- •220701 – Менеджмент высоких технологий
- •Тема 1. Основные этапы и приемы моделирования
- •Тема 2. Методы интерпретации экономических моделей
- •Тема 3. Структуризация производственных систем как
- •Тема 4. Методы системного моделирования
- •Тема 5. Методы декомпозиции экономических систем
- •Тема 6. Методы многоцелевой оптимизации
- •Тема 7. Методы алгоритмического моделирования
- •Тема 8. Балансовые модели
- •Тема 9 Распределительные модели
- •4. Содержание разделов и тем дисцисплины
- •Тема 1. Основные этапы и приемы моделирования
- •Тема 2. Методы интерпретации экономических моделей
- •Тема 3. Структуризация производственных систем как основа
- •Тема 4. Методы системного моделирования
- •Тема 5. Методы декомпозиции экономических систем
- •Тема 6. Методы многоцелевой оптимизации
- •Тема 7. Методы алгоритмического моделирования
- •Тема 8. Балансовые модели
- •Тема 9. Распределительные модели
Тема 7. Методы алгоритмического моделирования
Цель: дать понятие об общих принципах имитации социаль-
но-экономических процессов, основной концепции Метода Мон-
те-Карло. Ознакомиться с особенностями построения имитирую-
щего алгоритма в зависимости от степени структуризации объекта
(процесса).
Неопределенность в системе связывается с ситуацией, при
которой полностью или частично отсутствует информация о воз-
можных состояниях системы и внешней среды. Для неопределен-
ности характерно возможное наличие непредсказуемых событий,
60
вероятностные характеристики которых не существуют или неиз-
вестны. Неопределенность – неизбежный спутник больших сис-
тем: чем сложнее система, тем большее значение приобретает фак-
тор неопределенности в ее поведении.
Статистическое моделирование, которое является способом
исследования процессов поведения вероятностных систем в усло-
виях, когда неизвестно внутренние взаимодействия в этих систе-
мах. Статистическое моделирование заключается в машинной
имитации изучаемого процесса, который как бы копируется на
компьютере со всеми сопровождающими его случайностями. Та-
кое моделирование используется, главным образом, при решении
задач исследования операций при проведении анализа производст-
венной деятельности. Один из наиболее распространенных мето-
дов статистического моделирования – метод Монте-Карло, кото-
рый применяется для моделирования многих экономических про-
цессов (в частности, работы складского хозяйства, что позволяет
определять оптимальные запасы), для анализа систем массового
обслуживания и т.д. Для использования метода Монте-Карло со-
ставляется имитационная модель изучаемой системы. Такая мо-
дель представляет совокупность логически объединенных расчет-
ных формул и формально представляется в виде блок-схемы алго-
ритма расчета. Проводимые с моделью эксперименты состоят в
наблюдении за результатами расчетов по компьютерной програм-
ме при различных значениях вводимых экзогенных переменных.
Имитационная модель является динамической в том смысле, что в
ней в явном виде присутствует такая переменная как время. Мо-
дель используется для анализа вариантов развития исследуемого
объекта. Имитационная модель является адаптивной, так как ее
структура часто в процессе эксперимента подвергается изменению
и уточнению в процессе использования. Модель может быть, в
свою очередь, детерминированной или вероятностной. Алгоритм
расчета может включать блоки, требующие принятия решения
экспериментатором. Статическая имитация состоит в многократ-
ном повторении расчета по имитационной модели при различных
условиях проведения эксперимента. Динамическая имитация со-
стоит в расчете поведения модели в течение продолжительных пе-
риодов времени, обычно без изменения условий эксперимента.
Таким образом, имитация предполагает не только анализ ка-
61
ждого варианта расчета, но и вмешательство в проводимые расче-
ты, т.е. диалог. С этой точки зрения имитационная система являет-
ся интерактивной системой, в рамках которой решения оценива-
ются с точки зрения формальных и неформальных критериев. Та-
ким образом, в общем случае имитационный процесс является оп-
тимизационным.
Вероятностный подход противопоставляется наиболее рас-
пространенному детерминированному подходу и меняет отноше-
ние к ряду коренных теоретических проблем экономической нау-
ки, требуя учитывать подвижность экономических явлений, слу-
чайный характер происходящих в экономике процессов. Вероят-
ностный подход признает принципиальную невозможность пред-
видеть каждое из отклонений в отдельности. Однако, с другой
стороны, признается возможность с той или иной степенью точно-
сти оценить их вероятность. Например:
· урожай в сельском хозяйстве может быть больше или
меньше ожидаемого из-за случайных изменений погодных усло-
вий;
· спрос на товар может непредвиденно меняться;
· курсы валют, стоимость ценны бумаг и цены на биржевые
товары склонны к случайным колебаниям.
Отсюда вывод о необходимости обоснованных резервов (за-
пасов материальных средств, резервов производственных мощно-
стей), выступающих, в частности, в качестве стабилизаторов рын-
ка.
Применение имитационных моделей обусловлено невозмож-
ностью сформулировать формальную экономико-математическую
модель. Такая ситуация связана с трудностями структуризации
рассматриваемой проблемы. Статистическая имитация может яв-
ляться первым этапом экономико-математического моделирова-
ния, который проводится с целью формулировки оптимизацион-
ной задачи или системы задач с последующим определением пе-
ременных, критериев, системы ограничений, т.е. формирования
оптимизационной экономико-математической модели.
Основные принципы алгоритмического моделирования слож-
нейших экономических систем
В настоящее время для исследования очень сложных эконо-
мических систем широко применяются методы машинной имита-
62
ции с помощью имитационных моделей.
Имитационная модель – это описание изучаемой системы с
помощью адекватных ей алгоритмов функционирования системы
под влиянием внешних и внутренних возмущений.
Как следует из вышеприведенного определения, поведение
изучаемых систем в этом случае моделируется сразу на машинном
языке без предварительного построения аналитической модели,
хотя описание моделирующего алгоритма процесса функциониро-
вания системы можно рассматривать как специальную форму за-
писи математической модели.
К машинному (имитационному) моделированию обычно
прибегают в тех случаях, когда зависимости между элементами
моделируемых систем настолько сложны и неопределенны, что
они не поддаются формальному описанию на языке современной
математики, т. е. с помощью аналитических моделей. Таким обра-
зом, имитационное моделирование исследователи сложных систем
вынуждены использовать, когда чисто аналитические методы либо
неприменимы, либо неприемлемы (из-за сложности соответст-
вующих моделей).
При имитационном моделировании динамические процессы
системы-оригинала подменяются процессами, имитируемыми мо-
делирующим алгоритмом в абстрактной модели, но с соблюдени-
ем таких же соотношений длительностей, логических и временных
последовательностей, как и в реальной системе. Поэтому метод
имитационного моделирования мог бы называться алгоритмиче-
ским или операционным. Кстати, такое название было бы более
удачным, поскольку имитация (в переводе с латинского –
подражание) – это воспроизведение чего-либо искусственными
средствами, т. е. моделирование. В связи с этим широко исполь-
зуемое в настоящее время название «имитационное моделирова-
ние» является тавтологическим.
В процессе имитации функционирования исследуемой сис-
темы, как при эксперименте с самим оригиналом, фиксируются
определенные события и состояния, по которым вычисляются за-
тем необходимые характеристики качества функционирования
изучаемой системы. Для систем, например, информационно-
вычислительного обслуживания в качестве таких динамических
характеристик могут быть определены:
63
– производительность устройств обработки данных;
– длина очередей на обслуживание;
– время ожидания обслуживания в очередях;
– количество заявок, покинувших систему без обслуживания.
При имитационном моделировании могут воспроизводиться
процессы любой степени сложности, если есть их описание, за-
данное в любой форме: формулами, таблицами, графиками или
даже словесно.
Основной особенностью имитационных моделей является то,
что исследуемый процесс как бы «копируется» на вычислительной
машине, поэтому имитационные модели в отличие от моделей
аналитических позволяют:
– учитывать в моделях огромное количество факторов без
грубых упрощений и допущений (а следовательно, повысить адек-
ватность модели исследуемой системе);
– достаточно просто учесть в модели фактор неопределенно-
сти, вызванный случайным характером многих переменных моде-
ли;
– обеспечить независимость процесса моделирования от на-
личия методов решения того или иного класса задач, что, в свою
очередь, позволяет сместить исследовательский акцент непосред-
ственно на выяснение действительной (а не идеализируемой) при-
роды взаимосвязей исследуемой сложной экономической системы.
Все это позволяет сделать естественный вывод о том, что
имитационные модели могут быть созданы для более широкого
класса объектов и процессов, чем аналитические и численные мо-
дели.
Преимущества имитационных моделей не умаляют в то же
время значения моделей аналитических. Более того, очевидно, их
надо считать взаимодополняющими инструментами экономико-
математического анализа.
Во-первых, имитационная модель может включать в себя в
качестве оптимизационных блоков те элементы исследуемой сис-
темы, которые могут быть формализованы в виде соответствую-
щих оптимизационных аналитических моделей.
Во-вторых, построение имитационных моделей в ряде случа-
ев предшествует построению оптимизационных аналитических мо-
делей, поскольку прежде чем оптимизировать функционирование
64
той или иной системы, необходимо понять особенности этого функ-
ционирования. В этих случаях предварительные исследования на
имитационных моделях часто дают возможность построения доста-
точно простых и эффективных аналитических моделей.
Расширяя и уточняя с учетом вышесказанного определения
«имитационная модель», «имитационное моделирование», отме-
тим, что они строго не определены и допускают весьма широкую
трактовку. Однако большинство определений, которые, кстати,
близки друг другу, сходятся в том, что подчеркивают такие при-
знаки имитационной модели, как:
– постоянные взаимодействия лица, принимающего решение,
и ЭВМ;
– достаточно точное воспроизведение механизма функциони-
рования исследуемой системы;
– первичность моделирующего алгоритма по отношению к
модели;
– необходимость проведения вычислительных экспериментов
на ЭВМ.
Сущность же имитационного моделирования состоит в целе-
направленном экспериментировании с имитационной моделью пу-
тем «проигрывания» на ней различных вариантов функционирова-
ния системы с соответствующим экономическим их анализом.
Сразу отметим, что результаты таких экспериментов и соот-
ветствующего им экономического анализа целесообразно оформ-
лять в виде таблиц, графиков, номограмм и т. п., что значительно
упрощает процесс принятия решения по результатам моделирова-
ния.
Перечислив выше целый ряд достоинств имитационных мо-
делей и имитационного моделирования, отметим также и их не-
достатки, о которых необходимо помнить при практическом ис-
пользовании имитационного моделирования. Это:
– отсутствие хорошо структуризованных принципов по-
строения имитационных моделей, что требует значительной спе-
циальной проработки каждого конкретного случая ее построения;
– методологические трудности поиска оптимальных решений;
– повышенные требования к быстродействию ЭВМ, на кото-
рых имитационные модели реализуются;
– трудности, связанные со сбором и подготовкой репрезента-
65
тивных статистических данных;
– уникальность имитационных моделей, что не позволяет ис-
пользовать готовые программные продукты;
– сложность анализа и осмысления результатов, полученных
в результате вычислительного эксперимента;
– достаточно большие затраты времени и средств, особенно
при поиске оптимальных траекторий поведения исследуемой сис-
темы.
Количество и суть перечисленных недостатков весьма вну-
шительно. Однако, учитывая большой научный интерес к этим ме-
тодам и их чрезвычайно интенсивную разработку в последние го-
ды, можно уверенно предположить, что многие из перечисленных
выше недостатков имитационного моделирования будут в бли-
жайшее время устранены как в концептуальном, так и в приклад-
ном плане.
Основные принципы построения имитационной модели
Одним из основных параметров при имитационном модели-
ровании является модельное время, которое отображает реальное
время функционирования исследуемой системы. В зависимости от
способа продвижения модельного времени методы моделирования
подразделяются на:
– методы с приращением временного интервала;
– методы с продвижением времени до особых состояний.
В первом случае модельное время продвигается на некото-
рую величину Dt. Далее определяются изменения состояния эле-
ментов системы, которые произошли за это время. После этого
модельное время снова продвигается на величину Dt и так далее
до конца периода моделирования Тм. Шаг приращения выбирается,
как правило, постоянным, но в общем случае он может быть и пе-
ременным. Этот метод носит название «принцип Dt».
Во втором случае в текущий момент модельного времени t
сначала анализируются будущие особые состояния системы (ино-
гда их называют события), которые изменяют динамику функ-
ционирования исследуемой системы. В общем случае в качестве
особых состояний можно выделить:
– поступление заявок на обслуживание;
– начало обслуживания заявки;
– освобождение канала после обслуживания заявки;
66
– завершение моделирования.
В самом общем случае в системе могут быть выделены собы-
тия и других типов, например, возникновение отказа (поломки)
канала обслуживания в процессе обслуживания заявки, а также за-
вершение восстановления устройства после отказа.
После анализа событий выбирается наиболее раннее и мо-
дельное время продвигается до момента наступления этого собы-
тия. При этом считается, что состояние системы не изменяется
между двумя соседними событиями. Затем определяется реакция
системы на выбранное событие, в частности определяется харак-
тер и момент наступления нового особого состояния (события),
и т. д. Процедура повторяется до завершения периода моделиро-
вания Тм. Данный принцип называют «принципом особых состоя-
ний». Модель в этом случае работает, «перепрыгивая» от одного
события к другому, значительно экономя машинное время моде-
лирования. Очевидно, что между реальным временем и временем
работы модели в процессе имитации функционирования иссле-
дуемой системы нет ничего общего. Поскольку имитационный
эксперимент выполняется на ЭВМ, как правило, с очень высоким
быстродействием, время работы модели весьма незначительно
(минуты). Такое отражение в ЭВМ реального процесса называют
«сжатием времени», преимущества которого становятся очевид-
ными, если попытаться получить эту же информацию, используя
реальную моделируемую систему.
Время окончания работы моделируемого алгоритма либо зада-
ется, как правило, с помощью ограничения, накладываемого непо-
средственно на продолжительность имитируемого периода, на так
называемую глубину моделирования, либо выход из алгоритма осу-
ществляется по достижении требуемой точности статистических
оценок рассчитываемых характеристик моделируемой системы.
Обобщенный (укрупненный) алгоритм имитационного моде-
лирования системы массового обслуживания будет следующим:
1. Определяется событие с минимальным текущим временем
– наиболее раннее событие.
2. Модельному времени присваивается значение времени на-
ступления наиболее раннего события.
3. Определяется тип события.
4. В зависимости от типа события предпринимаются дейст-
67
вия, направленные на загрузку устройств и продвижение заявок в
соответствии с технологией их обработки, вычисляются моменты
наступления будущих событий. Все эти действия называют реак-
цией имитационной модели на событие.
5. Перечисленные действия повторяются до истечения пе-
риода моделирования Тм (до достижения заданной глубины моде-
лирования).
6. По результатам работы имитационной модели рассчиты-
ваются необходимые характеристики исследуемой системы массо-
вого обслуживания.
Контрольные вопросы
1. Дайте определение имитационного моделирования.
2. Перечислите основные принципы построения имитацион-
ной модели.
3. Приведите примеры задач для решения, которых возможно
построение имитационной модели.