- •1.Основные определения и типы моделей
- •2. Понятие комп. Мод. Основные функции.
- •4. Системы имитац. Мод. Исторический путь развития инструментальных средств мод.
- •5. Структурный анализ. Формализованное описание. Построение модели. Проведение эксперимента
- •6. Понятие и сущность корреляционного анализа
- •7. Понятие и сущность регрессионного анализа
- •8. Определение параметров линейного однофакторного ур-я регрессии.
- •9. Оценка величины погрешности линейного однофакторного уравнения
- •10. Проблема автокорреляции остатков. Критерий Дарбина-Уотсона
- •11. Построение уравнения степенной регрессии
- •12. Двухфакторные и многофакторные уравнения регрессии
- •13. Оптимизация. Основные понятия.
- •14. Одномерный поиск оптимума.
- •15. Понятие оптимизац задач и оптимиз моделей
- •16. Оптимизационные задачи с линейной зависимостью между переменными
- •17. Геометрическая интерпретация оптимизационной задачи линейного программирования.
- •18. Симплексный метод решения оптимизационной задачи линейного программирования.
- •19. Пример решения оптимизационной задачи линейного программирования симплексным методом
- •20. Двойственная задача линейного програмирования
- •21. Решение двойственной задачи линейного программирования
- •22. Св-а объективно обусловленых оценок и их анализ
- •23. Понятие систем массового обслуживания.
- •24. Одноканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с отказами.
- •25. Одноканальная модель смо с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания с ожиданием и ограничением на длину очереди
- •26. Одноканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с ожиданием без ограничения длины очереди
- •27. Многоканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с отказами.
- •28. Многоканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с ожиданием.
- •29. Вероятностные характеристики функционирования в стационарном режиме системы массового обслуживания.
- •30. Параллельное и распределенное моделирование
- •32. Непрерывное моделирование
- •33. Комбинированное непрерывно-дискретное моделирование
- •34. Моделирование по методу Монте-Карло.
- •35. Моделирование систем массового обслуживания с использованием метода Монте-Карло.
- •39. Алгоритм метода потенциалов решения транспортных задач
- •40. Теория принятия решений. Основные понятия.
- •41. Принятие решений в условиях полной определенности. Метод аддитивной оптимизации.
- •42. Принятие решений в условиях риска
30. Параллельное и распределенное моделирование
В последние годы компьютерная технология позволила связывать отдельные компьютеры или процессоры в параллельную или распределенную вычислительную среду. В настоящее время распределенная и параллельная обработка используется во многих областях, например при оптимизации и проектировании баз данных. Существует много способов разделить динамически моделируемые системы на части, то есть распределить работу между различными процессорами. Пожалуй, самый прямой способ — это распределение отдельных «функций поддержки» (например, генерирования случайных чисел, обработки списка событий, обработки списков и очередей) по различным процессорам. Другой способ распределения имитационной модели между различными процессорами — декомпозиция модели на отдельные подмодели, которые выполняются несколькими процессорами. Одно из основных преимуществ такого вида распределенного моделирования заключается в отсутствии глобальных часов модельного времени и полного списка событий. Место часов модельного времени и списка событий занимает система для передачи сообщений между процессорами, где каждое сообщение содержит «отметку времени». Недостаток такого метода заключается в том, что при моделировании может возникнуть тупик — два процессора будут вынуждены ожидать сообщения друг от друга для продолжения работы. Другая концепция, связанная с распределением подмоделей между параллельными процессорами, известна как концепция виртуального времени, реализованная через механизм изменения шкалы времени. Если подмодель, создаваемая отдельным процессором, получает сообщение, которое она должна была получить ранее, для этой подмодели выполняется откат путем возвращения ее времени к более раннему моменту получения сообщения. При этом к отмененной части моделирования могут относиться сообщения другим подмоделям, теперь каждое из них аннулируется посредством отправки соответствующего антисообщения. Антисообщения, в свою очередь, могут генерировать вторичные откаты в получающих подмоделях и т. д. Его недостаток заключается в возникновении расходов на дополнительную память и обработку возможных откатов, а преимущество состоит в том, что откаты могут быть редкими, и все процессоры будут продолжать продвижение вперед в моделировании.
32. Непрерывное моделирование
Непрерывное моделирование — это моделирование системы по времени с помощью представления, в котором переменные состояния меняются непрерывно по отношению ко времени. Как правило, в непрерывных имитационных моделях используются дифференциальные уравнения, которые устанавливают отношения для скоростей изменения переменных состояния во времени. Если дифференциальные уравнения очень просты, их можно решать аналитически, чтобы представить значения переменных состояния для всех значений времени как функцию значений переменных состояния в момент времени 0. При больших непрерывных моделях аналитическое решение невозможно, но для численного интегрирования дифференциальных уравнений в случае с заданными специальными значениями для переменных состояния в момент времени 0 используются технологии численного анализа, например интегрирование Рунге-Кутта.