- •Частина 2
- •Одеса 2008 Раздел 1. Основы моделирования систем
- •Тема 1.1. Модели и моделирование
- •§ 1.1.4. Объекты моделирования и их классификация
- •Сколько методов исследования объектов применяется в практике специалистов по автоматизации?
- •Раздел 1
- •Тема 2 Математическое моделирование
- •§ 1.2.1. Основные понятия математического моделирования
- •§ 1.2.2. Классификация математических моделей
- •Тема 1. 3 Обеспечение процедуры математического моделирования
- •§ 2.2.3. Описание связи между подсистемами разной природы
- •Тема 2.3. Представление математических моделей на макро уровне
- •§ 2.3.3. Реализация аналитических математических моделей на эвм
- •Раздел 2 Методы построения и формы представление аналитических математических моделей
- •Тема 2.1 Методика создания концептуальных аналитических моделей
- •§ 2. 1. 1 Методика создания математических моделей на микро уровне
- •В зависимости от места в иерархии описаний мм делятся, как относящиеся к микро, макро, и мета - уровням.
- •§ 2. 1. 1 Методика создания математических моделей на макроуровне
- •Дучп Микроуровень
- •Раздел 2 Методы построения и формы представление аналитических математических моделей
- •Тема 2.2 Формальный метод построения математических моделей на макроуровне.
- •§ 2.2.2. Описание связей между элементами одной природы
- •Раздел 3 Методы построения эмпирических математических моделей
- •Тема 3.1. Основы методологии построения экспериментальных моделей.
- •§ 3.1.1. Основные понятия и определения. Классификация методов.
- •§ 3.1.2 Методика подготовки, планирования и проведения эксперимента
- •§ 3.1.3 Методика обработки результатов эксперимента
- •Тема 3.2 Построение моделей по результатам активных экспериментов
- •§ 3.2.1. Методика построения статических экспериментальных моделей
- •§ 3.2.2. Методика построения динамических экспериментальных моделей
- •§ 3.2.3. Методика оценки адекватности эмпирических моделей
- •Тема 4.2. Имитационное моделирование на метауровне
- •§ 4.2.1. Методы и алгоритмы генерирования случайных величин
- •§ 4.2.2. Основы теории систем массового обслуживания (смо).
- •§ 4.2.3 Марковские модели
- •Тема 3. Методика имитационного моделирования на эвм
- •§ 4. 3.1. Формирование замысла модели
- •§ 4.3. 2. Реализация модели
- •§ 4.3. 3. Результаты моделирования
- •Раздел 4 Имитационное моделирование на эвм.
- •§ 4.1.1 Имитационные и стохастические модели.
- •§ 4.1.2 Математическое обеспечение имитационного моделирования.
- •Раздел 4 Имитационное моделирование на эвм.
- •§ 4.1.1 Имитационные и стохастические модели.
- •§ 4.1.2 Математическое обеспечение имитационного моделирования.
Тема 4.2. Имитационное моделирование на метауровне
§ 4.2.1. Методы и алгоритмы генерирования случайных величин
При имитационном моделировании на метауровне необходимо использоывать выборки случайных величин для представления параметров систем в различные моменты времени.
Рассмотрим некоторые процедуры генерации случайных величин (СВ) по заданному закону распределения.
Принципиально возможны три метода получения последовательности СВ по заданному закону распределения: аппаратный, табличный и алгоритмический.
Аппаратный использует свойство некоторых физических процессов генерировать случайные процессы (флюктуация тока в электрической цепи, излучение радиоактивного источника). Эти сигналы усиливаются, обрабатываются и превращаются в цифровую форму.
При табличном в память ЭВМ заносится таблица случайных чисел, которую можно найти в литературе по математической статистике.
Алгоритмический заключается в генерировании случайных величин по определенному алгоритму. Рассмотрим этот метод более детально.
Алгоритмический метод использует для формирования выборок СВ математические методы для получения случайных чисел имеющих равномерный закон распределения .
Фактические числа, получаемые таким способом, являются псевдослучайными, потому что возможно повторное использование алгоритма и получение снова такой же последовательности. Одним из наиболее простых и первых использовавшихся алгоритмов был алгоритм срединных квадратов. Предложенный Фон Нейманом и Метронолисом в 1946 г.
В нем каждое новое число последовательности получается взятием средних M цифр из числа полученного возведением в квадрат начального m-значного числа.
Например, если Х0 = 2152, то (Х0)2 = 04631104
Х1 = 6311 (Х1) 2 = 39828721
Х2 = 8287 (Х3) 2 = 68674369 и т.д.
Последовательные случайные числа должны быть независимыми одно от другого (не коррелированны).
Известны рекуррентные, мультипликативные и аддитивные алгоритмы. Хорошие выборки случайных чисел дает такой рекуррентный алгоритм:
где M, D - целые числа.
Алгоритм вырабатывает случайные целые числа между 1 и D-1.
Хорошую последовательность дают значение M = 8192 и D = 671101323.
В алгоритмическом языке Бейсик есть арифметическая функция RND(X), которая в зависимости от значения X, настраивает датчик случайных чисел. При моделировании можно использовать команду RANDOMIZE(n).
Мультипликативный алгоритм:
Ri+1 = aRi(modm), где
a= 8T± 3, T- любое целое положительное число. В качестве случайного начального числа берется любое положительное число меньшее 1.
Аддитивный алгоритм Ri+1 = (Ri + Ri-1)(modm), где два случайных числа можно получить по мультипликативному алгоритму.
Для получения нормального распределения можно использовать такие алгоритмы:
1-ий алгоритм:
в данном алгоритме Yi - случайная величина, которая генерируется; yi - случайная величина, распределенная по нормальному закону; xi - случайная величина, распределенная по равномерному закону; - среднеквадратичное отклонение.
2-ий алгоритм:
при использовании данного алгоритма следует иметь в виду, что при S<1 случайные числа исчисляются по формулам, а при S>1 следует начинать новый цикл расчета.
3-ій алгоритм:
при использовании этого алгоритма необходимо знать n (n > 6) случайных чисел распределенных по равномерному закону. В литературе можно найти алгоритмы и для других видов распределения случайных величин.