
- •Исследование систем управления
- •Санкт-Петербург
- •Предисловие Цели и задачи дисциплины
- •1.Учебной программы дисциплины
- •1. Учебная программа дисциплины
- •Раздел 2. Системный анализ в ису.
- •Раздел 3 Методы принятия решений
- •Раздел 4. . Моделирование - инструмент исследования ису.
- •2. Содержание разделов программы
- •2.1 Введение
- •2.1.2 Системные концепции и развитие системного подхода
- •2.2 Научные исследования и их роль в деятельности человека
- •2.2.1 Иерархия системности и схема процесса ису
- •2.2.2 Сферы взаимодействия среды
- •2.2.3 Классификация систем
- •2.2.4 Свойства систем и принципы системного подхода
- •Принцип целеобусловленности
- •3. Принцип управляемости
- •6. Принцип симбиозности
- •2.3 Системный анализ в ису.
- •2.3.1 Сущность процесса управления
- •2.3.3 Информационные аспекты в процессах
- •Раздел 2.4 методы принятия решений
- •2.4.1 Прогнозирование и методы оценки поведения
- •2.4.2 Методы принятия решения
- •1. Критерий ожидаемого значения (коз).
- •Критерий "ожидаемого значения - дисперсия".
- •Критерий предельного уровня.
- •Критерий наиболее вероятного исхода.
- •2.4.3 Интеллектуальные экспертные системы
- •2.5 Моделирование - инструмент исследования систем управления
- •2.5.1 Аналитические модели описания ису
- •2.5.2 Имитационное моделирование
- •3. Темы курсовых или контрольных работ
- •4. Вопросы к зачету или экзамену
- •5. Рекомендуемая литература
- •Содержание
- •1. Учебная программа дисциплины……………………………………………...4
- •2. Содержание разделов программы……………………………………………5
- •3. Темы контрольных заданий…………………………………………………..80
- •4. Вопросы для экзамена или зачета…………………………………………81
- •5. Рекомендуемая литература…………………………………………………….82
2.5 Моделирование - инструмент исследования систем управления
2.5.1 Аналитические модели описания ису
А. Понятие модели и процесса компьютерного моделирования. Из предыдущих разделов очевидно, что процессы проектирования и производства ИСУ невозможно качественно осуществить без использования методов математического и/или компьютерного моделирования. Первоначально под моделью понималось вспомогательное средство, заменяющее исследуемый объект (модель плотины, машины, манекен), затем модель стала восприниматься не только как способ существования знаний, но и как активный этап процесса создания систем, заменяя собой в ряде случаев этапы проектирования. Любой алгоритм – это модель деятельности и в силу системности мира моделей – любая целесообразная деятельность невозможна без моделирования. Естественно, что модель не заменяет оригинала, а является его целевым отображением.
Классификация системного мира моделей весьма широка, поэтому на рис.19 рассмотрена суженная классификация, отвечающая задачам пособия.
Дадим краткое пояснение классификации, приведенной на рис.19.
Ф - физическое (прямое) моделирование, Ф1 предусматривает использование в качестве модели саму систему (опытный образец), а Ф2 другую систему со схожей физической природой (макет автомобиля, сооружения, плотины). Такой вид моделирования способствовал созданию теория подобия.
М - математическое моделирование, распадающееся на две группы М1 и М2.
М1 – аналитическое моделирование, которое можно разделить на М1 – 1 явное аналитическое описание искомых характеристик системы на одном из языков математики (см. раздел 2.3.2), М1 – 2 -приближенные численные методы, когда все объекты аппроксимируются числами или их комплектами в принятой числовой сетке, а результаты получаются в виде таблиц или графиков, М1 – 3 - качественные методы, когда изучаются свойства решений задач данного класса без нахождения самих решений. Зачастую эти методы реализуются с помощью экспертного оценивания. Такого вида методы широко используются в теории качества, квалиметрии, экономике, социологии и т.д.
М2 - компьютерное моделирование, когда математическая модель интерпретируется в программу для ЭВМ. Характерно, что с появления статьи Дж. Неймана и С. Улама в 1948 году - первой работы по применению метода Монте – Карло, многие специалисты продолжают называть компьютерное моделирование - КМ методами Монте – Карло или статистических испытаний. Это в принципе не верно, так как КМ разделилось на 4 направления, указанные на рис.19 [2,10].
М2 –1 - методы Монте – Карло или методы вычислительной математики, использующие методы М1 – 2 с учётом возможностей современных компьютеров. Этими методами можно вычислять любые, не берущиеся аналитическим путём, многократные интегралы, решать системы уравнений. Интересующихся методами вычислительной математики следует обратиться к многочисленной литературе. М2 – 2 - методы имитационного моделирования (simulation) - ИМ для которых характерно воспроизведение на ЭВМ процесса функционирования системы с сохранением его логической структуры и последовательности его протекания во времени, что позволяет, путём многократного повторения, набрать необходимые статистические данные и судить о состоянии объекта в различные моменты времени, оценивать выходные характеристики, выбирать оптимальное поведение или проводить сравнение альтернативных вариантов. Основной акцент этого раздела пособия делается на рассмотрение именно ИМ.
М2 – 3 –вид компьютерного моделирования, позволяющего получить статистические данные об объекте, чаще всего с использованием метода планирования эксперимента [23]. Кроме того, можно назвать две хорошие монографии: Кляйнен Дж. «Статистические методы в имитационном моделировании» и Афифи А., Эйзен С. «Статистический анализ. Подход с использованием ЭВМ». В настоящее время существует большое число ППП, которые можно условно разбить на три группы:
-
пакеты углубленного статистического анализа для специалистов по математической статистике с собственным языком, позволяющим программировать новые статистические процедуры (Systat, SAS, Statgraphics)
-
пакеты базовой статистики, ориентированные на пользователей, не являющихся специалистами по статистическому анализу и содержащие классические методы анализа с дружественным пользовательским интерфейсом в виде многочисленных пояснений и подсказок (разделы MatLab, Статмод, Minitab, QStat).
-
проблемно-ориентированные пакеты, использующие терминологию и критерии в исследуемой конкретной предметной области.
. М2 – 4 - комплексы имитационного моделирования, объединяющие все названные виды КМ, пользовательский интерфейс, автоматизированные системы поддержки принимаемых решений и т.д. Это перспективное развивающееся направление предназначено для исследования качества сложных систем.
Математическое моделирование – ММ, позволяет благодаря абстрактным математическим формулам точно, однозначно и количественно оценить исследуемый объект. Усложнение исследуемых систем привело к резкому усложнению их математического описания, что в свою очередь приводило к необходимости делать всевозможные упрощающие допущения. При этом возникла опасность ухода от реального представления о системе. Выходом из этого положения являлся либо прогресс самих математических методов, либо изыскание иных методов описания. Появление мощных современных компьютеров и возникновение информационных технологий – ИТ привело ко второму рождению ММ. Оно стало вторгаться практически во все сферы человеческой деятельности. В ряде областей ММ стало вытеснять физическое моделирование, так произошло, в частности, в авиационной промышленности где начался демонтаж аэродинамических труб.. По определению академика РАН РФ А.А. Самарского процесс ММ базируется на триаде «модель – алгоритм – программа». До появления ЭВМ основную роль играла модель в виде математических уравнений, а алгоритм представлял собой схему ручных расчётов для приближённого решения уравнений, программа отсутствовала вообще. В начале использования ЭВМ первого поколения программе отводилась второстепенная роль - представление алгоритма в машинных кодах, Развитие ИТ привело к тому, что ЭВМ стали использовать для моделирования процессов функционирования системы, причём в этом случае имелись алгоритм и программа, а математическая модель в её классическом виде практически отсутствовала или молчаливо предполагалось, что математической моделью является одно из аналитических представлений. Это направление получило название имитационного моделирования. Таким образом, в ММ началось опережающее развитие третьей компоненты триады - программы или программного обеспечения процесса моделирования. Компьютерная модель должна оставаться прежде всего моделью реального объекта независимо от того чем описывается его поведение: набором формул или правил, графиком или прогнозными оценками экспертов. Поэтому модель должна допускать исследование всех интересных возможностей: анализ чувствительности, изменение выходных характеристик, определение областей устойчивости и степень робастности, оптимизацию параметров, оценку вариантов построения и т.д. В связи со сказанным всё чаще в литературе [] появляется термин -компьютерное моделирование - КМ. КМ объединяет достижения математического моделирования, системного программирования и информационных технологий. По Р. Шеннону имитация это «процесс конструирования реальной системы и постановке эксперимента на ней». При этом любые характеристики определяются за счёт проведения прогона или нескольких прогонов модели, каждый из которых включает заданное число реплик (реализаций вычислительного эксперимента). ИМ можно использовать в двух направлениях:
-
Рассматривать случайные процессы функционирования системы и определять статистические характеристики, что интересно в первую очередь разработчикам и исследователям системы,
-
При известном или детерминированном процессе функционирования системы определять разные варианты построения, элементов конструкции или стратегии управления, что интересно в первую очередь конструкторам, архитекторам или менеджерам.
Оба названных направления имеют право претендовать на соответствие классическому определению Шеннона. Чтобы уяснить место имитационных моделей в общей структуре ПО рассмотрим уровни построения ПО.
Уровень 1 Машинные коды, автокоды, машинно - ориентированные языки, операционные системы.
Уровень 2 Алгоритмические языки высокого уровня (С++, Pascal и др.), системы программирования СУБД.
Уровень 3 Специализированные алгоритмические языки моделирования, в том числе и имитационного – ЯИМ (SIMULA, SIMSCRIPT, GPSS и др.).
Уровень 4 Интегрированные системы имитационного моделирования (например SLX, СИМ), автоматизированные системы искусственного интеллекта (экспертные, поддержки принятия решений).
Объекты первого уровня не требуют никаких комментарий.
Языки второго уровня при их универсальности дороги и сложны.
Языки третьего уровня, теряя в универсальности, приобретают направленность на конкретную область и становятся простыми. Отметим, что GPSS/H, сохранив все преимущества языков 3 – го уровня, вобрал в себя многие положительные черты языков 2 – го уровня.
Учитывая, что число ЯИМ на сегодняшний день превышает 600, выбор ЯИМ зависит от многих факторов:
-
предметной области,
-
квалификации пользователя,
-
наличия соответствующей ВТ и т.д.
Четвёртый уровень включает в себя проблемно – ориентированные интерактивные системы, включая в себя автоматизированные экспертные, оптимизационные системы, а также имитационно - моделирующие комплексы.
Достоинства компьютерного моделирования:
-
Возможность объединения традиционных математических методов и экспериментальных машинных методов.
-
Высокая эффективность применения для исследования АСНИ, САПР, экспертных систем. По данным RAND Corp. консалтинговые фирмы из всей гаммы возможных средств анализа – линейное, нелинейное, динамическое программирование, методы исследования операций, имитационное моделирование более чем в 60% случаев прибегают к помощи ИМ.
-
Возможность исследования объектов, физическое моделирование которых экономически не оправдано или неосуществимо.
-
Испытание объекта связано с опасностью для здоровья человека.
-
Исследование еще не существующих объектов.
-
Исследование труднодоступных или ненаблюдаемых объектов.
-
Исследование экологических, социальных или экономических систем .
-
Исследование объектов практически любой сложности при снятии ограничения на вид законов распределения случайных величин.
Естественно, что при большом числе достоинств КМ не может не обладать рядом недостатков, в их числе дороговизна (время и деньги), меньшая степень общности по сравнению с аналитическим моделированием и отсутствие, в настоящее время, методов оценки адекватности КМ.
Процесс КМ системы S можно разделить на три последовательно выполняемых этапа (рис.20):
Э1 Э2 Э3
S S` S``
Рис.20 Этапы представления модели
Э1. Построение математической (концептуальной) модели S` см. раздел 2.3.2.
Э2. Разработка моделирующего алгоритма S`` .
Э3. Исследование системы S с помощью модели S``
Процесс ИМ не является строго поступательным, между этапами существуют обратные связи, позволяющие вводить новую информацию, вносить уточнения и корректировки.
Понятие математической модели. Построение математической модели на этапе Э1 включает в себя пять взаимосвязанных подэтапов [2,10]:
-
Уяснение и постановка задачи, определение целей исследования.
-
Декомпозиция системы на компоненты, допускающие удобное математическое или алгоритмическое описание.
-
Определение параметров, переменных, пространства состояний системы, установление пределов изменения каждой характеристики.
-
Выбор показателей КЦФ, т.е. вектора
.
-
Описание концептуальной модели S` системы S по одному из представленных ниже типов и проверка ее адекватности.
В качестве примера рассмотрим: гибкую производственную систему обработки несущих конструкций (рис.21), состоящей из автоматизированного склада, крана- штабелера, пунктов контроля, робота, накопителей и станков с ЧПУ.
Автоматизированный
склад Пункты
контроля
Робот Кран-штабелер ЧПУ
1 ЧПУ
к 1 к
…
…
Рис.21 ГПС обработки несущих конструкций РЭС
Введем
обозначения:
- временной интервал моделирования
системы S
(интервал модельного времени), где:
-
t0 время начала моделирования (обычно полагают t0 = 0);
-
Т – время окончания моделирования;
-
- текущее значение модельного времени.
Построение математической модели системы S начинается с определения параметров системы и переменных, определяющих процесс функционирования системы.
Физическую интерпретацию вводимых здесь понятий будем давать, используя пример ГПС (рис.21). Подробное описание идеи математической модели дано в разделе 2.3.2 настоящего пособия. Ниже рассмотрим один тип непрерывно- вероятностных моделей, наиболее применимых для целей имитационного моделирования
Б. Непрерывно-вероятностные аналитические модели
При построении и исследовании НВ-моделей используется теория cтохастических дифференциальных уравнений и теория массового обслуживания [1].
Стохастическое дифференциальное уравнение (в форме Ито) имеет вид:
dx(t) = a(t,x(t))dt + b(t,x(t)) dq (t)
где x(t) - случайный процесс, определяющий состояние системы в момент времени t, q(t) - стандартный винеровский случайный процесс; b(·), а(·) - коэффициенты диффузии и переноса. При некоторых условиях гладкости на коэффициенты а(·), b(·) решение этого стохастического дифференциального уравнения является марковским диффузионным процессoм. Распределение вероятностей процесса удовлетворяет уравнениям Колмогорова. Такая НВ- модель часто используется при моделировании стохастических систем управления, процессов тепло- и массообмена.
Теория массового обслуживания применяется для построения математических моделей таких сложных систем, для которых характерно: 1) наличие потока многих заявок на выполнение определенных операций (заявок на обслуживание); 2) наличие многократно повторяемых операций (выходной поток).
Теория массового обслуживания разрабатывает и исследует математические модели различных по своей природе процессов функционирования экономических, производственных, технических и других систем, например: поставок сырья и комплектующих изделий некоторому предприятию; заданий, поступающих на ЭВМ от удаленных терминалов; вызовов в телефонных станциях и т.д. При этом для функционирования таких систем характерна стохастичность: случайность моментов времени появления заявок на обслуживание и т.д.
Сложная
система S, описываемая как система
массового обслуживания (СМО), состоит
из L
1
взаимосвязанных и взаимодействующих
элементов-приборов обслуживания П1,…
Пl.
Прибор обслуживания Пi
состоит из накопителя заявок Нi
в котором могут одновременно находиться
li
заявок
и канала Кi
обслуживания
заявок; mi
(
)
- емкость накопителя Hi
,
т.е. число мест в очереди для ожидания
начала обслуживания в канале Кi
(i= 1, L). На каждый элемент прибора Пi
поступают потоки событий; в накопитель
Hi
- поток заявок {vi},
на канал Ki
- поток "обслуживаний" {ui}.
Поток заявок {vi}
представляет последовательность времени
между моментами появления заявок на
входе СМО и образует подмножество
неуправляемых переменных СМО. Поток
{ui}
представляет собой последовательность
интервалов времени между моментами
начала и окончания обслуживания заявок
и образует подмножество управляемых
переменных. Заявки, обслуженные каналом
Кi
и заявки, покинувшие прибор Пi
по различным причинам необслуженными
(например, из-за конечности mi),
образуют выходной поток {yi}
- последовательность интервалов времени
между моментами выхода заявок; это и
есть выходной сигнал СМО.
Процесс функционирования прибора Пi можно представить как процесс изменения состояний его элементов во времени
,
где xi1(t)
- число заявок, находящихся в накопителе
в момент времени t,
xi2(t)
- состояние канала обслуживания Кi
(xi2(t)
= 0, если канал свободен, xi2(t)
= 1, если канал занят).
Приборы обслуживания П1, ..., ПL, связаны и взаимодействуют между собой. Если каналы {Кi} различных приборов обслуживания соединены параллельно, то имеет место многоканальное обслуживание. Если же приборы {Пi} или их параллельные блоки соединены последовательно, то имеет место многофазное обслуживание .
Для обозначения простых (однофазных) СМО используется символика, предложенная Кендаллом:
A/B/n/m.
Символ А характеризует входящий поток заявок: A = GI рекуррентный поток, A = М - простейший поток с показательным распределением вероятностей, А = Еk, - поток Эрланга k-го порядка; А = D - регулярный или детерминированный поток (с постоянными интервалами между моментами поступления заявок ) .
Символ В характеризует случайные последовательности длительностей обслуживания на отдельных каналах: В = G или B = GI - рекуррентное обслуживание с одной и той же функцией распределения B(t) для разных каналов; В = М - показательное обслуживание; В = Еk- эрланговское обслуживание k-го порядка; В = D- регулярное обслуживание.
Символ
n означает количество обслуживающих
каналов, символ m
- количество мест для ожидания заявок
в очереди. Если n > 1, то система называется
многоканальной. Значение m = 0 характеризует
СМО с потерями; m =
- систему с ожиданием; 0 < m <
-
систему с ограниченным числом мест для
ожидания.
Рассмотрим пример, в котором имеется возможность аналитического определения показателей эффективности функционирования СМО (М/М/1).
Пусть процесс обслуживания начинается при отсутствии заявок в накопителе, тогда состояние СМО описывается следующей системой уравнений:
(16)
где
Рn(t)
- вероятность нахождения системы в
состоянии
в момент t,
т.е. когда в ней находятся n заявок.
Вероятность
нахождения в системе n
заявок в момент времени (t +
t)
равна сумме трех вероятностей:
1)
вероятности нахождения в системе n
заявок в момент t, умноженной на вероятность
того, что за время
t
в систему не поступает ни одной заявки
и ни одна заявил не будет обслужена ;
2)
вероятности нахождения в системе (n
- 1) заявки в момент t,
умноженной на вероятность поступления
одной заявки за время
t,
и ни одна заявка не будет обслужена;
3) вероятности нахождения в системе (n + 1) заявки в момент t, умноженной на вероятность ухода одной заявки, при условии непоступления ни одной заявки.
Заметим что
Образуя разностное уравнение и переходя к пределу, получаем дифференциальные уравнения:
(17)
Найдем
выражение среднего числа
заявок,
находящихся в накопителе, и среднего
времени
ожидания заявок
в накопителе для стационарного
состояния
при загрузке
Приравняв производные по времени t к нулю, получим уравнения:
Положим
n =1, тогда (1+
)p1
= p2
+
,
повторяя эти операции, имеем рn
=
,
причем
.
Следовательно,
получим, что рn
= рn(1
-
)
геометрическое распределение.
Среднее число заявок в системе равно:
,
.
Среднее число заявок, находящихся в накопителе, равно
.
Среднее время ожидания заявок в накопителе равно
.