- •2. Анализ и интерпретация модели
- •7.Имитационное моделирование.
- •8. Инструментальные программные средства для моделирования динамических систем.
- •9. Информационные модели. Примеры информационных моделей.
- •Математические модели с сосредоточенными параметрами.
- •Математические модели с распределенными параметрами.
- •Математические модели, основанные на экстремальных принципах.
- •13. Метод статистических испытаний
- •14. Понятие динамической системы
- •15. Модели с сосредоточенными и распределенными параметрами
- •16. Моделирование как метод научного познания
- •17. Моделирование последовательностей независимых и зависимых случайных испытаний.
- •18. Моделирование систем массового обслуживания.
- •19. Моделирование стохастических систем.
- •21. Натурные и абстрактные модели.
- •22.Общий алгоритм моделирования дискретной случайной величины.
- •23.Основные структуры в информационном моделировании.
- •24.Переход детерминированных систем к хаотическому поведению.
- •26) Примеры математических моделей в химии, биологии, экологии, экономике.
- •27) Программные средства для моделирования предметно-коммуникативных сред (предметной области).
- •28. Различные подходы к классификации математических моделей.
- •29. Системный подход в научных исследованиях.
- •31. Учебные компьютерные модели
- •32. Численный эксперимент. Достоверность численной модели.
- •33. Численный эксперимент. Его взаимосвязи с натурным экспериментом и теорией.
- •34. Этапы компьютерного эксперимента.
17. Моделирование последовательностей независимых и зависимых случайных испытаний.
В основе метода Монте-Карло лежит генерация случайных чисел, которые должны быть равномерно распределены в интервале (0; 1). Для реализации данного метода с использованием компьютера применяют генераторы случайных чисел (ГСЧ).
Если генератор выдает числа, смещенные в какую-то часть интервала (одни числа выпадают чаще других), то результат решения задачи, решаемой статистическим методом, может оказаться неверным. Поэтому проблема использования хорошего генератора действительно случайных и действительно равномерно распределенных чисел стоит очень остро.
Математическое ожидание mr и дисперсия Dr такой последовательности, состоящей из n случайных чисел ri, должны быть следующими (если это действительно равномерно распределенные случайные числа в интервале от 0 до 1):
Если пользователю потребуется, чтобы случайное число х находилось в интервале (а; b), отличном от (0; 1), нужно воспользоваться формулой х = а + (b - а)r, где г - случайное число из интервала (0; 1). Теперь х - случайное число, равномерно распределенное в диапазоне от а до b.
За эталон ГСЧ принят такой генератор, который порождает последовательность случайных чисел с равномерным законом распределения в интервале (0; 1). За одно обращение данный генератор возвращает одно случайное число. ГСЧ по способу получения чисел делятся на следующие: физические, табличные, алгоритмические.
Физические ГСЧ. Примером физических ГСЧ могут служить: монета («орел» - 1, «решка» - 0); игральные кости; поделенный на секторы с цифрами барабан со стрелкой; аппаратурный генератор шума (ГШ), в качестве которого используют шумящее тепловое устройство, например, транзистор.
Табличные ГСЧ - в качестве источника случайных чисел используют специальным образом составленные таблицы, содержащие проверенные некоррелированные, то есть никак не зависящие друг от друга, цифры. Ниже приведен небольшой фрагмент такой таблицы:
Обходя таблицу слева направо сверху вниз, можно получать равномерно распределенные от 0 до 1 случайные числа с нужным числом знаков после запятой. Так как цифры в таблице не зависят друг от друга, то таблицу можно обходить разными способами, например сверху вниз или справа налево, или, скажем, можно выбирать цифры, находящиеся на четных позициях.
Достоинство данного метода в том, что он дает действительно случайные числа, так как таблица содержит проверенные некоррелированные цифры. Недостатки метода: для хранения большого количества цифр требуется много памяти; большие трудности порождения и проверки такого рода таблиц, повторы при использовании таблицы уже не гарантируют случайности числовой последовательности, а значит, и надежности результата.
18. Моделирование систем массового обслуживания.
В последнее время в самых разных областях деятельности человека возникла необходимость решения вероятностных задач, связанных с работой систем массового обслуживания (СМО).
Примеры. Телефонные станции, ремонтные мастерские, торговые предприятия, билетные кассы.
Работа любой системы массового обслуживания состоит в обслуживании поступающего в нее потока требований (вызовы абонентов, приход покупателей в магазин, требования на выполнение работы в мастерской и т. д.).
Математическая дисциплина, изучающая модели реальных систем массового обслуживания, называется теорией массового обслуживания.
Задача теории массового обслуживания - установить зависимость результирующих показателей работы системы массового обслуживания (вероятность того, что требование будет обслужено; математическое ожидание числа обслуженных требований и т. д.) от входных показателей (количество приборов в системе, параметры входящего потока требований и т. д.). Установить такие зависимости в формульном виде можно только для простых систем массового обслуживания. Изучение же реальных систем проводится путем имитации (или моделирования) их работы на ЭВМ с привлечением метода статистических испытаний.
Каналы - то, что обслуживает заявки.
Виды каналов: 1) горячие (начинают обслуживать заявку в момент ее поступления); 2) холодные (каналу для начала обслуживания требуется время на подготовку).
Источники заявок - порождают заявки в случайные моменты времени, согласно заданному пользователем статистическому закону.
Заявки (клиенты) входят в систему (порождаются источниками заявок), проходят через ее элементы (обслуживаются), покидают ее обслуженными или неудовлетворенными.
Заявки образуют потоки - поток заявок на входе системы, поток обслуженных заявок, поток отказанных заявок. Поток характеризуется количеством заявок определенного сорта, наблюдаемым в некотором месте СМО за единицу времени (час, сутки, месяц), т. е. поток есть величина статистическая.
Очереди характеризуются правилами стояния в очереди (дисциплиной обслуживания), количеством мест в очереди (сколько клиентов максимум может находиться в очереди), структурой очереди (связь между местами в очереди).
Дисциплины обслуживания очереди:
1) FIFO (First In, First Out - первым пришел, первым ушел): если заявка пер
вой пришла в очередь, то она первой уйдет на обслуживание;
2) LIFO (Last In, First Out - последним пришел, первым ушел): если заявка
последней пришла в очередь, то она первой уйдет на обслуживание;
3) SF (Short Forward - короткие вперед): в первую очередь обслуживаются те
заявки из очереди, которые имеют меньшее время обслуживания.
Специалист по системам должен хорошо понимать ресурсы производительности и эффективности проектируемых им систем, скрытые в оптимизации параметров, структур и дисциплинах обслуживания. Моделирование помогает выявить эти скрытые резервы. При анализе результатов моделирования важно также указать интересы и степень их выполнения. Различают интересы клиента и интересы владельца системы. Эти интересы совпадают не всегда.