математического программирования, так как при этом минимизируется некоторый функционал, являющийся ущербом, наносимым процессом идентификации.
В том случае, когда входные и выходные воздействия связаны оператором вида
, для оценки параметров модели применяют метод наименьших квадратов (МНК).
. Классический МНК предполагает равноценность исходной информации. Простота и легкость его реализации на ЭВМ привела к тому, что МНК широко применяют при решении задач идентификации и прогноза.
Однако МНК имеет и недостатки, которые связаны с тем, что трудно выбрать оптимальную структуру математической модели, а это в первую очередь влияет на точность с которой задача будет решена.
Другим недостатком метода является то, что для нелинейных моделей необходимо искать преобразования, которые позволяют свести задачу к «приблизительно линейной», при этом все получаемые оценки оказываются смещенными.
3.2. Метод наименьших квадратов
Предположим, что между экспериментальными данными предполагается линейная зависимость:
(2)
Зависимость (2) носит название линейной регрессии. Исходные данные для получения оценок параметров модели (2) обычно записывают в виде матриц:
,
где i – номер эксперимента,N– их количество .
Для того, чтобы функция регрессии (2) достаточно хорошо описывала эмпирическую зависимость, ее параметры подбирают таким образом, что отклонениямежду измереннымии теоретическими значениямипринимали бы минимальные значения. В качестве такого критерия выбирают сумму квадратов отклонений:
(3)
Выбор критерия в таком виде объясняется тем, что при этом формулы расчета значений достаточно просты, хорошо зарекомендовали себя в практике, а сами эти значения обладают определенными свойствами .Критерий (3) является обобщенным показателем рассеивания вокруг искомой линейной зависимости.
Параметры подбирают из условий минимизации (3). Необходимым условием существования минимума критерия (3) является равенство нулю частных производных по неизвестным параметрам. Минимизируя функциюQположим
(4)
система линейных уравнений (4), как это легко найти, в матричной форме записывается
(5)
Из (5) следует, что
(6)
Оценку , найденную по формуле (6) называютоценкой наименьших квадратов, или оценкой МНК.
3.3. Оценка точности и качества модели.
3.3.1 Проверка модели по величине остаточной дисперсии
Принципиальная возможность применения модели, т.е. оценка адекватности полученной модели и изучаемого объекта, производится с помощью показателя остаточной дисперсии
(7)
Как доказано, например в [1,2], является несмещенной и состоятельной оценкой дисперсии случайной составляющей, а величина(если случайная величина нормальна) распределена по законусстепенями свободы.