
- •Введение
- •Глава 1. Моделирование случайных величин
- •1.1.1. Понятия модели и моделирования
- •1.1.2. Основной цикл познания при моделировании
- •1.1.3. Математическое моделирование
- •1.1.3.1. Математическое описание сложных систем
- •1.1.3.2. Методы математического моделирования
- •1.1.3.3. Имитационное моделирование
- •1.1.3.4. Принципы построения алгоритмов имитационного моделирования
- •1.1.3.5. Характерные особенности имитационного моделирования на эвм
- •1.1.3.6. Статистическое моделирование
- •1.1.3.7. Понятие о вероятностном физическом моделировании
- •1.1.3.8. Достоинства метода имитационного моделирования на эвм
- •1.1.3.9. Недостатки метода имитационного моделирования
- •1.2. Структура имитационной модели. Технологии построения.
- •1.2.1. Этапы разработки имитационной модели
- •1.2.2. Элементы и структура имитационной модели
- •1.2.3. Технология построения и функционирования.
- •1.3. Генерирование равномерно распределенных на интервале [0,1] случайных чисел. Проверка качества генераторов случайных чисел
- •1.3.1. О приближенных случайных числах
- •Физические датчики случайных величин
- •О проверке физических датчиков случайных чисел
- •Метод псевдослучайных чисел
- •Алгоритмы получения псевдослучаных чисел
- •Алгоритмы порядка r
- •Метод возмущений
- •Генератор Лемера
- •Проверка качества формируемой последовательности псевдослучайных чисел
- •1.4. Методы генерирования случайных событий, дискретных и непрерывных случайных величин, многомерных случайных величин, усеченных случайных величин.
- •1.4.1. Моделирование дискретных случайных величин
- •1.4.2. Моделирование семейства биномиальных распределений
- •1.4.3. Моделирование непрерывных случайных величин Метод обратных функций
- •Метод суперпозиций
- •Моделирование многомерных случайных величин
- •Моделирование n-мерной точки с зависимыми координатами
- •Метод отбора
- •Применение метода отбора. Моделирование усеченных распределений
- •Метод Неймана
- •Выбор равномерно распределенных точек в сложных областях
- •1.5. Методы генерирования наиболее часто встречающихся на практике распределений.
- •1.5.1. Моделирование распределения Эрланга
- •1.5.2. Приближенное моделирование нормально распределенных случайных величин
- •1.5.3. Методы генерирования цепей и процессов Маркова.
- •1.5.4. Метод генерирования процессов Маркова с дискретным множеством состояний.
- •1.5.5. Метод генерирования процессов Маркова с дискретно-непрерывным множеством состояний.
- •Глава 2. Моделирование информационных систем железнодорожного транспорта
- •2.1. Формирование реализаций случайных потоков
- •Однородных событий.
- •2.1.1. Входящие потоки
- •2.1.2. Формирование произвольных случайных потоков однородных событий
- •2.2. Введение марковских процессов при моделировании систем массового обслуживания при произвольных распределениях основных случайных величин.
- •2.3. Моделирование однолинейной системы массового обслуживания
- •2.3.1. Распределение длины очереди
- •2.3.2. Время отклика и время ожидания
- •2.4. Моделирование многолинейной системы массового обслуживания
- •2.4.1. Моделирование многолинейной системы массового обслуживания для расчете времени ожидания
- •2.4.2. Моделирование многолинейной системы массового обслуживания для расчета распределения числа требований в системе.
- •2.5. Моделирование сетей массового обслуживания,
- •Глава 3. Оценка точности результатов моделирования
- •3.1. Постановка задачи по оценке точности результатов моделирования. Характеристики точности результатов моделирования Оценка точности результатов аналитического моделирования
- •3.1.1. Постановка задачи по оценке точности результатов
- •3.1.2. Классификация входных случайных величин
- •3.1.3. Смещение и дисперсия оценки выходного показателя
- •3.2. Оценка точности результатов имитационного
- •3.2.1. Оценка смещения
- •3.2.2. Оценка составляющей дисперсии за счет неточности входных параметров
- •3.2.3. Оценка частных производных от показателя эффективности сложной системы на ее математической модели
- •3.3. Оценка точности результатов статистического
- •Глава 4. Разработка математической модели функционирования двухпутного железнодорожного участка для определения минимального расчетного межпоездного интервала
- •4.1. Постановка задачи
- •4.1.1. Актуальность разработки модели
- •4.1.2. Постановка задачи по разработке модели.
- •4.2.2. Кусочно-непрерывный марковский процесс, описывающий функционирование двухпутного железнодорожного участка
- •4.3. Алгоритм смены состояний кусочно-непрерывного процесса, функционирования железнодорожного участка во времени
- •4.4. Уравнения движения поезда
- •4.5. Программная реализация алгоритма математической модели функционирования двухпутного ж.Д. Участка
- •4.6. Оценка точности линеаризованных решений дифференциальных уравнений движения поезда
- •4.7. Результаты моделирования
- •4.7.1. Описание объекта моделирования и исходные данные
- •4.8. Результаты моделирования для обычных грузовых поездов
- •4.9. Результаты моделирования для поездов повышенной длины и массы
- •4.10. Результаты расчета точности решений линеаризованных уравнений движения поезда
- •Глава 5. Задачи по дисциплине «Моделирование систем» для студентов 4 курса по кафедре «асу» по направлениям
- •Оглавление
- •Глава 1
- •Глава 2. Моделирование информационных систем
- •2.3. Моделирование однолинейной системы массового обслуживания………………………………………………………………...52
- •2.4. Моделирование многолинейной системы массового обслуживания..55
- •Глава 3. Оценка точности результатов моделирования…………………...63
- •Глава 4. Разработка математической модели функционирования
- •Глава 5. Задачи по дисциплине «Моделирование систем»
1.4.2. Моделирование семейства биномиальных распределений
Задана случайная
величина
, имеющая биномиальное распределение:
Один
из путей моделирования случайной
величины
заключается в том, что на основании
можно
записать ее ряд распределения и
моделирование свести к рассмотренным
ранее случаям.
Однако этот путь имеет существенный недостаток - большая подготовительная работа перед вычислениями.
Более предпочтителен другой способ моделирования, когда при фиксированной вероятности р можно воспроизводить условия возникновения биномиального распределения - схему независимых испытаний.
В этом случае
формируется последовательность
псевдослучайных чисел
и n раз проверяется условие 1
< p ,2
< p , 3
< p,n
< p . В данной серии из n чисел условие
( i
< p ) будет выполняться, например,
раз.
Считается, что - конкретное значение случайной величины в данной серии опытов. Сформировав вновь n чисел , и проверив условие (3.4), определим новое значение и т.д.
1.4.3. Моделирование непрерывных случайных величин Метод обратных функций
Полной характеристикой непрерывной случайной величины является закон распределения, заданный функцией распределения или плотностью распределения.
Обозначим F(х) - функцию распределения случайной величины .
Теорема 2 (об обратных функциях). Случайная величина , удовлетворяющая условию:
F ( ) = , (1.4.3)
имеет заданный
закон распределения
(х).
Доказательство. Имеем
.
Пример.
Задана случайная
величина
с законом распределения
=
1-e-х
на интервале [ 0< х <
]. Получим соотношение для моделирования
значений величины .
На основании метода обратных функций можно записать следующее соотношение:
F ( ) = или 1 - e- = .
Заметим, что поскольку случайная величина (1 - ) имеет то же распределение, что и , выражение для формирования случайной величины можно упростить:
1 - e-
= 1 -
, откуда
Нередко метод обратных функций приводит к сложным или просто неудобным алгоритмам. Например, для того, чтобы формировать значения случайной величины с нормальным распределением (с параметрами [0, 1]), приходится решать уравнение
В таких случаях обычно используют методы формирования значений случайных величин, связанные с другими преобразованиями равномерно распределенных чисел .
Метод суперпозиций
Пусть задана
функция распределения F (х) случайной
величины ,
которая может быть представлена следующим
образом:
,
т.е. в виде смеси некоторых функций
распределения FK
(х), а сумма всех коэффициентов СК
равна 1:
Введем в рассмотрение дискретную случайную величину , задав ее рядом распределения
-
1
2
3
. . .
m
р
C1
C2
C3
. . .
Cm
Пусть 1 и 2 - независимые равномерно распределенные случайные числа. Если по числу 1 произвести выбор интервала (значения случайной величины = к), а по числу 2 в результате решения уравнения FK( ) =2 определить величину , то величина будет иметь заданный закон распределения F(х).