ms

Замініть процедуру визначення часу готовності, збільшивши його на середнє «запізнення» і проаналізуйте результати.

Задача 14. В оптовому магазині використовується нова процедура обслуговування клієнтів. Клієнти, що потрапляють у магазин, визначають по каталогу найменування товарів, які вони хотіли б придбати. Після цього клієнт обслуговується клерком, що йде на розташований поруч склад і приносить необхідний товар. Кожний із клерків може обслуговувати одночасно не більш шести клієнтів. Час, що витрачає клерк на дорогу до складу, рівномірно розподілений на інтервалі від 0,5 хвилин до 1,5 хвилин. Час пошуку товару потрібного найменування залежить від числа найменувань, які клерк повинний знайти на складі. Цей час нормально розподілений із математичним сподіванням, рівним потроєному числу шуканих найменувань, і середньоквадратичним відхиленням, рівним 0,2 математичного сподівання. Отже, якщо, наприклад, із складу треба взяти товар одного найменування, час на його пошук буде нормально розподілено з математичним сподіванням, рівним 3 хвилин, і середньоквадратичним відхиленням, рівним 0,6 хвилин Час повернення зі складу рівномірно розподілений на інтервалі від 0,5 до 1,5 хвилин. Після повернення зі складу клерк розраховується з усіма клієнтами, яких він обслуговує. Час розрахунку з клієнтом рівномірно розподілений на інтервалі від 1 до 3 хвилин. Розрахунок відбувається в тому порядку, у якому до клерка поступали вимоги на товар. Інтервали між моментами надходження вимог на товари від клієнтів мають експоненціальний розподіл з математичним сподіванням 2 хвилини. Клієнтів у магазині обслуговують три клерки.

Визначити наступні величини:

¾завантаження клерків;

¾час, необхідний на обслуговування одного клієнта з моменту подачі вимоги на товар до оплати рахунку на покупку;

¾кількість вимог, що задовольняються клерком за один вихід на

склад.

Замініть процедуру обслуговування клієнтів таким чином, що у випадку обслуговування тільки одного клієнта клерк чекає протягом 1 хвилини можливої появи інших клієнтів перед тим, як відправитися на склад. Визначите вплив цієї стратегії обслуговування на характеристики часу очікування клієнта і завантаження клерків. Введіть ймовірність доставки неправильно обраного клерком товару, рівну 0,15. Коли це відбувається, клерк негайно повертається на склад для відшукання товару потрібного найменування. Крім того, із ймовірністю 0,1 замовленого товару може на виявитися на складі. Коли це відбувається, клієнт із ймовірністю 0,25 замовляє інше найменування. Оціните вплив цих уточнень моделі на завантаження клерка і час очікування клієнта.

311

8.6.Контрольні запитання

1.При яких умовах можливе використання мови GPSS для цілей моделювання?

2.Які оператори GPSS Ви знаєте?

3.Побудуйте фрагмент GPSS-програми для моделювання одноканальної СМО.

4.Який оператор здійснює передачу управління в мові GPSS?

5.Який фрагмент GPSS-програми відповідає за запуск моделі?

6.Як мова GPSS дозволяє моделювати розгалуження маршрутів в системі масового обслуговування?

7.Як моделюється багатоканальна система масового обслуговування засобами мови GPSS?

8.Що Вам здалося найбільш зручним в мові GPSS?

9.Які моменти використання мови GPSS Ви вважаєте незручними?

10.Які конструктивні елементи системи імітаційного моделювання

PTRSIM?

11.Що таке інформаційний зв’язок? Наведіть приклади використання інформаційних зв’язків.

12.Які генератори випадкових чисел вбудовані в систему PTRSIM? Яких генераторів випадкових чисел не вистачає?

13.Які можливості системи PTRSIM розширюють межі її використання для цілей імітаційного моделювання систем?

14.Які зручності інтерфейсу системи PTRSIM на Вашу думку є найбільш вдалими?

15.Які конструктивні елементи програмного забезпечення Arena?

16.При яких умовах можливе дослідження системи засобами програмного забезпечення Arena?

17.Як можливість створення ієрархічної моделі розширює межі використання пакету Arena для цілей імітаційного моделювання систем?

18.Які генератори випадкових чисел вбудовані в Arena?

19.Які зручності інтерфейсу системи Arena на Вашу думку є найбільш вдалими?

20.Які складові частини пакету Arena?

21.Що є найважчим на Вашу думку в оволодінні засобами пакету

Arena?

312

Розділ 9 МЕТОДИ САМООРГАНІЗАЦІЇ МОДЕЛЕЙ

9.1. Основні поняття теорії самоорганізації моделей

Методи самоорганізації моделей застосовують з метою отримання моделі довгострокового прогнозу за результатами спостережень над об'єктом дослідження. Під самоорганізацією моделей розімують вибір з великої кількості моделей-претендентів єдиної моделі оптимальної складності (МОС), яка володіє певними властивостями, що сформульовані у вигляді критеріїв.

Основна ідея самоорганізації моделей заключається втому, що всі дані про об’єкт спостереження поділяють на дві частини А і В. Частину таблиці даних А використовують для визначення параметрів моделі і називають навчальною послідовністю даних. Частину таблиці даних В використовують при виборі моделі оптимальної складності і називають

перевірочною послідовністю даних. До частини таблиці даних В можуть відноситися тільки дані, які не використовувались при визначенні параметрів моделі-претендента, тобто які не входили до частини В.

За даними навчальної послідовності даних без додаткової зовнішньої інформації принципово неможливо знайти єдину модель оптимальної складності. Дійсно, середньоквадратична похибка 2(A) зі збільшенням складності моделі S завжди зменшується (рис. 9.1) і досягає нуля. Наприклад, через n точок завжди можна провести поліном n-1 степеня.

2 (A)

Рисунок 9.1. Залежність внутрішного критерію від складності моделі

Складність моделі визначається мінімальною кількістю даних спостережень, необхідною для визначення всіх параметрів моделі за умови точних даних. Наприклад, для визначення двох параметрів b0, b1

313

найпростішої моделі, що описується лінійним рівняння y=b0+b1x потрібно мінімум два спостереження (х1, y1) , (х2, y2), для визначення трьох параметрів моделі, що описується квадратичним рівняння y=b0+b1x+b2x2 потрібно мінімум три спостереження. Тому квадратична модель складаніша за лінійну. Але у випадку декількох змінних хj , j= 1,…n маємо декілька лінійних моделей виду y=b0+b1xj. Як упоядкувати моделі за складністю, якщо вони мають однакову складність?

Критерій, що використовується для визначення параметрів моделі, називають внутрішнім критерієм. Найчастіше внутрішнім критерієм слугує середньо-квадратична похибка, що визначається за формулою:

i=1

де yiтабл – табличне значення вихідної змінної у в точці хі, yiм – значення вихідної змінної у в точці хі, яке розраховане за моделлю, NA – кількість точок.

Значення внутрішнього критерію з ростом складності моделі завжди зменшується, тобто чим складніша модель, тим вона точніша.

Критерій, що обчислюється за інформацією, яка не використовувалась при визначенні параметрів моделі, називається

зовнішнім критерієм.

Принцип самоорганізації моделей [Ивахненко,1985]: при поступовому збільшенні складності моделі значення зовнішніх критеріїв спочатку падає, досягає мінімуму, а потім або залишається постійним, або починає збільшуватися (рис. 9.2). Мінімуму зовнішнього критерія відповідає модель оптимальної складності.

2 (B)

Рисунок 9.2. Залежність зовнішнього критерію від складності моделі

314

Зовнішні критерії селекції моделей Вибір зовнішнього критерія здійснюється дослідником в залежності

від задачі, яка розв’язується. Досвід багатьох дослідників свідчить, що найпоширене застосування мають наступні зовнішні критерії.

Критерій регулярності потребує, щоб середньоквадратична помилка, розрахована за даними частини таблиці B , була мінімальна

(рис.9.3):

i=1

де (yтабл)і - табличні значення вихідної змінної в точці хі таблиці даних B, i=1,…NB;

(yМ)i - значення вихідної змінної в точці хі таблиці даних B, i=1,…NB, що розраховане за моделлю, що була отримана за даними частини таблиці

А.

yМ

(yМ)і

(yтабл)і

хі хNВ

Рисунок 9.3. Розрахунок критерію регулярності:

×- точки частини таблиці даних А, ° - точки частини таблиці даних В

Критерій мінімуму зсуву потребує, щоб моделі, які отримані на частинах таблиці A і B , якомога менше відрізнялися одна від одної на інтервалі екстраполяції (х1; хαN) (рис.7.4):

де (yтабл)і – табличні дані вихідної змінної в усіх точках таблиці даних і=1,…N (N=NA+NB); yA-модель, отримана на частині таблиці даних А; (yA)i

315

– значення вихідної змінної, розраховане по моделі yA в точці хі і=1,...αN; yB-модель, отримана на частині таблиці даних В; (yB)i - значення вихідної змінної, розраховане по моделі yB в точці хі і=1,…αN; α- коефіцієнт екстраполяції, який приймає значення α=1,0÷3,0.

Зауважимо, що критерій мінімуму зсуву використовується майже в усіх алгоритмах самоорганізації моделей. Критерій регулярності використовується, як правило, в комбінації з критерієм мінімуму зсуву. Інші критерії такі як критерій балансу змінних, критерій точності короткострокового прогнозу, критерій точності покрокового інтегрування, мають обмежене використання. Для вивчення цих критеріїв рекомендуємо читачеві скористатись спеціальною літературою [Ивахненко,1985]

yB

(yB)j

yA (yA)j

(yA)і (yB)i

(yтабл)і

Рисунок 9.4. Розрахунок критерію мінімуму зсуву:

×- точки частини таблиці даних А, ° - точки частини таблиці даних В

Поділ таблиці даних на навчальну (А) та перевірочну (В) частини Поділ таблиці даних на частини А и В мало впливає на значення

критерію мінімуму зсуву і впливає на значення критерію регулярності. Оптимальний (з погляду завадостійкості вибору моделі) поділ точок

на частини А і В у випадку критерію регулярності відповідає поділу у відношенні NA:NB=2:1, при чому точки частини В - це точки з меншою дисперсією вихідної величини, а точки А - це точки з більшою дисперсією вихідної величини.

У випадку критерію мінімуму зсуву найкращий (з погляду завадостійкості вибору моделі) результат дає поділ таблиці даних у відношенні NA:NB=1:1, тобто на рівні чатини. Оптимальний поділ множини точок можна знайти за правилом «максиміну»: найкращий поділ точок таблиці даних на дві різні множини відповідає максимальному з усіх значень мінімуму критерію мінімуму зсуву.

316

Визначення параметрів моделі за даними навчальної послідовності Якщо внутрішній критерій – критерій нійменших квадратів, то

відшукання параметрів моделі здійснюється так, як в задачі апроксимації функціональної залежності, що розглядалась у розділі 2.2 даного навчального підручника.

Припустимо, що ставиться задача знаходження рівняння виду:

даними x`1i × x2i , x12i , x22i . У результаті утвориться матриця даних Х про вхідні змінні, що складається зі стовпчиків 1, x1i , x2i , x1i × x2i , x12i , x22i . Кожний стовпчик відповідає коефіцієнту bj , j = 0,1,2,3,4,5 рівняння моделі. Система умовних рівнянь приймає вид:

Для отримання системи нормальних рівнянь потрібно помножити зліва обидві частини рівняння на X T :

Підставив параметри , що знайдені, у (9.4), отримаємо модель.

9.2. Алгоритми самоорганізації моделей

Алгоритми самоорганізації розрізняють:

∙за ансамблем зовнішніх критеріїв, використовуваних для пошуку моделі оптимальної складності;

∙за набором базисних функцій, використовуваних для побудови моделей претендентів;

∙за способом перебору моделей-претендентів.

Однорядні (комбінаторні) алгоритми самоорганізації моделей орга-

нізують повний перебір множини моделей-претендентів і використовуються, коли кількість моделей-претендентів відносно невелика. Модель оптимальної складності в цьому випадку визначається мінімумом зовнішнього критерію.

Багаторядні (порогові) алгоритми самоорганізації моделей органі-

зують неповний перебір множини моделей-претендентів і використовуються, коли кількість моделей-претендентів надто велика для того, щоб здійснити повний перебір. Модель оптимальної складності в цьому випадку знаходиться швидко, але не точно за рахунок того, що деякі моделі при переборі просто пропускаються.

317

Завадостійкість алгоритму самоорганізації оцінюється за результа-

тами пошуку наперед відомої моделі за даними, що мають нормально розподілену заваду із середнім значенням 0:

де хі – і-те спостереження вхідної змінної моделі, Δхі – і-те значення випадкової величини, що має нормальний закон розподілу із нульовим середнім значенням і середнім квадратичним відхиленням, що складає δ- частину значення хі , δ – рівень завади, уі – і-те спостереження вихідної змінної моделі, Δуі – і-те значення випадкової величини, що має нормальний закон розподілу із нульовим середнім значенням і середнім квадратичним відхиленням, що складає δ-частину значення уі .

При поступовому зростанні рівня завад δ спостерігають, чи відрізняється модель оптимальної складності, що визначена алгоритмом самоорганізації, від істинної моделі не більше як на 5%. Найбільший рівень завад, при якому алгоритм самоорганізації визначає модель правильно, вважається характеристикою завадостійкості алгоритму. Рекомендований рівень завад, який повинен витримувати алгоритм самоорганізації, складає 5%.

Наприклад, для перевірки завадостійкості дослідник вибрав істинну модель у вигляді:

f (x) = 1+ 3x1 - 4x2 + 2x12 - x2 2

Наступний крок, який потрібно зробити, – сформувати таблицю даних. Завдаючи значення вхідних змінних випадковим чином у деякій області і додаючи до них похибку, отримаємо таблицю даних вхідних змінних:

x1i = x1i + ξi , x2i = x2i + ζ i ,

yi = f (xi ) +ηi .i = 1,..n

де ζ, ξ, η – нормально розподілені випадкові величини з нульовим середнім значенням та середнім квадратичним відхиленням, що складає

δ × max x1 ,δ × max x2 ,δ × max y відповідно.

9.3. Однорядний алгоритм самоорганізації моделей

Модель оптимальної складності в однорядному алгоритмі самоорганізації моделей визначається на основі повного перебору моделей з множини моделей-претендентів. Якщо моделі упорядковані за рівнем зростання складності, то перебір моделей продовжується, доки спостерігається зменшення значення зовнішнього критерію із зростанням складності моделі. Якщо моделі не упорядковані, то модель оптимальної складності ви-

318

значається мінімальним значенням зовнішнього критерію (рисунок 9.5). Оскільки упорядкування моделей представляє собою важку задачу, то при відносно невеликій кількості моделей в множині моделей-претендентів простіше перебрати усі моделі без упорядкування.

Однорядний (комбінаторний) алгоритм самоорганізації моделей

Рисунок 9.5. Структура однорядного алгоритму самоорганізації моделей

Для того, щоб побудувати однорядний алгоритм потрібно:

§визначити зовнішні критерії, за якими здійснюється вибір моделі оптимальної складності;

§визначити опорні функції,

§визначити спосіб розподілу таблиці даних,

§сформувати множину моделей-претендентів,

§для кожної моделі-претендента визначити параметри моделі і розрахувати значення зовнішнього критерію,

§за найменшим значенням зовнішнього критерію вибрати модель оптимальної складності,

§уточнити параметри моделі оптимальної складності з урахуванням усієї таблиці даних.

319

Вибір зовнішніх критеріїв Дослідження впливу рівня завад на значення зовнішнього критерію

показало, що зі збільшенням рівня завад мінімум критерію регулярності прямує до більш простих моделей і тому визначає модель оптимальної складності неправильно. При тому ж збільшенні рівня завад мінімум критерію мінімуму зсуву залишається стійким і визначає модель оптимальної складності правильно. Спостерігається тільки логічне збільшення самого значення критерію мінімуму зсуву при збільшенні рівня завад. Звідси, використання критерію мінімуму зсуву має пріоритетне використання в алгоритмах самоорганізації.

Використання декількох критеріїв підвищує точність визначення моделі оптимальної складності і робить вибір моделі більш однозначним. Дослідження завадостійкості алгоритмів самоорганізації показало, що найбільш завадостійким являється однорядний алгоритм, в якому спочатку вибираються декілька ліпших моделей за критерієм мінімуму зсуву, а потім з цих моделей вибирається найліпша модель за критерієм регуляр-

ності. Такі алгоритми називають алгоритмами з послідовним використан-

ням критеріїв. Замість критерію регулярності використовують також критерій балансу або критерій покрокового інтегрування.

Вибір опорних функцій Вид опорних функцій являється припущенням дослідника про вид

шуканої моделі. Від правильного вибору опорних функцій в найбільшій мірі залежиться успіх алгоритму самоорганізації. Потрібно пам’ятати, що

−поліноміальні моделі являються найбільш універсальним представленням функціональної залежності, але не завжди вірним;

−дробно-раціональна функціональна залежність не може бути представлена лінійною залежністю або поліноміальною залежністю;

−функціональна залежність, що має періодичний характер, представляється тригонометричними функціями.

Опорні функції повинні бути лінійно незалежними одна від одної.

Наприклад, наступний вибір опорних функцій являється, очевидно, не допустимим:

f1 (x) = x1 , f2 (x) = x2 , f3 (x) = x1 + x2 .

Проте наступний вибір опорних функцій являється допустимим:

f1 (x) = x1 , f2 (x) = x2 , f3 (x) = x12 + x22 .

Формування множини моделей-претендентів Множина моделей-претендентів будується наступним чином. Нехай об-

рані опорні функції f1(x), f2(x),.. fk(x). Тоді найскладніша модель має вигляд:

320