
- •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»
1.3.1. О приближенных случайных числах
При работе на ЭВМ имеют дело с числами, длина которых ограничена разрядной сеткой ЭВМ, то есть происходит округление чисел.
Следствием округления является возможность появления зависимостей между цифрами числа .
Физические датчики случайных величин
Физическими датчиками (генераторами) случайных величин называют физические приборы, на выходе которых формируются либо случайные напряжения, либо случайные коды.
Принцип работы многих таких устройств построен на использовании эффекта собственных шумов радиоэлектронных приборов.
Предположим, что имеется “шумящий” радиоэлектронный прибор. Напряжение на его выходе иллюстрируется следующей временной диаграммой:
Рис. 1.1.
Зададим некоторый
уровень опорного напряжения U0
и
интервал квантования по времени
t.
Можно подсчитать количество выбросов напряжения U (t) за уровень U0 в течение каждого из интервалов времени t. Если затем произвести суммирование по mod2 подсчитанного числа выбросов для каждого из интервалов t, то полученная сумма будет равна 0, либо 1.
Пусть требуется сформировать r-разрядное двоичное число (на основании которого получаем к - разрядное десятичное). В этом случае для определения r разрядов первого числа 1 , используется r интервалов t, следующие r интервалов t определяют число 2 и т.д.
При этом должна быть обеспечена одинаковая вероятность появления нулей и единиц. Чтобы не проверять равенство вероятностей, используется схема стабилизации вероятностей, когда один двоичный разряд выходного числа формируется с помощью двух интервалов t.
В этом случае комбинация {01} принимается за 1, комбинация {10}- за 0. Комбинации {00} и {11} не рассматриваются и отбрасываются.
Достоинство физических датчиков:
1. Запас чисел практически не ограничен, т.е. вероятность повторения чисел при моделировании пренебрежимо мала.
Недостаток. Необходимо иметь специальное физическое устройство.2. С течением времени все радиоэлектронные приборы изменяют свойства, следовательно, датчики во времени работают нестабильно, поскольку у формируемой ими последовательности чисел может меняться вид закона распределения и его параметры.
3. В процессе моделирования датчик невозможно проверить, поэтому каждый его сбой будет сказываться на результатах моделирования.
О проверке физических датчиков случайных чисел
Особенностью проверки физических датчиков случайных величин является то, что проверяются не те числа, которые используются при моделировании.
Физический датчик проверяется до начала моделирования и после его окончания, в процессе моделирования проверка не производится.
Поэтому к физическим датчикам случайных величин предъявляются жесткие требования стабильности работы во времени.
Метод псевдослучайных чисел
Псевдослучайными называются такие числа, которые формируются по заранее заданному алгоритму, но обладают всеми свойствами случайных чисел.
Конкретную последовательность псевдослучайных чисел можно всесторонне проверить, а затем многократно применять.
Достоинства датчиков псевдослучайных чисел:
1. Программы формирования псевдослучайных чисел очень просты и состоят из нескольких операторов.
2. Числа формируются во времени устойчиво, в отличие от физических датчиков.
Недостатки:
1. Последовательность псевдослучайных чисел, в силу конечной длины разрядной сетки ЭВМ, всегда ограничена, т.е. начиная с некоторого числа, при моделировании неизбежно начнется повторение случайных чисел.
2. Числа формируются медленнее, чем при использовании физических датчиков.
В настоящее время это основной способ формирования случайных чисел при моделировании на ЭВМ.